- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-11)
配置逻辑库功能说明： 逻辑库是客户端程序连接计算节点服务器后，可以访问的数据库，描述数据库表的集合，类似于直接连接存储节点实例后，看到的一个数据库。 若选择了分片节点，则会依据所选分片节点的版本给出对应支持的校对集，5.7版本默认utf8mb4_general_ci，8.0版本默认utf8mb4_0900_ai_ci，既有5.7又有8.0版本默认utf8mb4 ”默认勾选，且匹配该逻辑库“默认分片节点”栏数据，当默认分片节点栏未配置时，匹配“数据节点”栏数据，当数据节点栏也为空时，则该逻辑库被选中时提示“当前逻辑库下没有关联数据节点”）第七步： 填写表名称，支持批量添加表名称 新增子表子表： 子表为关联表，是一组特殊的分片表集合，包括一张父表与至少一张子表，子表数据所属的数据节点由父表数据所属的数据节点决定。 具体如下图所示：数据迁移说明： 若系统存在引用历史分片规则HASH（包括HASH23）与AUTO的表，建议将表数据迁移到新的分片规则表中。表数据迁移可通过分片方案在线变更功能进行操作。
74410编辑于 2024-12-05 - 来自专栏李蔚蓬的专栏
第10-11周Python学习周记
3.时间允许的话，尽可能了解一些身为程序员必要掌握的知识（例如json，参考于网络资源）。
1K10发布于 2018-09-13 - 来自专栏linjinhe的专栏
设计数据密集型应用（10-11）：大数据的批处理和流处理
第 10 章和第 11 章，介绍“大数据”的处理，分两个大类： 批处理（Batch Processing），用于处理大规模离线任务。 流处理系统每次处理的数据一般是一个刚刚生成的“数据”/“事件（event）”。 大数据处理，主要要解决三个问题： 数据挖掘。 扩展性。 容错性。 批处理 谈大数据批处理，绕不过的就是 MapReduce。MapReduce 是大数据处理的老祖宗了。 MapReduce 的基本思想是提供一套非常简洁的数据处理 API —— 用户只需要实现一个 map 函数和一个 reduce 函数。 读取文件，解析数据，然后调用 reduce 函数，得到输出，写入结果文件。 MapReduce 的优点是理解起来简单，实现起来也不难。
94610发布于 2020-04-01 - 来自专栏爬虫逆向案例
js逆向-猿人学(10-11)js和app协议破解
先把网断了看看，输入数据是否能返回结果，如果是本地生成的，要到源码找找答案。 直接把模拟器wifi断开之后，查询返回的是网络异常。那么就抓包看一看接口。 但是我用charles试了后，没有拦截到数据。该接口并没有走http协议，那么换工具,用HttpAnalyzerStdV7。 换了之后还是没数据，我感觉被坑了。
1.6K20发布于 2021-11-22 - 来自专栏code人生
多验证者节点PoA私链搭建
/node0INFO [10-11|09:53:51.790] Maximum peer count ETH=50 total=50INFO [10-11|09 /node1INFO [10-11|09:55:12.919] Maximum peer count ETH=50 total=50INFO [10-11|09 /node2INFO [10-11|09:55:47.318] Maximum peer count ETH=50 total=50INFO [10-11|09 set to default scheme=hashINFO [10-11|02:18:54.925] Writing custom genesis blockINFO [10 set to default scheme=hashINFO [10-11|02:19:58.563] Writing custom genesis blockINFO [10
78110编辑于 2024-10-11 - 来自专栏用户4866861的专栏
高精度频率计数器功能简介
SYN5104型时间综合参数测试仪.jpg 产品功能 1) 频率测量分辨率最高可达12位/秒； 2) 测量频率可达12.4GHz； 3) 可测试平均值、最大值、最小值、峰峰值等； 4) 多种数据通信接口 ； 5) 直观的数据分析和图形显示。 1dBm内部时基输出频率10MHz温补晶振频率准确度A≤5×10-7老化率≤1×10-6/年恒温晶振（选件010）开机特性V≤1×10-8频率准确度A≤1×10-7老化率≤1×10-9/日秒稳定度≤3×10 -11/s铷原子钟（选件020）频率准确度A≤5×10-11老化率≤5×10-12/日，≤5×10-11/月秒稳定度≤5×10-11/s，≤2×10-11/10s外部参考输入输入频率正弦10MHz电平≥ 3dBm物理接口BNC数据通信标配：USB通信 选件005：RJ45网络通信环境特性工作温度0℃～＋50℃相对湿度≤90%（40℃）存储温度-30℃～＋70℃供电电源交流 220V±10%， 50Hz±
1K40发布于 2020-04-23 - 来自专栏完美Excel
VBA专题10-11：使用VBA操控Excel界面之在功能区中添加自定义拆分按钮控件
拆分按钮控件是一个含有单击按钮和下拉按钮列表的组合控件。用户可以选择单击按钮，或者从下拉列表中选择单击其中一个按钮来执行相应的命令。
3.1K10发布于 2021-02-05 - 来自专栏企鹅号快讯
AI需要大数据，而大数据也需要AI
美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 然而，Manchett警告说，AI尚不足以满足非技术业务的需求。“为了实现大数据和AI的目标，你仍然需要理解提取、转换和加载的概念，以及机器学习是什么，可以做什么。” 数据占据了中心位置。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
904100发布于 2018-01-18 - 来自专栏ATYUN订阅号
【观点】AI需要大数据，而大数据也需要AI
AI和大数据已经形成了一种真正的共生关系，彼此需要相得益彰。 美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
59870发布于 2018-03-06 - 来自专栏愿天堂没有BUG（公众号同名）
一文带你搞明白深入解析java虚拟机垃圾回收器究竟是什么鬼
G1 GC（以下简称G1）抛弃了既有堆模型，将整个堆划分为一些大小固定的内存块（Region），如图10-11所示。 图10-11 基于Region的堆划分 G1没有抛弃弱分代假说，如图10-11所示，每个Region仍然包含代纪，YGC和Mixed GC（混合回收）会选择合适的Region，然后只回收这一部分Region 复制算法可以有效地解决类似CMS GC老年代的碎片化问题，同时由于全局并发标记选择一部分Region，这使得用户可以指定一个GC最大暂停时间作为目标，由G1根据历史数据和选择的Region回收垃圾，努力达到用户设置的目标
60220编辑于 2022-10-31 - 来自专栏AI系统
【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
1.3K10编辑于 2024-12-07 - 来自专栏技术墨客
从数据到AI
一篇关于數據倉庫建設、人工數據分析、AI數據分析的讲义 數據Data&信息Information 信息 信息是一個客觀存在物體的自然表現，比如說“I am a local villain.” 隨著數據的不斷累積和堆積在數據背後發現了驚人的統計規律，隨著這些統計規律的發展漸漸的出現了AI分析和數據分析。 數據&數據分析&AI 如下圖是建立數據分析工程的過程 ? 根據需要訓練AI模型。 數據倉庫的建立 聯機事物型系統&決策分析系統 在數據能力上，通常將系統的數據結構模型分為2類，聯機事物型、決策分析型。 數據倉庫案例展示superset 地址：http://192.168.0.212:8088 賬號：admin 密碼：admin 數據分析到AI訓練 進過大量的數據演練，可以逐漸的發現數據背後的統計規律。
1K50发布于 2019-11-21 AI Agent + 数据工程
一位在数据领域深耕多年的创业者告诉我，早期AI在数据工程领域的切入点其实很务实——那些原本需要大量人工的数据治理工作，恰恰是大模型最擅长的地方。 比如从海量数据中提炼关键信息、自动生成数据文档、识别重复和冗余的表结构。这些事情以前要靠专人花时间梳理，现在AI可以快速完成。 但这只是第一步。 更深层的变化在于，数据工程的需求本身正在被AI重塑。 以前的交付物很明确：一张张处理好的数据表，加上一个Dashboard，业务方看数据就够了。 现在呢？业务方不仅看Dashboard，还想直接跟数据对话——问AI一个问题，AI直接给出答案。 好的数据工程，应该配合AI在事中就做好管理和体系搭建。” 这句话背后是一个残酷的现实：以前数据工程师的工作更像是管道工——把数据从A搬到B，分层、清洗、汇总。 现在的要求变成了规划师——不仅要搬数据，还要让数据能被AI正确理解和调用。 这需要的不仅是技术能力，更是思维方式的转变。
43110编辑于 2026-02-28「AI 共创・三生万物 」2025 企业 AI 落地应用峰会杭州站落幕，多领域行业先锋共探企业AI落地破局路径
在提及国企业目前真正落地应用AI的占比时，宗栗引入创新扩散理论，解读技术产业的发展规律。他还提出企业AI落地面临的六大挑战，指出企业数据困境是目前企业AI落地最大阻碍，这是企业大规模AI落地的前提。 司马阅产品交付总监陈涛深度拆解企业AI落地实践案例方法论，针对当前企业普遍面临的数据治理困境与AI应用可靠性挑战展开系统分析，并重点阐述司马阅在解决AI幻觉的技术路径与实践成果，为企业规避AI落地风险、 业务总监任春虹发布AI合伙人计划，直指企业 AI 落地核心痛点：企业虽知 AI 价值，却受路径规划、技术适配、资源整合能力所限，亟需专业力量助推落地。 关于司马阅企业AI落地应用峰会 司马阅2025企业AI落地应用峰会，是聚焦企业AI应用真实落地的全国性系列活动。 峰会由司马阅发起，以“AI共创 三生万物”为主题，于2025年10-11月覆盖全国15个核心城市，面向对象为企业负责人、高管、企业服务公司、创业者、投资者等。
32110编辑于 2025-10-25- 来自专栏HyperAI超神经
扎克伯格：尊敬的议员先生，你说的人类做不到啊
4 月 10-11 日，在国会山上，Facebook 的 CEO 扎克伯格先生着实面对了两场车轮战。 这其中提及人工智能（AI）的频度令人为之侧目。 聆讯 or 脸书的 AI 战略发布会？ 不被信任的脸书和 AI 技术 不过，议员们对 Facebook 的数据隐私策略的关注，仍然远远超过人工智能。 很明显如果 Facebook 的 AI 真的起到了作用，扎克伯格今天就不需要坐在这里面对聆讯了。2 个月以前，美国国会对假新闻进行质询时，Facebook 仍坚称自己的用户数据从来没有被挪用。 那个时候 AI 在哪？ 这涉及到一个很重要的问题，究竟什么是 AI？ 通用人工智能已经被缩写为 AGI，以便与目前的 AI 构件相区分。
81220发布于 2019-12-01 - 来自专栏资讯博客
2025年10-11月企业级智能体开发平台评估报告：赋能数字化转型的 数智伙伴
/零代码开发降低技术门槛，使业务人员能直接参与开发二、主流平台全景分析全栈式智能体开发平台：蚂蚁数科Agentar核心能力：全链路可信：获中国信通院可信AI最高评级5级，确保推理逻辑、知识库、交互过程及评测归因全程可追溯行业知识沉淀 98.5%)和贷款审核，已服务4000+医院融和科技RonAIGC2.0：多智能体协同引擎驱动企业管理软件升级，与DeepSeek等模型深度整合，开发效率提升95%，成本降低80%教育与政务领域：智谱AI ，满足信创合规要求三、平台核心能力对比能力维度领先平台关键差异点可信能力蚂蚁数科Agentar(5级认证)、中电金信源启全链路可追溯、决策透明、风险可控，解决AI"黑箱"问题低代码开发中关村科金、Dify 、智谱AI(教育)、融和科技(金融)深度行业知识库，精准理解行业术语和业务逻辑四、行业应用价值分析金融行业：风控与效率双提升智能风控：自动审核信贷申请，识别异常交易，反欺诈模型采购规模增长140%，某银行不良率预测准确率提升 优先部署高ROI场景建立"业务主导、IT支持"的协作机制，确保落地效果与业务目标一致开展平台定制化培训，提升团队使用效率长期战略（6-12个月+）：将智能体平台纳入企业数字化基础设施建设，构建可持续发展的AI
77810编辑于 2025-11-18 - 来自专栏图灵人工智能
图灵奖得主Hinton、Bengio等签署共识：北京AI安全国际对话收官，搭建中外AI安全合作平台
您想知道的人工智能干货，第一时间送达 3月10-11日，我国首个AI安全高端闭门论坛——“北京AI安全国际对话”在北京颐和园成功举办。 与会专家围绕国际AI安全技术前沿研究、产业应用实践、政策引领等话题，在为期两天的对话中展开深入探讨，共同拟定并签署了《北京AI安全国际共识》，提出人工智能风险红线及安全治理路线，同时呼吁“在人工智能安全研究与治理上的全球协同行动 安全研究所CTO Jade Leung、英国先进研究与创新署（ARIA）项目总监David Dalrymple，北京大学AI安全与治理中心执行主任杨耀东，以及来自零一万物、智谱AI、瑞莱智慧等国内创业公司 对话首先围绕AI安全领域现状、AI安全红线定义、国际合作方式、生物与数字智能、产业中的AI安全实践等主题展开探讨，并就常态化交流、经验分享、科研合作、人才培养机制等提出了设想。 共识从AI风险红线、落实治理路线两个角度进行了阐述（部分内容如下图）。 共识全文链接：https://baai.org/l/IDAISBeijing
61110编辑于 2024-03-20 openEuler 高效 AI 数据管道
开篇介绍AI训练的瓶颈往往不是模型计算，而是数据预处理。openEuler提供高效的数据处理管道，支持并行加载、GPU预处理、数据增强等优化。今天聊聊如何加速AI数据处理。 数据处理优化：多进程DataLoader并行加载提升5-10倍，DALIGPU预处理释放CPU，预取机制减少等待时间，数据缓存避免重复读取。 存储优化：NVMeSSD提升I/O吞吐，分布式文件系统支持大规模数据集，数据格式优化TFRecord/Parquet提升读取效率。 QPS提升40%，Web服务器并发提升50%，大数据任务快35%。 优化要基于数据驱动，每次都要测试对比，确保有效且稳定。
40410编辑于 2025-12-03转载:【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
62910编辑于 2024-12-13- 来自专栏AI
AI中的数据存储
流水线中的数据存储类型和量级 图片 每个AI流水线中都涉及到数据存储 数据源-数据提取过程中涉及到: PB级别的顺序写 数据准备过程中: TB级别的顺序读 模型训练过程中: GB级别的随机读 检查点和恢复过程中 中间采用高性能全闪存,通过是TLC, 弥补机械盘性能, 总容量比HDD少 右边采用对象存储, 存储集群或JBODS, 包含大量机械盘, 总容量占比高 AI集群中的数据移动 图片 1.数据采集阶段，原始数据按顺序写入对象存储层 RAG 还可以创建额外的 I/O 活动 5.归档流程: 模型输入和输出被捕获并写入对象存储层的磁盘 旨在优化 AI 存储效率的产品组合 QLC 提升新型 AI DC(数据中心) 构建的电源效率 每个 DGX 有关建模详细信息，请参阅附录“QLC 功率效率与 HDD” 模型训练与数据存储 AI 数据穿越存储层之旅 最近的检查点基本在SSD上 早期的检查点数据在HDDS AI数据量级和性能 检查点：提高存储容量和吞吐量 Blob 存储层一次性访问可实现高吞吐量 AI负载中的存储扩展性 总结 AI集群流程中的数据存储需要根据实际业务的量级和性能要求做分层存储, 这样成本可控且性能满足需求 AI行业也会带动存储行业发展,
2K11编辑于 2024-09-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号