池化层降低了后续网络层的输入维度，缩减模型大小，提高计算速度，并提高了Feature Map 的鲁棒性，防止过拟合，它主要对卷积层学习到的特征图进行下采样（subsampling）处理，主要由两种。是一个较简单的卷积神经网络, 输入的二维图像，先经过两次卷积层,池化层，再经过全连接层，最后使用softmax分类作为输出层。卷积神经网络的输入要求是：N H W C ，分别是图片数量，图片高度，图片宽

体系化！**

(img-EfOrvREr-1715262094573)](img-QfwafC2n-1715262094573)]方便我们对集合、数组的数据进行统计。

于是去了我现在的公司面试，岗位是大数据开发实习生，我当时准备了很多算法方面的、SQL语句、SQL调优、shell脚本、hadoop、kettle工具，面试的时候就一个自我介绍，要求转Python，公司比较小所以根本用不上Hadoop，主管也没多问Hadoop相关的，说的是如果我有兴趣可以自己从零搭建，他们提供服务器。今年年初的时候，学校就通知需要去实习了，当时我的想法是走数据分析，我脑子也不知道想

需要注意的是，这里的Secondary节点必须是数据节点，可以是隐藏节点、延迟节点或Priority为 0 的节点，但仲裁节点（Arbiter）绝对不行。图中是一个一主两从的副本集，设置了w: “majority”，代表一个写操作，需要等待副本集中绝大多数节点（本例中是两个）应用完，才能给客户端反馈。Write Concern，可理解为写安全策略，简单来说，它定义了一个写操作，需要在几个节点上应用

所有的 props 都遵循着单向绑定原则，props 因父组件的更新而变化，自然地将新的状态向下流往子组件，而不会逆向传递。我们需要在 register.vue 中为 input.vue 绑定自定义事件, 子组件将数据以参数的形式传给父组件,并触发。对 error_message 进行数据监视, 每当error_message发生改变时,就进行一次提示。​ 格式无误: 将 input_data 中

我开始思考，是不是因为索引失效了，但是我是写的有主键的，按照MySQL的默认引擎InnoDB的索引方法，每次查询应该会走索引的，即使表中没有主键，也没有不重复的列，InnoDB也会自己用隐藏列中的rowid做唯一索引的。是这样的，如果主键连续递增，这么写sql雀氏非常完美，但是实际项目中，主键一般都是用雪花算法生成的，上一条的主键和下一条的主键之间一般不会是简单的加一减一的关系，所以我们取前500

一级入口重点内容executors不同executors之间，是否存在负载倾斜不同executors之间，是否存在负载倾斜storage分布式数据集的缓存级别，内存，磁盘缓存比例SQL初步了解不同执行计划的执行时间，确实是否符合预期jobs初步感知不同jobs的执行时间，确实是否符合预期stage初步感知不同stage的执行时间，确实是否符合预期记录了以action为粒度，记录了每个action作

用于大规模数据处理的统一分析引擎特点：对任意类型（结构化、半结构化、非结构化）的数据进行自定义计算。

Apache RocketMQ 是一款典型的分布式架构下的中间件产品，使用异步通信方式和发布订阅的消息传输模型。Apache RocketMQ 产品具备异步通信的优势，系统拓扑简单、上下游耦合较弱，主要应用于异步解耦，流量削峰填谷等场景。分布式系统架构思想下，将复杂系统拆分为多个独立的子模块，例如微服务模块。一种是同步的RPC远程调用同步RPC调用模型下，不同系统之间直接进行调用通信，每个请求直接