主頁 > 資料庫 > BP神經網路的詳細推導 與 完整代碼

BP神經網路的詳細推導 與 完整代碼

2020-10-02 19:46:56 資料庫

文章目錄

  • BP推導全程序
    • 一些變數的含義
    • 一些公式
    • 開始推導
  • 任意層BP網路代碼實作
    • 運行結果如

BP推導全程序

最近老師布置了一個神經網路的作業，正好練習下LaTeX，順便寫了這個博客
BP的整個程序還是很嚴謹的、LaTeX寫公式也很好用，建議一步步跟著公式走
另外還配上了代碼供食用，代碼配公式、效果更好

一些變數的含義

這里的的網路采用三層感知機結構
在這里插入圖片描述

以簡單的sigmod函式如為例：
f ( x ) = 1 1 + e ? x f ( x ) ′ = f ( x ) ( 1 ? f ( x ) ) f (x)=\frac {1}{1+e^{-x}}\\ f(x)'=f(x)(1-f(x)) f(x)=1+e?x1?f(x)′=f(x)(1?f(x))
下面定義一些變數
輸 入 向 量 X = ( x 1 , x 2 , ? x n ) T 隱 層 輸 出 向 量 Y = ( y 1 , y 2 , ? y m ) T 輸 入 層 到 隱 層 的 權 重 V V = ( V 1 , V 2 , ? ? , V m ) 這 里 的 V j , j ∈ ( 1 , ? ? , m ) 是 下 面 矩 陣 的 列 向 量 表 達 式 為 ： f ( V j ? X ) = Y j V = [ v 11 v 12 ? v 1 m v 21 v 22 ? v 2 m v 31 v 32 ? v 3 m ? ? ? ? v n 1 v n 2 ? v n m ] 輸 出 層 向 量 O = ( o 1 , o 2 , ? ? , o l ) T 真 實 標 簽 D = ( d 1 , d 2 , ? ? , d l ) T 隱 含 層 到 輸 出 層 的 權 重 W W = ( W 1 , W 2 , ? ? , W l ) W k , k ∈ ( 1 , ? ? , l ) 為 下 面 矩 陣 的 第 k 個 列 向 量 W = [ w 11 w 12 ? w 1 l w 21 w 22 ? w 2 l w 31 w 32 ? w 3 l ? ? ? ? w m 1 w n 2 ? w m l ] 下 面 公 式 表 示 的 是 隱 藏 層 到 輸 出 層 的 過 程 f ( W k ? Y ) = O k 輸入向量X=(x_1,x_2,\cdots x_n)^T \\ 隱層輸出向量Y=(y_1,y_2,\cdots y_m)^T\\ 輸入層到隱層的權重V\\ V=(V_1,V_2,\cdots,V_m)\\ 這里的V_j,j\in (1,\cdots,m)是下面矩陣的列向量\\ 運算式為：f(V_j \cdot X)=Y_j\\ V=\left[ \begin{array}{ccc} v_{11} & v_{12} & \cdots & v_{1m}\\ v_{21} & v_{22} & \cdots & v_{2m}\\ v_{31} & v_{32} & \cdots & v_{3m}\\ \cdots & \cdots&\cdots & \cdots \\ v_{n1} & v_{n2} & \cdots & v_{nm}\\ \end{array} \right]\\ \\ 輸出層向量O=(o_1,o_2,\cdots,o_l)^{T}\\ 真實標簽D=(d_1,d_2,\cdots,d_l)^T\\ 隱含層到輸出層的權重W\\ W=(W_1,W_2,\cdots,W_l)\\ W_k,k\in(1,\cdots,l)為下面矩陣的第k個列向量\\ W=\left[ \begin{array}{ccc} w_{11} & w_{12} & \cdots & w_{1l}\\ w_{21} & w_{22} & \cdots & w_{2l}\\ w_{31} & w_{32} & \cdots & w_{3l}\\ \cdots & \cdots&\cdots & \cdots \\ w_{m1} & w_{n2} & \cdots & w_{ml}\\ \end{array} \right]\\ 下面公式表示的是隱藏層到輸出層的程序 f(W_k\cdot Y)=O_k 輸入向量X=(x1?,x2?,?xn?)T隱層輸出向量Y=(y1?,y2?,?ym?)T輸入層到隱層的權重VV=(V1?,V2?,?,Vm?)這里的Vj?,j∈(1,?,m)是下面矩陣的列向量表達式為：f(Vj??X)=Yj?V=???????v11?v21?v31??vn1??v12?v22?v32??vn2????????v1m?v2m?v3m??vnm?????????輸出層向量O=(o1?,o2?,?,ol?)T真實標簽D=(d1?,d2?,?,dl?)T隱含層到輸出層的權重WW=(W1?,W2?,?,Wl?)Wk?,k∈(1,?,l)為下面矩陣的第k個列向量W=???????w11?w21?w31??wm1??w12?w22?w32??wn2????????w1l?w2l?w3l??wml?????????下面公式表示的是隱藏層到輸出層的過程f(Wk??Y)=Ok?

一些公式

對于輸出層有(后面兩個式子不過是展開了內積而已，本質一樣)：
o k = f ( n e t k ) = f ( ∑ j = 0 m w j k y j ) = f ( W k Y ) ( 1 ) o_k=f(net_k)=f(\sum_{j=0}^mw_{jk}y_j)=f(W_kY) \quad \quad \quad (1) ok?=f(netk?)=f(j=0∑m?wjk?yj?)=f(Wk?Y)(1)
對于隱含層
y j = f ( n e t j ) = f ( ∑ i = 0 n v i j x i ) = f ( V j X ) ( 2 ) y_j=f(net_j)=f(\sum_{i=0}^nv_{ij}x_i)=f(V_jX) \quad \quad \quad (2) yj?=f(netj?)=f(i=0∑n?vij?xi?)=f(Vj?X)(2)
對于輸出層的梯度更新公式:
輸 出 層 梯 度 更 新 量 Δ w j k = ? η ? E ? w j k w j k = w j k + Δ w j k = w j k ? η ? E ? w j k ( 3 ) 輸出層梯度更新量\quad\quad\Delta w_{jk}=-\eta \frac{\partial E}{\partial w_{jk}} \\ w_{jk}=w_{jk}+\Delta w_{jk}=w_{jk}-\eta\frac{\partial E}{\partial w_{jk}} \quad \quad(3) 輸出層梯度更新量Δwjk?=?η?wjk??E?wjk?=wjk?+Δwjk?=wjk??η?wjk??E?(3)
對于隱藏層的更新公式
隱 藏 層 梯 度 更 新 量 Δ v i j = ? η ? E ? v i j v i j = v i j + Δ v i j = v i j ? η ? E ? v i j ( 4 ) 隱藏層梯度更新量\quad\quad\Delta v_{ij}=-\eta \frac{\partial E}{\partial v_{ij}} \\ v_{ij}=v_{ij}+\Delta v_{ij}=v_{ij}-\eta\frac{\partial E}{\partial v_{ij}} \quad\quad\quad(4) 隱藏層梯度更新量Δvij?=?η?vij??E?vij?=vij?+Δvij?=vij??η?vij??E?(4)
最后的誤差公式的展開如下
E = 1 2 ∑ k = 1 l ( d k ? o k ) 2 把 公 式 （ 1 ） （ 2 ） 帶 入 = 1 2 ∑ k = 1 l ( d k ? f [ ∑ j = 0 m w j k f ( n e t j ) ] ) 2 = 1 2 ∑ k = 1 l ( d k ? f [ ∑ j = 0 m w j k f ( ∑ i = 0 n v i j x i ) ] ) 2 ( 5 ) E=\frac{1}{2}\sum_{k=1}^l(d_k-o_k)^2 \quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\\ 把公式（1）（2）帶入\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\\ =\frac{1}{2}\sum_{k=1}^l(d_k-f[\sum_{j=0}^m w_{jk}f(net_j)])^2 \quad\quad\quad\quad\quad\quad\\ =\frac{1}{2} \sum_{k=1}^l (d_k-f[\sum_{j=0}^m w_{jk}f(\sum_{i=0}^nv_{ij}x_i)])^2\quad\quad\quad(5) E=21?k=1∑l?(dk??ok?)2把公式（1）（2）帶入=21?k=1∑l?(dk??f[j=0∑m?wjk?f(netj?)])2=21?k=1∑l?(dk??f[j=0∑m?wjk?f(i=0∑n?vij?xi?)])2(5)

開始推導

由上面的公式（3）（4）可知我們只要求出那兩個梯度更新量就行了

  • 對于輸出層的梯度更新量，我們利用鏈式求導可以得到下面的公式
    Δ w j k = ? η ? E ? w j k = ? η ? E ? n e t k ? n e t k ? w j k 由 公 式 （ 1 ） 可 知 ? n e t k ? w j k = y j 即 Δ w j k = ? η ? E ? n e t k y j ( 6 ) \Delta w_{jk}=-\eta \frac{\partial E}{\partial w_{jk}}=-\eta\frac{\partial E}{\partial net_k}\frac{\partial net_k}{\partial w_{jk}}\\ 由公式（1）可知 \frac{\partial net_k}{\partial w_{jk}}=y_j\\ 即\Delta w_{jk}=-\eta\frac{\partial E}{\partial net_k}y_j \quad\quad\quad(6)\\ Δwjk?=?η?wjk??E?=?η?netk??E??wjk??netk??由公式（1）可知?wjk??netk??=yj?即Δwjk?=?η?netk??E?yj?(6)
  • 對于隱藏層的梯度更新量，也是如此
  • Δ v i j = ? η ? E ? v i j = ? η ? E ? n e t j ? n e t j ? v i j 由 公 式 （ 2 ） 可 知 ? n e t j ? v i j = x i 即 Δ v i j = ? η ? E ? n e t j x i ( 7 ) 實 際 代 碼 中 我 們 求 x i 和 y j 輕 輕 松 松 ， 只 要 保 存 網 絡 每 層 的 輸 出 即 可 而 且 我 們 都 是 批 量 更 新 ， 批 量 更 新 效 率 更 高 \Delta v_{ij}=-\eta \frac{\partial E}{\partial v_{ij}}=-\eta\frac{\partial E}{\partial net_j}\frac{\partial net_j}{\partial v_{ij}}\\ 由公式（2）可知 \frac{\partial net_j}{\partial v_{ij}}=x_i\\ 即\Delta v_{ij}=-\eta\frac{\partial E}{\partial net_j}x_i\quad\quad\quad(7)\\ 實際代碼中我們求x_i 和y_j輕輕松松，只要保存網路每層的輸出即可\\ 而且我們都是批量更新，批量更新效率更高 Δvij?=?η?vij??E?=?η?netj??E??vij??netj??由公式（2）可知?vij??netj??=xi?即Δvij?=?η?netj??E?xi?(7)實際代碼中我們求xi?和yj?輕輕松松，只要保存網絡每層的輸出即可而且我們都是批量更新，批量更新效率更高
  • 所以我們只要求出下面兩個公式即可求出對于每一層的梯度更新量
    我 們 把 ? ? E ? n e t k 設 為 e r r o 意 思 為 輸 出 層 的 誤 差 信 號 再 把 ? ? E ? n e t j 設 為 e r r y 意 思 為 隱 含 層 層 的 誤 差 信 號 e r r o 和 e r r y 展 開 可 得 : e r r o = ? ? E ? n e t k = ? ? E ? o k ? o k ? n e t k 把 公 式 ( 1 ) ( 5 ) 代 入 上 公 式 可 得 e r r o = ? ? E ? o k f ( n e t k ) ′ = ∑ k = 1 l ( d k ? o k ) o k ( 1 ? o k ) ( 8 ) 可 以 看 出 來 輸 出 層 的 誤 差 信 號 還 是 非 常 好 求 的 e r r y 稍 微 復 雜 點 ， 我 們 還 是 先 把 他 展 開 e r r y = ? ? E ? n e t j = ? ? E ? y j ? y j ? n e t j = ? ? E ? o k ? o k ? y j ? y j ? n e t j = ? ? E ? o k ? o k ? n e t k ? n e t k ? y j ? y j ? n e t j 上 面 這 幾 個 求 偏 導 的 公 式 都 有 我 們 只 需 要 帶 入 公 式 ( 1 ) ( 2 ) ( 5 ) 可 得 e r r y = ∑ k = 0 l ( d k ? o k ) ? o k ( 1 ? o k ) ? w j k ? y j ( 1 ? y j ) ( 9 ) 我 們 觀 察 可 以 發 現 e r r y 的 一 部 分 和 e r r o 一 模 一 樣 ， 所 以 把 公 式 ( 8 ) 帶 入 ( 9 ) 得 e r r y = e r r o w j k y j ( 1 ? y j ) ( 10 ) 對 于 寫 代 碼 來 說 , 我 們 只 要 求 出 e r r o 后 ， 后 面 一 系 列 的 隱 藏 層 都 非 常 好 求 只 要 用 從 后 向 前 計 算 每 一 層 的 誤 差 信 號 即 可 我們把-\frac{\partial E}{\partial net_k}設為err_o\quad意思為輸出層的誤差信號\\ 再把-\frac{\partial E}{\partial net_j}設為err_y\quad意思為隱含層層的誤差信號\\ err_o和err_y展開可得:\\ err_o=-\frac{\partial E}{\partial net_k}=-\frac{\partial E}{\partial o_k}\frac{\partial o_k}{\partial net_k}\\把公式(1)(5)代入上公式可得 \\ err_o=-\frac{\partial E}{\partial o_k}f(net_k)'=\sum_{k=1}^l(d_k-o_k)o_k(1-o_k)\quad\quad(8)\\ 可以看出來輸出層的誤差信號還是非常好求的\\ err_y稍微復雜點，我們還是先把他展開\\ err_y=-\frac{\partial E}{\partial net_j}\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\\ =-\frac{\partial E}{\partial y_j}\frac{\partial y_j}{\partial net_j}\quad\quad\quad\quad\quad\quad\\ =-\frac{\partial E}{\partial o_k}\frac{\partial o_k}{\partial y_j}\frac{\partial y_j}{\partial net_j}\quad\quad\quad\quad\\ =-\frac{\partial E}{\partial o_k}\frac{\partial o_k}{\partial net_k}\frac{\partial net_k}{\partial y_j}\frac{\partial y_j}{\partial net_j}\quad\\ 上面這幾個求偏導的公式都有我們只需要帶入公式(1)(2)(5)可得\\ err_y=\sum_{k=0}^l(d_k-o_k)\cdot o_k(1-o_k)\cdot w_{jk} \cdot y_j(1-y_j)\quad(9)\\ 我們觀察可以發現err_y的一部分和err_o一模一樣，所以把公式(8)帶入(9)\\ 得err_y=err_ow_{jk}y_j(1-y_j)\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad(10)\\ 對于寫代碼來說,我們只要求出err_o后，后面一系列的隱藏層都非常好求\\ 只要用從后向前計算每一層的誤差信號即可\\ 我們把??netk??E?設為erro?意思為輸出層的誤差信號再把??netj??E?設為erry?意思為隱含層層的誤差信號erro?和erry?展開可得:erro?=??netk??E?=??ok??E??netk??ok??把公式(1)(5)代入上公式可得erro?=??ok??E?f(netk?)′=k=1∑l?(dk??ok?)ok?(1?ok?)(8)可以看出來輸出層的誤差信號還是非常好求的erry?稍微復雜點，我們還是先把他展開erry?=??netj??E?=??yj??E??netj??yj??=??ok??E??yj??ok???netj??yj??=??ok??E??netk??ok???yj??netk???netj??yj??上面這幾個求偏導的公式都有我們只需要帶入公式(1)(2)(5)可得erry?=k=0∑l?(dk??ok?)?ok?(1?ok?)?wjk??yj?(1?yj?)(9)我們觀察可以發現erry?的一部分和erro?一模一樣，所以把公式(8)帶入(9)得erry?=erro?wjk?yj?(1?yj?)(10)對于寫代碼來說,我們只要求出erro?后，后面一系列的隱藏層都非常好求只要用從后向前計算每一層的誤差信號即可
  • 那么我們最終的結果就是如下公式
    Δ w j k = η ? e r r o ? y j Δ v i j = η ? e r r o w j k y j ( 1 ? y j ) ? x i 寫 成 代 碼 用 向 量 批 量 計 算 的 話 就 是 如 下 所 示 Δ w = η ? ( s u m ( D ? O ) ? O ( 1 ? O ) ) ? Y Δ v = η ? ( s u m ( D ? O ) ? O ( 1 ? O ) ) W ? Y ? X \Delta w_{jk}=\eta\cdot err_o \cdot y_j\\ \Delta v_{ij}=\eta\cdot err_o w_{jk} y_j (1-y_j)\cdot x_i \\ 寫成代碼用向量批量計算的話就是如下所示\\ \Delta w=\eta\cdot (sum(D-O)\cdot O(1-O)) \cdot Y\\ \Delta v=\eta\cdot (sum(D-O)\cdot O(1-O)) W\cdot Y\cdot X \\ Δwjk?=η?erro??yj?Δvij?=η?erro?wjk?yj?(1?yj?)?xi?寫成代碼用向量批量計算的話就是如下所示Δw=η?(sum(D?O)?O(1?O))?YΔv=η?(sum(D?O)?O(1?O))W?Y?X

任意層BP網路代碼實作

參考這位老哥的代碼： https://www.k2zone.cn/?p=1047

import numpy as np
def logistic(x):
    return 1/(1+np.exp(-x))
def logistic_derivative(x):
    return logistic(x) * (1 - logistic(x))

def tanh(x):
    return np.tanh(x)

def tanh_deriv(x):
    return 1.0 - np.tanh(x) * np.tanh(x)

class NeuralNetwork:
   #建構式
   def __init__(self, layers, activation='tanh'):
       '''
       :param layers: list型別,比如[2,2.1]代表輸入層有兩個神經元,隱藏層有兩個，輸出層有一個
       :param activation: 激活函式
       '''
       self.layers = layers
       #選擇后面用到的激活函式
       if activation == 'logistic':
           self.activation = logistic
           self.activation_deriv = logistic_derivative
       elif activation == 'tanh':
           self.activation = tanh
           self.activation_deriv = tanh_deriv
       #定義網路的層數
       self.num_layers = len(layers)
       '''
       生成除輸入層外的每層中神經元的biase值，在（-1，1）之間，每一層都是一行一維陣列資料
       randn函式執行一次生成x行y列的資料
       '''
       self.biases = [np.random.randn(x) for x in layers[1:]]
       print("初始偏向：",self.biases)
       '''
       隨機生成每條連接線的權重，在（-1,1）之間
       weights[i-1]代表第i層和第i-1層之間的權重，元素個數等于i層神經元個數
       weights[i-1][0]表示第i層中第一個神經單元和第i-1層每個神經元的權重，元素個數等于i-1層神經元個數
       '''
       self.weights = [np.random.randn(y, x)
                       for x, y in zip(layers[:-1], layers[1:])]
       print("初始權重：",self.weights)

   #訓練模型，進行建模
   def fit(self, X, y, learning_rate=0.2, epochs=1):
       '''
       :param self: 當前物件指標
       :param X: 訓練集
       :param y: 訓練標記
       :param learning_rate: 學習率
       :param epochs: 訓練次數
       :return: void
       '''
       for k in range(epochs):
           #每次迭代都回圈一次訓練集
           for i in range(len(X)):
               #存盤本次的輸入和后幾層的輸出
               activations = [X[i]]
               #向前一層一層的走
               for b, w in zip(self.biases, self.weights):
                   # print "w:",w
                   # print "activations[-1]:",activations[-1]
                   # print "b:", b
                   #計算激活函式的引數,計算公式：權重.dot(輸入)+偏向
                   z = np.dot(w, activations[-1])+b

                   #計算輸出值
                   output = self.activation(z)
                   #將本次輸出放進輸入串列，后面更新權重的時候備用
                   activations.append(output)
               # print "計算結果",activations
               #計算誤差值
               """
               下面這行代碼參考公式8
               """
               error = y[i]-activations[-1]
               """
               計算輸出層誤差率
               參考公式9
			   """
               deltas = [error * self.activation_deriv(activations[-1])]

               #回圈計算隱藏層的誤差率,從倒數第2層開始
               for l in range(self.num_layers-2, 0, -1):
                   # print "第l層的權重",self.weights[l]
                   # print "l+1層的誤差率",deltas[-1]
                   deltas.append(self.activation_deriv(activations[l]) * np.dot( deltas[-1],self.weights[l]))
               #將各層誤差率順序顛倒，準備逐層更新權重和偏向
               deltas.reverse()
               """
               更新權重和偏向
               參考公式3、4
               """
               for j in range(self.num_layers-1):
                   #本層結點的輸出值
                   layers = np.array(activations[j])
                   # print "本層輸出：",layers
                   # print "錯誤率：",deltas[j]
                   # 權重的增長量，計算公式，增長量 = 學習率 * (錯誤率.dot(輸出值))
                   delta = learning_rate * ((np.atleast_2d(deltas[j]).T).dot(np.atleast_2d(layers)))
                   #更新權重
                   self.weights[j] += delta
                   #print "本層偏向：",self.biases[j]
                   #偏向增加量，計算公式：學習率 * 錯誤率
                   delta = learning_rate * deltas[j]
                   #print np.atleast_2d(delta).T
                   #更新偏向
                   self.biases[j] += delta
               #print self.weights

   def predict(self, x):
       '''
       :param x: 測驗集
       :return: 各型別的預測值
       '''
       for b, w in zip(self.biases, self.weights):
           # 計算權重相加再加上偏向的結果
           z = np.dot(w, x) + b
           # 計算輸出值
           x = self.activation(z)
       return x

nn = NeuralNetwork([2,4,3,1], 'tanh')
#訓練集
X = np.array([[0, 0], [0, 1], [1, 0],[1, 1]])
#lanbel標記
y = np.array([0, 1, 1, 0])
#建模
nn.fit(X, y, epochs=2000)
#預測
for i in [[0, 0], [0, 1], [1, 0], [1,1]]:
   print(i, nn.predict(i))

運行結果如

在這里插入圖片描述

轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/149224.html

標籤：其他

上一篇：Python qutip用法(舉例介紹)

下一篇：用 Python 給自己的頭像加一個小國旗（小月餅）

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • GPU虛擬機創建時間深度優化

    **?桔妹導讀：**GPU虛擬機實體創建速度慢是公有云面臨的普遍問題，由于通常情況下創建虛擬機屬于低頻操作而未引起業界的重視，實際生產中還是存在對GPU實體創建時間有苛刻要求的業務場景。本文將介紹滴滴云在解決該問題時的思路、方法、并展示最終的優化成果。 從公有云服務商那里購買過虛擬主機的資深用戶，一 ......

    uj5u.com 2020-09-10 06:09:13 more
  • 可編程網卡芯片在滴滴云網路的應用實踐

    **?桔妹導讀：**隨著云規模不斷擴大以及業務層面對延遲、帶寬的要求越來越高，采用DPDK 加速網路報文處理的方式在橫向縱向擴展都出現了局限性。可編程芯片成為業界熱點。本文主要講述了可編程網卡芯片在滴滴云網路中的應用實踐，遇到的問題、帶來的收益以及開源社區貢獻。 #1. 資料中心面臨的問題 隨著滴滴 ......

    uj5u.com 2020-09-10 06:10:21 more
  • 滴滴資料通道服務演進之路

    **?桔妹導讀：**滴滴資料通道引擎承載著全公司的資料同步，為下游實時和離線場景提供了必不可少的源資料。隨著任務量的不斷增加，資料通道的整體架構也隨之發生改變。本文介紹了滴滴資料通道的發展歷程，遇到的問題以及今后的規劃。 #1. 背景 資料，對于任何一家互聯網公司來說都是非常重要的資產，公司的大資料 ......

    uj5u.com 2020-09-10 06:11:05 more
  • 滴滴AI Labs斬獲國際機器翻譯大賽中譯英方向世界第三

    **桔妹導讀：**深耕人工智能領域，致力于探索AI讓出行更美好的滴滴AI Labs再次斬獲國際大獎，這次獲獎的專案是什么呢？一起來看看詳細報道吧！ 近日，由國際計算語言學協會ACL（The Association for Computational Linguistics）舉辦的世界最具影響力的機器 ......

    uj5u.com 2020-09-10 06:11:29 more
  • MPP (Massively Parallel Processing)大規模并行處理

    1、什么是mpp？ MPP (Massively Parallel Processing)，即大規模并行處理，在資料庫非共享集群中，每個節點都有獨立的磁盤存盤系統和記憶體系統，業務資料根據資料庫模型和應用特點劃分到各個節點上，每臺資料節點通過專用網路或者商業通用網路互相連接，彼此協同計算，作為整體提供 ......

    uj5u.com 2020-09-10 06:11:41 more
  • 滴滴資料倉庫指標體系建設實踐

    **桔妹導讀：**指標體系是什么？如何使用OSM模型和AARRR模型搭建指標體系？如何統一流程、規范化、工具化管理指標體系？本文會對建設的方法論結合滴滴資料指標體系建設實踐進行解答分析。 #1. 什么是指標體系 ##1.1 指標體系定義 指標體系是將零散單點的具有相互聯系的指標，系統化的組織起來，通 ......

    uj5u.com 2020-09-10 06:12:52 more
  • 單表千萬行資料庫 LIKE 搜索優化手記

    我們經常在資料庫中使用 LIKE 運算子來完成對資料的模糊搜索，LIKE 運算子用于在 WHERE 子句中搜索列中的指定模式。 如果需要查找客戶表中所有姓氏是“張”的資料，可以使用下面的 SQL 陳述句： SELECT * FROM Customer WHERE Name LIKE '張%' 如果需要 ......

    uj5u.com 2020-09-10 06:13:25 more
  • 滴滴Ceph分布式存盤系統優化之鎖優化

    **桔妹導讀：**Ceph是國際知名的開源分布式存盤系統，在工業界和學術界都有著重要的影響。Ceph的架構和演算法設計發表在國際系統領域頂級會議OSDI、SOSP、SC等上。Ceph社區得到Red Hat、SUSE、Intel等大公司的大力支持。Ceph是國際云計算領域應用最廣泛的開源分布式存盤系統， ......

    uj5u.com 2020-09-10 06:14:51 more
  • es~通過ElasticsearchTemplate進行聚合~嵌套聚合

    之前寫過《es~通過ElasticsearchTemplate進行聚合操作》的文章，這一次主要寫一個嵌套的聚合，例如先對sex集合，再對desc聚合，最后再對age求和，共三層嵌套。 Aggregations的部分特性類似于SQL語言中的group by，avg，sum等函式,Aggregation ......

    uj5u.com 2020-09-10 06:14:59 more
  • 爬蟲日志監控 -- Elastc Stack（ELK）部署

    傻瓜式部署，只需替換IP與用戶 導讀： 現ELK四大組件分別為：Elasticsearch（核心）、logstash（處理）、filebeat（采集）、kibana（可視化） 下載均在https://www.elastic.co/cn/downloads/下tar包，各組件版本最好一致，配合fdm會 ......

    uj5u.com 2020-09-10 06:15:05 more
最新发布
  • day02-2-商鋪查詢快取

    功能02-商鋪查詢快取 3.商鋪詳情快取查詢 3.1什么是快取？ 快取就是資料交換的緩沖區（稱作Cache），是存盤資料的臨時地方，一般讀寫性能較高。 快取的作用： 降低后端負載 提高讀寫效率，降低回應時間 快取的成本： 資料一致性成本 代碼維護成本 運維成本 3.2需求說明 如下，當我們點擊商店詳 ......

    uj5u.com 2023-04-20 08:33:24 more
  • MySQL中binlog備份腳本分享

    關于MySQL的二進制日志（binlog），我們都知道二進制日志（binlog）非常重要，尤其當你需要point to point災難恢復的時侯，所以我們要對其進行備份。關于二進制日志（binlog)的備份,可以基于flush logs方式先切換binlog，然后拷貝&壓縮到到遠程服務器或本地服務器 ......

    uj5u.com 2023-04-20 08:28:06 more
  • day02-短信登錄

    功能實作02 2.功能01-短信登錄 2.1基于Session實作登錄 2.1.1思路分析 2.1.2代碼實作 2.1.2.1發送短信驗證碼 發送短信驗證碼： 發送驗證碼的介面為：http://127.0.0.1:8080/api/user/code?phone=xxxxx<手機號> 請求方式：PO ......

    uj5u.com 2023-04-20 08:27:27 more
  • 快取與資料庫雙寫一致性幾種策略分析

    本文將對幾種快取與資料庫保證資料一致性的使用方式進行分析。為保證高并發性能，以下分析場景不考慮執行的原子性及加鎖等強一致性要求的場景，僅追求最終一致性。 ......

    uj5u.com 2023-04-20 08:26:48 more
  • sql陳述句優化

    問題查找及措施 問題查找 需要找到具體的代碼，對其進行一對一優化，而非一直把關注點放在服務器和sql平臺 降低簡化每個事務中處理的問題，盡量不要讓一個事務拖太長的時間 例如檔案上傳時，應將檔案上傳這一步放在事務外面 微軟建議 4.啟動sql定時執行計劃 怎么啟動sqlserver代理服務-百度經驗 ......

    uj5u.com 2023-04-20 08:26:35 more
  • 云時代，MySQL到ClickHouse資料同步產品對比推薦

    ClickHouse 在執行分析查詢時的速度優勢很好的彌補了MySQL的不足，但是對于很多開發者和DBA來說，如何將MySQL穩定、高效、簡單的同步到 ClickHouse 卻很困難。本文對比了 NineData、MaterializeMySQL（ClickHouse自帶）、Bifrost 三款產品... ......

    uj5u.com 2023-04-20 08:26:29 more
  • sql陳述句優化

    問題查找及措施 問題查找 需要找到具體的代碼，對其進行一對一優化，而非一直把關注點放在服務器和sql平臺 降低簡化每個事務中處理的問題，盡量不要讓一個事務拖太長的時間 例如檔案上傳時，應將檔案上傳這一步放在事務外面 微軟建議 4.啟動sql定時執行計劃 怎么啟動sqlserver代理服務-百度經驗 ......

    uj5u.com 2023-04-20 08:25:13 more
  • Redis 報”OutOfDirectMemoryError“（堆外記憶體溢位)

    Redis 報錯“OutOfDirectMemoryError（堆外記憶體溢位) ”問題如下： 一、報錯資訊： 使用 Redis 的業務介面 ，產生 OutOfDirectMemoryError（堆外記憶體溢位），如圖： 格式化后的報錯資訊： { "timestamp": "2023-04-17 22: ......

    uj5u.com 2023-04-20 08:24:54 more
  • day02-2-商鋪查詢快取

    功能02-商鋪查詢快取 3.商鋪詳情快取查詢 3.1什么是快取？ 快取就是資料交換的緩沖區（稱作Cache），是存盤資料的臨時地方，一般讀寫性能較高。 快取的作用： 降低后端負載 提高讀寫效率，降低回應時間 快取的成本： 資料一致性成本 代碼維護成本 運維成本 3.2需求說明 如下，當我們點擊商店詳 ......

    uj5u.com 2023-04-20 08:24:03 more
  • day02-短信登錄

    功能實作02 2.功能01-短信登錄 2.1基于Session實作登錄 2.1.1思路分析 2.1.2代碼實作 2.1.2.1發送短信驗證碼 發送短信驗證碼： 發送驗證碼的介面為：http://127.0.0.1:8080/api/user/code?phone=xxxxx<手機號> 請求方式：PO ......

    uj5u.com 2023-04-20 08:23:11 more

Copyright © 2010-2020 有解無憂