[容器内服务调用宿主机API接口 ]的搜索结果

...个团队需要部署不同的服务，或者你的应用需要覆盖全球范围内的用户时，单集群可能就有点捉襟见肘了。这个时候，多集群就派上用场了。它不仅能提高系统的容错能力，还能让资源分配更加灵活。 不过，多集群也不是万能药，它也有自己的挑战，比如跨集群通信、数据一致性等问题。嘿，今天咱们就来聊聊怎么把多集群环境管得漂漂亮亮的，重点就是优化和提速！ --- 2. 多集群资源优化的基本思路 2.1 资源隔离与共享 首先，我们得明确一个问题：在多集群环境下，资源是完全隔离还是可以共享？答案当然是两者兼备！ 假设你有两个团队，一个负责前端服务，另一个负责后端服务。你可以为每个团队分配独立的集群，这样可以避免相互干扰。不过呢，要是咱们几个一起用同一个东西，比如说数据库或者缓存啥的，那肯定得有个办法让大家都能分到这些资源呀。 这里有个小技巧：使用 Kubernetes 的命名空间（Namespace）来实现资源的逻辑隔离。比如： yaml apiVersion: v1 kind: Namespace metadata: name: frontend-team --- apiVersion: v1 kind: Namespace metadata: name: backend-team 每个团队可以在自己的命名空间内部署服务，同时通过 ServiceAccount 和 RoleBinding 来控制权限。 --- 2.2 负载均衡与调度策略 接下来，我们得考虑负载均衡的问题。你可以这么想啊，假设你有两个集群，一个在北方，一个在南方，结果所有的用户请求都一股脑地涌向北方的那个集群，把那边忙得团团转，而南方的这个呢？就只能干坐着，啥事没有。这画面是不是有点搞笑？明显不合理嘛！ Kubernetes 提供了一种叫做 Federation 的机制，可以帮助你在多个集群之间实现负载均衡。嘿，你知道吗？从 Kubernetes 1.19 开始，Federation 这个功能就被官方“打入冷宫”了，说白了就是不推荐再用它了。不过别担心，现在有很多更时髦、更好用的东西可以替代它，比如 KubeFed，或者干脆直接上手 Istio 这种服务网格工具，它们的功能可比 Federation 强大多了！ 举个栗子，假设你有两个集群 cluster-a 和 cluster-b，你可以通过 Istio 来配置全局路由规则： yaml apiVersion: networking.istio.io/v1alpha3 kind: DestinationRule metadata: name: global-route spec: host: myapp.example.com trafficPolicy: loadBalancer: simple: ROUND_ROBIN 这样，Istio 就会根据负载情况自动将流量分发到两个集群。 --- 3. 性能提升的关键点 3.1 数据中心间的网络优化 兄弟们，网络延迟是多集群环境中的大敌！如果你的两个集群分别位于亚洲和欧洲，那么每次跨数据中心通信都会带来额外的延迟。所以，我们必须想办法减少这种延迟。 一个常见的做法是使用边缘计算节点。简单来说，就是在靠近用户的地理位置部署一些轻量级的 Kubernetes 集群。这样一来，用户的请求就能直接在当地搞定，不用大老远跑到远程的数据中心去处理啦！ 举个例子，假设你在美国东海岸和西海岸各有一个集群，你可以通过 Kubernetes 的 Ingress 控制器来实现就近访问： yaml apiVersion: networking.k8s.io/v1 kind: Ingress metadata: name: edge-ingress spec: rules: - host: us-east.example.com http: paths: - path: / pathType: Prefix backend: service: name: east-cluster-service port: number: 80 - host: us-west.example.com http: paths: - path: / pathType: Prefix backend: service: name: west-cluster-service port: number: 80 这样，用户访问 us-east.example.com 时，请求会被转发到东海岸的集群，而访问 us-west.example.com 时，则会转发到西海岸的集群。 --- 3.2 自动化运维工具的选择 最后，我们得谈谈运维自动化的问题。在多集群环境中，手动管理各个集群是非常痛苦的。所以，选择合适的自动化工具至关重要。 我个人比较推荐 KubeFed，这是一个由 Google 开发的多集群管理工具。它允许你在多个集群之间同步资源，比如 Deployment、Service 等。 举个例子，如果你想在所有集群中同步一个 Deployment，可以这样做： bash kubectl kubefedctl federate deployment my-deployment --clusters=cluster-a,cluster-b 是不是很酷？通过这种方式，你只需要维护一份配置文件，就能确保所有集群的状态一致。 --- 4. 我的思考与总结 兄弟们，写到这里，我觉得有必要停下来聊一聊我的感受。说实话，搞多集群的管理和优化这事吧，真挺费脑子的，特别是当你摊上一堆复杂得让人头大的业务场景时，那感觉就像是在迷宫里找出口，越走越晕。但只要你掌握了核心原理，并且善于利用现有的工具，其实也没那么可怕。 我觉得，Kubernetes 的多集群方案就像是一把双刃剑。它既给了我们无限的可能性，也带来了不少挑战。所以啊，在用它的过程中，咱们得脑袋清醒点，别迷迷糊糊的。别害怕去试试新鲜玩意儿，说不定就有惊喜呢！而且呀，心里得有根弦，感觉不对就赶紧调整策略，灵活一点总没错。 最后，我想说的是，技术的世界永远没有终点。就算咱们今天聊了个痛快，后面还有好多好玩的东西在等着咱们呢！所以，让我们一起继续学习吧！

...序的特定部分（如一个服务层、一个模块等）内部共享缓存实例。哎呀，这个技术啊，它能帮咱们干啥呢？就是说，当你一次又一次地请求相同的信息，比如浏览网页的时候，每次都要重新加载一堆重复的数据，挺浪费时间的对不对？有了这个方法，就像给咱们的电脑装了个超级省电模式，能避免这些重复的工作，大大提升咱们上网的速度和效率。特别是面对海量的相似查询，效果简直不要太明显！就像是在超市里买东西，你不用每次结账都重新排队，直接走绿色通道，是不是感觉轻松多了？这就是这个技术带来的好处，让我们的操作更流畅，体验更棒！ 代码示例： java @Service public class UserService { @Autowired private SessionFactory sessionFactory; private final LocalCache userCache = new LocalCache<>(sessionFactory, User.class, String.class); public String getNameById(Long userId) { return userCache.get(userId, User.class.getName()); } public void setNameById(Long userId, String name) { userCache.put(userId, name); } } 在这段代码中，UserService类使用了LocalCache来缓存User对象的name属性。哎呀，你知道不？咱们这里有个小妙招，每次想查查某个用户ID对应的用户名时，就直接去个啥叫“缓存”的地方翻翻，速度快得跟闪电似的！这样就不需要再跑回那个大老远的数据库里去找了。多省事儿啊，对吧？ 四、属性级缓存与局部缓存的综合应用 在实际项目中，通常需要结合使用属性级缓存和局部缓存来达到最佳性能效果。例如，在一个高并发的电商应用中，商品信息的查询频率非常高，而商品的详细描述可能很少改变。在这种情况下，我们可以为商品的ID和描述属性启用属性级缓存，并在商品详情页面的服务层中使用局部缓存来存储最近访问的商品信息，从而实现双重缓存优化。 综合应用示例： java @Entity public class Product { @Id private Long productId; @Cacheable private String productName; @Cacheable private String productDescription; // 其他属性... } @Service public class ProductDetailService { @Autowired private SessionFactory sessionFactory; private final LocalCache productCache = new LocalCache<>(sessionFactory, Product.class); public Product getProductDetails(Long productId) { Product product = productCache.get(productId); if (product == null) { product = loadProductFromDB(productId); productCache.put(productId, product); } return product; } private Product loadProductFromDB(Long productId) { // 查询数据库逻辑 } } 这里，我们为商品的名称和描述属性启用了属性级缓存，而在ProductDetailService中使用了局部缓存来存储最近查询的商品信息，实现了对数据库的高效访问控制。 五、总结与思考 通过上述的讨论与代码示例，我们可以看到属性级缓存与局部缓存在Hibernate中的应用不仅可以显著提升应用性能，还能根据具体业务场景灵活调整缓存策略，实现数据访问的优化。在实际开发中，理解和正确使用这些缓存机制对于构建高性能、低延迟的系统至关重要。哎呀，你知道不？随着数据库这玩意儿越来越牛逼，用它的人也越来越多，那咱们用来提速的缓存方法啊，肯定也会跟着变花样！就像咱们吃东西，以前就那么几种口味，现在五花八门的，啥都有。开发大神们呢，就得跟上这节奏，多看看新技术，别落伍了。这样啊，咱们用的东西才能越来越快，体验感也越来越好！所以，关注新技术，拥抱变化，是咱们的必修课！

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 本文内容为海贼王全集的分章节目录介绍,还有本人在观看时候记录的精彩打斗剧集,可以方便大家直接定位想看的章节和精彩内容, 源文件已经上传到我的资源中,有需要的可以去看看, 我主页中的思维导图中内容大多从我的笔记中整理而来,相应技巧可在笔记中查找原题, 有兴趣的可以去 我的主页 了解更多计算机学科和考研的精品思维导图整理 本文可以转载，但请注明来处，觉得整理的不错的小伙伴可以点赞关注支持一下哦！ 博客中思维导图的高清PDF版本,可关注公众号 一起学计算机 点击 资源获取 获得 目录 0.精彩打斗剧集 0.剧场版 1.东海冒险篇1-60 2.阿拉巴斯坦篇61-130 3.TV原创篇131-143 4.空岛篇144-195 5.海军要塞G8196-206 6.长链岛篇207-226 7.司法岛篇227-325 8.旗帜猎人篇326-336 9.恐怖三桅帆船篇337-383 10.香波地群岛篇384-407 11.女儿岛篇408-421 12.海底监狱篇422-456 13.大事件篇457-504 14.新世界前篇505-516 15.鱼人岛篇517-574 16.Z的野心篇575-578 17.庞克哈萨德篇579-628 18.德雷斯罗萨篇629-746 19.银之要塞篇747-750 20.佐乌篇751-782 21.托特兰篇783-877 22.世界会议篇878-889 23.和之国篇890-至今 我的更多精彩文章链接, 欢迎查看 经典动漫全集目录 精彩剧集 海贼王 动漫 全集目录 分章节 精彩打斗剧集 思维导图整理 火影忍者 动漫 全集目录 分章节 精彩打斗剧集 思维导图整理 死神 动漫 全集目录 分章节 精彩打斗剧集 思维导图整理 计算机专业知识 思维导图整理 Python 北理工慕课课程 知识点 常用代码/方法/库/数据结构/常见错误/经典思想 思维导图整理 C++ 知识点 清华大学郑莉版 东南大学软件工程初试906 思维导图整理 计算机网络 王道考研 经典5层结构 中英对照 框架 思维导图整理 算法分析与设计 北大慕课课程 知识点 思维导图整理 数据结构 王道考研 知识点 经典题型 思维导图整理 人工智能导论 王万良慕课课程 知识点 思维导图整理 红黑树 一张导图解决红黑树全部插入和删除问题 包含详细操作原理 情况对比 各种常见排序算法的时间/空间复杂度 是否稳定 算法选取的情况 改进 思维导图整理 人工智能课件 算法分析课件 Python课件 数值分析课件 机器学习课件 图像处理课件 考研相关科目 知识点 思维导图整理 考研经验--东南大学软件学院软件工程 东南大学 软件工程 906 数据结构 C++ 历年真题 思维导图整理 东南大学 软件工程 复试3门科目历年真题 思维导图整理 高等数学 做题技巧 易错点 知识点（张宇，汤家凤）思维导图整理 考研 线性代数 惯用思维 做题技巧 易错点 （张宇，汤家凤）思维导图整理 高等数学 中值定理 一张思维导图解决中值定理所有题型 考研思修 知识点 做题技巧 同类比较 重要会议 1800易错题 思维导图整理 考研近代史 知识点 做题技巧 同类比较 重要会议 1800易错题 思维导图整理 考研马原 知识点 做题技巧 同类比较 重要会议 1800易错题 思维导图整理 考研数学课程笔记 考研英语课程笔记 考研英语单词词根词缀记忆 考研政治课程笔记 Python相关技术 知识点 思维导图整理 Numpy常见用法全部OneNote笔记 全部笔记思维导图整理 Pandas常见用法全部OneNote笔记 全部笔记思维导图整理 Matplotlib常见用法全部OneNote笔记 全部笔记思维导图整理 PyTorch常见用法全部OneNote笔记 全部笔记思维导图整理 Scikit-Learn常见用法全部OneNote笔记 全部笔记思维导图整理 Java相关技术/ssm框架全部笔记 Spring springmvc Mybatis jsp 科技相关 小米手机 小米 红米 历代手机型号大全 发布时间 发布价格 常见手机品牌的各种系列划分及其特点 历代CPU和GPU的性能情况和常见后缀的含义 思维导图整理 本篇文章为转载内容。原文链接：https://blog.csdn.net/weixin_43959833/article/details/115670535。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...ng命令检查与数据源服务器的连通性。 - 考虑使用CDN（内容分发网络）或其他加速服务来缩短数据传输时间。 5. 实施定期数据验证 - 定期验证数据源的有效性和数据更新情况，确保数据实时性。 - 使用自动化脚本或工具定期检查数据更新状态，一旦发现问题立即采取措施。 结论 数据更新延迟是数据分析过程中常见的挑战，但通过细致的配置、优化数据加载流程、合理利用缓存机制、监控网络状况以及定期验证数据源的有效性，我们可以有效地解决这一问题。Superset这个家伙，可真是个厉害的数据大厨，能做出各种各样的图表和分析，简直是五花八门，应有尽有。它就像个宝藏一样，里面藏着无数种玩法，关键就看你能不能灵活变通，找到最适合你手头活儿的那把钥匙。别看它外表冷冰冰的，其实超级接地气，等着你去挖掘它的无限可能呢！哎呀，用上这些小窍门啊，你就能像变魔法一样，让数据处理的速度嗖嗖地快起来，而且准确得跟贴纸一样！这样一来，做决定的时候，你就不用再担心数据老掉牙或者有误差了，全都是新鲜出炉的，准得很！

...少故障恢复时间。通过调用RDD的checkpoint()方法，Spark将RDD的数据以确定性方式保存到可靠的存储系统（如HDFS）上。这样，在发生节点故障或者数据丢失时，Spark可以从检查点直接读取数据进行任务恢复，避免了依赖整个血统链条进行重算，大大提升了系统的稳定性和效率。 宽窄依赖 , 在Spark的任务调度与执行模型中，宽窄依赖是用来描述不同任务之间的数据依赖关系的概念。窄依赖指的是父RDD的一个分区最多被子RDD的一个分区所依赖，这种依赖关系支持在单个节点上进行快速、局部的错误恢复；而宽依赖则指父RDD的一个分区可能被多个子RDD分区所依赖，通常会导致stage间的划分，并需要进行shuffle操作。对于数据传输中断问题，Spark会根据任务间的宽窄依赖关系采取不同的应对策略，比如对窄依赖任务进行局部重试，对宽依赖任务则依据血统信息划分stage并并行重试内部任务，确保数据处理流程能够有效地抵御网络波动等异常情况的影响。

...SQL-like查询接口，易于理解和使用。 - 实时性：提供实时更新和历史数据的分析能力。 三、构建多模型分析框架 在Kylin中实现多模型分析，主要步骤包括数据加载、模型训练、预测结果生成以及结果展示。以下是一个简单的示例流程： 1. 数据加载 将原始数据导入Kylin，创建Cube（多维数据集）。 python from pykylin.client import KylinClient client = KylinClient('http://your_kylin_server', 'username', 'password') cube_name = 'my_cube' model = client.get_cube(cube_name) 2. 模型训练 Kylin支持多种预测模型，如线性回归、决策树等。哎呀，咱们就拿线性回归做个例子，就像用个魔法棒一样，这魔法棒就是Python里的Scikit-learn库。咱们得先找个好点的地方，比如说数据集，然后咱们就拿着这个魔法棒在数据集上挥一挥，让它学习一下规律，最后啊，咱们就能得到一个模型了。这模型就好比是咱们的助手，能帮咱们预测或者解释一些事情。怎么样，听起来是不是有点像在玩游戏？ python from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split 假设df是包含特征和目标变量的数据框 X = df.drop('target', axis=1) y = df['target'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = LinearRegression() model.fit(X_train, y_train) 3. 预测结果生成 将训练好的模型应用于Kylin Cube中的数据，生成预测结果。 python 生成预测值 predictions = model.predict(X_test) 将预测结果存储回Kylin Cube model.save_predictions(predictions) 4. 结果展示 通过Kylin的Web界面查看和分析预测结果。 四、案例分析 假设我们正在对一个电商平台的数据进行分析，目标是预测用户的购买行为。嘿！你听说过Kylin这个家伙吗？这家伙可是个数据分析的大拿！我们能用它来玩转各种模型，就像是线性回归、决策树和随机森林这些小伙伴。咱们一起看看，它们在预测用户会不会买东西这件事上，谁的本领最厉害！这可是一场精彩绝伦的模型大比拼呢！ python 创建多个模型实例 models = [LinearRegression(), DecisionTreeClassifier(), RandomForestClassifier()] 训练模型并比较性能 for model in models: model.fit(X_train, y_train) score = model.score(X_test, y_test) print(f"Model: {model.__class__.__name__}, Score: {score}") 五、结论 通过上述步骤，我们不仅能够在Kylin中实现多模型的数据分析和预测，还能根据实际业务需求灵活选择和优化模型。哎呀，Kylin这玩意儿可真牛！它在处理大数据分析这块儿，简直就是得心应手的利器，灵活又强大，用起来那叫一个顺手，简直就是数据分析界的扛把子啊！哎呀，随着咱手里的数据越来越多，做事儿也越来越复杂了，这时候，学会在Kylin这个工具里搭建和优化各种数据分析模型，就变得超级关键啦！就像是厨房里，你会做各种菜，每道菜的配料和做法都不一样，对吧？在Kylin这里也是一样，得会根据不同的需求，灵活地组合和优化模型，让数据分析既快又准，效率爆棚！这不仅能让咱们的工作事半功倍，还能解锁更多创新的分析思路，是不是想想都觉得挺酷的呢？ --- 请注意，上述代码示例为简化版本，实际应用时可能需要根据具体数据集和业务需求进行调整。

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 1月19日，人人网发布一款语音产品，名字与啪啪非常类似，叫啵啵，并号称是中国首款带语音滤镜的语音社交产品。目前其首页已经放出安卓版本，iOS版暂时还未上线。雷锋网进行了试用，跟大家介绍。 从官方的介绍来看，啵啵这个应用主要有三个特色，最大的特点是声音滤镜。另外，还可以在应用内使用声音、图片和文字等元素进行信息表达。最后当然就是社交分享功能。 打开应用，首先是类似Path或者啪啪那样一片红色的开始界面。界面中从下部飘起三个气泡，分别是人人登录、新浪微博登录以及直接进入使用。啵啵可以无需注册直接进入应用进行发布消息。 进入主界面后，主界面以时间线的形式把用户所关注的人发的声音图片信息。每条信息中，表示声音的大图标覆盖在图片显眼位置，意味着啵啵想让用户知道声音才是这个应用的主要元素，图片是作为背景图的辅助元素出现的。另外，在背景图右边有表示喜欢和评论的按钮。 主界面下方中心有十分突出显眼的声音按钮，点击后首先进入录音界面。 录音完成后，应用立刻列出表示声音滤镜的各种可爱图标。选择了某种滤镜效果后，声音生成完毕。进入发布界面，此时可以选择是否添加图片。可选择把信息分享到人人网或者新浪微博。 添加图片完成后，同时下方还可以添加文字描述，果然是声音、图片和文字三位一体全方位出击之应用。虽然这里主打声音，但声音、图片和文字分离的形式才更为符合人们对信息介质的认知习惯，小编一直认为啪啪中的所谓声音图片的概念只是一个伪概念。 对于新用户来说，可以选择添加人人网好友或者新浪微博好友，当然，应用本身会推荐优质应用建议新用户进行关注。另外，用户的关注、喜欢等信息会出现在用户的消息中心中。 这是一个同样基于信息分享的移动社交产品，其本质其实与Instagram等图片分享社区、啪啪等语音分享社区一样。啪啪本来是最先进行声音信息分享的社区，但啪啪把声音与图片混合在一起生硬造出了一个声音图片的概念，反而留下了主打声音信息分享的切入点，现在人人就抓住了这个切入点推出啵啵这个产品。 事实上，从目前已经存在啵啵社区中的用户发的消息来看，其性质与啪啪并无很大区别。啵啵主打的声音滤镜功能，有一个非常非常严重的缺陷。图片分享社区的滤镜功能对图片的改造是美化，图片滤镜可以把一张普通的图片改的看上去非常的优美和文艺，因而大大增强了用户的分享欲望，让人人都有当一回摄影师的感觉。 但声音滤镜做不到这样的效果，至少从啵啵中看来达不到美化的效果，目前从社区中声音信息可知，声音经过滤镜处理之后变得非常怪异。本身声音美的用户尤其女孩子必然受不了这样的声音变化，声音不好听的用户，经过处理后，结果是更加的不堪回首。所以，从实际情况来看，大多数人都会直接发布不加滤镜的原音。 另外，应用中有个设置奇特的地方在于，如果发布信息时只发布声音不附加图片，这条信息的背景会有一大片的空白，效果比较差。别说应用制作者，用户们都会觉得很有违和感，因而绝大多数用户都会添加图片。 这时候，啵啵变得非常类似啪啪，虽然本身，其与啪啪就相差不大。 是的，这是啪啪披着声音滤镜的外衣，事实上笔者怀疑啪啪不做声音滤镜就是有声音滤镜反而丑化声音的考虑。据了解，这是本周重组后的人人公司新的无线事业部推出的两款移动应用之一。但如果说这就是一个上市大公司在移动端发力所能做到的全部，这无疑是稍让人失望的。而且，人人网能不能不要这么马虎对待自己的产品？所谓的@啵啵官博就只在1月18日发布了一条消息，之后这个微博账号再无动静。 如果按照许朝军解释啪啪名字的来源：啪=口+拍，声音加图片。那啵啵又作何解？ 好吧，其实人人网解释是这样的：“语音产品，所以取拟声名字，明确定位”。 参考：http://www.hooxiao.com/index.php?m=content&c=index&a=show&catid=19&id=14864（2013-01-21 10:04:03） 本篇文章为转载内容。原文链接：https://blog.csdn.net/prairie79/article/details/8546911。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...其他节点仍然可以提供服务。这是Kafka架构设计中非常重要的一部分。 1.1 副本的概念 在Kafka中，一个主题（Topic）可以被划分为多个分区（Partition），而每个分区可以拥有多个副本。副本分为领导者副本（Leader Replica）和追随者副本（Follower Replica）。想象一下，领导者副本就像是个大忙人，既要处理所有的读写请求，还得不停地给其他小伙伴分配任务。而那些追随者副本呢，就像是一群勤勤恳恳的小弟，只能等着老大分活儿给他们，然后照着做，保持和老大的一致。 2. 数据复制策略 接下来，让我们来看看Kafka是如何实现这些副本之间的数据同步的。Kafka的数据复制策略主要依赖于一种叫做“拉取”（Pull-based）的机制。这就意味着那些小弟们得主动去找老大，打听最新的消息。 2.1 拉取机制的优势 采用拉取机制有几个好处： - 灵活性：追随者可以根据自身情况灵活调整同步频率。 - 容错性：如果追随者副本暂时不可用，不会影响到领导者副本和其他追随者副本的工作。 - 负载均衡：领导者副本不需要承担过多的压力，因为所有的读取操作都是由追随者完成的。 2.2 实现示例 让我们来看一下如何在Kafka中配置和实现这种数据复制策略。首先，我们需要定义一个主题，并指定其副本的数量： python from kafka.admin import KafkaAdminClient, NewTopic admin_client = KafkaAdminClient(bootstrap_servers='localhost:9092') topic_list = [NewTopic(name="example_topic", num_partitions=3, replication_factor=3)] admin_client.create_topics(new_topics=topic_list) 这段代码创建了一个名为example_topic的主题，它有三个分区，并且每个分区都有三个副本。 3. 副本同步的实际应用 现在我们已经了解了副本同步的基本原理，那么它在实际应用中是如何工作的呢？ 3.1 故障恢复 当一个领导者副本出现故障时，Kafka会自动选举出一个新的领导者。这时候，新上任的大佬会继续搞定读写请求，而之前的小弟们就得重新变回小弟，开始跟新大佬取经，同步最新的消息。 3.2 负载均衡 在集群中，不同的分区可能会有不同的领导者副本。这就相当于把消息的收发任务分给了不同的小伙伴，这样大家就不会挤在一个地方排队了，活儿就干得更顺溜了。 3.3 实际案例分析 假设有一个电商网站使用Kafka来处理订单数据。要是其中一个分区的大佬挂了，系统就会自动转而听命于另一个健健康康的大佬。虽然在这个过程中可能会出现一会儿数据卡顿的情况，但总的来说，这并不会拖慢整个系统的进度。 4. 总结与展望 通过上面的讨论，我们可以看到副本同步和数据复制策略对于提高Kafka系统的稳定性和可靠性有多么重要。当然，这只是Kafka众多功能中的一个小部分，但它确实是一个非常关键的部分。以后啊，随着技术不断进步，咱们可能会见到更多新颖的数据复制方法，这样就能让Kafka跑得更快更稳了。 最后，我想说的是，学习技术就像是探险一样，充满了挑战但也同样充满乐趣。希望大家能够享受这个过程，不断探索和进步！ --- 以上就是我对Kafka副本同步数据复制策略的一些理解和分享。希望对你有所帮助！如果有任何问题或想法，欢迎随时交流讨论。

...的是函数直接或间接地调用自身。在文章中，递归被用来解决将数字拆分为素数之和的问题。具体来说，递归函数会尝试从最小的素数开始，逐步减少剩余的数值，直到找到所有可能的素数组合。这种方法通过将大问题分解为小问题，逐步求解，最终得到完整的答案。 试除法 , 试除法是一种用来判断一个数是否为素数的算法。文章中提到，试除法通过尝试用小于该数的所有数去除它，看是否有余数为0的情况来判断。如果都不能整除，则该数为素数。为了提高效率，文章建议只需检查到该数的平方根即可，因为如果一个数能被分解成两个因子，至少有一个因子会小于等于平方根。这种优化减少了不必要的计算，提升了判断素数的效率。

...供技术支持和问题解答服务，促进资源共享和经验交流。 四、结语 Apache Pig作为大数据处理领域的重要工具，其性能优化、可扩展性和用户体验的提升，是推动其在实际应用中发挥更大价值的关键。通过上述策略的实施，不仅能够提高Apache Pig的效率和可靠性，还能吸引更多开发者和分析师加入，共同推动大数据技术的发展和应用。随着技术的不断进步和创新，Apache Pig有望在未来的数据处理领域扮演更加重要的角色。

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 D(x)=E{[x−E(x)]2} ：相对于平均数差距的平方的期望； 数理统计一词的理解：mathematical stats，也即用数学的观点审视统计，为什么没有数理概率，因为概率本身即为数学，而对于统计，random variable 的性质并不全然了解，所以数理统计在一些书里又被称作：stats in inference（统计推论，已知 ⇒ 未知） 概率与统计的中心问题，都是random variable， PMF与PDF PMF：probability mass function，概率质量函数，是离散型随机变量在各特定取值上的概率。与概率密度函数（PDF：probability density function）的不同之处在于：概率质量函数是对离散型随机变量定义的，本身代表该值的概率；概率密度函数是针对连续型随机变量定义的，本身不是概率（连续型随机变量单点测度为0），只有在对连续随机变量的pdf在某一给定的区间内进行积分才是概率。 notation 假设X 是一个定义在可数样本空间S 上的离散型随机变量S⊆R ，则其概率质量函数PMF为： fX(x)={Pr(X=x),0,x∈Sx∈R∖S 注意这在所有实数上，包括那些X 不可能等于的实数值上，都定义了pmf，只不过在这些X 不可能取的实数值上，fX(x) 取值为0(x∈R∖S,Pr(X=x)=0 )。 离散型随机变量概率质量函数（pmf）的不连续性决定了其累积分布函数（cdf）也不连续。 共轭先验（conjugate prior） 所谓共轭（conjugate），描述刻画的是两者之间的关系，单独的事物不构成共轭，举个通俗的例子，兄弟这一概念，只能是两者才能构成兄弟。所以，我们讲这两个人是兄弟关系，A是B的兄弟，这两个分布成共轭分布关系，A是B的共轭分布。 p(θ|X)=p(θ)p(X|θ)p(x) p(X|θ) ：似然（likelihood） p(θ) ：先验（prior） p(X) ：归一化常数（normalizing constant） 我们定义：如果先验分布（p(θ) ）和似然函数（p(X|θ) ）可以使得先验分布（p(θ) ）和后验分布（p(θ|X) ）有相同的形式（如，Beta(a+k, b+n-k)=Beta(a, b)binom(n, k)），那么就称先验分布与似然函数是共轭的（成Beta分布与二项分布是共轭的）。 几个常见的先验分布与其共轭分布 先验分布 共轭分布 伯努利分布 beta distribution Multinomial Dirichlet Distribution Gaussian, Given variance, mean unknown Gaussian Distribution Gaussian, Given mean, variance unknown Gamma Distribution Gaussian, both mean and variance unknown Gaussian-Gamma Distribution 最大似然估计（MLE） 首先来看，大名鼎鼎的贝叶斯公式： p(θ|X)=p(θ)p(X|θ)p(X) 可将θ 看成欲估计的分布的参数，X 表示样本，p(X|θ) 则表示似然。 现给定样本集\mathcal{D}=\{x_1,x_2,\ldots,x_N\}D={x1,x2,…,xN} ，似然函数为： p(\mathcal{D}|\theta)=\prod_{n=1}^Np(x_n|\theta) p(D|θ)=∏n=1Np(xn|θ) 为便于计算，再将其转换为对数似然函数形式： \ln p(\mathcal{D}|\theta)=\sum_{n=1}^N\ln p(x_n|\theta) lnp(D|θ)=∑n=1Nlnp(xn|θ) 我们不妨以伯努利分布为例，利用最大似然估计的方式计算其分布的参数（pp ），伯努利分布其概率密度函数（pdf）为： f_X(x)=p^x(1-p)^{1-x}=\left \{ \begin{array}{ll} p,&\mathrm{x=1},\\ q\equiv1-p ,&\mathrm{x=0},\\ 0,&\mathrm{otherwise} \end{array} \right. fX(x)=px(1−p)1−x=⎧⎩⎨⎪⎪p,q≡1−p,0,x=1,x=0,otherwise 整个样本集的对数似然函数为： \ln p(\mathcal{D}|\theta)=\sum_{n=1}^N\ln p(x_n|\theta)=\sum_{n=1}^N\ln (\theta^{x_n}(1-\theta)^{1-x_n})=\sum_{n=1}^Nx_n\ln\theta+(1-x_n)\ln(1-\theta) lnp(D|θ)=∑n=1Nlnp(xn|θ)=∑n=1Nln(θxn(1−θ)1−xn)=∑n=1Nxnlnθ+(1−xn)ln(1−θ) 等式两边对\thetaθ 求导： \frac{\partial \ln(\mathcal{D}|\theta)}{\partial \theta}=\frac{\sum_{n=1}^Nx_n}{\theta}-\frac{N}{1-\theta}+\frac{\sum_{n=1}^Nx_n}{1-\theta} ∂ln(D|θ)∂θ=∑Nn=1xnθ−N1−θ+∑Nn=1xn1−θ 令其为0，得： θml=∑Nn=1xnN Beta分布 f(μ|a,b)=Γ(a+b)Γ(a)Γ(b)μa−1(1−μ)b−1=1B(a,b)μa−1(1−μ)b−1 Beta 分布的峰值在a−1b+a−2 处取得。其中Γ(x)≡∫∞0ux−1e−udu 有如下性质： Γ(x+1)=xΓ(x)Γ(1)=1andΓ(n+1)=n! 我们来看当先验分布为 Beta 分布时的后验分布： p(θ)=1B(a,b)θa−1(1−θ)b−1p(X|θ)=(nk)θk(1−θ)n−kp(θ|X)=1B(a+k,b+n−k)θa+k−1(1−θ)b+n−k−1 对应于python中的math.gamma()及matlab中的gamma()函数（matlab中beta(a, b)=gamma(a)gamma(b)/gamma(a+b)）。 条件概率（conditional probability） P(X|Y) 读作： P of X given Y ，下划线读作given X ：所关心事件 Y ：条件（观察到的，已发生的事件），conditional 条件概率的计算 仍然从样本空间（sample space）的角度出发。此时我们需要定义新的样本空间（给定条件之下的样本空间）。所以，所谓条件（conditional），本质是对样本空间的进一步收缩，或者叫求其子空间。 比如一个人答题，有A,B,C,D 四个选项，在答题者对题目一无所知的情况下，他答对的概率自然就是 14 ，而是如果具备一定的知识，排除了 A,C 两个错误选项，此时他答对的概率简单计算就增加到了 12 。 本质是样本空间从S={A,B,C,D} ，变为了S′={B,D} 。 新样本空间下P(A|排除A/C)=0,P(C|排除A/C)=0 ，归纳出来，也即某实验结果（outcome，oi ）与某条件Y 不相交，则： P(oi|Y)=0 最后我们得到条件概率的计算公式： P(oi|Y)=P(oi)P(o1)+P(o2)+⋯+P(on)=P(oi)P(Y)Y={o1,o2,…,on} 考虑某事件X={o1,o2,q1,q2} ，已知条件Y={o1,o2,o3} 发生了，则： P(X|Y)=P(o1|Y)+P(o2|Y)+0+0=P(o1)P(Y)+P(o2)P(Y)=P(X∩Y)P(Y) 条件概率与贝叶斯公式 条件概率： P(X|Y)=P(X∩Y)P(Y) 贝叶斯公式： P(X|Y)=P(X)P(Y|X)P(Y) 其实是可从条件概率推导贝叶斯公式的： P(A|B)=P(B|A)=P(A|B)P(B)===P(B|A)=P(A∩B)P(B)P(A∩B)P(A)P(A∩B)P(B)P(B)P(A∩B)P(A)P(B|A)P(A|B)P(B)P(A) 证明：P(B,p|D)=P(B|p,D)P(p|D) P(B,p|D)====P(B,p,D)P(D)P(B|p,D)P(p,D)P(D)P(B|p,D)P(p,D)P(D)P(B|p,D)P(p|D) References [1] 概率质量函数 本篇文章为转载内容。原文链接：https://blog.csdn.net/lanchunhui/article/details/49799405。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 最近在工作当中遇到一个问题 有个页面需要添加一个浏览历史记录功能 具体来说就是要记录下用户在此网站的点击历史 并把它们降序排列出来(只显示前6个浏览历史而且不能重复) 由于以前对javascript了解不够深入 一时间手足无措 后来经过两位高手同事的指点(对这两位同事的敬仰犹如滔滔江水连绵不绝...) 恍然大悟 豁然开朗 成功地完成了此功能的添加 首先来介绍一下javascript中关于此功能的一些对象和方法: 1. window.event对象： event代表事件的状态，例如触发event对象的元素、鼠标的位置及状态、按下的键等等。 event对象只在事件发生的过程中才有效。 2. event.srcElement： 表示该事件的发生源 通俗一点说也就是该事件被触发的地方 3. srcElement.parentNode： 表示该事件发生源的父结点 4. srcElement.tagName： 表示事件发生源的标签名 5. toUpperCase()： 大写化相应字符串的方法 基本上就是这些属性和方法，可能对于刚刚接触javascript的朋友们或者以前很少使用此类功能的朋友来说， 这些对象有些陌生，不过没关系，了解以后发现其实并不难，和javascript验证表单之类的并没有太多的不同。 下面就结合程序给大家一步一步讲解(程序难免有不合理之处，希望大家多多指正，共同进步)： 第一部分：javascript纪录浏览动作 复制内容到剪贴板 代码: function glog(evt) //定义纪录鼠标点击动作的函数 { evt=evt?evt:window.event;var srcElem=(evt.target)?evt.target:evt.srcElement; try { while(srcElem.parentNode&&srcElem!=srcElem.parentNode) //以上这个语句判断鼠标动作是否发生在有效区域，防止用户的无效点击也被纪录下来 { if(srcElem.tagName&&srcElem.tagName.toUpperCase()=="A")//判断用户点击的对象是否属于链接 { linkname=srcElem.innerHTML; //取出事件发生源的名称，也就是和之间的文字，也就是链接名称哈 address=srcElem.href+"_www.achome.cn_"; //取出事件发生源的href值，也就是该链接的地址 wlink=linkname+"+"+address; //将链接名称和链接地址整合到一个变量当中 old_info=getCookie("history_info"); //从Cookies中取出以前纪录的浏览历史，该函数后面有声明 //以下程序开始判断新的浏览动作是否和已有的前6个历史重复，如果不重复则写入cookies var insert=true; if(old_info==null) //判断cookie是否为空 { insert=true; } else { var old_link=old_info.split("_www.achome.cn_"); for(var j=0;j<=5;j++) { if(old_link[j].indexOf(linkname)!=-1) insert=false; if(old_link[j]=="null") break; } } if(insert) { wlink+=getCookie("history_info"); setCookie("history_info",wlink); //写入cookie，该函数后面有声明 history_show().reload(); break; } } srcElem = srcElem.parentNode; } } catch(e){} return true; } document.οnclick=glog;//使每一次页面的点击动作都执行glog函数 第2部分：Cookies的相关函数 复制内容到剪贴板 代码: //cookie的相关函数 //读取cookie中指定的内容 function getCookieVal (offset) { var endstr = document.cookie.indexOf (";", offset); if (endstr == -1) endstr = document.cookie.length; return unescape(document.cookie.substring(offset, endstr)); } function getCookie (name) { var arg = name + "="; var alen = arg.length; var clen = document.cookie.length; var i = 0; while (i < clen) { var j = i + alen; if (document.cookie.substring(i, j) == arg) return getCookieVal (j); i = document.cookie.indexOf(" ", i) + 1; if (i == 0) break; } return null; } //将浏览动作写入cookie function setCookie (name, value) { var exp = new Date(); exp.setTime (exp.getTime()+3600000000); document.cookie = name + "=" + value + "; expires=" + exp.toGMTString(); } 第3部分：页面显示函数 复制内容到剪贴板 代码: function history_show() { var history_info=getCookie("history_info"); //取出cookie中的历史记录 var content=""; //定义一个显示变量 if(history_info!=null) { history_arg=history_info.split("_www.achome.cn_"); var i; for(i=0;i<=5;i++) { if(history_arg[i]!="null") { var wlink=history_arg[i].split("+"); content+=("↑"+""+wlink[0]+" "); } document.getElementById("history").innerHTML=content; } } else {document.getElementById("history").innerHTML="对不起，您没有任何浏览纪录";} } 代码差不多就是这些了 就为大家分析到这里 还有不足之处还请大家多多指教 下面可以运行代码查看效果 查看效果 //cookie的相关函数 function getCookieVal (offset) { var endstr = document.cookie.indexOf (";", offset); if (endstr == -1) endstr = document.cookie.length; return unescape(document.cookie.substring(offset, endstr)); } function getCookie (name) { var arg = name + "="; var alen = arg.length; var clen = document.cookie.length; var i = 0; while (i < clen) { var j = i + alen; if (document.cookie.substring(i, j) == arg) return getCookieVal (j); i = document.cookie.indexOf(" ", i) + 1; if (i == 0) break; } return null; } function setCookie (name, value) { var exp = new Date(); exp.setTime (exp.getTime()+3600000000); document.cookie = name + "=" + value + "; expires=" + exp.toGMTString(); } function glog(evt) { evt=evt?evt:window.event;var srcElem=(evt.target)?evt.target:evt.srcElement; try { while(srcElem.parentNode&&srcElem!=srcElem.parentNode) { if(srcElem.tagName&&srcElem.tagName.toUpperCase()=="A") { linkname=srcElem.innerHTML; address=srcElem.href+"_www.achome.cn_"; wlink=linkname+"+"+address; old_info=getCookie("history_info"); var insert=true; if(old_info==null) //判断cookie是否为空 { insert=true; } else { var old_link=old_info.split("_www.achome.cn_"); for(var j=0;j<=5;j++) { if(old_link[j].indexOf(linkname)!=-1) insert=false; if(old_link[j]=="null") break; } } / if(insert) //如果符合条件则重新写入数据 { wlink+=getCookie("history_info"); setCookie("history_info",wlink); history_show().reload(); break; } } srcElem = srcElem.parentNode; } } catch(e){} return true; } document.οnclick=glog; function history_show() { var history_info=getCookie("history_info"); var content=""; if(history_info!=null) { history_arg=history_info.split("_www.achome.cn_"); var i; for(i=0;i<=5;i++) { if(history_arg[i]!="null") { var wlink=history_arg[i].split("+"); content+=("↑"+""+wlink[0]+" "); } document.getElementById("history").innerHTML=content; } } else {document.getElementById("history").innerHTML="对不起，您没有任何浏览纪录";} } // JavaScript Document 浏览历史排行(只显示6个最近访问站点并且没有重复的站点出现) history_show(); 点击链接： 网站1 网站2 网站3 网站4 网站5 网站6 网站7 网站8 网站9 如果有其他疑问请登陆www.achome.cn与我联系 提示：您可以先修改部分代码再运行 本篇文章为转载内容。原文链接：https://blog.csdn.net/weixin_30611227/article/details/117818020。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...啊，就是那种函数自己调用自己的神奇操作。你想象一下，这个函数有点像一个超级有耐心的小助手，一遍又一遍地做着同一件事情，但每次做的时候都比上次更进一步。通过这种自我迭代的过程，我们竟然能解开很多看起来超级复杂、让人挠头的问题呢！ 在处理无限极分类时，我们可以使用递归的方式，从根节点开始，一层一层地遍历下去，直到找到所有的叶子节点。然后，我们可以根据每层的节点，构建出相应的层级结构。 四、如何使用递归来处理无限极分类？ 接下来，我们来看一下如何使用递归来处理无限极分类。假设我们有一个无限极分类的数据库表，其中包含id、parent_id和name三个字段。喏，你听我说哈，id呢，就相当于每个小节点的身份证号，是独一无二的。而parent_id呢，顾名思义，就是每个小节点它爹——父节点的身份证号啦。至于name嘛，简单易懂，那就是给每个小节点起的专属昵称哈！ 我们可以定义一个函数，输入参数是一个父节点的id，输出是一个层级结构的数组。具体操作如下： php function getTree($id){ $sql = "SELECT FROM node WHERE parent_id = '$id'"; $result = mysqli_query($conn, $sql); $arr = array(); while($row = mysqli_fetch_assoc($result)){ $arr[] = $row; } foreach($arr as $value){ if($value['child'] > 0){ $arr = array_merge($arr, getTree($value['id'])); } } return $arr; } 以上就是使用递归来处理无限极分类的一个简单示例。这个例子嘛，我们先从某个特定的老爸节点下手，把它的所有小崽子（子节点）都给挖出来。接着呢，对每一个小崽子，如果它们自己还有更下一代的小崽子，那我们就得像孙悟空钻进葫芦娃的肚子里那样，一层层地往里递归调用这个过程，把那些隐藏更深的孙子辈节点也给找全了。最后呢，咱们把这一大家子所有的节点都聚到一块儿，拼成一个完整的、层层分明的家族结构。 然而，递归虽然强大，但也有它的局限性。当数据量大时，递归可能会导致栈溢出，影响程序的执行效率。因此，我们需要寻找其他的解决方案。 五、不使用递归，如何处理无限极分类？ 那么，如果不使用递归，我们该如何处理无限极分类呢？答案就是使用非递归的方式，也就是我们常说的迭代法。 迭代法的基本思想是从根节点开始，每次只处理一层数据，直到处理完所有的数据。这种方法压根儿不需要递归调用，所以你完全不用担心什么栈溢出的问题。而且实话跟你说，通常情况下，它的工作效率要比递归高不少！ 接下来，我们来看一下如何使用迭代法处理无限极分类。假设我们已经有了一个无限极分类的数据库表，其中包含id、parent_id和name三个字段。我们可以按照以下步骤进行处理： 1. 创建一个空的层级结构数组，用于存储所有的节点； 2. 获取根节点，将其添加到层级结构数组中； 3. 遍历所有的节点，对于每一个节点，如果它还没有被处理过，则对其进行处理，将其添加到层级结构数组中，然后处理它的所有子节点。 具体的代码实现如下： php function getTree($root){ $tree = array(); $queue = array($root); while(count($queue) > 0){ $node = array_shift($queue); $tree[$node['id']] = array( 'id' => $node['id'], 'parent_id' => $node['parent_id'], 'name' => $node['name'], 'children' => array() ); if($node['child'] > 0){ $queue = array_merge($queue, getChildren($conn, $node['id'])); } } return $tree; } function getChildren($conn, $id){ $sql = "SELECT FROM node WHERE parent_id = '$id'"; $result = mysqli_query($conn, $sql); $arr = array(); while($row = mysqli_fetch_assoc($result)){ $arr[] = $row; } return $arr; } 以上就是在非递归的情况下，处理无限极分类的一个简单示例。在举这个例子的时候，我们首先动手整了个空荡荡的层级结构数组出来，接着找准了那个根节点，把它给塞进了这个层级结构数组里头。然后，我们就像在超市排队结账一样，用一个队列来装那些等待被处理的节点。每当轮到一个节点时，我们就把它从队列里拽出来，塞进层级结构数组这个大篮子里，并且仔仔细细地处理它所有的“孩子”——也就是子节点。最后一步，咱们就像玩接龙游戏一样，把已经处理过的节点从队列里拿出来，然后美滋滋地接着处理下一个排着队的节点，就这么一直玩下去，直到队列里一个节点都不剩，就表示大功告成了！ 总结来说，无论是使用递归还是非递归，都可以有效地处理无限极分类。但是，不同的方法适用于不同的场景，我们需要根据实际情况选择合适的方法。

...互频率。例如，可以在服务器端添加限流机制，防止短时间内产生大量请求。或者，优化客户端代码，减少不必要的网络通信。 3. 提升硬件设备性能 最后，如果其他措施都无法解决问题，我们也可以考虑提升硬件设备性能，如增加CPU核心数量、扩大内存容量等。但这通常不是最佳解决方案，因为这可能会带来更高的成本。 五、结论 总的来说，Memcached进程占用CPU过高是一个常见的问题，其产生的原因是多种多样的。要真正把这个问题给揪出来，咱们得把系统工具和实际操作的经验都使上劲儿，得像钻井工人一样深入挖掘Memcached这家伙的工作内幕和使用门道。只有这样，才能真正找到问题的关键所在，并提出有效的解决方案。 感谢阅读这篇文章，希望对你有所帮助！

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 权限信息 · com.android.launcher.permission.INSTALL_SHORTCUT · 完全的网络访问权限 · 控制振动 · 查看网络连接 · 更改系统显示设置 · 开机启动 · 防止手机休眠 · 在其他应用之上显示内容 · 录音 · com.tencent.msf.permission.account.sync · 更改您的音频设置 · 拍摄照片和视频 · 连接WLAN网络和断开连接 · 查看WLAN连接 · 读取手机状态和身份 · 关闭其他应用 · 直接拨打电话号码 · com.android.launcher.permission.READ_SETTINGS · com.android.launcher.permission.UNINSTALL_SHORTCUT · 让应用始终运行 · 修改系统设置 · 发送短信 · 检索正在运行的应用 · com.tencent.permission.VIRUS_SCAN · 查阅敏感日志数据 · 控制闪光灯 · 与蓝牙设备配对 · 访问蓝牙设置 · 发送持久广播 · android.permission.WRITE_OWNER_DATA · android.permission.SYSTEM_OVERLAY_WINDOW · 更改网络连接性 · com.android.launcher.permission.WRITE_SETTINGS · com.android.launcher3.permission.READ_SETTINGS · com.android.launcher3.permission.WRITE_SETTINGS · com.htc.launcher.permission.READ_SETTINGS · com.htc.launcher.permission.WRITE_SETTINGS · com.huawei.launcher3.permission.READ_SETTINGS · com.google.android.launcher.permission.READ_SETTINGS · com.google.android.launcher.permission.WRITE_SETTINGS · 读取日历活动和机密信息 · 添加或修改日历活动，并在所有者不知情的情况下向邀请对象发送电子邮件 · com.sonyericsson.home.permission.BROADCAST_BADGE · com.sec.android.provider.badge.permission.READ · com.sec.android.provider.badge.permission.WRITE · 查找设备上的帐户 · 添加或移除帐户 · 创建帐户并设置密码 · 读取同步设置 · 启用和停用同步 · 停用屏幕锁定 · 允许接收WLAN多播 · com.qq.qcloud.permission.ACCESS_ALBUM_BACKUP_LIST · com.android.vending.BILLING · 关闭其他应用 · 控制近距离通信 · com.tencent.photos.permission.DATA · com.tencent.msf.permission.account.sync · com.tencent.music.data.permission · com.tencent.msf.permission.ACCOUNT_NOTICE · 连接WLAN网络和断开连接 · 完全的网络访问权限 · 查看WLAN连接 · 查看网络连接 · 精确位置(基于GPS和网络) · 大致位置(基于网络) · 拍摄照片和视频 · 读取手机状态和身份 · 防止手机休眠 · com.android.launcher.permission.INSTALL_SHORTCUT · 修改或删除您的USB存储设备中的内容 · 开机启动 · com.tencent.msg.permission.pushnotify · com.tencent.msf.permission.account.sync · 读取您的USB存储设备中的内容 本篇文章为转载内容。原文链接：https://blog.csdn.net/weixin_30590615/article/details/117615194。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 前言 Neighbor2Neighbor属于自监督去噪中算法，通过训练后可以对任意尺寸的图像进行去噪，现在对去噪代码中如何实现任意尺寸图像去噪进行解读。 代码 先贴源码 import torchfrom PIL import Imagefrom torchvision import transformsfrom arch_unet import UNetimport numpy as npdef get_generator():global operation_seed_counter 全局变量 在局部变量可以引用全局变量并修改operation_seed_counter += 1g_cuda_generator = torch.Generator(device="cuda")g_cuda_generator.manual_seed(operation_seed_counter)return g_cuda_generatorclass AugmentNoise(object): 添加噪声的类def __init__(self, style):print(style)if style.startswith('gauss'):self.params = [float(p) / 255.0 for p in style.replace('gauss', '').split('_')]if len(self.params) == 1:self.style = "gauss_fix"elif len(self.params) == 2:self.style = "gauss_range"elif style.startswith('poisson'):self.params = [float(p) for p in style.replace('poisson', '').split('_')]if len(self.params) == 1:self.style = "poisson_fix"elif len(self.params) == 2:self.style = "poisson_range"def add_train_noise(self, x):shape = x.shapeif self.style == "gauss_fix":std = self.params[0]std = std torch.ones((shape[0], 1, 1, 1), device=x.device)noise = torch.cuda.FloatTensor(shape, device=x.device)torch.normal(mean=0.0,std=std,generator=get_generator(),out=noise)return x + noiseelif self.style == "gauss_range":min_std, max_std = self.paramsstd = torch.rand(size=(shape[0], 1, 1, 1),device=x.device) (max_std - min_std) + min_stdnoise = torch.cuda.FloatTensor(shape, device=x.device)torch.normal(mean=0, std=std, generator=get_generator(), out=noise)return x + noiseelif self.style == "poisson_fix":lam = self.params[0]lam = lam torch.ones((shape[0], 1, 1, 1), device=x.device)noised = torch.poisson(lam x, generator=get_generator()) / lamreturn noisedelif self.style == "poisson_range":min_lam, max_lam = self.paramslam = torch.rand(size=(shape[0], 1, 1, 1),device=x.device) (max_lam - min_lam) + min_lamnoised = torch.poisson(lam x, generator=get_generator()) / lamreturn noiseddef add_valid_noise(self, x):shape = x.shapeif self.style == "gauss_fix":std = self.params[0]return np.array(x + np.random.normal(size=shape) std,dtype=np.float32)elif self.style == "gauss_range":min_std, max_std = self.paramsstd = np.random.uniform(low=min_std, high=max_std, size=(1, 1, 1))return np.array(x + np.random.normal(size=shape) std,dtype=np.float32)elif self.style == "poisson_fix":lam = self.params[0]return np.array(np.random.poisson(lam x) / lam, dtype=np.float32)elif self.style == "poisson_range":min_lam, max_lam = self.paramslam = np.random.uniform(low=min_lam, high=max_lam, size=(1, 1, 1))return np.array(np.random.poisson(lam x) / lam, dtype=np.float32)model_path = 'test_dir/unet_gauss25_b4e100r02/2022-03-02-22-24/epoch_model_040.pth' 导入训练的模型文件device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')net = UNet().to(device)net.load_state_dict(torch.load(model_path, map_location=device))net.eval()noise_adder = AugmentNoise(style='gauss25')img = Image.open('validation/Kodak/000014.jpg')im = np.array(img, dtype=np.float32) / 255.0origin255 = im.copy()origin255 = origin255.astype(np.uint8)noisy_im = noise_adder.add_valid_noise(im)H = noisy_im.shape[0]W = noisy_im.shape[1]val_size = (max(H, W) + 31) // 32 32noisy_im = np.pad(noisy_im,[[0, val_size - H], [0, val_size - W], [0, 0]],'reflect')transformer = transforms.Compose([transforms.ToTensor()])noisy_im = transformer(noisy_im)noisy_im = torch.unsqueeze(noisy_im, 0)noisy_im = noisy_im.cuda()with torch.no_grad():prediction = net(noisy_im)prediction = prediction[:, :, :H, :W]prediction = prediction.permute(0, 2, 3, 1)prediction = prediction.cpu().data.clamp(0, 1).numpy()prediction = prediction.squeeze()pred255 = np.clip(prediction 255.0 + 0.5, 0, 255).astype(np.uint8)Image.fromarray(pred255).convert('RGB').save('test1.png') 输入图像 尺寸大小为(408, 310)，PIL读入后进行归一化处理。 img = Image.open('validation/Kodak/00001.jpg')print('img', img.size) img (408, 310)im = np.array(img, dtype=np.float32) / 255.0print('im', im.shape) im (310, 408, 3) 先对不规则图像进行填充，要求填充的尺寸是32的倍数，否则输入到网络中会报错。在训练的时候是随机裁剪256256的切片的。 b = torch.rand(1, 3, 255, 255).to('cuda')a = net(b)print(a.shape) 在卷积神经网络中，为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失，常常采用图像边缘填充技术，即在图像四周边缘填充0，使得卷积运算后图像大小不会缩小，同时也不会丢失边缘和角落的信息。在Python的numpy库中，常常采用numpy.pad()进行填充操作。 val_size = (max(H, W) + 31) // 32 32noisy_im = np.pad(noisy_im,[[0, val_size - H], [0, val_size - W], [0, 0]],'reflect') ‘reflect’， 表示对称填充。 上图转自 http://t.zoukankan.com/shuaishuaidefeizhu-p-14179038.html >>> a = [1, 2, 3, 4, 5]>>> np.pad(a, (2, 3), 'reflect')array([3, 2, 1, 2, 3, 4, 5, 4, 3, 2]) 个人感觉使用reflect操作，而不是之间的填充0是为了在边缘去噪的时候更平滑一些。镜像填充后的图如下： 输入网络后，得到预测结果。最后进行裁剪，得到去噪后的图像。 prediction = prediction[:, :, :H, :W] 本篇文章为转载内容。原文链接：https://blog.csdn.net/qq_42948594/article/details/124712116。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...化治疗方案，提高医疗服务的质量。 值得注意的是，自定义数据聚合函数的应用并非孤立存在，它与其他大数据技术紧密相连，共同构成了数据驱动型企业的核心能力。例如，结合实时数据流处理技术（如Apache Kafka或Amazon Kinesis），自定义聚合函数可以在数据生成的同时进行实时分析，为决策者提供即时反馈。此外，借助机器学习算法，自定义聚合函数可以自动识别数据模式和异常情况，进一步提升数据分析的智能化水平。 总之，自定义数据聚合函数是大数据分析领域的重要工具，它不仅提高了数据处理的效率和精度，也为数据驱动型企业的创新发展提供了坚实的基础。随着技术的不断进步，未来自定义聚合函数的应用将更加广泛，对促进各行业数字化转型起到不可替代的作用。

...进其BigQuery服务的升级。BigQuery是一款完全托管的云原生数据仓库，它采用了先进的列式存储技术和智能分区功能，使得跨表查询变得更加高效。谷歌还引入了自动化的机器学习模型，帮助企业更好地管理和分析数据。这些创新举措表明，未来数据库系统的发展方向将是智能化、自动化以及更高层次的用户体验。 此外，清华大学计算机系教授李国杰院士曾指出：“未来的数据库系统不仅要满足基本的数据存储和查询需求，还要具备更强的数据处理能力和更高的安全性。”这为我们指明了数据库技术发展的新趋势。无论是ClickHouse、AnalyticDB for MySQL还是BigQuery，都在朝着这个方向迈进。企业和开发者应当密切关注这些前沿技术，以便在未来竞争中占据有利地位。

...缝衔接。此外，随着微服务架构的兴起，Maven将发挥更大的作用，通过支持多模块项目，促进模块化开发和团队协作。 结语 从基础概念到高级用法，Maven为开发者提供了全方位的支持，使其在项目构建、依赖管理、自动化测试等方面具备强大的能力。通过不断学习和实践，开发者能够充分利用Maven的优势，提升项目开发效率，应对复杂的软件工程挑战。随着技术的发展，Maven的未来充满无限可能，期待更多开发者在这一领域探索创新，共同推动软件开发的进步。

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 根据jeff377 的话，竹子将这验证码改进了一下，请大家讨论看看。 -------jeff377-------------------------------------------- 我研究所的论文就是在做类神经网络处理文字辨识，以你的例子而言，旋转随意角度对辨识来说并不会有太大影响，只要抓字的重心，360度旋转抓取特微值，还是可以辨识的出来。 通常文字辨识的有一个重要的动作，就是要把个别文字分割，你只要把文字弄的难分割就有不错的安全性。 --------------------------------------------------- 代码比较粗糙，而且比较菜，其中遇到一个问题，未对 Graphics 填充底色，那么文字的 ClearType 效果没有了，文字毛边比较明显，不知道为什么，谁能告诉竹子？ 代码相对粗糙，没有考虑更多的情况，在测试过程中，以20px 字体呈现，效果感觉还不错，只是 ClearType 效果没有了。 帖几张看看 ------------ ------------ ------------ ------------ 有一些随机的不好，象下面这张 相关链接: 查看 V1.0 .NET 2.0 代码如下： using System; using System.Drawing; using System.Web; namespace Oran.Image { /// <summary> /// 旋转的可视验证码图象 /// </summary> public class RotatedVlidationCode { public enum RandomStringMode { /// <summary> /// 小写字母 /// </summary> LowerLetter, /// <summary> /// 大写字母 /// </summary> UpperLetter, /// <summary> /// 混合大小写字母 /// </summary> Letter, /// <summary> /// 数字 /// </summary> Digital, /// <summary> /// 混合数字与大小字母 /// </summary> Mix } public static string GenerateRandomString(int length, RandomStringMode mode) { string rndStr = string.Empty; if (length == 0) return rndStr; //以数组方式候选字符，可以更方便的剔除不要的字符，如数字 0 与字母 o char[] digitals = new char[10] { '0', '1', '2', '3', '4', '5', '6', '7', '8', '9' }; char[] lowerLetters = new char[26] { 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z' }; char[] upperLetters = new char[26] { 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z' }; char[] letters = new char[52]{ 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z' }; char[] mix = new char[62]{ '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z' }; int[] range = new int[2] { 0, 0 }; Random random = new Random(); switch (mode) { case RandomStringMode.Digital: for (int i = 0; i < length; ++i) rndStr += digitals[random.Next(0, digitals.Length)]; break; case RandomStringMode.LowerLetter: for (int i = 0; i < length; ++i) rndStr += lowerLetters[random.Next(0, lowerLetters.Length)]; break; case RandomStringMode.UpperLetter: for (int i = 0; i < length; ++i) rndStr += upperLetters[random.Next(0, upperLetters.Length)]; break; case RandomStringMode.Letter: for (int i = 0; i < length; ++i) rndStr += letters[random.Next(0, letters.Length)]; break; default: for (int i = 0; i < length; ++i) rndStr += mix[random.Next(0, mix.Length)]; break; } return rndStr; } /// <summary> /// 显示验证码 /// </summary> /// <param name="seed">随机数辅助种子</param> /// <param name="strLen">验证码字符长度</param> /// <param name="fontSize">字体大小</param> /// <param name="mode">随机字符模式</param> /// <param name="clrFont">字体颜色</param> /// <param name="clrBg">背景颜色</param> public static void ShowValidationCode(ref int seed, int strLen, int fontSize, RandomStringMode mode, Color clrFont, Color clrBg) { int tmpSeed; unchecked { tmpSeed = (int)(seed DateTime.Now.Ticks); ++seed; } Random rnd = new Random(tmpSeed); string text = GenerateRandomString(strLen, mode); int height = fontSize 2; // 因为字体旋转后每个字体所占宽度会所有加大，所以要加一点补偿宽度 int width = fontSize text.Length + fontSize / (text.Length - 2); Bitmap bmp = new Bitmap(width, height); Graphics graphics = Graphics.FromImage(bmp); Font font = new Font("Courier New", fontSize, FontStyle.Bold); Brush brush = new SolidBrush(clrFont); Brush brushBg = new SolidBrush(clrBg); graphics.FillRectangle(brushBg, 0, 0, width, height); Bitmap tmpBmp = new Bitmap(height, height); Graphics tmpGph = null; int degree = 40; Point tmpPoint = new Point(); for (int i = 0; i < text.Length; i++) { tmpBmp = new Bitmap(height, height); tmpGph = Graphics.FromImage(tmpBmp); // tmpGph.TextRenderingHint = System.Drawing.Text.TextRenderingHint.SingleBitPerPixelGridFit; // 不填充底色，文字 ClearType 效果不见了，why?! // tmpGph.FillRectangle(brushBg, 0, 0, tmpBmp.Width, tmpBmp.Height); degree = rnd.Next(20, 51); // [20, 50]随机角度 if (rnd.Next(0, 2) == 0) { tmpPoint.X = 12; // 调整文本坐标以适应旋转后的图象 tmpPoint.Y = -6; } else { degree = ~degree + 1; // 逆时针旋转 tmpPoint.X = -10; tmpPoint.Y = 6; } tmpGph.RotateTransform(degree); tmpGph.DrawString(text[i].ToString(), font, brush, tmpPoint); graphics.DrawImage(tmpBmp, i fontSize, 0); // 拼接图象 } //输出图象 System.IO.MemoryStream memoryStream = new System.IO.MemoryStream(); bmp.Save(memoryStream, System.Drawing.Imaging.ImageFormat.Gif); HttpContext.Current.Response.Cache.SetCacheability(HttpCacheability.NoCache); HttpContext.Current.Response.ClearContent(); HttpContext.Current.Response.ContentType = "image/gif"; HttpContext.Current.Response.BinaryWrite(memoryStream.ToArray()); HttpContext.Current.Response.End(); //释放资源 font.Dispose(); brush.Dispose(); brushBg.Dispose(); tmpGph.Dispose(); tmpBmp.Dispose(); graphics.Dispose(); bmp.Dispose(); memoryStream.Dispose(); } } } 转载于:https://www.cnblogs.com/iRed/archive/2008/06/22/1227687.html 本篇文章为转载内容。原文链接：https://blog.csdn.net/weixin_30600197/article/details/96672619。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...B Atlas”的云服务项目引起了广泛关注。该项目旨在为企业提供一站式数据库管理解决方案，涵盖从部署到监控的全流程支持。通过这一平台，开发者无需关心底层硬件配置，即可快速搭建起高性能的数据库环境。这种“开箱即用”的模式极大地降低了技术门槛，让更多中小企业也能享受到先进的数据库技术带来的便利。 然而，随着MongoDB在全球范围内的普及，也引发了关于数据隐私和安全性的讨论。有专家指出，在跨国企业使用MongoDB的过程中，如何确保符合不同国家和地区的数据保护法规，仍是一个亟待解决的问题。例如，欧盟的《通用数据保护条例》（GDPR）对数据存储和传输提出了严格的要求，而MongoDB是否能够完全满足这些要求，尚需进一步验证。 面对这些问题，MongoDB官方表示将继续加强与国际标准组织的合作，不断完善产品功能，确保其在全球市场的合规性。同时，他们鼓励用户积极参与社区讨论，共同推动MongoDB技术的进步和发展。未来，随着更多创新技术和最佳实践的涌现，相信MongoDB将在更多领域展现出其独特的优势和价值。

...，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。 ↑ 点击上方【计算机视觉联盟】关注我们 最经典的决策树算法有ID3、C4.5、CART，其中ID3算法是最早被提出的，它可以处理离散属性样本的分类，C4.5和CART算法则可以处理更加复杂的分类问题，本文重点介绍ID3算法。 1、决策树基本流程 决策树 (decision tree) 是一类常见的机器学习方法。它是对给定的数据集学到一个模型对新示例进行分类的过程。下图所示为一个流程图的决策树，长方形代表判断模块（decision block），椭圆形代表终止模块（terminating block），表示已经得出结论，可以终止运行。从判断模块引出的左右箭头称作分支（branch），可以达到另一个判断模块或终止模块。 决策过程是基于树结构来进行决策的。如下图，首先检查邮件域名地址，如果地址为myEmployer.com，则将其分类为“无聊时需要阅读的邮件”。否则，则检查邮件内容里是否包含单词“曲棍球”，如果包含则归类为“需要及时处理的朋友邮件”，如果不包含则归类到“无需阅读的垃圾邮件” 流程图形式的决策树 显然，决策过程的最终结论对应了我们所希望的判定结果，例如"需要阅读"或"不需要阅读”。 决策过程中提出的每个判定问题都是对某个属性的"测试"，如邮件地址域名为？是否包含“曲棍球”？ 每个测试的结果或是导出最终结论，或是导出进一步的判定问题，其考虑范围是在上次决策结果的限定范围之内，例如若邮件地址域名不是myEmployer.com之后再判断是否包含“曲棍球”。 一般的，决策树包含一个根节点、若干个内部节点和若干个叶节点。根节点包含样本全集；叶节点对应于决策结果，例如“无聊时需要阅读的邮件”。其他每个结点则对应于一个属性测试；每个节点包含的样本集合根据属性测试的结果被划分到子结点中。 决策树学习基本算法 显然，决策树的生成是一个递归过程.在决策树基本算法中，有三种情形会导致递归返回: (1)当前结点包含的样本全属于同一类别，无需划分; (2)当前属性集为空，或是所有样本在所有属性上取值相同，无法划分; (3)当前结点包含的样本集合为空，不能划分。 2、划分选择 决策树算法的关键是如何选择最优划分属性。一般而言，随着划分过程不断进行，我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的"纯度" (purity)越来越高。 （1）信息增益 信息熵 "信息熵" (information entropy)是度量样本集合纯度最常用的一种指标，定义为信息的期望。假定当前样本集合 D 中第 k 类样本所占的比例为 ,则 D 的信息熵定义为： H(D)的值越小，则D的纯度越高。信息增益 一般而言，信息增益越大，则意味着使周属性 来进行划分所获得的"纯度提升"越大。因此，我们可用信息增益来进行决策树的划分属性选择，信息增益越大，属性划分越好。 以西瓜书中表 4.1 中的西瓜数据集 2.0 为例，该数据集包含17个训练样例，用以学习一棵能预测设剖开的是不是好瓜的决策树.显然，。 在决策树学习开始时，根结点包含 D 中的所有样例，其中正例占 ，反例占 信息熵计算为： 我们要计算出当前属性集合{色泽，根蒂，敲声，纹理，脐部，触感}中每个属性的信息增益。以属性"色泽"为例，它有 3 个可能的取值: {青绿，乌黑，浅自}。若使用该属性对 D 进行划分，则可得到 3 个子集，分别记为：D1 (色泽=青绿)， D2 (色泽2=乌黑)， D3 (色泽=浅白)。 子集 D1 包含编号为 {1，4，6，10，13，17} 的 6 个样例，其中正例占 p1=3/6 ，反例占p2=3/6； D2 包含编号为 {2，3，7，8， 9，15} 的 6 个样例，其中正例占 p1=4/6 ，反例占p2=2/6； D3 包含编号为 {5，11，12，14，16} 的 5 个样例，其中正例占 p1=1/5 ，反例占p2=4/5； 根据信息熵公式可以计算出用“色泽”划分之后所获得的3个分支点的信息熵为： 根据信息增益公式计算出属性“色泽”的信息增益为（Ent表示信息熵）： 类似的，可以计算出其他属性的信息增益： 显然，属性"纹理"的信息增益最大，于是它被选为划分属性。图 4.3 给出了基于"纹理"对根结点进行划分的结果，各分支结点所包含的样例子集显示在结点中。 然后，决策树学习算法将对每个分支结点做进一步划分。以图 4.3 中第一个分支结点( "纹理=清晰" )为例，该结点包含的样例集合 D 1 中有编号为 {1, 2, 3, 4, 5, 6, 8, 10, 15} 的 9 个样例，可用属性集合为{色泽，根蒂，敲声，脐部 ，触感}。基于 D1计算出各属性的信息增益： "根蒂"、 "脐部"、 "触感" 3 个属性均取得了最大的信息增益，可任选其中之一作为划分属性.类似的，对每个分支结点进行上述操作，最终得到的决策树如圈 4.4 所示。 3、剪枝处理 剪枝 (pruning)是决策树学习算法对付"过拟合"的主要手段。决策树剪枝的基本策略有"预剪枝" (prepruning)和"后剪枝 "(post" pruning) [Quinlan, 1993]。 预剪枝是指在决策树生成过程中，对每个结点在划分前先进行估计，若当前结点的划分不能带来决策树泛化性能提升，则停止划 分并将当前结点标记为叶结点； 后剪枝则是先从训练集生成一棵完整的决策树，然后自底向上地对非叶结点进行考察，若将该结点对应的子树替换为叶结点能带来决策树泛化性能提升，则将该子树替换为叶结点。 往期回顾 ● 带你详细了解机器视觉竞赛—ILSVRC竞赛 ● 到底什么是“机器学习”？机器学习有哪些基本概念？（简单易懂） ● 带你自学Python系列（一）：变量和简单数据类型（附思维导图） ● 带你自学Python系列（二）：Python列表总结-思维导图 ● 2018年度最强的30个机器学习项目！ ● 斯坦福李飞飞高徒Johnson博士论文: 组成式计算机视觉智能（附195页PDF） ● 一文详解计算机视觉的广泛应用：网络压缩、视觉问答、可视化、风格迁移 本篇文章为转载内容。原文链接：https://blog.csdn.net/Sophia_11/article/details/113355312。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。