Redis数据结构-散列

简介
  • 一个散列由多个域值对(field-value pair)组成,散列的域和值都可以是文字、整数、浮点数或者二进制数据
  • 同一个散列里面的每个域必须是独一无二,各不相同,而域的值没有这一要求,不同域的值可以是重复
  • 相当于Java中的Hash
基本操作
  • HSET key field value
    散列键key中关联给定的域值对field和value
    如果域field之前没有关联值,命令返回1
    如果域field已经有关联值,那么命令会用新值覆盖旧值,并返回0

    127.0.0.1:6379> hset hash msg hello
    (integer) 1
    127.0.0.1:6379> hset hash msg hi
    (integer) 0
    
  • HSET key field
    返回散列键key中,预field所关联的值,如果域field没有关联值,那么返回nil

    127.0.0.1:6379> hget hash msg
    "hi"
    127.0.0.1:6379> hget hash msg1
    (nil)
    
  • HSETNX key field value
    如果散列键key中,域field不存在,那么关联给定的域值对field和value
    如果域field已经有之关联的值,那么命令不做动作

    127.0.0.1:6379> hsetnx hash msg hi
    (integer) 0
    127.0.0.1:6379> hsetnx hash msg2 hi
    (integer) 1
    127.0.0.1:6379> hget hash msg 
    "hi"
    127.0.0.1:6379> hget hash msg2
    "hi"
    
  • HEXISTS key field
    查看散列键key中,给定域field是否存在,存在返回:1,不存在返回:0

     127.0.0.1:6379> hexists hash msg
    (integer) 1
    127.0.0.1:6379> hexists hash test
    (integer) 0
    
  • HDEL key field [field …]
    删除散列键key中的一个或多个指定域,已经域所对应的值,不存在的域将被忽悠,命令返回被成功删除的域值对数量

    127.0.0.1:6379> hdel hash msg msg2 test
    (integer) 2
    
  • HLEN key
    获取散列键key包含的域值对数量

    127.0.0.1:6379> hlen hash
    (integer) 2
    
批量操作
  • HMSET key field value [ field value … ]
    在散列键中关联多个域值对,相当于同时执行多个HSET

    127.0.0.1:6379> hmset hash msg3 hi3 msg4 hi4
    OK
    
  • HMGET key field [ field …]
    返回散列键key中,一个或多个域的值,相当于同时执行多个HGET

    127.0.0.1:6379> hmget hash msg1 msg2 msg3 msg4
    1) "world"
    2) (nil)
    3) "hi3"
    4) "hi4"
    
  • HKEYS key
    返回散列键key包含的所有域

    127.0.0.1:6379> hkeys hash
    1) "msg"
    2) "msg1"
    3) "msg3"
    4) "msg4"
    
  • HVALS key
    返回散列键key中,所有域的值

    127.0.0.1:6379> hvals hash
    1) "hello"
    2) "world"
    3) "hi3"
    4) "hi4"
    
  • GHETALL key
    返回散列键key包含的所有域值对

    127.0.0.1:6379> hgetall hash
    1) "msg"
    2) "hello"
    3) "msg1"
    4) "world"
    5) "msg3"
    6) "hi3"
    7) "msg4"
    8) "hi4"
    
数字操作

域不存在会先将值初始化0,然后在执行对应的操作

  • HINCRBY key field increment
    为散列键key中,域field的值加上整数增量increment,返回操作后的值
    127.0.0.1:6379> hincrby hash number 2
    (integer) 2
    127.0.0.1:6379> hget hash number
    "2"
    127.0.0.1:6379> hincrby hash number -4
    (integer) -2
    127.0.0.1:6379> hget hash number
    "-2"
    
  • HINCRBYFLOAT key field increment
    为散列键key中,域field的值加上浮点数增量increment,返回操作后的值
    127.0.0.1:6379> hincrbyfloat hash float 0.9
    "0.9"
    127.0.0.1:6379> hincrbyfloat hash float -3.14
    "-2.24"
    
散列键和字符串键
  • 命令比较

    散列命令字符串命令
    HSETSET
    HGETGET
    HSETINXSETINX
    HDELDEL(可以删除任意键)
    HMSETMSET
    HMGETMGET
    HINCRBYINCRBY
    HINCRBYFLOATINCRBYFLOAT
    HEXISTSEXISTS(可以检查任意键存在)
  • 散列好处
    1.可以将相关的信息存储在同一个地方,而不是直接分散地存储在整个数据库里面,可以方便数据管理,还可以尽量避免误操作发生
    2.避免键名冲突
    3.减少内存占用
      Redis在创建每个键都带有数据库附加的管理信息(比如这个键的类型,最好一次被访问的时间等),所以数据库里面的键越多,服务器在存储附加管理信息方面耗费的内存就越多,花在管理数据库键上的CPU也会越多。
      当散列包含的域值对数量比较少的时候,Redis会自动使用一种占用内存非常少的数据结构来做散列的底层实现,在散列的数量比较多的时候,这一措施对减少内存有很大的帮助

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