spark 愿景

代码量和可读性

mapreduce 非常多

rdd 精简很多 但不太容易看懂

sql dataframe 更易懂、更简洁


读写:

可以使用自定义数据源实现ETL

案例:将网站数据查询后保存到hive中


写更少代码

select

join

aggregation

filter


schmea推导抽取:可将json文件对应一个表格

关系型数据库创建名称、类型

半结构化数据:可以推断出字段类型

大数据比较脏的,作一定的清理

能够合并不同的schema信息,但是必须兼容的

建议json转成orc或parquet文件,更快

schema合并自动化


可以对schema比较混杂的json,parquet自动推断合并(字段并,类型合并)

表现为一张表


自动分区探测:

表分区通用的优化方式

查询的时候只需要跟上今天的分区()分区的条件(分区的列标识在分区目录上的)

gender=male作为目录名

parquet能够自动推断分区

好处是查某一性别某一国家

1000万数据聚合dataframe大概2s,RDD python 10s,rdd scala 4s

dataframe执行计划,计算在jvm提升

rdd python vm 与jvm需要大量跨进程交换

rdd scala

总体上,dataframe更快

dataframe 封装逻辑计划

为什么rdd比dataframe慢?函数式编程,创建很多对象

dataframe 尽可能使用已有对象

可以从分利用spark sql内部的特性,不但代码写得好,而且可读,优化



读更少数据

最快:忽略它

并非对所有数据熟视无睹,根据适当条件进行过滤;

能帮我们自动读更少数据:

列式存储,仅仅扫描需要的列(pqrquet,orc)

分区剪枝,日志表(who when what 记录操作日志,按照时间分区)

对于一些存储格式(如列式):存储每块数据统计信息,最大值,最小值

支持条件(predicate)下压到数据源,从数据源段进行筛选

优化:(列式存储,分支裁剪,条件下压)

列式存储到底是什么样的呢?

row a1,b1,c2 a2,b2,c2 ...

col

a1,a2,a3..==>encoding chunk 

b1,b2,b3 ==>encoding chunk



底层优化

如何进行优化的呢?






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