redis学习(1)--- NoSQL介绍

redis学习(1)--- NoSQL介绍

一、NoSQL介绍

1、什么是NoSQL

  • NoSQL = Not Only SQL
  • 非关系型数据库

2、为什么用NoSQL

  • High performance - 高并发读写
  • Huge Storage - 海量数据的高效率存储和访问
  • High Scalability && High Availablity - 高可扩展性 和 高可用性

 二、NoSQL数据库的四大分类

  1. 键值对存储(key-value)    比如:redis...
  2. 列存储     比如:Hbase...
  3. 文档存储     比如: mongoDB....
  4. 图形数据库     比如:InfoGrid...

 对比:

 分类相关产品应用数据模型优点缺点
键值对(key-value)

Tokyo Cabinet/Tyrant、

Redis、Voldemort、

Berkeley DB

内容存储,主要用于处理大量数据的高访问负载一系列键值对快速查询存储的数据缺少结构化
列存储数据库Cassandra、HBase、Riak分布式的文件存储系统以列簇式存储,将同一列数据存在一起

查找速度快、可扩展性强、

更容易进行分布式扩展

功能相对局限
文档型数据库CouchDB、MongoDBWeb应用(与key-value类似,value是结构化的)一系列键值对数据结构要求不严格

查询性能不高,而且缺乏统一的查询语法

图形数据库

Neo4J、InfoGrid、

Infinite Graph

社交网络。推荐系统等,专注于构建关系图谱图结构利用图结构相关算法需要对整个图做计算才能得出结果,不容易做分布式集群

 

 

 

 

 

 

 

 

 

 

 

 



三、NoSQL的特点

  • 易扩展
  • 灵活的数据模型
  • 大数据量,高性能
  • 高可用

 

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值