老崔说架构-CSDN博客

原创一文搞定架构思维，DFD 的结构化分析，只需明白这3点

在架构设计中为了更加清晰地将业务进行拆解，通常会使用到结构化分析的方法。结构化分析方法的基本思想是自顶向下逐层分解。其目的是为了将复杂的问题进行拆解和抽象。因为，对复杂的业务问题，一时间人们很难问题的所有方面和全部细节，需要将大问题分解成小问题，小问题分解成更小的问题，经过多次逐层分解，让最底层的问题变得足够简单、容易解决的，让问题更容易量化、评估、定义。结构化分析的目的就是化繁为简，当然这都是概念上的定义，为了实现上述功能会提供一些工具支撑结构化分析的思想，工具包括：数据流图(Data Flow Diag

2022-08-18 10:54:48 223 1

原创深度学习公式推导（3）：初探神经网络

经过上节的讲述我们能够理解输入x、权重w、偏置b （-θ）之间的关系，如下图所示：公式中的n 代表有n个输入项，因此所有的输入值最终等于z，之前我们通过u(z) 的函数得到的结果y，0 或者1 。为了获取y 点火的概率，我们使用了激活函数 a(z) ,激活函数的目的是表示y 点火的概率是多少，如果结果靠近 1 就是点火的可能性较大，否则就认为可能性较小。并且得出了激活函数的最终结果就好像两个向量求内集如下：神经元网络有了神经元的概念打底再来看看多个神经元形成的网络，每个神经元既可以发送信号，又可以接受信号

2022-08-17 20:53:35 587

原创深度学习公式推导（2）：激活函数与偏置

上一节讲到神经元接受到信号量以后点火的公式：x1、x2、x3是否有信号输入，w1 、w2、w3 是信号量的权重，θ 是点火的阀值，最后得到的结果y 表示是否点火，结果 0 表示不点火，结果1 表示点火。激活函数虽然通过上面的公式我们可以得到y 是否点火，这里有一个假设，也就是y 只有两种结果，也就是点火或者是不点火。所以，上面的公式是一个阶跃函数，结果是0和1，也就是线性函数。但是在实际情况中 y 点火这件事情是存在概率的，例如 64% 的机率点火，有36%的机率不点火。为了达到这个效果就需要将线性

2022-08-16 16:31:41 338

原创深度学习公式推导（1）：神经元的数学公式

在上节中我们说了神经元是如何接受信号，并且发射点火从而影响其他神经元的，下面先来复习一下整个过程。如上图所示，神经元点火的过程。(i) 神经元接受来自其他多个神经元的信号，这些信号会作为该神经元的输入。(ii) 如果信号量之和达到了神经元点火的阈值，神经元就会触发点火。也即是说神经元的输出有两种情况，点火或者不点火，我们用数字信号 0表示不点火， 1 表示点火。如上图所示，y 代表神经元的输出0（无输出信号），1（有输出信号）。同样，作为神经元的输入，也存在有信号输入（1）和无信号输入（0），我们用x1、x

2022-08-15 14:54:48 620

原创 MySQL 原理与优化：行锁

在MySQL中行锁在Innodb引擎中存在。行锁分为共享锁（S）：允许一个事务读一行记录，组织其他事务获得相同数据集的排他锁。排他锁（X）：允许获取排他锁的事务更新数据，组织其他事务获取相同数据的共享锁和排他锁。在如下图的操作中，SQL 会对应不同的行锁行为行锁也就是对表中一行记录进行加锁，只是select 语句是不会加锁的。针对select XX lock in share mode 的情况会对行加共享锁（S），针对select XXX from update ,以及 insert、update、dele

2022-08-14 11:19:07 432

原创 MySQL 原理与优化：意向锁，IS，IX

先来看一种应用场景，当有两个线程 A和B 分别访问一张表。线程 A ：针对表中的一条语句进行update 操作，假设根据记录的id 更新记录，此时开启的事务会对这条记录加行锁。线程 B：如果需要进行锁表的操作，例如：lock tables [table_name] read/write，也就是对表加上读写锁。在加表锁之前需要检查行记录是否加锁，如果有加锁就需要等待锁释放以后再进行表锁的后续操作。此时检查行锁的操作，就需要从表的第一行向下逐一进行，直到最后一行记录。大家知道对表进行扫描操作的效率是非常低的，此

2022-08-13 13:57:00 438

原创 MySQL 原理与优化：原数据锁的应用

MySQL 中原数据锁是系统自动控制添加的，对于用户来说无需显示调用，当我们使用一张表的时候就会加上原数据锁。原数据锁的作用是为了保护表原数据的一致性，如果在表上有活动事务的时候，不可以对元数据进行写入操作。也就是为了避免DML 和DDL 之间的冲突，保证读写的正确性。说白了就是，在对数据表进行读写操作的时候，不能进行修改表结构的操作。如上图所示，在执行select 操作的时候，MySQL 会自动加上shared_read 锁，在insert，update， delete 以及 select for upd

2022-08-12 14:49:28 79

原创深度学习公式推导：从神经元出发

在谈深度学习中的神经网络之前，先从生物学的神经元开始说起。大脑里面有很多神经元，这些神经元形成了一个网络。网络中的神经元会互相传递信号，神经元在传递信号的同时也会从其他神经元接受传递过来的信号。当接受信号的时候，神经元会计算，如果信号的和不超过某个固定大小的值（阈值），则神经元不做出任何反应。如果信号量传递的总和超过某个固定大小的值（阈值），则神经元做出反应，这个反应称为点火，同时会向其他的神经元传递固定强度的信号。如图所示，中间的神经元A，在接受到左边三个神经元不同程度的信号时，会不断积累能量，当这个能量

2022-08-11 17:58:41 144

原创 MySQL 原理与优化：Update 优化

谈到Update 语句大家可能不会陌生，很多情况下我们都会使用它来更新table中的记录。一般而言我们会使用innodb 的存储引擎，innodb引擎是基于行锁的，具体一点说是针对索引来加锁的（保证锁不能失效），并不是针对记录加锁，如果对于没有建立索引的字段进行过滤操作，从而执行update 的话，会导致表锁。今天就看看在使用innodb的时候如何使用update 语句。已经存在course 表，其内容如下：目前该表没有加任何的索引，默认情况下id 是表的索引。接着让我们分别开启两个事务（两个客户端），分

2022-08-10 14:30:13 345

原创 MySQL 原理与优化：Limit 查询优化

假设有表tb_sku，其表结构如下。表中大约有200w条记录，执行如下的sql 语句大约 4.36s 返回数据select count(*) from tb_sku;接着我们使用对其进行分页查询：select * from tb_sku limit 0,10;limit 语句其中0 代表起始位置，10 为每页返回的数据数量。如上图所示，很快就返回了查询结果。接着我们再使用SQL 语句select * from tb_sku limit 10,10;语句从记录位置10的位置开始再往下返回10 条记录，也就

2022-08-09 14:44:19 547

原创 MySQL 原理与优化，Group By 优化技巧

今天来看看MySQL 中如何多Group By 语句进行优化的。先创建tb_user 表如下通过show index from tb_user; 命令查看表，没有存在任何的索引。执行如下代码，查看SQL 执行情况explain select profession, count(*) from tb_user group by profession ;发现返回结果中 type 为“ALL” ，Extra 返回“Using temporary” 说明没有使用索引。于是，创建基于profession，age和st

2022-08-08 21:43:37 360 1

原创谈谈互联网企业的人员，组织，管理和领导

随着互联网大热和全民创业的大潮，互联网企业特别是初创企业如雨后春笋一般遍布神州大地。就连一些大厂和传统企业也加入其中，组建或者扩充自己的团队。在这个过程中不免会涉及到对人员，组织，管理，领导方面的问题，今天和大家分享一下我的看法。要点：人员组织管理和领导人员谈谈互联网企业的人员，组织，管理和领导有朋友问我，互联网企业最重要的是什么？我思索良久，服务器，软件平台，在线服务，办公室，基...

2019-04-07 09:35:05 706

原创谈谈互联网企业的人员分工和角色管理

互联网的技术交付需要不同角色的人员，通常会有一个人担任多个角色，多个人同时负责同一个任务的情况。作为领导者分配任务之后不知道找谁来负责，谁来协作，谁来提供支持，谁审批，谁需要知晓的。今天我们来看看有什么好办法。角色任务分配方式谈谈互联网企业的人员分工和角色管理如果领导只指定一个人作为事情的主要负责人，其他的人都做为辅助者的角色协助负责人。工作的指导实施都又负责人来决定。这样大家的工作方向一...

2019-04-07 09:09:15 4402

qq_24318827的博客