- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-2)
服务端口：计算节点对外提供数据服务的端口号，可在server.xml配置文件中修改。 管理端口：计算节点对外提供监控管理查询的端口，可在server.xml配置文件中修改。 SSH登录方式若选择免密登录，关系集群数据库可视化管理平台所在服务器需预先对其启动账号设置公钥并拷贝到待访问的服务器（注：免密用户需与当前启动管理平台的服务器用户一致）。
97810编辑于 2025-03-12 - 来自专栏初见Linux
10-2 控制进程
二、控制进程 现在已经知道了如何查看和监控进程，接下来见识一下如何对进程进行控制。 将使用一个名为 xlogo 的程序作为实验对象。 0.xlogo （1）是什么? xlogo 程序是由 X
1.3K40发布于 2020-08-05 - 来自专栏嵌入式音视频
10-2 判断是否为素数
预览图如下 #include<stdio.h> #include <windows.h> int main() { int prime(int x); int n; system("color f0"); printf("请输入一个正整数\n该正整数要求大于1\n程序目的:判断这个数是否为素数\n"); scanf("%d",&n); if(prime(n)) printf("这个数是素数!\n"); else printf("这个数不是素数!\n"); return 0
39730编辑于 2022-12-01 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-2 精准率和召回率
最后通过例子说明精准率和召回率在评价极度有偏的数据的分类任务上比准确率更好。 精准率&召回率 上一小节介绍了在分类任务中非常重要的工具混淆矩阵。 为什么这样定义精准率，这是因为在有偏的数据中，将分类为1作为我们真正关注的对象。 ▲精准率和召回率的另一种解释 上图中的整个平面可以理解成所有的样本数据，在这个平面中的每一个点都代表一个样本。 上一小节中，对于极度偏差的数据构建一个算法，比如有1万个人癌症的发病率为千分之一，也就是在1万个人中只有10个人患有癌症，那么我们完全可以预测1万个人都是健康的。 接下来看看在这种极度偏差的数据中，精准率和召回率是怎样的。预测系统的混淆矩阵如下所示。 ?
2K30发布于 2020-03-27 - 来自专栏完美Excel
VBA专题10-2：使用VBA操控Excel界面之设置工作表
名称框中的名字是为单元格区域定义的名字，可以由用户定义名称，或者由Excel自动创建，例如Print_Area和表1。
8.8K41发布于 2020-07-02 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-2 递归求阶乘和
习题10-2 递归求阶乘和 本题要求实现一个计算非负整数阶乘的简单函数，并利用该函数求 1!+2!+3!+…+n! 的值。
2.3K20发布于 2020-09-15 - 来自专栏爬蜥的学习之旅
分治法(Divide and Conquer)怎么用？
1( mod q) //右边q个节点 else i = i − 1( mod p) // move left anti-clockwise 左边p个节点 return (ai 将S分成5列，这样它就是有多行数据，一共5列的二维数组，把每列进行排序，最大的元素在上头，最后x的取值为所有列中间取值的中间的值 image.png 方便画有行列交换 经过这么划分，可以看到 小于 X的取值元素数量至少为：3(n/10-2) 大于X的取值元素数量至少为：3(n/10-2) 这里取 n/10的上边界。
1K10发布于 2019-07-09 - 来自专栏福大大架构师每日一题
文心一言 VS 讯飞星火 VS chatgpt （105）-- 算法导论10.1 3题
三、用go语言，仿照图 10-2，画图表示依次执行操作 ENQUEUE(Q，4)、ENQUEUE(Q，1)、ENQUEUE(Q，3)、DEQUEUE(Q)、ENQUEUE(Q，8)和 DEQUEUE(Q 首先，我们需要定义一个队列的数据结构，并实现 ENQUEUE 和 DEQUEUE 操作。 图 10-2 展示了队列在每一步操作后的状态，但是由于我不能直接画图，我将用文字描述每一步的结果。 请注意，由于队列是先进先出（FIFO）的数据结构，所以 DEQUEUE 操作总是移除最早进入队列的元素。在我们的例子中，这意味着 DEQUEUE 操作首先移除了数字 4，然后是数字 1。 在这里插入图片描述 在这里插入图片描述 天工： 抱歉，作为一个语言模型AI，我没有直接的绘图功能。 在这里插入图片描述 在这里插入图片描述 chatgpt： 以下是使用Go语言实现图10-2中操作的示例代码： package main import "fmt" const MaxSize = 6
42950编辑于 2023-10-05 - 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。
42910编辑于 2026-02-28- 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
这之后数据仓库模式就有了两个事实表（第一个是在开始建立数据仓库时创建的sales_order_fact表）。有了这两个事实表的数据仓库就是一个正式的双星型模式。 可以使用清单（五）- 10-2里的脚本初始装载工厂数据。 -2 使用Kettle转换初始装载工厂数据只需要一个表输入和一个表输出步骤即可，如图（五）- 10-2到图（五）- 10-4所示。 图（五）- 10-2 图（五）- 10-3 图（五）- 10-4 工厂的信息很少改变，所以可能希望在一个CSV文件里提供任何关于工厂的最新信息。 之后，执行清单（五）- 10-2里的脚本或对应的Kettle初始装载转换向factory_dim表装载factory_master表里的四个工厂信息。
80120编辑于 2022-12-02 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。
40210编辑于 2025-12-03- 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 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。
62610编辑于 2024-12-13AI+Data：AI时代的企业数据治理
随着AI应用对多源异构数据的需求增加，企业对于非结构化数据的价值化需求也在加速释放，而相应的数据治理模块也将获得进一步的关注与优化。 对于部署AI应用的企业来说，数据资源的质量直接决定了AI应用能否成功落地。因此，在推进AI应用的过程中，开展针对性的数据治理工作是首要且必要的步骤。 AI模型对数据高度敏感，低质量的数据会导致“garbage in, garbage out”的问题，即输入数据的缺陷会直接影响到输出结果的质量。 为了确保AI模型的有效性和准确性，必须保证数据的完备性和准确性。有效的数据治理不仅可以为AI模型提供高质量的数据原料，还能提高模型的拟合效果，进而增强AI应用的实际性能。 在金融、医疗、零售、工业以及互联网等数据基础建设较好的行业中，面向AI时代的数据治理正在逐步显现其优势。
1.4K10编辑于 2025-01-03- 来自专栏祝威廉
数据部门如何All In AI
这也是很多大数据部门领导非常焦虑的地方。 那么出路在哪里呢？ All In AI 事实上，真正能帮助业务提高效能，提供创新产品的必然是AI，AI是一种模式的输出。 从上面我们可以看到，数据部门的最大价值，最终会通过AI来进行落地，并且还会给部门/公司提供了极为丰富的想象空间。 如何 All In AI？ 对于这件事情，我们要仔细研究一个核心的东西： 资源。 我们知道，AI平台是基于数据平台的之上的，其结构是一个金字塔形状的。所以第一步你需要有一个良好的数据平台，其次你还需要有一个AI平台，让单一算法落地变得容易。 现阶段，按我的了解，AI平台通常只能做到针对单一算法的自助化。那么为了让组织更加合理高效，重构数据部门团队就很有必要了。 总结 本文我们说了为什么要All In AI，要实现All In AI 不仅仅需要有一个好的平台（数据、算法平台）,也需要有良好的动员人力资源的能力，采用一个合理的算法组织架构充分利用人力资源。
52320发布于 2018-08-27 数据质量决定AI命运
上个月参加一个AI技术沙龙，我问了在座的技术负责人这样一个问题。 原本以为会听到关于算力、算法或者成本的回答，结果大家的答案出奇一致——数据质量。 一个创业公司的CTO感慨地说："我们现在花的钱，80%都在找数据、清洗数据、标注数据，真正的模型训练反而是小头。" 这个回答让我意识到，我们正处在AI发展的一个重要转折点。 解密高质量数据集的三张面孔 很多人对数据集的理解还停留在"图片+标签"的层面，认为只要有数据就能训练AI模型。但实际上，高质量数据集远不止这么简单。 从数据模态来看，现代AI需要的是多维度的数据生态。 2025年，AI智能体和高质量数据集建设的双重推进，将把人工智能带入一个新的发展阶段。这个阶段的特征是数据质量成为决定性因素，技术创新与数据资源同等重要。 数据质量决定AI命运，也决定我们在AI时代的命运。
41410编辑于 2026-02-02
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