- 综合排序
- 最热优先
- 最新优先
- 来自专栏Albert陈凯
2018-11-23 数据引擎排名，2018年11月数据库趋势图
image.png 实时数据 https://db-engines.com/en/ranking_trend 包含范围与数据存储相关的 Complete ranking Relational DBMS
1K30发布于 2018-12-17 - 来自专栏Rust语言学习交流
【Rust日报】2020-08-11 “群集”引擎：数据驱动的游戏引擎和应用框架
“群集”引擎：数据驱动的游戏引擎和应用框架 独立游戏开发者卡特·安德森发布了群集引擎（Bevy引擎）。这个引擎能用于开发游戏和应用程序，它是免费的开源项目。 本次发布引擎的文章给出了性能测试的简单报告。在迭代速度方面，群集引擎比其它项目都要快一到两倍；在世界准备方面，群集引擎超过竞争品的平均值。 https://bevyengine.org/news/introducing-bevy/ 初创公司Meili投入150万欧元，探究Rust语言编写的开源搜索引擎 Meili SAS是2018年11月成立的初创公司 ，希望能开发一套搜索引擎接口，替代当前的托管式云搜索引擎竞争品。 不同的页面之间通过层次结构相互关联，但不同层次的结构共同维护一个全局状态存储空间，以给出数据同步的解决方案。在文章的例子里，所有页面共享同一个购物车内容，这是通过全局状态实现的。
1.3K20发布于 2020-08-17 - 来自专栏腾讯大数据的专栏
大数据与云计算的新引擎 – Kona JDK 11揭秘
腾讯JDK团队针对大数据/机器学习和云计算等业务的前沿需求，正在探索新的长期支持版本Kona JDK 11，本文将对其中部分实践进行介绍，希望从生产经验的角度为大家的技术决策提供一手参考。 ： ● 向量计算优化：针对大数据/机器学习场景的“算力”优化需求，移植并改进了社区前沿版本中的Vector API技术，将其作为Kona 11长期支持版本中的特性，并且与数据平台部团队合作在广告核心业务场景探索落地 Specjbb2015 critical-jOPS性能对比 腾讯大数据Hermes产品 + Kona 11通用版本 Benchmark中看到的性能指标变化，能否真正落实到产品中呢？ 腾讯大数据Hermes等产品团队采纳了Kona JDK 11，同等硬件环境、同样JVM参数、不做代码改进的性能结果，这个数据非常能够说明Kona JDK的通用性能价值。 ? 总结： JDK 11是一个值得认真考虑的版本，Kona JDK 11的针对性优化，让其在大数据/机器学习、云计算等场景具备明显的性能和功能优势，限于篇幅我们今天没有对大堆GC优化、ZGC等新特性生产化进行赘述
1.9K20发布于 2020-05-13 - 来自专栏最新最全的大数据技术体系
11月大数据面试题复习
1）从 high-level 的角度来看，两者并没有大的差别。 11、Spark为什么要持久化，一般什么场景下要进行persist操作？ 为什么要进行持久化？ 当大表和小表join时，用map-side join能显著提高效率。 不一定，当数据规模小，Hash shuffle快于Sorted Shuffle数据规模大的时候；当数据量大，sorted Shuffle会比Hash shuffle快很多，因为数量大的有很多小文件，不均匀 4）BlinkDB ：是一个用于在海量数据上运行交互式 SQL 查询的大规模并行查询引擎，它允许用户通过权衡数据精度来提升查询响应时间，其数据的精度 被控制在允许的误差范围内。
92912编辑于 2021-12-06 - 来自专栏数据结构与算法
11:大整数减法
11:大整数减法 查看 提交 统计 提问 总时间限制: 1000ms 内存限制: 65536kB描述 求两个大的正整数相减的差。 输入共2行，第1行是被减数a，第2行是减数b(a > b)。 char a[10001]; 6 char b[10001]; 7 int a1[10001]; 8 int b1[10001]; 9 int c[10001]; 10 int main() 11
1.4K100发布于 2018-04-11 - 来自专栏Java架构师历程
MySQL的三大引擎
MySQL的三大引擎：InnoDB、MyISAM和Memory InnoDB和MyISAM是在使用MySQL最常用的两个表类型，各有优缺点，视具体应用而定。 Innodb Myisam Memory 事务 支持 不支持 执行速度 比较快 快 大容量数据 是 创建表->存储位置 数据库系统（缓存池） ->表空间 单独的文件 内存中->磁盘文件 InnoDB 是 MySQL 上第一个提供外键约束的引擎，除了提供事务处理外，InnoDB 还支持行锁，提供和 Oracle 一样的一致性的不加锁读取，能增加并发读的用户数量并提高性能，不会增加锁的数量。 InnoDB 的设计目标是处理大容量数据时最大化性能，它的 CPU 利用率是其他所有基于磁盘的关系数据库引擎中最有效率的。 MySQL Memory(Heap)引擎 MEMORY存储引擎用存在内存中的内容来创建表。这些在以前被认识为HEAP表。MEMORY是一个首选的术语，虽然为向下兼容，HEAP依旧被支持。
4.2K20发布于 2018-09-26 - 来自专栏全栈程序员必看
淘宝双11大数据分析（数据可视化）
文章目录 前言 本篇环境 结果展示 项目结构 前言 这一篇是最终篇，也是展示数据分析之后的结果的一篇。 其他文章： 淘宝双11大数据分析（环境篇） 淘宝双11大数据分析（数据准备篇） 淘宝双11大数据分析（Hive 分析篇-上） 淘宝双11大数据分析（Hive 分析篇-下） 淘宝双11大数据分析（Spark
5.8K20编辑于 2022-09-14 - 来自专栏程序那些事儿
PHP八大模板引擎
当我们在PHP中讨论模板引擎时，许多开发人员会告诉你，这是没有必要的，他们会说这是学习时间和资源的浪费，因为PHP本质上也是一个模板引擎。 但是当你看过很多框架之后，你会发现很多框架都会有模板引擎的存在，所以说php中的模板引擎还是有必要了解一下的。 跨模板的数据共享 将数据预先分配给特定模板 内置逃生帮助器 易于使用的功能和扩展 与框架无关，将与任何项目配合使用 分离设计使模板易于测试 可以使用composer引入 以下代码段提供了板模板引擎语法外观的预览 > Blade blade是laravel内置的模板引擎。与其他流行的PHP模板引擎不同，Blade 不会限制您在视图中使用纯 PHP 代码。 Smarty 是一个模板引擎，用作应用程序的 View 组件。Smarty 可轻松与上面列出的任何引擎耦合为视图组件。
3.5K30编辑于 2023-07-24 DeepSeek + 流程引擎：大模型如何提升流程引擎的能力
生成式AI，特别是基于大语言模型（LLM）的技术，如DeepSeek、ChatGPT，能够以自然语言生成、理解、优化和执行任务，在流程引擎中发挥越来越重要的作用。 流程引擎通常包括流程建模、任务分配、进度监控、数据流动等功能，能够处理简单的任务自动化到复杂的端到端业务流程。传统的流程引擎依赖于预设规则和工作流模型，通过规则引擎来执行任务。 1.自动化决策和任务分配传统的流程引擎主要依赖人工配置的规则来进行任务分配和决策，而生成式AI能够基于大量的数据进行实时决策，并能够根据上下文自动调整任务分配和执行方案。 2.智能流程优化生成式AI能够通过分析大量历史数据和流程执行数据，自动识别流程中的瓶颈、低效环节和潜在的优化空间。 AI可以进行自适应学习，根据实时数据反馈自动优化流程设计，调整流程中的环节和顺序，提高整体效率。
53710编辑于 2025-03-18- 来自专栏PPV课数据科学社区
大数据挖掘中易犯的11大错误
按照Elder博士的总结，这11大易犯错误包括： 0.缺乏数据(LackData) 1.太关注训练(FocusonTraining) 2.只依赖一项技术(RelyonOneTechnique) 3.提错了问题 如果数据+工具就可以解决问题的话，还要人做什么呢4a.投机取巧的数据：数据本身只能帮助分析人员找到什么是显著的结果，但它并不能告诉你结果是对还是错。 给数据加上时间戳，避免被误用。 6.抛弃了不该忽略的案例(DiscountPeskyCases) IDMer：到底是“宁为鸡头，不为凤尾”，还是“大隐隐于市，小隐隐于野”? ，而是“这就有点奇怪了……” 数据中的不一致性有可能会是解决问题的线索，深挖下去也许可以解决一个大的业务问题。 (问题出在数据集的划分上。在把原始数据集划分为训练集和测试集时，原始数据集中违约客户的权重已经被提高过了) 解决方法：先进行数据集划分，然后再提高训练集中违约客户的权重。
71870发布于 2018-04-20 - 来自专栏PPV课数据科学社区
【译文】关于数据科学难以忽视的11大真相
. 9、Presentation is key - be a master of Power Point. 10、All models are false, but some are useful. 11 You need to get your hands dirty. 1、 数据都是没有清洗过的。 2、 你总是需要花费大量的时间准备和清洗数据。 3、 95%的任务不需要深度学习。 11、没有完全自动化的数据科学。很多你需要人工手动操作。 翻译：lily PPV课原创编译 转载请注明出处 原文链接：http://www.ppvke.com/Answer/? 2、回复“答案”查看大数据Hadoop面试笔试题及答案 3、回复“设计”查看这是我见过最逆天的设计，令人惊叹叫绝 4、回复“可视化”查看数据可视化专题-数据可视化案例与工具 5、回复“禅师”查看当禅师遇到一位理科生 知识无极限 6、回复“啤酒”查看数据挖掘关联注明案例-啤酒喝尿布 7、回复“栋察”查看大数据栋察——大数据时代的历史机遇连载 8、回复“数据咖”查看数据咖——PPV课数据爱好者俱乐部省分会会长招募 9、
81070发布于 2018-04-20 - 来自专栏华章科技
干货 ：数据挖掘中易犯的11大错误
11大易犯错误——Elder博士 0. 缺乏数据（Lack Data） 1. 太关注训练（Focus on Training） 2. 如果数据＋工具就可以解决问题的话，还要人做什么呢？ 4a.投机取巧的数据：数据本身只能帮助分析人员找到什么是显著的结果，但它并不能告诉你结果是对还是错。 给数据加上时间戳，避免被误用。 6. 抛弃了不该忽略的案例（Discount Pesky Cases） IDMer：到底是“宁为鸡头，不为凤尾”，还是“大隐隐于市，小隐隐于野”？ ，而是“这就有点奇怪了……” 数据中的不一致性有可能会是解决问题的线索，深挖下去也许可以解决一个大的业务问题。 （问题出在数据集的划分上。在把原始数据集划分为训练集和测试集时，原始数据集中违约客户的权重已经被提高过了） 解决方法：先进行数据集划分，然后再提高训练集中违约客户的权重。 10.
29220发布于 2018-08-13 - 来自专栏CDA数据分析师
11款开放中文分词引擎大比拼
那么，目前常见的开放分词引擎，到底性能如何呢？为了进行测试，我们调研了11款网上常见的并且公开提供服务的分词系统，包括： ? 分词的客观量化测试离不开标注数据，即人工所准备的分词“标准答案”。 上图为参与比较的10款分词引擎在不同数据的分词准确度结果。可以看出，在所测试的四个数据集上，BosonNLP和哈工大语言云都取得了较高的分词准确率，尤其在新闻数据上。 样例：舒适性 胎噪 风噪 偏 大 避震 偏 硬 过 坎 弹跳 明显 【餐饮点评】 餐饮点评数据为顾客评论数据，更偏重口语化。 但在仔细对比每一家中文分词后依旧发现切分歧义词和未登陆词（即未在训练数据中出现的词）仍然是影响分词准确度的两大“拦路虎”。 中文分词是其他中文信息处理的基础，并且在很多领域都有广泛的应用，包括搜索引擎、机器翻译（MT）、语音合成、自动分类、自动摘要、自动校对等等。
3.2K91发布于 2018-02-24 腾讯云实时孪生数据引擎技术指南：大规模数据大屏展示
摘要 本文旨在解析腾讯云实时孪生数据引擎技术的核心价值、挑战，提供详细的操作指南，并对比通用方案与腾讯云方案，展示其在大规模数据大屏展示场景下的优势。 技术解析 核心价值与典型场景 腾讯云实时孪生数据引擎技术，通过实时渲染技术，实现了对多空间维度场景的可视化呈现。 实施中的三大关键挑战 性能瓶颈：在大规模数据实时处理和渲染时，如何保证系统的响应速度和稳定性。 数据安全：确保数据在传输和处理过程中的安全性，防止数据泄露。 实时渲染：集成数据后，使用腾讯云实时渲染技术进行数据的可视化展示。 原理说明：腾讯云实时渲染技术能够快速处理大规模数据，并实时更新大屏展示内容。 结论 腾讯云实时孪生数据引擎技术以其高性能、高安全性和成本效益，在大规模数据大屏展示场景下展现出明显优势。通过详细的操作指南和增强方案的对比，用户可以更加清晰地了解如何利用腾讯云产品实现技术落地。
28210编辑于 2025-07-28- 来自专栏暴走大数据
Hive计算引擎大PK，万字长文解析MapRuce、Tez、Spark三大引擎
「硬刚Hive续集」》 对Hive的MapReduce引擎已经做过非常详细的讲解了。 本文首发自公众号： 《import_bigdata》，大数据技术与架构。 步骤7、8和9：最终的临时文件将移动到表的位置，确保不读取脏数据(文件重命名在HDFS中是原子操作)。对于用户的查询，临时文件的内容由执行引擎直接从HDFS读取，然后通过Driver发送到UI。 Tez引擎 Tez是Apache开源的支持DAG作业的计算框架，是支持HADOOP2.x的重要引擎。 它源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。 在MapReduce计算引擎中，无论数据大小，在Shuffle阶段都以相同的方式执行，将数据序列化到磁盘，再由下游的程序去拉取，并反序列化。
3.7K52发布于 2021-11-05 - 来自专栏大数据成神之路
Hive计算引擎大PK，万字长文解析MapRuce、Tez、Spark三大引擎
「硬刚Hive续集」》 对Hive的MapReduce引擎已经做过非常详细的讲解了。 本文首发自公众号： 《import_bigdata》，大数据技术与架构。 步骤7、8和9：最终的临时文件将移动到表的位置，确保不读取脏数据(文件重命名在HDFS中是原子操作)。对于用户的查询，临时文件的内容由执行引擎直接从HDFS读取，然后通过Driver发送到UI。 ---- Tez引擎 Tez是Apache开源的支持DAG作业的计算框架，是支持HADOOP2.x的重要引擎。 它源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。 在MapReduce计算引擎中，无论数据大小，在Shuffle阶段都以相同的方式执行，将数据序列化到磁盘，再由下游的程序去拉取，并反序列化。
4.5K43发布于 2021-10-27 - 来自专栏CSDNToQQCode
数据库面试题【十一、InnoDB引擎的4大特性】
1、插入缓冲（insert buffer) 2、二次写(double write) 3、自适应哈希索引(ahi) 4、预读(read ahead)
35120编辑于 2022-11-28 - 来自专栏灯塔大数据
必看 ：大数据挖掘中易犯的11大错误
4 只靠数据来说话(Listen(only)totheData) IDMer：“让数据说话”没有错，关键是还要记得另一句话：兼听则明，偏听则暗！如果数据+工具就可以解决问题的话，还要人做什么呢？ 4a.投机取巧的数据：数据本身只能帮助分析人员找到什么是显著的结果，但它并不能告诉你结果是对还是错。 4b.经过设计的实验：某些实验设计中掺杂了人为的成分，这样的实验结果也常不可信。 给数据加上时间戳，避免被误用。 6 抛弃了不该忽略的案例(DiscountPeskyCases) IDMer：到底是“宁为鸡头，不为凤尾”，还是“大隐隐于市，小隐隐于野”？ ，而是“这就有点奇怪了……” 数据中的不一致性有可能会是解决问题的线索，深挖下去也许可以解决一个大的业务问题。 (问题出在数据集的划分上。在把原始数据集划分为训练集和测试集时，原始数据集中违约客户的权重已经被提高过了) 解决方法：先进行数据集划分，然后再提高训练集中违约客户的权重。
67370发布于 2018-04-09 - 来自专栏PPV课数据科学社区
世界杯11大数据:20位前冠军出战
随着全部32支参赛队的23人名单基本敲定，国际足联官方列出本届杯赛的11大数据，本届杯赛共有236人参加过世界杯，包括20位前冠军，最年轻及最年长的球队分别是加纳和阿根廷，所有球员的平均年龄为 岁零1个月，是本届杯赛最年轻的球员，也有望成为世界杯历史第9年轻的球员，但即便是喀麦隆历史，也有3名球员出征世界 杯时比他年轻，分别是埃托奥（17岁零3个月）、奥莱姆贝（17岁零6个月）以及宋（17岁零11
74460发布于 2018-04-19 - 来自专栏机器学习与统计学
纯离线安装大模型推理引擎，部署量化大模型
大家好，我是 Ai 学习的老章 继续介绍大模型推理引擎+Llama.cpp，前文我写了# 内网部署 llama.cpp，运行量化大模型，详细介绍了 llama.cpp 这个推理引擎，内网离线 cmake 本文我们用个更省事儿的内网离线部署方式——Docker，然后用其部署量化大模型，其中踩坑若干，才有如此精炼、极简教程 1、联网环境拉取 llama.cpp 镜像并保存 选择镜像最好是官方，比如 llama.cpp server-cuda https://github.com/ggml-org/llama.cpp/blob/master/docs/docker.md 市面上有很多个人打包的镜像，大多都是阉割版 费老大劲搞进去，发现大模型无法加载 tar文件 docker save ghcr.io/ggml-org/llama.cpp > llama.cpp.tar 2、镜像传入内网 不赘述，不同公司有不同工具可以在办公网与生产内网传输数据 5、启动大模型 docker run --rm --runtime nvidia -e TZAsia/Shanghai --gpus "device=2" -v /opt/data/ai/GGUF:/models
1.3K10编辑于 2025-10-11
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