redis 和 memcache

redis 和 memcache

redis: 集群高可用
考虑雪崩,提前评估db能力,做防护
	微服务,数据、缓存独立,多服务之间不要共用缓存,导致耦合度高,A服务的热数据把B服务的热数据挤出去
缓存修改:失效还是删除
读: 可以缓存失效或者修改,cache hit直接返回,cache miss ,get db ,set cache,返回
	对于简单型数据,比如int,string,直接set可以,成本低
	对于User,html,json,修改时要先get,在反序列化或者解析,
	在修改,然后序列化,在set,成本高,一般选择直接失效
	具体看情况,一般直接失效,问题也不大
写: 先操作数据库,直接del缓存,如果先操作cache,
	在数据库主从同步未完成之前,可能导致数据库和缓存数据不一致
缓存脏数据原因:
1、先操作缓存,后数据库
	可能主从同步没有完成,写后立马读,导致读到从库脏数据,set回缓存,
	这是主从同步完成,导致缓存和数据库数据不一致。可以在从库binlog完成后
	主动删除缓存,保持数据一致(可以用cannal?)
2、先操作数据库,后缓存
	写线程主库更新数据,删除缓存,读线程读到从库,set回缓存脏数据。
	解决可以在binlog后注定删除缓存,保持一致。
主从本质解决问题:
读写分离,提升读的性能
	主库写,从库读,主从 数据同步,同步有延迟,可能读取的数据不一致。

redis 是否需要高可用:

假如redis挂了,流量全部压倒数据库,不会导致雪崩,没必要高可用

redis 是否要用要固化

如果redis是指做缓存,允许cache miss,没必要固话。
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