redis基础知识

什么叫缓存 
  在开发网站的时候,如果有一些数据在短时间之内不会发生变化,而他们还要被频繁访问,为了提高用户的请求速度和降低网站的负载,就把这些数据放到一个读取速度更快的介质上(或者是通过较少的计算量就可以获得该数据),该行为就称作对数据的缓存。该介质可以是文件、数据库、内存。内存经常用于数据缓存。 
   
缓存的两种形式 
页面缓存:经常用在CMS内存管理系统里边,如新闻页面,内容主体单一集中 (smarty页面缓存–>将页面缓存成静态); 
数据缓存:经常用在页面的具体数据里边。比如商品页面的组成部分根据业务特点(如热卖、推荐、正常商品),各个部分数据比较独立,适合给他们分别数据缓存;

什么是redis 
  redis是内存高速缓存的数据库,redis内部有多个数据库(在redis-conf文件中有配置,用户可以通过select 下标来选择数据库),它保存的数据模型为key-value,支持String/List/Set/Sorted/Zset等类型。redis可将数据从内存持久化到硬盘,保证了数据安全,最重要的是使用缓存减轻了数据库的负载。

redis和memcache比较 
1、redis不仅仅支持简单的key/value类型的数据,同时还提供list,set,zset,hash等数据结构的存储; 
2、redis支持master-slave(主-从)模式应用; 
3、redis支持数据的持久化,可以将内存中的数据保存在磁盘中,重启的时候可以再次加载进行使用; 
4、redis单个vlaue的最大限制是1GB,memcached只能保存1MB的数据;

持久化
  redis为了内部数据的安全考虑,会把本身的数据以文件形式保存到硬盘中一份,在服务器重启之后会自动把硬盘的数据恢复到内存(redis)里边。 
  数据保存到硬盘的过程就称为”持久化”效果。 
  redis持久化的相关配置都在redis-conf文件中。 
   
redis持久化有两种方式:

1、快照持久化(snap shotting)

  该持久化默认开启,一次性把redis中全部的数据保存一份存储在硬盘中,如果数据非常多(10-20G)就不适合频繁该持久化操作。 
快照持久化在本地硬盘自动保存的文件名默认叫dump.rdb。

在redis-conf文件中设置了save快照的频率:

手动发起快照持久化操作指令:./redis-cli bgsave 
如果指定地址:./redis-cli -h ip -p port bgsave

2、AOF持久化(append only file)

本质:把用户执行的每个”写”指令(添加、修改、删除)都备份到文件中,还原数据的时候就是执行具体写指令而已; 
开启AOF持久化(注意会清空redis已有的内部数据):在redis-conf配置文件中开启并保存持久化文件(默认为appendonly.aof) 
配置文件被修改,需要杀死旧进程,再根据新的配置文件启动;

of追加持久化的备份频率在redis-conf中配置:如appendsync everysec(每秒追加一次) 


为aof备份文件做优化处理: 
比如incr这种累加的形式指令,会在备份文件中存在多个key 优化方法: ./redis-cli bgrewriteaof 
这样在文件中将多个incr指令变为一个set指令了;

 

主从模式
  为了降低每个redis服务器的负载,可以设置几个,并做主从模式,一个服务器负载”写”数据,其他服务器负载”读”数据。主服务数据会”自动”同步给从服务器。 
  

在配置文件redis-conf中配置: 
连接主redis: slaveof ip port 
如果给从redis写的权限设置(不过一般如果给redis从服务器“写”的权利就没有意义了):slave-read-only no 
然后保存文件,并杀死进程重启

至此redis基本介绍结束。
--------------------- 
作者:俺就不起网名 
来源:CSDN 
原文:https://blog.csdn.net/u012385190/article/details/53424931 
版权声明:本文为博主原创文章,转载请附上博文链接!

 

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