- Thinking,fast and slow CH6
哇620
Chapter6Norms,SurpriseandCausesThemainfunctionofSystem1istomaintainandupdateamodelofyourpersonalworld,whichrepresentswhatisnorminit.我们对这个的认知是由系统1快速作出反应的,比如听到“桌子”这个词,我们马上能知道他是个什么样子,这也是类人能够沟通的基础。而这些认知是不
- 常用ES查询DSL语句
攻城狮Kevin
ElasticSerachES
1.针对hive表中jsonObject类型的String数据mapping中定义如下:"esf_room":{"type":"text","fields":{"keyword":{"type":"keyword"}},"norms":false},DSL查询语句如下:GET/hdp_teu_dia_face_smart_muid_20191111/_search{"query":{"bool":
- 【论文笔记 · PFM】Lag-Llama: Towards Foundation Models for Time Series Forecasting
lokol.
论文笔记论文阅读llama
Lag-Llama:TowardsFoundationModelsforTimeSeriesForecasting摘要本文提出Lag-Llama,在大量时间序列数据上训练的通用单变量概率时间序列预测模型。模型在分布外泛化能力上取得较好效果。模型使用平滑破坏幂律(smoothlybrokenpower-laws)。介绍目前任务主要集中于在相同域的数据上训练模型。当前已有的大规模通用模型在大规模不同数
- Scaling Laws for Forgetting When Fine-Tuning Large Language Models
UnknownBody
LLM语言模型人工智能算法
本文是LLM系列文章,针对《ScalingLawsforForgettingWhenFine-TuningLargeLanguageModels》的翻译。微调大型语言模型时遗忘的比例律摘要1引言2相关工作和背景3方法和实验设置4经验结果和遗忘规律5结论摘要我们研究并量化了在下游任务中微调预先训练的大型语言模型(LLM)时的遗忘问题。我们发现,参数有效微调(PEFT)策略,如低秩适配器(LoRA),
- 《22条商规 The 22 Immutable Laws of Marketing:Violate Them at Your Own Risk》读书笔记
宝可梦之视角
定律1领先定律成为第一胜过做得更好1.市场营销的关键点是:创造一个你能成为“第一”的新领域。这就是领先定律:成为第一胜过做得更好。在潜在顾客心智中先入为主,要比让顾客相信你的产品优于该领域的首创品牌容易得多。在任何品类中,领先品牌必然是那些首先进入潜在顾客心智中的品牌。2.如果你只占有很小的市场份额,并且不得不与更大、更有钱的对手竞争,那么你的营销战略可能在一开始就是错的,你违背了市场营销的第一条
- Beyond Chinchilla-Optimal: Accounting for Inference in Language Model Scaling Laws
UnknownBody
LLM语言模型机器学习深度学习
本文是LLM系列文章,针对《BeyondChinchilla-Optimal:AccountingforInferenceinLanguageModelScalingLaws》的翻译。超越Chinchilla最优:语言模型尺度律中推理的解释摘要1引言2计算最优化3估计真实世界的成本最优性4结论摘要大型语言模型(LLM)缩放定律是一种经验公式,用于估计由于参数量和训练数据的增加而导致的模型质量的变化
- ElasticSearch映射(一)
666呀
elasticsearchelasticsearch
文章目录ElasticSearch映射(一)动态映射动态字段映射日期检测关闭日期检测自定义日期检测格式数值检测动态模板验证动态模板在动态模板中映射运行时字段`match_mapping_type``match`和`unmatch``path_match`和`path_unmatch`模板变量动态模板示例结构化检索字符串的纯文本映射禁用`norms`时间序列明确映射创建带有明确映射的索引向现有映射添
- LLM:Scaling Laws for Neural Language Models (上)
微风❤水墨
LLM语言模型人工智能LLM
论文:https://arxiv.org/pdf/2001.08361.pdf发表:2020摘要1:损失与模型大小、数据集大小以及训练所用计算量成比例,其中一些趋势跨越了七个量级以上。2:网络宽度或深度等其他架构细节在很大范围内影响较小。3:模型/数据集大小和训练速度与模型大小的依赖关系由简单的方程描述。这些关系使我们能够确定在固定的计算预算下的最优资源分配。4:更大的模型显著地更具样本效率,因此
- LLM:Scaling Laws for Neural Language Models 理解
微风❤水墨
LLM人工智能LLM
核心结论1:LLM模型的性能主要与计算量C,模型参数量N和数据大小D三者相关,而与模型的具体结构(层数/深度/宽度)基本无关。三者满足:C≈6ND2.为了提升模型性能,模型参数量N和数据大小D需要同步放大,但模型和数据分别放大的比例还存在争议。核心公式:本部分来自参考2.第一项是指无法通过增加模型规模来减少的损失,可以认为是数据自身的熵(例如数据中的噪音)第二项是指能通过增加计算量来减少的损失,可
- Elasticsearch性能调优之磁盘读写性能优化
Shaw_Young
优化磁盘空间的占用,减少磁盘空间的占用,更多的数据可以进入filesystemcache比如说你原来,磁盘空间占用一共是1T,内存只有512G,现在优化了磁盘空间占用之后,减少了数据量,可能数据量就只有512G了,那么就可以全部进入内存1、禁用不需要的功能聚合,搜索,评分,近似匹配聚合:docvalues搜索:倒排索引,index评分:norms近似匹配:index_options(freqs)任
- 序列模型(4)—— Scaling Laws
云端FFF
#LLM专题#论文理解LLMSacalingLaw
本文介绍LLM训练过程中重要的ScalingLaws,这是一个经验规律,指出了固定训练成本(总计算量FLOPs)CCC时,如何调配模型规模(参数量)NNN和训练Token数据量DDD,才能实现最高的效率。利用ScalingLaws,我们可以利用较小模型的训练经验预测更大模型的性能表现本文主要是对论文ScalingLawsforNeuralLanguageModels的解析,只关注汇总结果的话可以直
- Halcon纹理分析texture_laws/trans_from_rgb
electrical1024
计算机视觉图像处理人工智能算法
Halcon纹理分析文章目录Halcon纹理分析1.纹理滤波器2.织物折痕检测纹理是图像表面的一种灰度变化。有的纹理很规则,会以局部小区域为单元重复出现,而有的纹理则呈现出随机性。对于规则的纹理,可以很容易地从中分辨出重复的区域,这些局部的、重复的部分称为纹理单元。对于一些灰度变化复杂,很难用颜色分析去处理的图像,不妨使用纹理分析。纹理滤波器可以很方便地找出纹理的位置和内容。1.纹理滤波器Halc
- 论文精读04:ISSTA23’《Testing Automated Driving Systems by Breaking Many Laws Efficiently》
祺呆子
自动驾驶测试自动驾驶
论文发表在ISSTA2023(CCF-A类会议)上,作者单位:西安电子科技大学,新加坡管理大学。通讯作者:孙军教授(新加坡管理大学)1摘要自动驾驶系统(ADS)作为自动驾驶汽车(AV)的大脑,应该在部署之前进行彻底的测试。ADS必须满足一套复杂的规则以确保道路安全,例如现有的交通法以及未来专门针对自动驾驶汽车的法律。为了全面测试ADS,我们希望系统地发现违反某些交通法规的各种场景。挑战在于(1)交
- 数字货币市场的监管反思与趋势
行知_7b20
循着ZF部门对于数字货币的表态轨迹,我们来分析一下市场的趋势。金色财经于2018年1月19日独家专访报道:《人民大学金融科技中心主任杨东:数字货币监管政策很快出台不是禁止而是去劣存优》http://www.jinse.com/news/laws/140501.html(点击链接查看原文)这里面其实蕴含了中国ZF对于数字货币的基本态度和未来政策的方向,让我真正建立起完整的中国ZF对待币圈的宏观认知。
- [论文笔记] Scaling Laws for Neural Language Models
心心喵
论文笔记论文阅读语言模型深度学习
概览:一、总结计算量、数据集大小、模型参数量大小的幂律与训练损失呈现线性关系。三个参数同时放大时,如何得到最佳的性能?更大的模型需要更少的样本就能达到相同的效果。</
- 图像特征Vol.1:计算机视觉特征度量|第一弹:【纹理区域特征】
是瑶瑶子啦
计算机视觉人工智能opencv目标检测
目录一、前言二、纹理区域度量2.1:边缘特征度量2.2:互相关和自相关特征2.3:频谱方法—傅里叶谱2.4:灰度共生矩阵(GLCM)2.5:Laws纹理特征2.6:局部二值模式(LBP)一、前言什么是计算机视觉特征?简单来说就是图像特征,对于我们来说,看到一张图片,能很自然的说出和描述图像中的一些特征,但是同样的图片,丢给计算机,只是一个二维矩阵,计算机需要从这个图像中提取计算得到一些数值表示,来
- 关于Scaling Laws
银晗
深度学习prompt
参考文章https://zhuanlan.zhihu.com/p/631490407?utm_id=0https://zhuanlan.zhihu.com/p/631357320?utm_id=0
- W14L19-L20-电商法律问题
f5426692e11c
1.第二季以后,周清包子铺都已经在网上卖包子了,所有经营资质都齐全了吗?需要有哪些证件?1.经营资质还未齐全2.需要证件:企业法人营业执照健康证卫生许可证税务登记证商品生产许可证2.阅读一篇以上ecommercelaws相关英文文章,按最新要求列出相关内容文章链接:https://www.bigcommerce.com/blog/online-business-laws/文章标题:10Online
- 程序员必读职场15大定律和7大原则
禅与计算机程序设计艺术
hacker-laws的的中文翻译。https://github.com/dwmkerr/hacker-laws对开发人员有用的定律、理论、原则和模式。(Laws,Theories,PrinciplesandPatternsthatdeveloperswillfinduseful.)为了方便阅读,维基百科增加了中文链接。英文链接表示hacker-laws项目尚未完成的主题。介绍定律阿姆达尔定律(A
- The product of two norms is bigger or equal to the norm of the same corresponding elem
知识在于积累
数学大类专栏Product
Seehttps://math.stackexchange.com/questions/2930418/why-is-the-product-of-two-norms-is-always-bigger-or-equal-to-the-norm-of-the-samLpNormofproductoftwoboundedfunctionshttps://math.stackexchange.com/q
- Norms and Inner Products
知识在于积累
数学大类专栏NormsInner_Products
Seehttps://ai.stanford.edu/~gwthomas/notes/norms-inner-products.pdf
- Elasticsearch教程(31) es mapping参数doc_values enabled ignore_above norms store详解
瑟王
Elasticsearchelasticsearchmappingdoc_valuescoerce
esmapping参数详解一、前言二、Mapping的设置1.创建Index的Mapping2.添加新的字段3.修改已存在字段的mapping4.查看mapping三、Mapping参数1.analyzer2.boost3.coerce4.copy_to5.doc_values6.dynamic7.eager_global_ordinals8.enabled9.format10.ignore_ab
- Chinchilla Scaling Laws
超级大超越
人工智能深度学习机器学习
ChinchillaScalingLaws是一组经验原则,用于指导神经网络模型中参数数量的选择和所需训练数据的数量,以实现最佳性能。这些原则表明,为了使模型达到最佳性能,参数数量应与训练集的大小成正比,而训练集的大小应与参数数量的平方成正比。ChinchillaScalingLaws以南美洲啮齿动物Chinchilla命名,因为它们是通过观察神经网络大小和训练数据大小与Chinchilla体型之间
- 论文笔记_21范数:Efficient and Robust Feature Selection via Joint 2,1-Norms Minimization
Lr_AI
Abstract特征选择在机器学习中非常重要,尤其是在生物信息学任务中。本文提出一种新的鲁棒特征选择方法,这一方法核心在于在损失函数核正则化项中联合使用21范数。基于21范数的损失函数对于数据点中的异常值具有较好的鲁棒性,而基于21范数的正则化项则可以选择所有数据点稀疏的特征。本文证明了算法的收敛性。同时通过实验结果证明了方法的性能。Introduction一般来说,特征选择有三种模型:1.滤波方
- Go语言反射规则 - The Laws of Reflection
jiaolongdy
gogo语言
Go语言反射规则-TheLawsofReflection原文地址:http://blog.golang.org/laws-of-reflection介绍反射在计算机的概念里是指一段程序审查自身结构的能力,主要通过类型进行审查。它是元编程的一种形式,同样也是引起混乱的重大来源。在这篇文章里我们试图阐明Go语言中的反射是如何工作的。每种语言的反射模型是不同的(许多语言不支持反射),然而本文只与Go有关
- GitHub最热!码代码不得不知的所有定律法则
程序员阿狸
当谈到开发问题时,人们总会谈论各种定律。但对于大多数人来说,总有一些是你不了解的,这个问题就需要使用程序员最喜欢的方法解决了:最近GitHub上的一个「定律合集」项目突然登上了趋势榜第二位,Star数上千,该项目对一些最常见的定律进行了概括,详情见下文。大家都是资深程序员,以后就不要老念叨「真香定律」了。项目链接:https://github.com/dwmkerr/hacker-laws本文包含
- EasyUI Datagrid 应用
Depressiom
笔记easyui前端javascript
两种为datagrid赋值表格number1产品名称价格产品编码上架时间最后操作人操作number2$('#norms_list').datagrid({columns:[[{field:'sn_type',title:'sn_type',hidden:'true'},{field:'id',title:'id',hidden:'true'},{field:'gy_type',title:'gy_
- 几种 (applicative) functor/monad 的对比
wenpin
学习haskell的过程中,functor/monad的运算和应用是个坎。光是从这几个的类簇(类型类)的定义来看,都太抽象了。learnyouagreathaskell是很好的入门书。对几种常见的functor(monad)都有介绍。但是在介绍它们的运算中符号使用得太灵活。同样的f有时是functor,有时是function.为了好好掌握,自己作了一下演算对比总结。Laws--functorfma
- 【论文阅读】Scaling Laws for Neural Language Models
长命百岁️
论文阅读LLMs自然语言处理论文阅读语言模型深度学习
前言本文简要介绍Scalinglaw的主要结论原文地址:ScalingLawsforNeuralLanguageModels个人认为不需要特别关注公式内各种符号的具体数值,而更应该关注不同因素之间的关系,比例等SummaryPerformancedependsstronglyonscale,weaklyonmodelshapescale:参数量NNN,数据量DDD,计算量CCCshape:模型深度
- 那不勒斯四部曲IV-失踪的孩子 中英双语版26
yakamoz001
30那个奶奶当然就是阿黛尔,我打电话给我以前的公公婆婆,是圭多·艾罗塔接的电话,他冷冰冰地把电话转给了他妻子。阿黛尔很客气,她跟我说,艾尔莎在她那里,又补充说,她不是一个人去的。Thegrandmawas,ofcourse,Adele;Icalledmyin-laws.Guidoansweredcoldlyandputhiswifeon.Adelewascordial,shetoldmethatE
- 二分查找排序算法
周凡杨
java二分查找排序算法折半
一:概念 二分查找又称
折半查找(
折半搜索/
二分搜索),优点是比较次数少,查找速度快,平均性能好;其缺点是要求待查表为有序表,且插入删除困难。因此,折半查找方法适用于不经常变动而 查找频繁的有序列表。首先,假设表中元素是按升序排列,将表中间位置记录的关键字与查找关键字比较,如果两者相等,则查找成功;否则利用中间位置记录将表 分成前、后两个子表,如果中间位置记录的关键字大于查找关键字,则进一步
- java中的BigDecimal
bijian1013
javaBigDecimal
在项目开发过程中出现精度丢失问题,查资料用BigDecimal解决,并发现如下这篇BigDecimal的解决问题的思路和方法很值得学习,特转载。
原文地址:http://blog.csdn.net/ugg/article/de
- Shell echo命令详解
daizj
echoshell
Shell echo命令
Shell 的 echo 指令与 PHP 的 echo 指令类似,都是用于字符串的输出。命令格式:
echo string
您可以使用echo实现更复杂的输出格式控制。 1.显示普通字符串:
echo "It is a test"
这里的双引号完全可以省略,以下命令与上面实例效果一致:
echo Itis a test 2.显示转义
- Oracle DBA 简单操作
周凡杨
oracle dba sql
--执行次数多的SQL
select sql_text,executions from (
select sql_text,executions from v$sqlarea order by executions desc
) where rownum<81;
&nb
- 画图重绘
朱辉辉33
游戏
我第一次接触重绘是编写五子棋小游戏的时候,因为游戏里的棋盘是用线绘制的,而这些东西并不在系统自带的重绘里,所以在移动窗体时,棋盘并不会重绘出来。所以我们要重写系统的重绘方法。
在重写系统重绘方法时,我们要注意一定要调用父类的重绘方法,即加上super.paint(g),因为如果不调用父类的重绘方式,重写后会把父类的重绘覆盖掉,而父类的重绘方法是绘制画布,这样就导致我们
- 线程之初体验
西蜀石兰
线程
一直觉得多线程是学Java的一个分水岭,懂多线程才算入门。
之前看《编程思想》的多线程章节,看的云里雾里,知道线程类有哪几个方法,却依旧不知道线程到底是什么?书上都写线程是进程的模块,共享线程的资源,可是这跟多线程编程有毛线的关系,呜呜。。。
线程其实也是用户自定义的任务,不要过多的强调线程的属性,而忽略了线程最基本的属性。
你可以在线程类的run()方法中定义自己的任务,就跟正常的Ja
- linux集群互相免登陆配置
林鹤霄
linux
配置ssh免登陆
1、生成秘钥和公钥 ssh-keygen -t rsa
2、提示让你输入,什么都不输,三次回车之后会在~下面的.ssh文件夹中多出两个文件id_rsa 和 id_rsa.pub
其中id_rsa为秘钥,id_rsa.pub为公钥,使用公钥加密的数据只有私钥才能对这些数据解密 c
- mysql : Lock wait timeout exceeded; try restarting transaction
aigo
mysql
原文:http://www.cnblogs.com/freeliver54/archive/2010/09/30/1839042.html
原因是你使用的InnoDB 表类型的时候,
默认参数:innodb_lock_wait_timeout设置锁等待的时间是50s,
因为有的锁等待超过了这个时间,所以抱错.
你可以把这个时间加长,或者优化存储
- Socket编程 基本的聊天实现。
alleni123
socket
public class Server
{
//用来存储所有连接上来的客户
private List<ServerThread> clients;
public static void main(String[] args)
{
Server s = new Server();
s.startServer(9988);
}
publi
- 多线程监听器事件模式(一个简单的例子)
百合不是茶
线程监听模式
多线程的事件监听器模式
监听器时间模式经常与多线程使用,在多线程中如何知道我的线程正在执行那什么内容,可以通过时间监听器模式得到
创建多线程的事件监听器模式 思路:
1, 创建线程并启动,在创建线程的位置设置一个标记
2,创建队
- spring InitializingBean接口
bijian1013
javaspring
spring的事务的TransactionTemplate,其源码如下:
public class TransactionTemplate extends DefaultTransactionDefinition implements TransactionOperations, InitializingBean{
...
}
TransactionTemplate继承了DefaultT
- Oracle中询表的权限被授予给了哪些用户
bijian1013
oracle数据库权限
Oracle查询表将权限赋给了哪些用户的SQL,以备查用。
select t.table_name as "表名",
t.grantee as "被授权的属组",
t.owner as "对象所在的属组"
- 【Struts2五】Struts2 参数传值
bit1129
struts2
Struts2中参数传值的3种情况
1.请求参数绑定到Action的实例字段上
2.Action将值传递到转发的视图上
3.Action将值传递到重定向的视图上
一、请求参数绑定到Action的实例字段上以及Action将值传递到转发的视图上
Struts可以自动将请求URL中的请求参数或者表单提交的参数绑定到Action定义的实例字段上,绑定的规则使用ognl表达式语言
- 【Kafka十四】关于auto.offset.reset[Q/A]
bit1129
kafka
I got serveral questions about auto.offset.reset. This configuration parameter governs how consumer read the message from Kafka when there is no initial offset in ZooKeeper or
- nginx gzip压缩配置
ronin47
nginx gzip 压缩范例
nginx gzip压缩配置 更多
0
nginx
gzip
配置
随着nginx的发展,越来越多的网站使用nginx,因此nginx的优化变得越来越重要,今天我们来看看nginx的gzip压缩到底是怎么压缩的呢?
gzip(GNU-ZIP)是一种压缩技术。经过gzip压缩后页面大小可以变为原来的30%甚至更小,这样,用
- java-13.输入一个单向链表,输出该链表中倒数第 k 个节点
bylijinnan
java
two cursors.
Make the first cursor go K steps first.
/*
* 第 13 题:题目:输入一个单向链表,输出该链表中倒数第 k 个节点
*/
public void displayKthItemsBackWard(ListNode head,int k){
ListNode p1=head,p2=head;
- Spring源码学习-JdbcTemplate queryForObject
bylijinnan
javaspring
JdbcTemplate中有两个可能会混淆的queryForObject方法:
1.
Object queryForObject(String sql, Object[] args, Class requiredType)
2.
Object queryForObject(String sql, Object[] args, RowMapper rowMapper)
第1个方法是只查
- [冰川时代]在冰川时代,我们需要什么样的技术?
comsci
技术
看美国那边的气候情况....我有个感觉...是不是要进入小冰期了?
那么在小冰期里面...我们的户外活动肯定会出现很多问题...在室内呆着的情况会非常多...怎么在室内呆着而不发闷...怎么用最低的电力保证室内的温度.....这都需要技术手段...
&nb
- js 获取浏览器型号
cuityang
js浏览器
根据浏览器获取iphone和apk的下载地址
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8" content="text/html"/>
<meta name=
- C# socks5详解 转
dalan_123
socketC#
http://www.cnblogs.com/zhujiechang/archive/2008/10/21/1316308.html 这里主要讲的是用.NET实现基于Socket5下面的代理协议进行客户端的通讯,Socket4的实现是类似的,注意的事,这里不是讲用C#实现一个代理服务器,因为实现一个代理服务器需要实现很多协议,头大,而且现在市面上有很多现成的代理服务器用,性能又好,
- 运维 Centos问题汇总
dcj3sjt126com
云主机
一、sh 脚本不执行的原因
sh脚本不执行的原因 只有2个
1.权限不够
2.sh脚本里路径没写完整。
二、解决You have new mail in /var/spool/mail/root
修改/usr/share/logwatch/default.conf/logwatch.conf配置文件
MailTo =
MailFrom
三、查询连接数
- Yii防注入攻击笔记
dcj3sjt126com
sqlWEB安全yii
网站表单有注入漏洞须对所有用户输入的内容进行个过滤和检查,可以使用正则表达式或者直接输入字符判断,大部分是只允许输入字母和数字的,其它字符度不允许;对于内容复杂表单的内容,应该对html和script的符号进行转义替换:尤其是<,>,',"",&这几个符号 这里有个转义对照表:
http://blog.csdn.net/xinzhu1990/articl
- MongoDB简介[一]
eksliang
mongodbMongoDB简介
MongoDB简介
转载请出自出处:http://eksliang.iteye.com/blog/2173288 1.1易于使用
MongoDB是一个面向文档的数据库,而不是关系型数据库。与关系型数据库相比,面向文档的数据库不再有行的概念,取而代之的是更为灵活的“文档”模型。
另外,不
- zookeeper windows 入门安装和测试
greemranqq
zookeeper安装分布式
一、序言
以下是我对zookeeper 的一些理解: zookeeper 作为一个服务注册信息存储的管理工具,好吧,这样说得很抽象,我们举个“栗子”。
栗子1号:
假设我是一家KTV的老板,我同时拥有5家KTV,我肯定得时刻监视
- Spring之使用事务缘由(2-注解实现)
ihuning
spring
Spring事务注解实现
1. 依赖包:
1.1 spring包:
spring-beans-4.0.0.RELEASE.jar
spring-context-4.0.0.
- iOS App Launch Option
啸笑天
option
iOS 程序启动时总会调用application:didFinishLaunchingWithOptions:,其中第二个参数launchOptions为NSDictionary类型的对象,里面存储有此程序启动的原因。
launchOptions中的可能键值见UIApplication Class Reference的Launch Options Keys节 。
1、若用户直接
- jdk与jre的区别(_)
macroli
javajvmjdk
简单的说JDK是面向开发人员使用的SDK,它提供了Java的开发环境和运行环境。SDK是Software Development Kit 一般指软件开发包,可以包括函数库、编译程序等。
JDK就是Java Development Kit JRE是Java Runtime Enviroment是指Java的运行环境,是面向Java程序的使用者,而不是开发者。 如果安装了JDK,会发同你
- Updates were rejected because the tip of your current branch is behind
qiaolevip
学习永无止境每天进步一点点众观千象git
$ git push joe prod-2295-1
To
[email protected]:joe.le/dr-frontend.git
! [rejected] prod-2295-1 -> prod-2295-1 (non-fast-forward)
error: failed to push some refs to '
[email protected]
- [一起学Hive]之十四-Hive的元数据表结构详解
superlxw1234
hivehive元数据结构
关键字:Hive元数据、Hive元数据表结构
之前在 “[一起学Hive]之一–Hive概述,Hive是什么”中介绍过,Hive自己维护了一套元数据,用户通过HQL查询时候,Hive首先需要结合元数据,将HQL翻译成MapReduce去执行。
本文介绍一下Hive元数据中重要的一些表结构及用途,以Hive0.13为例。
文章最后面,会以一个示例来全面了解一下,
- Spring 3.2.14,4.1.7,4.2.RC2发布
wiselyman
Spring 3
Spring 3.2.14、4.1.7及4.2.RC2于6月30日发布。
其中Spring 3.2.1是一个维护版本(维护周期到2016-12-31截止),后续会继续根据需求和bug发布维护版本。此时,Spring官方强烈建议升级Spring框架至4.1.7 或者将要发布的4.2 。
其中Spring 4.1.7主要包含这些更新内容。