Samsara v2.0 高级技巧

 

高级技巧


Samrara包含四大概念:单流、多流、分流、合流。


单流与多流(流量)

一张订单主表包含4张订单子表,那么主表就是单流、子表就是多流,有4条流。

由于在脚本里面并没有体现出数据的流量,那么此模块需要运行几次?生成多少结果?为了解决这些问题,引入了单流多流概念。

如果用户输入数据只有一条,则是单流,否则就是多流。

EXCHANGER TABLE1 E1
{COLUMN1 = TABLE2.COLUMN2}

TABLE1单流、TABLE2单流:正确
TABLE1单流、TABLE2多流:错误,无法匹配
TABLE1多流、TABLE2单流:正确,TABLE2将被运行多次
TABLE1多流、TABLE2多流:如果两表流量一致则正确。

唯一能够消除单流:多流错误的情况就是引入函数运算。

EXCHANGER TABLE1 E1
{
COLUMN1 = SUM(TABLE2.COLUMN2)
}

单流:多流。此时函数运算结果是一个值,所以正确。


流量如何判断?
通过用户输入初始化流量。单流则使用流量标记-1,多流则从0开始排序。
模块首先判断处理的表对象是否单流,else 判断表达式是否单流。
确定是单流后,凡是遇到需要引用多流对象,则默认其是参与函数运算,因此有多少引入多少。
确认是多流后,则需要根据流量标记进行引用。

如果用户不输入数据,全部由Loader产生怎么办?
处理方法可以参考用户输入的情况,只是输入的动作由samsara完成了。


分流与合流



当遇到Loader、Ifer、Switcher的时候会产生分流,此时需要特别考虑多流。
由于多流被流量标记标识,则分流之后,需要分离流量标识。可以认为分流后的模块所有流量标识之和就是分流前的模块。
分流后,所有多流数据会根据流量表示进行分离,保证后续单流引用多流的操作正确。

例如:
如果订单主表的到货数量 为 子表到货数量==要货数量的子表和。那么这个判断就会产生分流,之后计算主表的要货数量就是一个子集的求和。

转载于:https://www.cnblogs.com/zc22/archive/2007/11/27/973403.html

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