Thrift学习系列

大数据学习（82）-数仓详解

大数据学习系列专栏：哲学语录:用力所能及，改变世界。
viperrrrrrr·2025-03-24 20:41

C++学习系列（11）：智能指针（unique_ptr、shared_ptr、weak_ptr）

C++学习系列（11）：智能指针（unique_ptr、shared_ptr、weak_ptr）1.引言在C++传统的内存管理方式中，动态分配的对象需要手动释放，否则可能会导致内存泄漏（MemoryLeak
DoYangTan·2025-03-24 08:58

语音识别学习系列（13）：语音识别中的情感识别与表达

语音识别学习系列（13）：语音识别中的情感识别与表达前言在语音识别领域，仅仅将语音准确转换为文字内容已不能满足日益多样化的人机交互需求。
DoYangTan·2025-03-24 08:58

大数据学习（75）-大数据组件总结

大数据学习系列专栏：哲学语录:用力所能及，改变世界。
viperrrrrrr·2025-03-21 22:42

HiveMetastore 的架构简析

hive_metastore.thrift对外提供的Thrift接口定义在文件standalone-metastore/src/main/thrift/hive_metastore.thrift中。
houzhizhen·2025-03-21 04:09

Hive与Spark的UDF：数据处理利器的对比与实践

文章目录Hive与Spark的UDF：数据处理利器的对比与实践一、UDF概述二、HiveUDF解析实现原理代码示例业务应用三、SparkUDF剖析-JDBC方式使用SparkThriftServer设置通过
窝窝和牛牛·2025-03-20 23:22

Python后端学习系列（10）：分布式系统与数据一致性（使用分布式锁、分布式事务等）

Python后端学习系列（10）：分布式系统与数据一致性（使用分布式锁、分布式事务等）前言随着业务规模的不断扩大以及对系统性能、可扩展性的更高要求，后端应用往往会朝着分布式系统的方向发展。
DoYangTan·2025-03-20 17:03

RISC-V汇编学习（二）—— 汇编语法

RISCV汇编学习系列：RISC-V汇编学习（一）——基础认识RISC-V汇编学习（二）——汇编语法RISC-V汇编学习（三）——RV指令集RISC-V汇编学习（四）——R
禾仔仔·2025-03-15 14:28

大数据学习（67）- Flume、Sqoop、Kafka、DataX对比

大数据学习系列专栏：哲学语录:用力所能及，改变世界。
viperrrrrrr·2025-03-15 09:51

【漫话机器学习系列】137.随机搜索（Randomized Search）

随机搜索（RandomizedSearch）详解在机器学习和深度学习的模型训练过程中，超参数调优（HyperparameterTuning）是至关重要的一环。随机搜索（RandomizedSearch）是一种高效的超参数优化方法，它通过在候选超参数的数值分布（如正态分布、均匀分布等）中随机选择超参数组合，从而找到最优的超参数配置。1.超参数调优的必要性超参数是模型在训练之前需要人为设定的参数，例如
IT古董·2025-03-14 12:50

算法学习系列（四十五）：DFS之剪枝与优化

目录引言DFS之剪枝与优化一、小猫爬山二、木棒三、数独四、总结引言关于这个DFSDFSDFS的剪枝和优化确实难度是非常的大，从我这篇文章的思路和代码量上就能看出来不是一般的难度，而且难度不亚于DPDPDP，而且这个DFSDFSDFS也是花费了我三天的时间才基本把这几道例题给搞懂了，并且这种题就是没有固定的模型和套路，每个题都不一样，只有你多做题，这样在考场上才能想到这道题好像跟之前做过的题有点相似
lijiachang030718·2025-03-12 12:10

【漫话机器学习系列】129.主成分分析（Principal Component Analysis，PCA）

主成分分析（PCA）：降维与特征提取的强大工具1.什么是主成分分析（PCA）？主成分分析（PrincipalComponentAnalysis，PCA）是一种常见的数据降维技术，主要用于将高维数据投影到低维空间，同时尽可能保留数据的主要信息。PCA通过线性变换，将原始特征变量转换为一组新的变量，这些新变量被称为主成分（PrincipalComponents）。在这张图中，我们可以看到PCA的核心概
IT古董·2025-03-12 09:17

【漫话机器学习系列】130.主成分（Principal Components）

主成分（PrincipalComponents）详解1.什么是主成分？主成分（PrincipalComponents，PCs）是数据集中方差最大的线性组合，它是主成分分析（PrincipalComponentAnalysis，PCA）中的核心概念。主成分可以看作是对原始特征的新表述方式，它通过数学变换找到一组新的正交坐标轴，使得数据的主要变化方向与这些轴对齐。简单来说：主成分是数据集中信息量（方差
IT古董·2025-03-11 08:25

什么是解释型语言？什么又是编译型语言？

源代码的执行方式二、编译器三、执行原理二者的区别编译型语言解释型语言前言本文章主要知识来自于Python编程基础的“编译型语言和解释型语言的区别”一节，原文来自C语言中文网网上的相关描述已经够多了，本文作为前端学习系列专题的一个知识拓展只是为了宝贝们在该专题进行知识查阅时更为方便示例代码示例代码
Aress"·2025-03-10 22:11

如何自定义协议

其实是相对标准协议来说的，这里主要针对的是应用层协议；常见的标准的应用层协议如http、ftp、smtp等，如果我们在网络通信的过程中不去使用这些标准协议，那就需要自定义协议，比如我们常用的RPC框架(dubbo，thrift
kshzhaohui·2025-03-10 02:42

thrift软件、.thrif文件和thrift协议是什么关系，有什么用

Thrift软件、.thrift文件和Thrift协议是ApacheThrift框架的三个核心组成部分，它们协同实现跨语言服务的高效开发与通信。
fzip·2025-03-09 21:30

深度学习系列71：表格检测和识别

1.pdf处理如果是可编辑的pdf格式，那么可以直接用pdfplumber进行处理：importpdfplumberimportpandasaspdwithpdfplumber.open("中新科技：2015年年度报告摘要.PDF")aspdf:page=pdf.pages[1]#第一页的信息text=page.extract_text()print(text)table=page.extract
IE06·2025-03-08 02:23

R语言机器学习系列-随机森林回归代码解读

回归问题指的是因变量或者被预测变量是连续性变量的情形，比如预测身高体重的具体数值是多少的情形。整个代码大致可以分为包、数据、模型、预测评估4个部分，接下来逐一解读。1、包部分，也就是加载各类包，包括随机森林包randomForest，数据相关包tidyverse、skimr、DataExplorer，模型评估包caret。2、数据部分，主要是读取数据，处理缺失值，转换变量类型。3、模型部分。为了对
Mrrunsen·2025-03-07 09:33

Kubernetes operator（七） kubebuilder 的安装及简单使用 篇

云原生学习路线导航页（持续更新中）本文是Kubernetesoperator学习系列第七篇，对目前编写Operator的常用脚手架kubebuilder进行学习，主要涉及**kubebuilder的安装及简单使用
grahamzhu·2025-03-06 17:01

【Python+Selenium学习系列5-1】Selenium特殊元素定位之-下拉框元素定位Select操作

背景对于页面中的下拉框选项，使用selenium的select模块可以进行操作，并精确定位下拉选项及所有的option值。select模块方法一共分为三个部分：option方法、选中方法、取消选中方法，下面具体看一下这三个部分1、select模块中关于option选项的方法：options：返回所有的option选项all_selected_options：返回所有选中的option选项first
艳Yansky·2025-03-04 11:39

【漫话机器学习系列】106.线性激活函数（Linear Activation Function）

1.什么是线性激活函数？线性激活函数是一种最简单的激活函数，数学表达式为：即输出与输入保持完全线性关系。这意味着对于任何输入值x，其输出将等于输入值本身，函数图像为一条通过原点的直线。在神经网络中，激活函数的作用是将网络的线性组合映射到某种非线性输出。传统的线性激活函数常用于一些特定场景，比如回归问题，其中预测的目标值与输入特征之间可能存在线性关系。2.线性激活函数的特点线性关系：与其他常见的激活
IT古董·2025-02-27 13:25

人工智能深度学习系列—深入探索KL散度：度量概率分布差异的关键工具

人工智能深度学习系列—深度解析：交叉熵损失（Cross-EntropyLoss）在分类问题中的应用人工智能深度学习系列—深入解析：均方误差损失（MSELoss）在深度学习中的应用与实践人工智能深度学习系列
学步_技术·2025-02-26 08:19

【肝帝一周总结：全网最全最细】十万字python教程，学不会找我！教到你会为止！！内容超多，建议收藏慢慢看！

文章目录推荐：个人推荐学习系列，推荐的一定是好的！
川川菜鸟·2025-02-26 05:24

深度学习入门篇--来瞻仰卷积神经网络的鼻祖LeNet

pytorch搭建LeNet网络并代码详解实战前言大家在学习神经网络的时候肯定会有这样的感受,有很多的文章和视频,有的文章也很好,但是总是不成体系,总是学起来东一榔锤,西一棒槌的,在这种情况下,我会给大家更新深度学习系列的技术文章
智算学术·2025-02-25 00:31

【漫话机器学习系列】101.特征选择法之Lasso（Lasso For Feature Selection）

Lasso特征选择法详解1.Lasso回归简介Lasso（LeastAbsoluteShrinkageandSelectionOperator，最小绝对收缩和选择算子）是一种基于L1范数正则化的线性回归方法。它不仅能够提高模型的泛化能力，还可以自动进行特征选择，即将一些不重要的特征的系数收缩到0，从而减少模型的复杂度。2.Lasso回归的数学公式Lasso回归的目标函数如下：其中：是输入数据，w是
IT古董·2025-02-23 12:46

Kubernetes控制平面组件：APIServer 基于 Webhook Toeken令牌 的认证机制详解

云原生学习路线导航页（持续更新中）kubernetes学习系列快捷链接Kubernetes架构原则和对象设计（一）Kubernetes架构原则和对象设计（二）Kubernetes架构原则和对象设计（三）
grahamzhu·2025-02-22 21:48

【大数据分析】Spark SQL查询：使用SQL命令

通过连接到Spark的Thrift服务器，它们可以通过标准的JDBC或ODBC协议从应用服务器连接到Spark。Spark支持两种SQL方言：SQL和HQL。
sword_csdn·2025-02-21 02:58

【漫话机器学习系列】041.信息丢失（dropout）

信息丢失（Dropout）Dropout是一种广泛应用于神经网络训练中的正则化技术，旨在减少过拟合（overfitting），提高模型的泛化能力。虽然"信息丢失"（dropout）这个术语在某些情况下可能引起误解，指的并非是数据的丢失，而是训练过程中故意“丢弃”神经网络中的部分神经元。这种做法可以避免模型过于依赖于某些特定的神经元，从而提高模型在新数据上的表现。Dropout的工作原理在神经网络的
IT古董·2025-02-17 22:40

【机器学习】逻辑回归(LogisticRegression)原理与实战

逻辑回归Demo2.1数据准备2.2创建逻辑回归分类器2.3分类器预测三、逻辑回归实战3.1数据准备3.2数据划分与模型创建3.3预测数据评估模型四、参数选择五、总结六、参考资料本文属于我的机器学习/深度学习系列文章
GentleCP·2025-02-15 19:56

maven插件学习(maven-shade-plugin和maven-antrun-plugin插件)

整合spark3.3.x和hive2.1.1-cdh6.3.2碰到个问题，就是spark官方支持的hive是2.3.x，但是cdh中的hive确是2.1.x的，项目中又计划用spark-thrift-server
catcher92·2025-02-15 08:00

java获取hive表所有字段,Hive Sql从表中动态获取空列计数

我正在使用datastaxspark集成和sparkSQLthrift服务器,它为我提供了一个HiveSQL接口来查询Cassandra中的表.我的数据库中的表是动态创建的,我想要做的是仅根据表名在表的每列中获取空值的计数
拾亿年·2025-02-14 16:23

学习系列二：常用目标检测的格式转换脚本文件txt,json等

常用目标检测的格式转换脚本文件txt,json等文章目录常用目标检测的格式转换脚本文件txt,json等前言一、json格式转yolo的txt格式二、yolov8的关键点labelme打的标签json格式转可训练的txt格式三、yolo的目标检测txt格式转coco数据集标签的json格式四、xml格式转yolo数据集标签的txt格式五、根据yolo的目标检测训练的最好权重推理图片六、根据yolo
小啊磊_Vv·2025-02-12 21:23

【TTransportException: java.net.SocketException: Broken pipe (Write failed))】

@[TOC](org.apache.thrift.transport.TTransportException:java.net.SocketException:Brokenpipe(Writefailed
WSSWWWSSW·2025-02-12 07:46

讲解一下SpringBoot的RPC连接

常见的RPC框架包括Dubbo、gRPC、Thrift、SpringCloud等。下面我将讲解如何在SpringBoot中集成和使用这些RPC框架。
陈老师还在写代码·2025-02-12 06:09

【时序预测】-深度学习系列

Wavenet（2016）重点：CNN系列+因果卷积+膨胀卷积核心：确保了输出的时间点只依赖于输入序列中时间戳早于或等于该输出时间点的数据，核心模块膨胀卷积能够扩大卷积层的感受野，从而更充分学习序列的全局信息。DeepAR（2017Amazon）DeepAR:ProbabilisticForecastingwithAutoregressiveRecurrentNetworks重点：RNN系列+多元
TIM老师·2025-02-11 22:04

Ranger Hive Service连接测试失败问题解决

RangerHiveService连接测试失败问题解决|一张假钞的真实世界异常信息如下：org.apache.ranger.plugin.client.HadoopException:UnabletoconnecttoHiveThriftServerinstance
一张假钞·2025-02-09 11:00

python操作hbase创建表（一）

python通过thrift来操作hbase在开发环境安装python库pipinstallthriftpipinstallhbase-thrifthbase中需要开启hbase-daemon.shstartthrifthadoop
金融小白数据分析之路·2025-02-09 08:10

【漫话机器学习系列】079.超参数调优（Hyperparameter Tuning）

超参数调优（HyperparameterTuning）是机器学习中优化模型性能的重要步骤之一。超参数是模型在训练之前设定的参数，而不是通过训练数据学习到的参数。正确地选择超参数可以显著提高模型的预测能力，反之，错误的超参数选择可能会导致过拟合、欠拟合或训练过程缓慢。1.超参数的定义超参数是控制学习过程的外部参数，不同于模型参数（例如权重和偏置），超参数不通过训练过程自动优化。常见的超参数包括：学习
IT古董·2025-02-04 11:44

【漫话机器学习系列】054.极值（Extrema）

极值（Extrema）定义极值是数学分析和优化问题中的一个核心概念，指函数在某个定义域内取得的最大值或最小值。根据极值的性质，可以将其分为两类：局部极值（LocalExtrema）：函数在某点附近的最大值或最小值。全局极值（GlobalExtrema）：函数在整个定义域内的最大值或最小值。分类局部极大值（LocalMaximum）：若在点x=a附近存在某邻域，使得对任意x在该邻域内，满足f(x)≤
IT古董·2025-02-04 11:13

Workerman-Thrift 使用教程

Workerman-Thrift使用教程workerman-thriftThriftRPCforphpbasedonworkerman.项目地址:https://gitcode.com/gh_mirrors
沈韬淼Beryl·2025-02-01 09:15

python学习系列之logging(一、基础教程)

文章目录1.什么是日志？为什么需要日志？2.什么时候使用什么级别的日志？2.1日志的级别3.logging基础教程3.1输出到控制台3.2记录日志到文件3.3从多个模块记录日志3.4记录变量数据3.5修改日志输出的格式参考文献按照官方使用说明进行编写1.什么是日志？为什么需要日志？日志是对软件执行时所发生事件的一种追踪方式。软件开发人员对他们的代码添加日志调用，借此来指示某事件的发生。一个事件通过
Idea King·2025-01-28 05:59

python操作HBase

1.安装happybase和thriftpipinstallhappybasepipinstallthrift2.启动hbase的thrift进程，并指定端口9090hbase-daemon.shstartthrift-p90903
王壮_·2025-01-26 19:01

百万架构师第二十八课：RMI ：分布式通讯框架RMI的原理｜JavaGuide

JavaRMI基于RMI时间RMI通讯原理分析实现自己的RPC框架什么是RPCRemoteprocedurecall远程过程调用集中式到分布式RMI(JRMP)/soap(webservice/axis/cxf)thrift
·2025-01-24 20:42

1、Java 环境搭建与基本概念：开启 Java 编程之旅的第一步

大家好，欢迎来到我们的Java学习系列博客，今天是第一课，我们将一起探索Java环境搭建与基本概念。
翻晒时光·2025-01-21 14:06

Kubernetes架构原则和对象设计（二）

云原生学习路线导航页（持续更新中）kubernetes学习系列快捷链接Kubernetes架构原则和对象设计（一）Kubernetes常见问题解答本文从云计算架构发展入手，详细分析了kubernetes
grahamzhu·2025-01-21 05:53

高通CamX框架学习系列:Bring Up Actuator

这篇文章主要介绍在高通平台的CamX框架里面，如何去点亮摄像头马达，需要修改哪些相关的文件。一、大体浏览先来个整体的浏览，看下涉及到需要修改哪些目录下的文件。可以看下图，要让马达运转起来，我们需要修改的基本就是下面4个目录下的相关文件。1、各种型号的马达配置文件目录vendor/qcom/proprietary/chi-cdk/oem/qcom/actuator2、Camerasensor配置文件
zxlhc·2025-01-18 07:06

Linux git

参考Linux上传文件至GitHubLinux学习系列（二十）：在Linux系统中使用Git上传代码到GitHub仓库Linux下使用git克隆github项目及文件上传Linux/Ubuntu下使用git
Reicher·2024-09-14 01:36

`计算机知识` 租云服务器, Docker

容器配置云服务器云平台的作用存放docket容器,让运算操作运行在云端获得一个公网IP,让别人可以访问云服务器的分类1,毛坯,即这个服务器是NULL的,然后我们自定义的去配置.比如一些项目框架django,thrift
supimo·2024-09-07 07:12

thrift RPC调用性能对比

Gcc4.4.6，开启tcpreuse,tcprecycle；2.测试数据对比如下一、单进程下，长短连接，两个RPC框架和两大语言对比二二.多进程（线程，协程）下，两大RPC框架和两大语言对比总结：1)Thrift
飞稀饭你的微笑·2024-09-04 17:16

机器学习系列12：反向传播算法

当我们要运用高级算法进行梯度下降时，需要计算两个值，代价函数和代价函数的偏导数：代价函数我们之前已经知道怎么求了，现在只需要求代价函数的偏导数即可。采用如下方法，先进行前向传播算法，然后再进行反向传播算法（BackpropagationAlgorithm），反向传播算法与前向传播算法方向相反，它用来求代价函数的偏导数。具体过程看下图：用δ作为误差，计算方法为：有时我们在运用反向传播算法时会遇到bu
SuperFengCode·2024-09-04 10:40
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他