① 教学资源管理系统
力拓科技的资源库建设方法，可以参考：
教学资源库
--------------------------------------------------------------------------------
>>>完美的教与学的结合<<<
在我们原有共享型专业教学资源库、网络课程平台、在线学习平台、精品课程平台、高职教育教学资源中心的基础上，建立一个全国性基于云计算的数字化教学资源管理与服务平台，供院校、企业、社会学习者等共享、共用、共建，为校内外用户提供专业学习所需的各种资源和在线学习服务。
（一）、平台具体内容
1.以专业为基础向各院校和企业提供数字化教学资源
在专业教学资源建设过程中，一个院校企业可以建设和管理多个专业的资源，同时，多个院校企业也可以共同建设一个或者多个专业的资源。这样，为了各院校企业使用相同的资源归属，资源的建设和管理需要以专业为基础，规范专业代码，各院校企业使用统一的专业代码建设学习资源。更进一步，专业内的子库编码和专业课程体系则由专业建设的牵头单位负责整理和构建，其他联合建设的单位则下载并应用统一的子库代码和专业课程体系。在统一的专业代码和子库代码以及课程体系的基础上，各院校企业可以为相同专业共同建设学习资源，同样，作为学习者，也可以按照专业、子库或者课程进行检索和学习。使用统一的专业代码、子库代码和课程体系可以避免学习资源建设的二义性，是消除信息孤岛和应用竖井的根本方法，也是本平台项目建设的一个重点。
2.提供数据分布和集中两种共存的方式
平台将按照总平台和分平台两层架构方式进行部署。总平台在云计算基础设施上构建SAAS（多租户模式）应用系统和云存储数据中心，以满足多个院系企业共建资源的需要。分平台为各院校企业单客户模式的小型应用系统，按照规模要求适当构建集群或者非集群系统。
图2提供数据分布和集中两种共存的方式
为了保护现有投资，各院校企业可以继续使用原有的资源库平台，为了实现专业资源的共建共享，需要统一编制专业代码，同时提供资源规范的转换代理。学习资源的共享提供在线和离线的上传机制，将分平台的共享学习资源共享至总平台的云存储数据中心。
总平台是本项目的核心建设内容，一方面为学习者提供统一的访问入口；另一方面为不打算建立私有的分平台的院校企业提供学习资源的建设和管理平台。为了实现多客户模式的应用系统，总平台采用SAAS模式进行开发，隔离各院校企业的资源建设和管理权限。另外，总平台中各院校企业建设的资源统一存储在云存储上，可以使教育信息资源的共享更为方便和快捷。由于云计算使用的是集中存储的方式，所有数据被存储在规模庞大的数据中心，它们有先进的技术和专业团队负责数据的管理和安全工作，能够满足资源库规模扩大和数据安全的要求。同时，由于云计算能跨设备跨平台，用户可以轻而易举地在各种终端之间同步获取数据，并可随时与任何人分享，具备良好的开放性和共享性，各个院校企业可以利用云计算所提供的强大的协同工作能力实现教育信息资源的共建、共享，避免形成一个个资源库孤岛。
总平台和分平台之间通过在线代理或者离线工具，对学习资源编目或者实体进行有选择性和分类型的同步操作，保证总平台和分平台之间共享数据的一致性。
不管是总平台还是分平台上的应用系统，为了激励资源建设者的积极性，使用积分制度保证资源建设者的利益分配，同时在总平台提供排行制度，比如评价、积分、优质、考核等排行机制。
3.通过技术方法，实现平台“共建、共享、共用”
正如前文所述，为保护现有的技术投资，各院校企业可以建立各自的分平台，而且可以继续使用现有的资源库平台作为分平台。由于现有资源库平台的异构，以及资源数据的规范的不统一，特别是课程课件资源的五花八门，造成资源共享的障碍。因此，为了保证资源的规范和统一，需要提供相应的资源采集和转换工具，实现现有资源的共享，避免重复劳动和现有投资的浪费。
在系统方案上，需要提供在线和离线的转换工具或者应用代理，使资源实现透明化的无缝转换。
教育信息资源之所以可以在各个异构的分平台以及总平台之间共享、传输和同步，必须建立在统一的资源规范标准上。目前，资源建设规范在国际上都有统一的标准可以参考。
4.平台包括统一门户的在线学习系统
在总平台的系统中，除了提供各院校企业的专业学习资源的建设和管理外，还需要提供一个统一门户的在线学习系统。该学习系统位于本平台体系结构中的最上层，是建立在统一信息门户基础上的一个子门户。
统一信息门户平台将数字化校园的信息和应用资源有机整合成一个统一的WEB页面，用户只要拥有一个帐号，就能访问到权限范围内的所有资源（公告、 通知等）。同时，不同的用户可以根据自己喜好来定制信息和服务内容，个性化设置自己的界面风格，用户可以享受到数字化校园所提供的个性化信息服务。
在线学习系统作为统一信息门户中的子门户，提供全部共享的学习资源的访问入口点，学习者通过安全登录后，可以访问自己定制或者系统共享提供的学习内容，为院校、企业或者社会人员提供终身学习和全民学习的途径。学习资源将按照专业以及专业对应的岗位进行分类发送，跟踪学习者的学习兴趣和爱好，智能推荐学习资料、学习伙伴、学习社区等等。
本项目组将在专业教学资源库建设的基础上，开发基于云计算的数字化教学资源管理与应用平台，提供专业共建、资源检索、信息查询、解决方案共享、资料下载、技术指导、学习咨询、统一在线学习系统等服务项目。
5、质量工程项目管理
5.1、课程创建
5.2、课程审报管理
5.3、课程内容管理
课程级教学资源主要建设栏目包括：
1）课程标准
课程标准是课程的性质、目标、内容、实施建议的教学指导性文件，项目采用“规定动作”+“自选动作”的模式，开发具有普适性的课程标准，为课程建设和教学实施提供基本框架方案，同时为具备区域或行业特色的院校留出特色空间。
2）课程负责人说课
配套课程负责人说课方案和说课录像，为课程建设和实施提供参考。
3）教学设计
教学设计是根据教学对象和教学目标，确定合适的教学起点与终点，将教学诸要素有序、优化地安排，形成教学方案的过程。以学习单元为单位进行配套教学设计开发，为有效的教学实施提供参考方案。
4）教学课件
以学习单元为单位开发配套的教学课件，为学习者服务，帮助学习者更好的融入课堂，理解知识，更好的完成学习任务。
5）教学录像
以学习单元为单位开发配套的教学录像，帮助学习者更好的理解专业知识，有效的完成学习任务。
6）演示录像
每个实操项目配套开发演示录像，帮助学习者反复观摩实操规范和方法，帮助学习者提高实践技能。
7）任务工单
以学习单元为单位开发配套的任务工单，引导学习者有效参与基于行动导向的教学过程中，培养学习者的学习自觉性，辅助学习者通过行动实现高效能的学习。
8）学习手册
以学习单元为单位开发配套的学习手册，为学习者提供有针对性的、优质的学习资料。
9）测试习题
以学习单元为单位开发配套的测试习题，帮助学习者完成单元学习后进行学习测试和评价。
另外，为满足不同区域院校的个性化需求，各校可推荐精品课程链接入库，所推荐的课程必须是国家级、省级以上精品课程和部分优秀院级精品课程，课程名称可以是校本化的。
（3）素材级教学资源建设
素材教学资源是专业教学资源和课程教学资源的素材提供地。按照媒体类型分类包括文本、图片、音频、视频、动画等；支持以下内从内：
1）图片素材
2）视频素材
3）动画素材
4）虚拟实训素材
5）企业案例素材
6）课件素材
7）习题素材
② 浅析云存储系统的几种形式
如果数据是动态的就会被迁移到靠上的存储层，最终保存在某种固态盘（SSD）中。自动分层系统有很多种，其中影响最小也是最安全的使用方式就是将其作为保存动态数据的缓存。特别是，这些系统将帮助云存储迈向主流。
缓存类型的自动分层系统将动态数据从传统机械存储中拷贝到基于高速内存的缓存（RAM或者闪存固态盘）中。在这种拷贝模式中，自动分层系统被用作一个大型的读取缓存，几乎不保留数据的唯一副本。即使当他们通过缓存入站写入的写入加速器，保留唯一数据副本也仅仅需要几分钟的时间。在这些模式下，这些系统可以帮助云存储技术为更主流的存储要求提供服务。
云存储系统也分为几种形式。比较常见的一种是作为NAS存储型的“价值层”，具有极高的成本效益和高度可扩展性。但是这种成本效益和可扩展性通常是以牺牲性能为代价的，使得基于云的存储系统无法被更多地用于主流的存储资源。很多用户和提供商希望能够更广泛地部署云存储，并利用自动分层系统来填补这个空白。
然而，当被用于更主流的用途时，云存储系统将带来一个挑战，那就是他们通常是软件解决方案，有时候采用了提供给用户的通用硬件和磁盘驱动器。这使得成本降低下来，因为数据集被分布到多个类型的存储应健中。现在主要的存储制造商都将精力放在了交付用于他们一级存储平台的自动分层系统上，在提升性能的同时控制住成本。然而一级存储并不常用于云存储部署中，而且主要的存储制造商也都坚持在他们的低端存储系统中提供自动分层系统技术，防止这些性能升级的系统影响到他们的一级存储市场。
自动分层系统解决方案部署就绪之后，所有网络传输都将通过这个系统。自动分层系统设备会对存储传输进行分析，然后根据它的访问特性，将动态数据块保存在高速存储层中——通常是RAM或者SSD，也可能是高速SAS。因为对这些数据的读取操作来自于高速存储区，因此可以快速地交付给用户或者应用。
在基于NAS的云存储中，有很多中应用实例是要求有更高的性能。首先是安装一个比传统NAS成本更低、可扩展性更高的NAS云存储系统；一个内部私有云存储系统。在这种应用实例中，不可避免地需要比云存储系统本身设计交付更高的性能。向云存储前端添加自动分层系统往往可以解决大多数性能问题。
第二个使用实例就是更经典的“云存储提供商”模式。如果一个提供商的某些用户拥有一些突然变得非常动态的数据，那么这些数据就可以被迁移到自动分层系统中。尽管这些数据的大多数请求可能是从一个速度较低的连接访问这些数据，但是1000个用户的访问合起来就可能导致存储方面的瓶颈。
大多数云存储系统是“松散集群的”，这意味着单个节点的性能会成为瓶颈，因为数据并没有像和紧密配对的集群一样被分布到节点中。结果是，如果一个文件被频繁访问，那么每次它只能从一个节点被读取。解决方法就是，将这个文件拷贝到集群中的多个节点，然后改变应用以了解还有谁需要这个文件。除此之外，如果对这个文件的访问频率降低下来，则需要找到这个文件的冗余副本并进行删除。在大多数情况下，最后一个步骤很少发生，这就导致大量的空间浪费。这样就要求存储管理员付出更多额外的管理时间。
另外一个更简便且更有效的解决方案就是添加自动分层系统。系统分层系统会将访问频繁的文件（或者文件片段） 迁移到RAM或者基于固态盘的缓存区中。然后，当文件被频繁访问的时候，系统就会从高速存储区提供这个文件。这种方法不需要对环境进行变动（或者变动有限），当文件被频繁访问的时候可以被识别出来并迁移到高速存储中。然后，随着访问频率降低，文件将被自动迁移到缓存中。因此，存储就变成可自主管理和自主调节的存储。
自动分层系统解决方案通常被用于加速高端NAS。这些系统已经拥有高速磁盘子系统和多个高速网络连接。高端NAS被用于交付机械驱动器所能提供的最佳性能。在更换整个存储阵列之前，自动分层系统往往被作为最后一种解决方法。
另一方面，NAS云存储系统并不一定具有和传统NAS相同的性能水平。正如前面所说，重点往往是成本削减和可扩展性，以牺牲性能为代价。随着云存储环境的扩展——或者随着云存储被更多地用于主流应用中，原始存储性能的欠缺迫使存储经理考虑选择更传统的解决方案。他们可以考虑的选择之一就是不限制存储的自动分层应用。这两种技术的结合将提供更高的性能，同时保持了成本和可扩展性方面的优势。
③ 做深度学习，需要配置专门的GPU服务器吗
深度学习是需要配置专门的GPU服务器的:
深度学习的电脑配置要求：
1、数据存储要求
在一些深度学习案例中，数据存储会成为明显的瓶颈。做深度学习首先需要一个好的存储系统，将历史资料保存起来。
主要任务：历史数据存储，如：文字、图像、声音、视频、数据库等。
数据容量：提供足够高的存储能力。
读写带衫袭灶宽：多硬盘并行读写架构提高数据读写带宽。
接口：高带宽，同时延迟低。
传统解决方式：专门的存储服务器，借助万兆端口访问。
缺点：带宽不高，对深度学习的数据读取过程时间长(延迟大，两台机器之间数据交换)，成本还巨高。
2、CPU要求
当你在GPU上跑深度网络时，CPU进行的计算很少，但是CPU仍然需要处理以下事情：
（1）数据从存储系统调入到内存的解压计算。
（2）GPU计算前的数据预处理。
（3）在代码中写入并读取变量，执行指令如函数调用，创建小批量数据，启动到GPU的数据传输。
（4）GPU多卡并行计算前，每个核负责一块卡的所需要的数据并行切分处理和控制。
（5）增值几个变量、评估几个布尔表达式、在GPU或在编程里面调用几个函数——所有这些会取决于CPU核的频率，此时唯有提升CPU频率。
传统解决方式：CPU规格很随意，核数和频率没有任何要求。
3、GPU要求
如果或扮你正在构建或升级你的深度学习系统，你最关心的应该也是GPU。GPU正是深度学习应用的核心要素——计算性能提升上，收获巨大。
主要任务：承担深度学习的数据建模计算、运行复杂算法。
传统架构：提供1~8块GPU。
4、内存要求
至少要和你的GPU显存存大小相同的内存。当然你也能用更小的内存工作，但是，你或许需要一步步转移数据。总而言之，如果钱够而且需要做很多预处理，就不必在内存瓶颈上兜转，浪费时间。
主要任务：存放预处理禅虚的数据，待GPU读取处理，中间结果存放。
深度学习需要强大的电脑算力，因此对电脑的硬件配置自然是超高的，那么现在普通的高算力电脑需要高配置硬件。