MySQL数据库进阶篇一（存储引擎、索引）

目录

  • 一、存储引擎
    • 1.1、MySQL体系结构：连接层，Server层，引擎层，存储层
    • 1.2、存储引擎
      • 1.2.1、存储引擎：InnoDB(MySQL 5.5后默认的存储引擎)
      • 1.2.2、存储引擎：MyISAM (MySQL早期默认存储引擎)
      • 1.2.3、存储引擎：Memory
      • 1.2.4、InnoDB, MyISAM, Memory的区别，使用场景
  • 二、索引
    • 2.1、索引结构：B+Tree, Hash, R-tree
    • 2.2、索引分类：主键/唯一/常规/全文索引，聚集/二级索引
    • 2.3、索引语法：索引的创建，查看，删除
    • 2.4、SQL性能分析：执行频率，慢查询日志，profile，explain
    • 2.5、索引使用：单列索引，联合索引，前缀索引
    • 2.6、索引使用：验证索引效率，索引失效，SQL提示，覆盖索引
    • 2.7、索引设计原则

一、存储引擎

1.1、MySQL体系结构：连接层，Server层，引擎层，存储层

  • 连接层：连接层负责处理客户端与MySQL服务器之间的连接和通信。它接收客户端的连接请求，并建立与客户端的网络连接。
  • Server层：包括连接器、查询缓存、分析器、优化器、执行器等，涵盖 MySQL 的大多数核心服务功能，以及所有的内置函数（如日期、时间、数学和加密函数等），所有跨存储引擎的功能都在这一层实现，比如存储过程、触发器、视图等。
  • 引擎层：负责数据的存储和检索。架构模式是插件式，服务器通过API和存储引擎进行通信。支持 InnoDB、MyISAM、Memory 等多个存储引擎。
  • 存储层：MYSQL的物理存储部分，负责将数据(如: redolog、undolog、数据、索引、二进制日志、错误日志、查询 日志、慢查询日志等)存储在磁盘上。
    在这里插入图片描述
    在这里插入图片描述

1.2、存储引擎

存储引擎是存储数据、建立索引、更新/查询数据等技术的实现方式 。存储引擎是基于表的，而不是基于库的，所以存储引擎也可被称为表类型。可以在创建表的时指定选择的存储引擎，没有指定将自动选择默认的存储引擎。

  • 存储引擎的查看和指定
    • 使用show create table 表名; 查看建表语句，可以看到当前表所使用的存储引擎
    • 在创建表时，指定存储引擎
    • 查询当前数据库支持的存储引擎 show engines;
CREATE TABLE 表名(
字段1 字段1类型 [ COMMENT 字段1注释 ] ,
......
字段n 字段n类型 [COMMENT 字段n注释 ]
) ENGINE = INNODB [ COMMENT 表注释 ] ;

1.2.1、存储引擎：InnoDB(MySQL 5.5后默认的存储引擎)

特点：

  • DML操作遵循ACID模型，支持事务；
  • 行级锁，提高并发访问性能；
  • 支持外键FOREIGN KEY约束，保证数据的完整性和正确性；

文件：

  • xxx.ibd 存储表结构（frm-早期的 、sdi-新版的）、数据和索引
    xxx是表名，innoDB引擎每张表都会对应一个表空间文件

在这里插入图片描述

  • show variables like 'innodb_file_per_table'; 参数代表是否时一张表对应一个文件。MySQL 8.0 版本以后默认打开
    在这里插入图片描述
    逻辑存储结构：
    表空间->段->区->页->行
    一区可以有64个连续的页
    在这里插入图片描述

1.2.2、存储引擎：MyISAM (MySQL早期默认存储引擎)

特点：

  • 不支持事务，不支持外键
  • 支持表锁，不支持行锁
  • 优点：更少的存储空间，支持全文索引，适用于读取频率较高、写入频率较低的应用场景

文件：

  • xxx.sdi： 存储表结构信息
  • xxx.MYD: 存储数据
  • xxx.MYI: 存储索引
    在这里插入图片描述

1.2.3、存储引擎：Memory

Memory引擎的表数据时存储在内存中，若受到硬件问题、或断电问题的影响，表中数据消失，一般用于临时缓存使用

特点：

  • 内存存放，访问速度较快
  • hash索引（默认）

文件：

  • xxx.sdi：存储表结构信息
  • 数据， 都在内存中

1.2.4、InnoDB, MyISAM, Memory的区别，使用场景

区别：

在这里插入图片描述

InnoDB引擎与MyISAM引擎的区别 ?

  • InnoDB 支持事务，而MyISAM不支持
  • InnoDB 支持行锁和表锁，而MyISAM仅支持表锁, 不支持行锁
  • InnoDB 支持外键, 而MyISAM不支持

适合的使用场景：

  • InnoDB：对事务的完整性有高要求，且在并发条件下要求数据的一致性，数据操作包含很多更删操作

  • MyISAM ： 以读操作和插入操作为主，有少量更新、删除操作，且对事务完整性、并发性要求不高

  • MEMORY：数据保存在内存中，访问速度快，用于临时表及缓存。缺陷就是 对表的大小有限制，太大的表无法缓存在内存中，且断电后数据消失 无法保障数据的安全性。

MyISAM和MEMORY被MongoDB和Redies等 NoSQL 的DBMS所取代

二、索引

索引（index）是MySQL中高效获取数据的数据结构（有序）
在这里插入图片描述

索引优缺点：
优点：

  • 提高数据检索效率，降低数据库的I/O成本
  • 通过索引对数据进行排序，降低数据排序的成本，降低CPU消耗

缺点：

  • 索引占用了数据库的空间 （磁盘便宜
  • 索引提高了查询的效率，降低了更新表（Insert，update，delete）的速度，因为增删改表也需要同时维护索引。 （查询的次数远大于增删改操作的次数

2.1、索引结构：B+Tree, Hash, R-tree

MySQL的索引是在存储引擎层中实现的，不同的存储引擎有不同的索引结构：

  • B+Tree索引：最常见的索引类型，大部分引擎都支持 B+ 树索引
  • Hash索引：底层数据结构是用哈希表实现的, 只有精确匹配索引列的查询才有效，不支持范围查询
  • R-tree(空间索引：是MyISAM引擎的一个特殊索引类型，主要用于地理空间数据类型，通常使用较少
  • Full-text(全文 索引)：是一种通过建立倒排索引,快速匹配文档的方式。

在这里插入图片描述

二叉树

在这里插入图片描述
如果顺序插入：

在这里插入图片描述

  • 顺序插入时，会形成一个单项链表，查询性能大大降低
  • 大数据量情况下，层级较深，检索速度慢

红黑树
在这里插入图片描述

  • 解决二叉树的顺序插入后，树不平衡的问题
  • 在大数据量的情况下，层级较深，检索速度较慢

B-Tree 多路平衡查找树：

以一颗最大度数为5的b-tree为例：

  • 五个指针： 指针1（key<20），指针2（20<key<30），指针3（30<key<62），指针4（62<key<89），指针5（key>89）

  • 四个key：20,30,62,89

在这里插入图片描述
树的度数指一个结点的子节点个数

中间元素向上分裂

  • 一个结点可以包含2个以上的子节点，解决了红黑树 层级较深的问题

  • B树中，非叶子节点和叶子结点都会存放数据，一页中可以放的指针和数据太少，IO次数变多

B+树：
以一个最大度数为4的b+树为例：

度数为4，key有三个，指针有四个
在这里插入图片描述

  • 索引部分：仅仅起到索引数据的作用，不存储数据
  • 数据存储部分，在其叶子节点中要存储具体的数据

与 B-Tree相比，区别：

  • 所有的数据都会出现在叶子节点。
  • 叶子节点形成一个单向链表。
  • 非叶子节点仅仅起到索引数据作用，具体的数据都是在叶子节点存放的。

MySQL优化后的B+ Tree：
在这里插入图片描述

  • 在原B+Tree的基础上，变成了双向循环链表，形成了带有顺序指针的B+Tree

为什么 InnoDB 存储引擎选择使用 B+tree 索引结构?

  • 相对于二叉树，层级更少，搜索效率高；
  • 对于B-tree，无论是叶子节点还是非叶子节点，都会保存数据，这样导致一页中存储 的键值减少，指针跟着减少，要同样保存大量数据，只能增加>树的高度，导致性能降低；
  • 相对Hash索引，B+tree支持范围匹配及排序操作；

2.2、索引分类：主键/唯一/常规/全文索引，聚集/二级索引

在这里插入图片描述
在这里插入图片描述

  • 如果存在主键，主键索引就是聚集索引

  • 如果不存在主键，将使用第一个唯一（UNIQUE）索引作为聚集索引。 （在字段上加了唯一约束的时候，会自动加上该字段的唯一索引

  • 如果表没有主键，或没有合适的唯一索引，则InnoDB会自动生成一个rowid作为隐藏的聚集索引

在这里插入图片描述

以下哪个SQL语句的执行效率会更高，为什么？（id为主键，name字段创建的有索引
​ ① select * from user where id = 10;
​ ② select * from user where name = 'Arm';
答：语句①只需要一次索引扫描，语句②需要先查找主键 再回表使用聚集索引获取一整行数据;因此语句①的执行效率会更高
InnoDB主键索引的B+Tree高度为多高？
答：假设一行数据大小1k，一页大小为16K 可以存储16行这样的数据，InnoDB指针占用6个字节空间空间，假设key占用8个字节，
树高度为2：
非叶子结点页存储key的数量：n * 8 + (n + 1) * 6 = 16 * 1024, n = 1170，key 1170个,指针1171个
一个指针指向一个叶子结点的页，一页能存储16行，所以可以存放1171 * 16 = 18736
树高度为3：
1171 * 1171 * 16 = 273,993,856 可以存放百万级别的数据

2.3、索引语法：索引的创建，查看，删除

  • 创建索引
CREATE [UNIQUE | FULLTEXT] INDEX index_name ON table_name (index_col_name, ...) ;
#index_name 索引名；index_col_name, ...多个字段

如果一个索引只关联一个字段，则该索引称为单列索引

如果一个索引关联多个字段，则该索引称为 联合索引/组合索引

  • 查看该表的所有索引 SHOW INDEX FROM table_name ;

  • 删除该表的indext_name的索引 DROP INDEX index_name ON table_name ;

举例

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.4、SQL性能分析：执行频率，慢查询日志，profile，explain

  • SQL 执行频率：使用命令查看全局/当前会话的增删改查次数 (7个下划线）

    • show [session|global] status like 'Com_______'; 可以提供服务器增删改查的访问频次
      主要对于查询较多的数据库的数据库进行优化，若以增删改为主 考虑不对其进行索引优化
      session 当前会话的，golbal 全局的

  • 使用慢查询日志定位查询效率较低的SQL语句，从而对单个SQL语句进行优化

    • 慢查询日志：记录了所有执行时间超过指定参数（long_query_time，单位：秒，默认10秒）的所有 SQL语句的日志

      • 查看MySQL的慢查询日志是否开启，默认关闭：show variables like 'slow_query_log';
        在这里插入图片描述

    • 尝试使用慢查询日志：

      • 一个进程执行 sudo tail -f /var/log/mysql/mysql-slow.log查看日志文件的尾行
      • 一个进程进入MySQL执行 SELECT BENCHMARK(1000000000, 1+1);进行长时间的压测

  • profile查看指令耗时。执行指令时，当查询时间超过设置时间后才会写慢查询入日志，但有些SQL语句任务简单 时间在超过的设置时间左右 是不合理的，如何发现这类SQL语句 可以使用 profile 在做SQL优化时帮助我们了解时间耗费情况
    在这里插入图片描述

    • 查看当前数据库是否支持profile select @@have_profiling ;

    • 查看当前数据库是否打开了 profiling select @@profiling;

    • 开启profiling SET profiling = 1;

    • 使用指令查看当前会话指令的执行耗时

      • show profiles; 查看每一条SQL的耗时基本情况
      • show profile for query query_id; 查看指定query_id的SQL语句各个阶段的耗时情况
      • show profile cpu for query query_id; 查看指定query_id的SQL语句CPU的使用情况
        在这里插入图片描述

  • explain执行计划：其它的都是关于时间上的优化，explain是关于执行顺序的优化。
    EXPLAIN 或 DESC命令获取 MySQL 如何执行 SELECT 语句的信息，包括在 SELECT 语句执行过程中表如何连接和连接的顺序。
    explain / desc EXPLAIN SELECT 字段列表 FROM 表名 WHERE 条件 ;
    直接在select语句之前加上关键字在这里插入图片描述
    Explain获取的信息：

    • id：select查询的序列号，表示查询中执行select子句或者是操作表的顺序

      • id相同，执行顺序从上到下
      • id不同，值越大，越先执行。

    • select_type：表示 SELECT 的类型，常见的取值有:

      • SIMPLE，简单表，即不使用表连接 或者子查询
      • PRIMARY，主查询，即外层的查询
      • UNION，UNION 中的第二个或者后面的查询语句
      • SUBQUERY，SELECT/WHERE之后包含了子查询）

    • type：表示连接类型，性能由好到差的连接类型为：
      NULL、system、const、 eq_ref、ref、range、 index、all
      NULL性能最好，all性能最差。

    • possible_key：显示可能应用在这张表上的索引，一个或多个

    • key：实际使用的索引，如果为NULL，则没有使用索引。

    • key_len：表示索引字段最大可能长度，并非实际长度，不损失精确性的前提下越短越好

    • rows：MySQL认为必须要执行查询的行数，innodb引擎的表中是一个估计值， 并不总是准确

    • filtered：表示返回结果的行数占需读取行数的百分比，值越大越好

    • extra：额外字段

2.5、索引使用：单列索引，联合索引，前缀索引

  • 联合索引：即一个索引包含了多个列
    • 最左前缀法则：联合索引的使用要遵循最左法则，最左前缀法则指的是查询从索引的最左列开始， 并且不跳过索引中的列。如果跳跃某一列，索引将会部分失效(后面的字段索引失效)
      profession、age、status三个字段都使用到了索引，与查询时的位置顺序无关
      # 1. 为表中的字段：profession、age、status创建联合索引
create index  pro_age_sta_idx on tb_user(profession,age,status);
# ----------- 测试 联合索引是否失效,数字是explain的索引长度----------------
# profession、age、status三个字段都使用到了索引  57
explain select * from tb_user where profession = '软件工程' and age = 31 and status = '0'; 
# profession、age 字段使用到了索引  49
explain select * from tb_user where profession = '软件工程' and age = 31;
# profession 字段使用到了索引 47
explain select * from tb_user where profession = '软件工程';
# 全表扫描，没有使用索引，不符合最左前缀法则 NULL
explain select * from tb_user where age = 31 and status = '0';
explain select * from tb_user where status = '0';
# profession 字段使用到了索引，跳过了age，因此age后的status字段无法使用索引 47
explain select * from tb_user where profession = '软件工程' and status = '0';
# profession、age、status三个字段都使用到了索引，与查询时的位置顺序无关 57
explain select * from tb_user where age = 31 and status = '0' and profession = '软件工程';
  • 单列索引：即一个索引只包含单个列

在业务场景中，如果存在多个查询条件，考虑针对于查询字段建立索引时建议建立联合索引， 而非单列索引。

  • 前缀索引
    字段类型为字符串(varchar,text)，若需要索引是很长的字符串，会使索引长度过长，浪费大量磁盘IO 影响查询效率。因此仅对字符串的一部分前缀建立索引，节约索引空间，提高查询效率

    • 创建前缀索引：create index idx_xxxx on table_name(column(n)) ;

    • 前缀长度 n：根据索引选择性决定，选择性指不重复的索引值（基数）和 表记录总数的比值，索引选择性越高则查询效率越高。例如：唯一索引的选择性是1，是最好的索引选择性，性能最好

      # 查询使用email整个字符串的索引选择比   1.0000
select count(distinct email) / count(*) from tb_user;
# 查询使用email 使用前缀5个字符串的索引选择比  0.9583
select count(distinct substring(email,1,5)) / count(*) from tb_user ;
# 查询使用email 使用前缀2个字符串的索引选择比   0.9167
select count(distinct substring(email,1,2)) / count(*) from tb_user ;
# 对字段email建立前缀索引，前缀长度为5  
create index email_idx on tb_user(email(5));
# 查看使用email前缀索引进行查询的执行结构
explain select * from tb_user where email = 'xiaoyu666@qq.com';
    修改n，查看索引选择性的值，在索引选择性和前缀长度 做权衡

    • 前缀索引的查询流程：

      • 查询字符串的前N个字符串去索引表中查找 获取到对应前缀的主键ID，找到后回表去主键表中获取到整行数据（整个字符串），对比是否与查找字符串相等
      • 若在二级索引的表中 下一条数据的前缀N和当前查找的前缀N不等，则直接返回；
      • 若相等，则获取下一条数据的主键ID，回表去主键表中获取整行数据，查看字符串是否和查询字符串相等；

2.6、索引使用：验证索引效率，索引失效，SQL提示，覆盖索引

  • 验证索引效率

    • 在未建立索引时，执行SQL语句 查看SQL耗时：

      select * from tb_sku where sn = '100000003145001';

    • 对字段sn建立索引后，重新进行查询，查看SQL耗时

      create index sn_idx on tb_sku(sn);

      select * from tb_sku where sn = '100000003145001';

      show index from tb_sku;

在这里插入图片描述

使用explain解释和分析 查询语句

explain select * from tb_sku where sn = '100000003145001';
在这里插入图片描述

  • 索引失效情况：

    • 不遵循最左前缀法则(联合索引)：没有有从索引的最左列开始，联合索引失效；中间跳过了索引的中间字段，则该字段后的联合索引都失效

    • 范围查询(联合索引)：联合索引中，出现范围查询(>,<)，范围查询右侧的列索引失效

      # profession、age使用到了索引， 49
explain select * from tb_user where profession = '软件工程' and age > 30 and status = '0';
# profession、age、status三个字段都使用到了索引  57
explain select * from tb_user where profession = '软件工程' and age >= 30 and status = '0';

    • 索引列运算：在索引列上进行运算操作， 索引将失效

    • 字符串不加引号：字符串类型字段使用时，不加引号，索引将失效

    • 模糊查询：尾部模糊匹配，索引不会失效；头部模糊匹配，索引失效。

    • or连接条件：or左右两侧的字段必须都有索引，若左有 右无 则左的索引失效

    • 数据分布影响：如果MySQL评估使用索引比全表更慢，则不使用索引

  • SQL提示：是优化数据库的一个重要手段，简单说，是在SQL语句中加入一些人为提示达成优化操作

    # SQL提示 使用者根据自己的倾向 建议/忽略/强制使用 MySQL使用哪个索引进行查询
# profession字段有两个索引：单列索引 profession_idx，联合索引 pro_age_sta_idx

#use index: 建议MySQL使用哪一个索引完成此次查询（仅仅是建议，mysql内部还会再次进行评估）
explain select * from tb_user use index(profession_idx) where profession = '软件工程';
#ignore index: 忽略指定的索引
explain select * from tb_user ignore index(pro_age_sta_idx) where profession = '软件工程';
#force index: 强制使用索引
explain select * from tb_user force index(profession_idx) where profession = '软件工程';

  • 覆盖索引：指查询使用了索引，并且需要返回的列，在该索引中已经全部能够找到。尽量使用覆盖索引，减少select *。 尽量返回使用索引就能得到的列，而不是需要回表
    在这里插入图片描述
    在这里插入图片描述

2.7、索引设计原则

  • 针对于数据量较大，且查询比较频繁的表建立索引
  • 针对于常作为查询条件（where）、排序（order by）、分组（group by）操作的字段建立索引
  • 尽量选择区分度高的列作为索引，尽量建立唯一索引，区分度越高，使用索引的效率越高
  • 如果是字符串类型的字段，字段的长度较长，可以针对于字段的特点，建立前缀索引
  • 尽量使用联合索引，减少单列索引，查询时，联合索引很多时候可以覆盖索引，节省存储空间， 避免回表，提高查询效率。
  • 要控制索引的数量，索引并不是多多益善，索引越多，维护索引结构的代价也就越大，会影响增删改的效率
  • 如果索引列不能存储NULL值，请在创建表时使用NOT NULL约束它。当优化器知道每列是否包含 NULL值时，它可以更好地确定哪个索引最有效地用于查询。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/568956.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

数据可视化———Tableau

数据可视化———Tableau

基本认识&#xff1a; 维度&#xff1a;定性—字符串文本&#xff0c;日期和日期时间等等 度量&#xff1a;定量—连续值&#xff0c;一般属于数值 数据类型&#xff1a; 数值 日期/日期时间 字符串 布尔值 地理值 运算符 算数运算符&#xff1a;加减乘除,%取余&#xff0c;…
阅读更多...
【Flask】Flask中HTTP请求与接收

【Flask】Flask中HTTP请求与接收

一、接收http请求与返回响应 在Flask中&#xff0c;可以通过app.route装饰器来定义路由函数。 app.route(/BringGoods,methods [POST, GET]) GET请求&#xff1a;使用request.args.get(key)或者request.values.get(key)来获取URL中的参数。 POST请求&#xff1a; 使用req…
阅读更多...
Python自学之路--001：Python + PyCharm安装图文详解教程

Python自学之路--001：Python + PyCharm安装图文详解教程

目录 1、概述 2、Python解释器 2.1、下载 2.2、Python安装 2.3、Python环境变量配置&#xff0c;必选项 3、PyCharm安装 3.1、PyCharm下载 3.2、PyCharm安装 4、建一个Hello World 5、Phcarm设置 5.1、Phcarm汉化 5.2、Phcarm工具栏显示在顶部 5.3、Phcarm通过pip安…
阅读更多...
【QT学习】9.绘图，三种贴图，贴图的转换，不规则贴图（透明泡泡）

【QT学习】9.绘图，三种贴图，贴图的转换，不规则贴图（透明泡泡）

一。绘图的解释 Qt 中提供了强大的 2D 绘图系统&#xff0c;可以使用相同的 API 在屏幕和绘图设备上进行绘制&#xff0c;它主要基于QPainter、QPaintDevice 和 QPaintEngine 这三个类。 QPainter 用于执行绘图操作&#xff0c;其提供的 API 在 GUI 或 QImage、QOpenGLPaintDev…
阅读更多...
linux18：进程等待

linux18：进程等待

进程等待的必要性 1&#xff1a;子进程创建的目的是要完成父进程指派的某个任务&#xff0c;当子进程运行完毕退出时&#xff0c;父进程需要通过进程等待的方式&#xff0c;回收子进程资源&#xff0c;获取子进程退出信息&#xff08;子进程有无异常&#xff1f;没有异常结果是…
阅读更多...
研究发现：提示中加入数百个示例显著提升大型语言模型的性能

研究发现：提示中加入数百个示例显著提升大型语言模型的性能

每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗&#xff1f;订阅我们的简报&#xff0c;深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同&#xff0c;从行业内部的深度分析和实用指南中受益。不要错过这个机会&#xff0c;成为AI领…
阅读更多...
人工智能时代的关键技术：深入探索向量数据库及其在AI中的应用

人工智能时代的关键技术：深入探索向量数据库及其在AI中的应用

文章目录 1. 理解向量数据库&#xff1a;二维模型示例2. 向量数据库中的数据存储与检索3. 向量数据库如何工作&#xff1f;4. 向量数据库如何知道哪些向量相似&#xff1f; 在人工智能技术日益成熟的当下&#xff0c;向量数据库作为处理和检索高维数据的关键工具&#xff0c;对…
阅读更多...
LlamaIndex 加 Ollama 实现 Agent

LlamaIndex 加 Ollama 实现 Agent

AI Agent 是 AIGC 落地实现的场景之一&#xff0c;与 RAG 不同&#xff0c;RAG 是对数据的扩充&#xff0c;是模型可以学习到新数据或者本地私有数据。AI Agent 是自己推理&#xff0c;自己做&#xff0c;例如你对 AI Agent 说我要知道今天上海的天气怎么样&#xff0c;由于 AI…
阅读更多...
WSL2无法ping通本地主机ip的解决办法

WSL2无法ping通本地主机ip的解决办法

刚装完WSL2的Ubuntu子系统时&#xff0c;可能无法ping通本地主机的ip&#xff1a; WSL2系统ip&#xff1a; 本地主机ip&#xff1a; 在powershell里输入如下的命令&#xff1a; New-NetFirewallRule -DisplayName "WSL" -Direction Inbound -InterfaceAlias &quo…
阅读更多...
AI大模型探索之路-认知篇4：大语言模型预训练基础认知

AI大模型探索之路-认知篇4：大语言模型预训练基础认知

文章目录 前言一、预训练流程分析二、预训练两大挑战三、预训练网络通信四、预训练数据并行五、预训练模型并行六、预训练3D并行七、预训练代码示例总结 前言 在人工智能的宏伟蓝图中&#xff0c;大语言模型&#xff08;LLM&#xff09;的预训练是构筑智慧之塔的基石。预训练过…
阅读更多...
【简单讲解下如何学习C++】

【简单讲解下如何学习C++】

&#x1f3a5;博主&#xff1a;程序员不想YY啊 &#x1f4ab;CSDN优质创作者&#xff0c;CSDN实力新星&#xff0c;CSDN博客专家 &#x1f917;点赞&#x1f388;收藏⭐再看&#x1f4ab;养成习惯 ✨希望本文对您有所裨益&#xff0c;如有不足之处&#xff0c;欢迎在评论区提出…
阅读更多...
微信小程序开发工具的使用，各个配置文件详解，小程序开发快速入门

微信小程序开发工具的使用，各个配置文件详解，小程序开发快速入门

✨✨ 欢迎大家来到景天科技苑✨✨ &#x1f388;&#x1f388; 养成好习惯&#xff0c;先赞后看哦~&#x1f388;&#x1f388; &#x1f3c6; 作者简介&#xff1a;景天科技苑 &#x1f3c6;《头衔》&#xff1a;大厂架构师&#xff0c;华为云开发者社区专家博主&#xff0c;…
阅读更多...
网页信息提取能力哪家强？GPT4、Claude、perplexity、kimi、通义千问大比拼

网页信息提取能力哪家强？GPT4、Claude、perplexity、kimi、通义千问大比拼

barnesandnoble网上书店有一个页面&#xff1a;https://www.barnesandnoble.com/b/books/step-into-reading-early-readers-kids-fiction/step-into-reading-book-series-a-step-3-book-childrens-fiction/_/N-29Z8q8Z2i94?Nrpp40&page1 &#xff0c; 现在想把网页上的书名…
阅读更多...
【Linux高性能服务器编程】两种高性能并发模式剖析——半同步/半异步模式

【Linux高性能服务器编程】两种高性能并发模式剖析——半同步/半异步模式

hello &#xff01;大家好呀&#xff01; 欢迎大家来到我的Linux高性能服务器编程系列之两种高性能并发模式介绍&#xff0c;在这篇文章中&#xff0c;你将会学习到高效的创建自己的高性能服务器&#xff0c;并且我会给出源码进行剖析&#xff0c;以及手绘UML图来帮助大家来理解…
阅读更多...
分布式与一致性协议之拜占庭将军问题(三)

分布式与一致性协议之拜占庭将军问题(三)

拜占庭将军问题 叛将先发送消息 如果是叛将楚先发送作战消息&#xff0c;干扰作战计划&#xff0c;结果会有所不同吗&#xff1f; 在第一轮作战信息协商中&#xff0c;楚向苏秦发送作战指令"进攻",向齐、燕发送作战指令"撤退"&#xff0c;如图所示(当然还…
阅读更多...
【勒索病毒恢复】.svh勒索病毒介绍及恢复方案

【勒索病毒恢复】.svh勒索病毒介绍及恢复方案

一、.[[backupwaifu.club]].svh勒索病毒介绍 svh勒索病毒是一种恶意软件&#xff0c;它通过加密受害者的文件并要求支付赎金来解锁&#xff0c;从而达到勒索的目的。这种病毒已经存在了数年&#xff0c;并且不断演变&#xff0c;形成了多种不同的家族和变种。如果您的数据承载着…
阅读更多...
接口测试-笔记

接口测试-笔记

Date 2024年4月23日21:19:51 Author KarrySmile 1. 前言 因为想更加规范地开发接口&#xff0c;同时让自己测试接口的时候更加高效&#xff0c;更好地写好接口文档。所以学习黑马的《接口自动化测试》课程。链接&#xff1a;黑马程序员软件测试接口自动化测试全套视频教程&a…
阅读更多...
Maven基础篇6

Maven基础篇6

Idea环境中资源上传与下载 具体问题本地仓库如何与私服打交道&#xff1b; 本地仓库向私服上传文件&#xff0c;上传的文件位置在哪里&#xff1f; 访问私服配置相关信息&#xff1a;用户名密码&#xff1b; 下载东西&#xff0c;需要的各种信息&#xff0c;需要的仓库组的…
阅读更多...
TDengine高可用探讨

TDengine高可用探讨

提到数据库&#xff0c;不可避免的要考虑高可用HA&#xff08;High Availability&#xff09;。但是很多人对高可用的理解并不是很透彻。 要搞清高可用需要回答以下几个问题&#xff1a; 什么是高可用&#xff1f;为什么需要高可用&#xff1f;高可用需要达到什么样的目标&am…
阅读更多...
【面试经典 150 | 数组】反转字符串中的单词

【面试经典 150 | 数组】反转字符串中的单词

文章目录 写在前面Tag题目来源解题思路方法一&#xff1a;模拟实现方法二&#xff1a;使用库函数 写在最后 写在前面 本专栏专注于分析与讲解【面试经典150】算法&#xff0c;两到三天更新一篇文章&#xff0c;欢迎催更…… 专栏内容以分析题目为主&#xff0c;并附带一些对于本…
阅读更多...
最新文章

Copyright @ 2022~2023