【问题简要】【必填】     （1）POST请求的消息体怎么设置成json格式？    （2）vxml调用客户接口，客户返回的是结果是json格式的，怎么获取结果？【问题类别】【必填】      vxml1.0【IPCC解决方案版本】【必填】        IPCC V200R001C80【期望解决时间】【选填】    8月5号【问题现象描述】【必填】 代码：

版本 信息espace cc  c60  gsl问题描述客服系统页面显示的录音是通过http请求文件服务器获取的，需要开那些策略？处理完成时间紧急

1、简介      Tomcat是Apache 软件基金会（Apache Software Foundation）的Jakarta 项目中的一个核心项目，由Apache、Sun 和其他一些公司及个人共同开发而成。由于有了Sun 的参与和支持，最新的Servlet 和JSP 规范总是能在Tomcat 中得到体现。因为Tomcat 技术先进、性能稳定，而且免费，因而深受Java 爱好者的喜爱并得到了部分软件开发商的认可，成为目前比较流行的Web 应用服务器。目前最新版本是9.0。      Tomcat服务器是一个免费的开放源代码的Web 应用服务器，属于轻量级应用服务器，在中小型系统和并发访问用户不是很多的场合下被普遍使用，是开发和调试JSP 程序的首选。。      官方链接：http://tomcat.apache.org/      类别：Web服务2、基础环境类别子项版本获取地址(方法)华为云虚拟机RC3（916）--OSCentOS7.5 Kernel4.14 软件包Jdk1.8.0 Tomcat9.0.21 3、依赖安装参考《华为云鲲鹏云服务最佳实践-JDK-1.8.0 安装配置指南》4、组件编译安装下载tomcatwget http://mirrors.tuna.tsinghua.edu.cn/apache/tomcat/tomcat-9/v9.0.21/bin/apache-tomcat-9.0.21.tar.gz解压tar -xvzf apache-tomcat-9.0.21.tar.gz5、系统配置无6、测试  测试内容：tomcat服务是否正常启动  测试结果：服务正常启动7、参考信息官方文档：http://tomcat.apache.org/tomcat-9.0-doc/index.html8、FAQA：tomcat的默认端口号为8080,如果有其他软件占用了此端口，则会导致tomcat不能启动Q：用FPort等软件查看端口使用情况，然后结束占用端口的进程或配置其改用其它端口

目前我们SLB要监控基于CSE开发的微服务，但是SLB仅仅支持如下2中方式：1、微服务提供http的GET接口2、微服务提供https的无证书校验的GET接口业务当前都是https的服务接口，且证书校验了。请问CSE当前是否可以满足SLB的诉求？如果可以满足怎么配置？

1、简介Solr是一个独立的企业级搜索应用服务器，它对外提供类似于Web-service的API接口。用户可以通过http请求，向搜索引擎服务器提交一定格式的XML文件，生成索引；也可以通过Http Get操作提出查找请求，并得到XML格式的返回结果。Solr可以支持在arm环境下运行，无需重新编译。但需要配合Tomcat 8以上版本使用。可以从官网下载最新的Solr包进行解压缩、配置、运行。2、环境类别版本配置备注ARM测试服务器CentOS7.4arm通用计算增强型 | rc3.xlarge.4 | 4vCPUs | 14GB华为云公测可申请ARM服务器3、Tomcat安装（详细见tomcat指导安装文档）4、Solr安装（arm服务器）4.1.下载安装包wget http://mirror.bit.edu.cn/apache/lucene/solr/8.1.1/solr-8.1.1.zip4.2.解压缩包unzip solr-8.1.1.zip4.3.复制文件夹到目录1.拷贝solr-8.1.1/server/solr-webapp/webapp目录到tomcat/webapp/,改名叫solrcp -r solr-8.1.1/server/solr-webapp/webapp tomcat8/webapps/solr2.拷贝solr-8.1.1/server/lib/ext下的jar包到tomcat下的webapps/solr/WEB-INF/lib路径下cp solr-8.1.1/server/lib/ext/*.jar tomcat8/webapps/solr/WEB-INF/lib/3. 拷贝solr-8.1.1/dist 下的solr-dataimporthandler-8.1.1.jar、solr-dataimporthandler-extras-8.1.1.jar 包到tomcat下的webapps/solr/WEB-INF/lib路径cp solr-8.1.1/dist/solr-dataimporthandler*.jar   tomcat8/webapps/solr/WEB-INF/lib4.拷贝solr-8.1.1/server/lib下的metrics开头的5个jar到tomcat下的webapps/solr/WEB-INF/lib路径下（metrics-core-3.2.2.jar、metrics-ganglia-3.2.2.jar、metrics-graphite-3.2.2.jar、metrics-jetty9-3.2.2.jar、metrics-jvm-3.2.2.jar）5.新建一个文件夹solr-home，并将solr-8.1.1/server/路径下solr文件夹中的内容拷贝过来mkdir solr-homecp -r solr-8.1.1/server/solr/* solr-home  （复制到刚刚新建的solr-home里）4.4.环境配置1.进入tomcat8下的webapps/solr/WEB-INF下修改web.xmlcd tomcat8/webapps/solr/WEB-INFvi web.xml2. //记得打开此处的注释（如果没有手动输入）<env-entry>    <env-entry-name>solr/home</env-entry-name>  <env-entry-value>/usr/local/solr/solr-home</env-entry-value>//自己solr-home的位置    <env-entry-type>java.lang.String</env-entry-type></env-entry> //中间省略...//下面这段注释掉<!--  <security-constraint>    <web-resource-collection>        <web-resource-name>Disable TRACE</web-resource-name>        <url-pattern>/</url-pattern>        <http-method>TRACE</http-method>      </web-resource-collection>    <auth-constraint/>  </security-constraint>  <security-constraint>      <web-resource-collection>        <web-resource-name>Enable everything but   TRACE</web-resource-name>        <url-pattern>/</url-pattern>        <http-method-omission>TRACE</http-method-omission>      </web-resource-collection>  </security-constraint>  -->5、测试5.1.测试执行1.运行tomcat2.访问http://ip:port/solr/index.html（ip端口根据tomcat配置来填） 6、参考信息     solr安装指导： https://blog.csdn.net/qq_40524941/article/details/815122937、FAQ     待补充

【问题简要】【必填】     （1）vxml解释器支持是javascript创建XmlHttpRequest对象，发http请求么【问题类别】【必填】      vxml1.0【IPCC解决方案版本】【必填】        IPCC V200R001C80【期望解决时间】【选填】    7月10号【问题现象描述】【必填】  【日志或错误截图】【可选】

TensorFlow 基础操作1.    数据类型1.1. 常见的数据类型载体l  List：list设计非常的灵活，可以随意的**添加和编辑，内存的管理不是很连续。对于高维度数据的读取和写入效率也会很低。l  np.array专门用来解决同类型数据运算的一个载体，可以很方便的将图片数据进行吞吐和转置等计算操作。弊端：在深度学习之前就已设计和广泛应用的科学计算库，没有很好的GPU计算支持，也不能支持自动求导。因此tensorflow 就应运而生。l  tf.Tensor: TensorFlow 和 Numpy的地位在某种层面上相似，例如一些拼接，random的操作等等。而且为了方便使用Numpy的开发者，能够更便利的转移到TensorFlow，在一些API的命名上也很相似。只不过功能上更加偏重于神经网络的计算。1.2. 什么叫tensorl  Scalar(标量)：1.1，2…，实质是指一个准确的数据类型。如果是标量1.1：维度为0。l  Vector(向量): [1.1], [1.1, 2.2, 3.3…]。如果是向量[1.1]:维度是1。l  Matrix(矩阵): [[1.1,2.2],[3.3,4.4],[5.5,6.6]]。维度通常描述为m*n。l  tensor(张量): 数学上用到的定义：一般是指维度大于2的都称为tensor。在TensorFlow中习惯上将标量和一维向量也称为tensor，因此所有的数据都可以称为tensor。1.3. flow很多的数据经过很多的操作从输入到输出完成一个flow的过程，就像水流一样连接每一个管道完成每一个运算。1.4. V2.0中常用数据类型TensorFlow中常用的数据类型有：l  int, float, double:p  tf.constant(1) : constant沿用1.0版本,可以理解成是一个普通的tensor       <tf.Tensor: id=4, shape=(), dtype=int32, numpy=1>p  tf.constant(1.)       <tf.Tensor: id=4, shape=(), dtype=float32, numpy=1.0>p  tf.cosntant(2.2, dtype=tf.int32),如果输入2.2 但是指定类型为int类型,则会报错 p  tf.constant(2., dtype=tf.double)        <tf.Tensor: id=7, shape=(), dtype=float64, numpy=2.0>,指定双精度类型 ，         double型实质是一个别名，对应的是 float64。l  bool: 布尔类型p  tf.constant([True, False])       <tf.Tensor: id=9, shape=(2,), dtype=bool, numpy=array([True, False])l  string:p  tf.constant(‘hello,world’)       <tf.Tensor: id=14, shape(), dtpype=string, numpy=b’hello,world’>1.5. V2.0常用的属性(device)l  device：with tf.device(“cpu”)        a=tf.constant(1)with tf.device(“gpe”)        b=tf.range(4)#可以判断tensor a和b分别在哪一个设备上a.device    #返回:device:CPU:0b.device    #返回:device:GPU:0l  如果需要将tensor在CPU和GPU之间相互转移,操作如下：aa=a.gpu()      aa.device #此时返回为：device:GPU:0bb=b.gpu()    bb.device #此时返回为：device:CPU:01.6. V2.0常用的属性(numpy,ndim)l  numpy：支持tensor类型直接转换成np.array。b.numpy()      array([0,1,2,3],dtype=int32)#直接指定要转换的数据类型int(a)      #可以直接转换成int，但前提是，a必须是一个scalarfloat(a)l  查看维度的属性有：b.ndim    #返回数据维度b.shapetf.rank(b)1.7. V2.0常用的属性(判断tensor)l  判断是否是tensora=tf.constant([1.])b=tf.constant([true,False])c=tf.constant(‘hello,world’)d=np.arange(4)#判断是否是tensortf.is_tensor(b)   #return Trueisinstance(a,tf.Tensor)  #return Truetf.is_tensor(d)   #return Falsel  查看数据类型a.dtype，b.dtype c.dtypereturn    (tf.float32, tf.bool, tf.string)a.dtype =tf.float32   #return Trueb.dtype=tf..string     #return True1.8. V2.0常用的属性(数据转换)l  converta=np.arrange(5)   #array([0,1,2,3,4,5])a.dtypedtype(‘int64’) #numpy中自动生成int64#np.array转换成tensor, 且需要指定数据类型为inte32aa=tf.convert_to_tensor(a,dtype=tf.int32)l  cast:同样可以实现数据转换，且更简洁，只需要指定dtype。tf.cast(aa, dtype=tf.float32) #指定转换成float32<tf.Tensor:id=23,shape=(5,),dtype=float32,numpy=array([0.,1.,2.,3.,4.]，dtype=float32)>aaa=tf.cast(aa, dtype=tf.double) #指定转换成float64<tf.Tensor:id=27,shape=(5,),dtype=float64,numpy=array([0.,1.,2.,3.,4.])>tf.cast(aaa, dtype=tf.int32)<tf.Tensor:id=28,shape=(5,),dtype=int32,numpy=array([0,1,2,3,4]，dtype=int32)>l  cast:整型和布尔型之间的转换b=tf.constant([0,1]) #int32的整型tf.cast(b,dtype=tf.bool)<tf.Tensor:id=31,shape=(2,),dtype=bool,numpy=array([False,   True])>bb=tf.cast(b, dtype=tf.bool) #布尔型tf.cast(bb, dtype=tf.int32) #布尔型转换成整型#False对应0，True对应1<tf.Tensor:id=34,shape=(2,),dtype=int32,numpy=array([0,   1]，dtype=int32)>  l  Variable：可求导的属性(专门为神经网络的参数所设计的属性）a=tf.range(5)b=tf.Variable(a) #tensor a在进行了variable的包装之后，就具备了可求导的特性。b.dtype    #tf.int32b.name    #’Varibale:0’iIsinstance(b,tf,tensor)     #Falseisinstance(b,tf.Variable)   #Truetf.is_tensor(b)   #True2.    创建Tensor2.1. from numpy/listl  from numpytf.convert_to_tensor(np.ones([2,3])) #可以通过dtype来设定为常用的float32或int32<tf.Tensor:id=42,shape=(2,3),dtype=float64,numpy=array([[1.,1.,1.]],[1.,1.,1.]])>l  from list#list可转换到tensor的前提是必须能转换成np.array的数据。例如: [1, (1，2)]不支持转换tf.convert_to_tensor([1, 2])<tf.Tensor:id=46,shape=(2,   ),dtype=int32,numpy=array([1, 2], dtype=int32)>#当数据类型不一致时：一个整型，一个浮点型，返回都是浮点型tf.convert_to_tensor([1, 2.])<tf.Tensor:id=48,shape=(2,   ),dtype=float32,numpy=array([1., 2.], dtype=float32)>2.2. zeros/onesl  tf.zeros: 初始化全为0tf.zeros([2,2])  #这里的[2,2]是指shape为2*2，区别于convert_to_tensor<tf.Tensor:id=10,shape=(2,   2),dtype=float32,numpy=array([[0.,0.],[0.,0.]], dtype=float32)>tf.ones: 类似于tf.zeros，在这里是初始化全为1tf.ones(1)<tf.Tensor:id=27,shape=(1,),dtype=float32,numpy=array([1.],   dtype=float32)>tf.ones([])<tf.Tensor:id=31,shape=(),dtype=float32,numpy=1.0>tf.ones([2])<tf.Tensor:id=31,shape=(),dtype=float32,numpy=array([[1.,   1., 1.], [1., 1., 1.]],dtype=float32>2.3. normall  tf.random.normal(): 随机初始化tf.random.normal([2,2],mean=1, stddev=1)   #可以指定shape，均值和标准差）<tf.Tensor:id=57,shape=(2, 2),   dtype=float32, numpy=array([2.3931956, 0.33781087], [1.0709286,   1.1542176]],  dtype=float32)>tf.ones([])<tf.Tensor:id=31,shape=(),dtype=float32,numpy=1.0>tf.ones([2])<tf.Tensor:id=31,shape=(),dtype=float32,numpy=array([[1.,   1., 1.], [1., 1., 1.]],dtype=float32>2.4. Uniform/shufflel  tf.random.uniform(): 随机均匀分布初始化#可以指定shape，最小值和最大值。此处以0-1之间的均匀分布为例。#若不指定均值和标准差，则默认选择均值为0，标准差为1的标准正太分布tf.random.uniform([2,2],minval=0,   maxval=1)<tf.Tensor:id=79, shape=(2, 2),   dtype=float32, numpy=array([0.1432991, 0.0267868], [0.08979011,   0.8807217]],  dtype=float32)>l  tf.random.shuffle(): 将数据顺序打乱idx=tf.range(10)idx=tf.random.shuffle(idx)<tf.Tensor:id=67, shape=(10, ),   dtype=int32, numpy=array([2, 1, 9, 3, 8, 7, 0, 5, 4,6])dtype=float32)>3.    V2.0索引和切片l   [start:end]:a=tf.range(10)<tf.Tensor:   numpy=array[0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>a[-1:]<tf.Tensor:id=48,   shape=(1,), dtype=int32, numpy=array([9])>a[:2]<tf.Tensor:id=58,   shape=(2,), dtype=int32, numpy=array([0, 1])>a[:-1]<tf.Tensor:id=63,   shape=(2,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8])>b=tf.random.normal([4,   28, 28, 3])b[0,: , :,   :].shape   #TensorShape([28, 28, 3])l  [start:end:stop]/[::step]b[:, 0:28:2,   0:28:2, :].shape   #TensorShape([4, 14,   14, 3])b[:, ::2, ::2,   :].shape         #TensorShape([4, 14,   14, 3]) l  [::-1]，‘…’: 默认为任意长的冒号a=tf.random.normal([2,   4, 28, 28, 3])a[0, …].shape  #TensorShape([4, 28, 28, 3])a[…, 0].shape  #TensorShape([2, 4, 28, 28])a[1, 0, …, 0].shape  #TensorShape([28, 28])l  tf.gatherdata=tf.random.normal([4, 35, 8])tf.gather(data, axis=0, indices=[2,   3]).shape #参数分别代表：数据源、维度、对应维度的索引号TensorShape([2, 35, 8])tf.gather(data, axis=0, indices=[2, 1, 3,   0]).shape  #可以理解为抽取第一个维度的索引所对应的顺序为2,1,3,0TensorShape([4, 35, 8])4.    V2.0维度变换4.1. reshapereshape的使用方法：a=tf.random.normal([4, 28, 28, 3])TensorShape([4, 28, 28, 3])a.shape, a.ndim #分别返回数据形状和总维度数TensorShape([4, 28, 28, 3]), 4)#传入的参数分别为：数据源、目标获得view的方式。784=28*28tf.reshape(a, [4, 784, 3]).shape  #可以理解为[batch, pixel, channel]TesorShape([4, 784, 3]), 4)tf.reshape(a, [4, -1, 3]).shape  #要保证4*-1*3要等于原数据大小，因此-1会自动计算出结果TesorShape([4, 784, 3]), 4)tf.reshape(a, [4, 784*3]).shapeTensorShape([4, 2352])4.2. 转置l  tf.transpose：[w,h] →[h, w]a=tf.random.normal([4, 3, 2, 1])a.shapeTesorShape([4, 3, 2, 1])tf.transpose(a).shapeTensorShape([1, 2, 3, 4])l  指定转置的维度#指定参数perm，可以指定转置后的维度顺序tf.transpose(a, perm=[0, 1, 3,   2]).shape  #前两给维度保持不变，交换后两个维度的顺序TensorShape([4, 3, 1, 2])4.3. 增加维度l  维度扩张：expand diml  a: [classes, students, classes] → [4, 35, 8]: 可以描述为4个班级，每个班级有35个学生，每个学生有8门课程。l  增加学校的维度： [1, 4, 35, 8]+[1, 4, 35, 8] → [2, 4, 35, 8]a=tf.random.normal([4, 35, 8])tf.expand_dims(a, axis=0).shape #axis参数来制定要增加维度的位置TensorShape([1, 4, 35, 8])tf.expand_dims(a, axis=3).shape #等同于axis=-1TensorShape([4, 35, 8, 1])4.4. 减少维度l  维度压缩：p  squeeze dimtf.squeeze(tf.zeros([1, 2, 1, 1,   3])).shape  #默认将维度唯一的维度压缩TensorShape([2, 3])p  通过axis参数来指定要压缩的维度：a=tf.zeros([1, 2, 1, 3])Tf.squeeze(a, axis=0).shapeTensorShape([2, 1, 3])4.5. broadcasting(广播）l  Broadcasting：本质是张量维度扩张的一个手段，指对某一个维度上重复n次但是确没有真正的复制一个数据。p  扩张p  没有复制数据p  通过tf.broadcast_to来实现p  广播的方法：p  在需要的时候添加维度，且添加维度的初始size为1。p  扩张初始化为1的维度大小与需要进行计算的维度大小相同。p  例: [4, 32, 32, 3]+[3], 对[3]进行broadcasting，方法如下：[3]→[1, 1, 1, 3] →[4, 32, 32, 3]4.5.1.广播的优势l  为什么使用broadcasting：p  编辑代码更加简洁:[classes, students, scores] : +5 score[4, 32, 8] + [4, 32, 8]，通过expand的方式需要先把维度扩张到相同size， 再进行计算。[4, 32, 8] + [5.0] (此处的5.0为数值，shape为8），广播的方式则是在后台自动进行扩张计算。p  节省内存：不需要复制数据，不占内存。[4, 32, 8] → 1024*4[8] → 8*44.5.2.广播的实现l  广播的实现：不需要输入tf.broadcast_to的命令，而是自动判断该操作符是否支持broadcastng, 如果支持会自动进行广播并完成计算。a=tf.random.normal([4, 32, 32, 3])(a+tf.random.normal([3])).shapeTensorShape([4, 32, 32, 3])b=tf.broadcast_to(tf.random.normal([4, 1,   1, 1]), [4, 32, 32, 3])b.shape      #TensorShape([4, 32, 32, 3])l  若无法复制成相同维度大小，则无法进行广播运算。(a+tf.random.normal([1, 4, 1, 1])).shape   #第二维度因为已经给出4，而目标数据的第二个维度为32。InvalidArgumentError: Incompatible   shapes: [4, 32, 32, 3] Vvs. [1, 4, 1, 1]  本实验利用网上已有的北京房价数据集预测了北京的房价，实现了TensorFlow的线性回归应用。更多的技术内容，请访问腾科公司网站 www.togogo.net

怎么配置service center（服务中心）开启http，目前抓跟踪看是https的

云原生的概念自2013年一经提出，就备受关注和推崇在IT圈儿混的，对云原生技术想必都不陌生特别是对容器、服务网格、微服务、Serverless 等云原生代表技术，或多或少都有一定了解很多企业甚至已利用云原生技术成功实现了业务上云的转型 那么问题来了从邂逅云原生到相识相知携手踏上新征程，你/公司是怎么做到的，都经历了些啥？520秀完恩爱，是时候秀秀你与云原生的那些事儿了！华为云容器团队现面向广大程序猿征集你与云原生的故事、技术心得、上云实践/案例等参与即有机会获得华为手环、云原生专业书籍、京东E卡等多重好礼哦分享创造更大价值，你还在等什么，赶紧参与吧~ 活动具体内容&规则如下：1. 征文时间：2019年5月27日-7月31日2. 参与对象：华为云容器服务用户、云原生技术爱好者3. 参与方式：点击进入“云原生研究所”- 选择“云原生生态”分类，即可发布参赛文章帖啦，记得将帖子标题及链接回复在本帖下哦（用于参赛统计和奖品发放，一定要回复到本帖下，否则可能无法参与评选）4. 内容要求：分享你/公司与云原生的故事、技术心得、上云实践/案例……只要与云原生相关内容皆可，500字以上，不限题材，自由发挥。比如，可以谈谈你对云原生技术的理解，聊聊你个人or公司在使用华为云容器服务过程中的心得体会。当然，如果能分享一些容器给公司业务带来的变化就更好啦~>举个栗子：-标题：我与容器的不解之缘-正文：坐标深圳，XX公司程序猿一枚，一直有关注容器技术……公司去年开始使用华为云容器服务CCE，逐步将应用进行容器化改造……大幅度降低了成本，提高了运维效率，还让我得到了晋升的机会……5. 评选规则：>评选标准：1）可学习参考性  2）内容真实性  3）内容完整性>评选方式：活动结束后，华为云容器服务专家评审团将对参赛文章进行评审，并于1周内公布结果。6. 活动奖励：一等奖：1名   华为手环+云原生专业书籍二等奖：3名   云原生专业书籍 三等奖：6名   50元京东E卡7. 注意事项：1）按参与方式参与，其他方式无效；2）请勿大篇幅抄袭其他用户的文章，一经发现，取消参赛、获奖资格；3）禁止恶意刷数据等作弊行为，如有发现，取消参赛、获奖资格；4）遵守华为云社区常规活动规则https://bbs.huaweicloud.com/forum/thread-5766-1-1.html5）本活动最终解释权归华为云容器团队所有。激扬文字，创造更大价值，点击参与吧~

欢迎大家来到全国物联网设计竞赛巡回演讲-郑州大学站！也欢迎大家加入到我们华为云IoT平台论坛！双重欢迎，加倍奖励！回复主题，即可有机会获得智能手环。既能解答自己的疑惑，又能获得惊喜大奖，这，就是知识的力量╰(*°▽°*)╯。话不多说，请看规则：1.       在本帖下回复帖子，说出你对IoT的一切疑问；2.       IoT专家对所有回复的帖子进行筛选，挑选出6个获奖提问；3.       讲座结束前公布获奖者论坛昵称，现场领取奖品； 所有的问题都是有价值的问题！我们会在讲座结束后，安排专家一一回答大家所有的问题。

TensorFlow 实现线性回归1.    实验介绍1.1.   关于本实验本实验为TensorFlow线性回归的一个实际案例即房价预测。1.2. 实验目的理解线性回归。理解如何利用TensorFlow做预测。1.3. 实验介绍本实验通过一个预测房屋价格的实例来讲解利用线性回归预测房屋价格，以及在tensorflow中如何实现。平时常用的房价预测数据集为波士顿房价数据集，本实验采用的是北京的房价数据集，更贴近国人的生活。1.4. 实验步骤                              步骤 1     步骤1登陆华为云。                              步骤 2     点击右上方的控制台。                              步骤 3     选择弹性云服务器，网页中会显示该弹性云的可进行的操作，选择远程登录。即登录到弹性云服务器。                              步骤 4     输入指令ll，查看当前目录下的文件。                              步骤 5     输入命令vi house_price.py，创建新的Python脚本。                              步骤 6     输入命令i,进入编辑模式开始编辑，输入脚本内容。                              步骤 7     输入命令 :wq!,保存并退出。                              步骤 8     输入命令cat house_price.py查看代码。                              步骤 9     运行测试。输入命令：python3 house_price.py。 2.    实验过程2.1. 设置编码说明# coding:utf-82.2. 导入模块#载入此项目所需的库from __future__ import print_function, divisionimport tensorflow as tfimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn2.3. 导入数据该实验数据来源为：https://github.com/cunxi1992/boston_housing中的bj_housing2.csv文件。读取数据：train = pd.read_csv("bj_housing2.csv")更多的技术内容，请访问腾科公司网站 www.togogo.net2.4. 定义参数train = train[train['Area'] < 12000]train_X = train['Area'].values.reshape(-1, 1)train_Y = train['Value'].values.reshape(-1, 1)n_samples = train_X.shape[0] # 定义参数，设置学习率learning_rate = 2# 设置训练次数training_epochs = 1000# 设置多少次显示一次display_step = 502.5. 定义占位符# 定义X,Y占位符X = tf.placeholder(tf.float32)Y = tf.placeholder(tf.float32) # 使用Variable定义的学习参数W = tf.Variable(np.random.randn(), name="weight", dtype=tf.float32)b = tf.Variable(np.random.randn(), name="bias", dtype=tf.float32)2.6. 构建正向传播结构# 构建正向传播结构pred = tf.add(tf.multiply(W, X), b)#损失函数cost = tf.reduce_sum(tf.pow(pred-Y, 2)) / (2 * n_samples)# ʹ使用梯度下降优化器optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)2.7. 初始化# 激活Initinit = tf.global_variables_initializer() # 启动session，初始化变量with tf.Session() as sess:sess.run(init)2.8. 启动循环#启动循环开始训练    for epoch in range(training_epochs):        for (x, y) in zip(train_X, train_Y):            sess.run(optimizer, feed_dict={X: x, Y: y})#显示训练中的详细信息        if (epoch + 1) % display_step == 0:            c = sess.run(cost, feed_dict={X: train_X, Y: train_Y})            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.3f}".format(c), "W=", sess.run(W), "b=", sess.run(b))    #显示训练中的详细信息     print("Optimization Finished!")    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})    print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')2.9. 展示训练结果    #展示训练结果    plt.plot(train_X, train_Y, 'ro', label="Original data")    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label="Fitted line")    plt.legend()plt.show()2.10.   实验结果输出结果：Epoch: 0050 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0100 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0150 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0200 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0250 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0300 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0350 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0400 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0450 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0500 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0550 cost= 16308.796 W= 1.8889627 b= 155.08276Epoch: 0600 cost= 16308.796 W= 1.8889627 b= 155.08276……3.    实例描述本实验利用网上已有的北京房价数据集预测了北京的房价，实现了TensorFlow的线性回归应用。更多的技术内容，请访问腾科公司网站 www.togogo.net

准备工作1. 建议先 点击此处 下载.rar格式的压缩文件，只需经过一次解压即可得到 .tar 格式的镜像打包文件“docker-2048”哦。2. 建议先 点击此处 购买CCI 9元超值体验套餐包，游戏部署体验更佳哦！~下面来是完整操作步骤步骤一：创建命名空间命名空间（namespace）是kubernetes 的一个典型概念，是一种在多个用户之间划分资源的方法，适用于用户中存在多个团队或项目的情况。当前CCI服务提供两种类型的资源：“通用计算型”和“GPU型”。创建命名空间时需要选择资源类型，后续创建的负载中容器就运行在此类型的集群上。1. 登录云容器实例管理控制台，左侧导航栏中选择“命名空间”。2. 选择创建“通用计算型“命名空间。点击“一键创建”即可获得一个全新的命名空间（cci-auto-1548297057827），用于对即将部署的游戏应用进行管理。   步骤二 部署工作负载工作负载是对Pod的服务化封装，当前CCI服务中主要支持无状态负载、短任务负载、定时任务负载等。本例中游戏应用以无状态负载的方式作为一个长稳应用部署在CCI服务中。1.  在左侧导航栏中选择“工作负载”，在右侧选择上一个步骤创建的命名空间，单击“创建负载”。2. 配置无状态负载基本信息 a. 填写负载名称； b. 选择POD数量；当配置多个Pod时，云容器实例会自动在Pod间做负载均衡。此处建议POD数量不小于2，否则无法保证应用的HA能力。c. 填写负载描述信息。3. 容器设置a. 选择镜像。点击“上传镜像”、在容器镜像服务中选择“页面上传”，选择组织，选择镜像文件，上传已下载至本地的镜像文件“docker-2048”即可。上传完毕后，返回创建无状态工作负载页面刷新， 即可看到刚刚上传的镜像，点击“使用该镜像”b. 根据需要配置容器规格及高级设置（存储、环境变量、健康检查、生命周期、启动命令和ConfigMap）。本示例请保持默认值不变，然后单击“下一步”。4. 访问设置关于负载的访问设置，有如下3种选项：不启用：负载不提供外部访问方式，适合一些计算类场景，只需计算完存储结果即可，无需与外部通信。内网访问：负载之间通过“负载域名:负载端口”互相访问。公网访问：通过弹性负载均衡，从外部访问访问负载。本示例中我们的小游戏应用需要能够通过公网进行访问，此处选择公网访问。a. 参考界面提示在弹性负载均衡的界面购买增强型ELB。购买后点击界面的刷新即可选择对应的ELB实例使用。b. 选择“ELB协议”：TCP/UDP本例中，数字游戏应用的流量只需要做四层负载均衡，在TCP层进行流量转发到容器中的指定端口（80）即可。c. 选择“负载端口协议”：TCPd. 选择负载端口配置，此处ELB端口系统会根据当前选择的ELB实例的端口占用情况，自动推荐可用端口。容器端口和具体部署的应用开放端口有关，本例中该容器实例开放端口80。e. 点击下一步。5. 规格确认后，点击提交，单击“返回负载列表”。在负载列表中，待负载状态为“运行中”，负载创建成功，本游戏应用即部署完成。步骤三 获取游戏应用访问地址1. 单击负载名称，进入负载详情页面2. 选择“访问配置 > 公网访问”Tab页，拷贝公网访问地址（即“ELB IP地址:端口”），即可在浏览器中访问本游戏应用。

我们要开发http座席控件，代替原来的OCX控件，手里缺少Agent Server相关的开发文档。不知道在哪可以下载到。

直播入口已公布！↓↓↓http://huaweicloud.bugu.mudu.tv/watch/lm60rlm2 （建议提前收藏）4月23日晚19:00-20:00准时直播！作为“最酷、最前沿、最高端”的开发者你一定知道当下“最火热”的微服务架构吧！但是你真的能够驾驭得了它吗？云时代，越来越多互联网企业开始采用微服务架构其带来高可靠性、容错性等价值的同时，也面临着诸多挑战——l  单服务变更性能影响如何评估？l  性能瓶颈在各微服务间漂移，如何做好性能测试？l  应对突发流量需求，扩容能否解决问题，如何扩容？l  服务实例数量众多，如何收集信息，快速定位性能问题？……面对这些挑战，大厂是怎么应对的呢？又有什么样的实施策略呢？ 4月23日（周二）晚19:00~20:00华为云高级工程师——Mark老师直播开讲！ ▼  #云测大咖面对面#  第1期：如何更高效的测试微服务性能？——你可以看到——l  大咖剖析微服务性能测试、分享技术干货；l  实操演示CPTS，解读华为云性能测试服务；l  直播互动答疑，关于微服务、性能测试、CPTS……Mark老师有问必答！ ——你可以得到——l  免费加入云测交流群，与数百同行交流学习，get测试黑科技！l  免费领取课程资料+实操指导+CPTS资源包，1万VUM免费用！ ——免费报名入口——l  报名时间：即日起截至4月23日19:00l  报名入口：扫描下方二维码，添加华为云应用服务小助手，备注“CPTS”即可进群提前预约直播，领取资料！ ▼ 微信扫一扫，备注“CPTS”免费预约直播——社区专享福利——关于本期直播，你有哪些问题想要问Mark老师呢？欢迎回复本帖，提出【你的问题】即有机会获得Mark老师直播亲自答疑哦！ 

您好！ 我现在想再IVR中，把一部分消息通过HTTP的方式异步发给后台。 这个可以实现吗？