PowerBI中域的介绍与使用

域是一种将组织中与特定区域或字段相关的所有数据分组在一起的逻辑方式。 域最常见的用途之一是按业务部门对数据进行分组,使部门能够根据其特定法规、限制和需求管理其数据。为了将数据分组到域中,工作区会与域相关联。 当工作区与域关联时,该工作区中的所有项也都与该域相关联,并且这些项会将域属性作为其元数据的一部分。

域的作用

目前,域功能处于预览阶段,作用主要体现在 OneLake 数据中心,用户可以按域筛选内容,以便查找与其相关的内容。

如下图所示,当创建了域后,OneLake数据中心中将出现域的选项,通过切换域,可以方便的找到与该域所关联的所有工作区,以及工作区中的数据集。

域的创建

域需要由租户管理员进行创建,其它用户不能创建域。创建域的步骤如下:

1、打开PowerBI的管理门户,然后在左侧菜单中选择域,并点击页面中部的创建域按钮

2、输入域的名称与说明,比如命名为:销售部,其中域的说明可以选填。然后点击应用

域的配置

域创建好后,下一步就是配置域图像、设置域管理员与参与者,以及将相关的工作区关联到域。

1、配置域图像

域图像指的是显示在OneLake数据中心上方的图片,如下图所示:

目前域图像只能选择内置好的图片,不支持自定义上传,并且也可以不设置。

2、设置域管理员与域参与者

涉及到的角色的区别如下:

  • 租户管理员:租户管理员可以创建和编辑域、指定域管理员和域参与者,以及将工作区与域关联,还可以在管理门户中的“域”页上查看所有定义的域,并且可以编辑和删除域。

  • 域管理员:理想情况下,域的域管理员是业务所有者或指定专家。 他们应熟悉其所在区域的数据以及与之相关的法规和限制。

    域管理员有权访问管理门户中的“域”页,但他们只能查看和编辑他们管理的域。 域管理员可以更新域说明、定义/更新域参与者,并将工作区与域关联。 他们还可以定义和更新域图像,并覆盖租户管理员已委托给域级别的任何特定设置的租户设置。 他们无法删除域、更改域名,也无法添加/删除其他域管理员。

  • 域参与者:域参与者是已获得租户管理员或域管理员授权的工作区管理员,他们可以将由其管理的工作区与域关联,或者更改当前域关联。

3、将相关工作区关联到域

共有两个方式,一个是由域参与者在工作区设置中自行关联,如下图所示:

另一个则是由租户管理员或域管理员在管理门户的域菜单中进行配置,如下图所示:

可以按工作区名称或管理员,以及按容量进行分配,它们的区别如下:

  • 按工作区名称分配
    • 某些组织对工作区有命名约定,便于识别数据的业务上下文。
    • 可以一次搜索和选择多个工作区
    • 如果有工作区已与其他域关联,特定名称旁边会显示一个图标。 如果选择继续操作,会弹出一条警告消息,但你可以继续并替代以前的关联。
  • 由工作区管理员分配
    • 可以根据业务结构选择特定用户或安全组。 确认选择后,由用户和安全组管理的所有工作区都将关联到域。
    • 此操作不包括“我的工作区”。
    • 如果某些工作区已与其他域关联,会弹出一条警告消息,但你可以继续并替代以前的关联。
    • 此操作仅影响现有工作区。 它不会影响所选用户在执行操作后创建的工作区。
  • 按容量分配
    • 在某些组织中,每个部门/业务单位具有专用的容量。
    • 可以一次搜索和选择多个容量。 确认选择后,与所选容量关联的所有工作区都将与域相关联。
    • 如果某些工作区已与其他域关联,会弹出一条警告消息,但你可以继续并替代以前的关联。
    • 此操作不包括“我的工作区”。
    • 此操作仅影响现有工作区。 它不会影响在执行操作后分配给指定容量的工作区。

4、取消工作区关联

若想将工作区从域中取消关联,可以在工作区设置中将域选项设置为无,或在管理门户的域菜单中取消分配,如下图所示:

5、域的删除

只有租户管理员才可以删除域,并且删除域不会删除与其关联的工作区。可以在管理门户的域菜单中进行删除,如下图所示:

总结

不得不说,域这个名字取得非常高端,很容易让人以为这是一个非常牛逼的功能,但其本质上其实相当于一个对工作区进行分组的文件夹,与域关联的工作区就是子文件夹,而工作区里面的数据集则是子文件夹中的文件。

这么一类比,是不是瞬间感觉域变得很Low?但这只是预览阶段的功能,期待其后续的改进与更新。

Unet是一种深度学习模型,最初由Ronneberger等人在2015年提出,主要用于生物医学图像分割。在Matlab中实现Unet网络可以利用其强大的数学计算能力和友好的可视化界面,非常适合科研和教育用途。这个"Unet分割(Matlab)Demo"提供了在Matlab环境中构建、训练和应用Unet模型的示例。 Unet网络的特点在于其对称的架构,由下采样(编码器)和上采样(解码器)两部分组成。编码器部分用于捕捉图像的上下文信息,通过多个卷积层和池化层逐级降低特征图的分辨率,增加表示能力。解码器部分则负责恢复图像的原始空间分辨率,通过上采样和编码器的跳连接来恢复细节信息。 在`segunet.mlx`文件中,我们可能会看到以下关键步骤的实现: 1. **网络结构定义**:定义Unet的卷积层、池化层、上采样层等。Matlab的Deep Learning Toolbox提供了构建自定义网络的函数,如`conv2d`、`maxpool2d`和`upsample2d`。 2. **损失函数选择**:图像分割通常使用交叉熵损失(cross-entropy loss),有时也会结合Dice系数或Jaccard相似度来评估模型性能。 3. **数据预处理**:`data`文件可能包含训练和验证数据,需要进行归一化、分批次等预处理操作。 4. **模型训练**:设置优化器(如Adam)、学习率策略,并执行训练循环。 5. **模型评估**:在验证集上评估模型的性能,例如计算 Dice 指数或IoU(Intersection over Union)。 6. **可视化结果**:展示模型预测的分割结果,实际标签对比,帮助理解模型性能。 为了运行这个Demo,你需要确保安装了Matlab的Deep Learning Toolbox以及相关的数据集。`segunet.mlx`是Matlab Live Script,它将代码、注释和输出结合在一起,便于理解和执行。在Matlab环境中打开此脚本,按照指示操作即可。 此外,了解Unet在网络架构设计上的创新,比如跳跃连接(skip connections),有助于理解模型为何能有效地处理图像分割任务。Unet的成功在于它既能捕捉全局信息又能保留局部细节,因此在生物医学图像分析、遥感图像分割、语义分割等领有广泛应用。 这个"Unet分割(Matlab)Demo"提供了一个直观的起点,帮助初学者和研究人员快速上手Unet网络的实现和训练,为后续的图像分割项目打下基础。通过学习和实践,你可以掌握深度学习在Matlab中的应用,进一步提升在图像处理领的技能。
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

打赏作者

PowerBI | 夕枫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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