SelectDB：定义 AI 时代的现代化数据基础设施

SelectDB技术团队 SelectDB技术团队 博客等级 墨衍会员 · 1平台 · 1.2k阅读 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.2k累计阅读 1.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-08-17 16:25:35 发布 1.2k 阅读 AI 写同款· GEO 优化 ›
060、模型蒸馏：把扩散模型压进单步的魔法 《端侧文生图模型蒸馏实战：从32步到1步的优化之道》摘要：针对边缘设备部署难题，本文分享了扩散模型蒸馏的核心经验。通过重构损失函数（感知损失+对抗训练+KL散度）、优化采样轨迹截取策略和改造学生模型架构，成功将Stable Diffusion压缩至单步推理。关键发现包括：小批量训练更有效、标签平滑保障生成多样性、双模型策略平衡质量与速度。在Cortex-A53芯片上实现300ms内生成，内存占用控制在200MB以下。特别强调工业部署需权衡压缩率与稳定性，建议保留迭代模式开关以适配不同场景需求。 阅读详情

在人工智能（AI）大模型席卷全球的今天，数据已被公认为新时代的“石油”。然而，石油若未经提炼便无法产生动力，数据若缺乏高效的基础设施支撑，也难以转化为智能决策。随着企业数字化转型进入深水区，数据量呈指数级增长，传统的数据架构正面临前所未有的挑战。

作为新一代分析数据库的领航者，北京飞轮数据科技有限公司旗下的核心产品 SelectDB 紧扣时代脉搏，通过构建现代化、极速实时、AI 原生的数据基础设施，不仅解决了传统架构的问题，更在 AI 浪潮中为中国技术建立了新的竞争优势。

一、 数据基础设施的重要性：AI 时代的“胜负手”

随着企业数字化进程的加速，数据基础设施（Data Infrastructure）已从后台的“辅助决策工具”跃升为业务创新的“核心引擎”。

  • 数字化进程的必然产物

在过去的十年里，企业经历了从“流程驱动”向“数据驱动”的转变。无论是金融风控、电商推荐还是工业物联网，海量实时数据的处理能力直接决定了企业的生存空间。数据基础设施作为数据的载体与加工场，其效率高低直接关系到业务响应的快慢。

  • 打破国外垄断，建立国产优势

长久以来，全球数据分析技术栈长期被Teradata、Vertica、Greenplum 和 Hadoop/Spark 等国外巨头或者技术垄断。在当前的国际环境下，开发具有自主知识产权、国产可控的数据技术，不仅是出于安全考虑，更是为了在技术底层实现“弯道超车”。AI 时代的到来提供了一个全新的竞技场，我们需要勇于在这一领域建立我国的自主优势。

  • AI 成败的关键

AI 的本质是“大数据+大算力+强算法”。在大模型时代，数据的质量、多样性以及检索的实时性，直接决定了 AI 应用的成败。现代化数据基础设施能够为 AI 提供高质量的“燃料”，是建立我国 AI 领域全球优势的基石。

二、 传统数据基础设施的困局：落后架构难以承载未来

尽管硬件技术如 NVMe 存储、高性能多核 CPU 及网络互联技术突飞猛进，但许多企业沿用的依然是十年前甚至二十年前的架构逻辑，矛盾日益尖锐。

  • 成本高昂与架构落后： 传统的“计算存储耦合”架构导致资源错配。为了应对业务波峰，企业不得不按最高负荷配置硬件，造成波谷时大量资源闲置，成本居高不下，且难以根据负载灵活调整资源。

  • 架构臃肿与“数据孤岛”： 企业内部往往堆叠了大量的组件（流计算、数据库、数据湖），系统繁杂导致运维难度极大，数据散落在不同仓库中形成孤岛，无法实现统一视图。

  • 实时性与并发性短板： 传统系统多偏向内部报表分析，在面对 AI 实时决策、大规模用户高并发查询时，响应延迟高、吞吐能力差，无法支撑面向外部客户的实时智能服务。

  • 无法管理多模态数据： AI 时代不仅需要处理结构化数据，更面临海量的 JSON、日志等半结构化数据，以及图片、视频、语音等非结构化数据。传统基础设施主要针对行列式结构设计，面对多模态数据显得力不从心。

三、 SelectDB 定义现代化数据基础设施

  1. 先进架构：云原生及湖仓架构

现代化基础设施已经经历了从分布式到云原生，再到湖仓架构的三个重要阶段。SelectDB 站在了进化的顶端，完美契合当下及未来的技术潮流。

  • ~2000 | 分布式时代（Distributed Era）：线性扩展的起点

采用 Shared-Nothing 架构，通过数据分片和分布式技术打破了单机性能极限。这一阶段实现了硬件资源的初步横向扩展（Scale-out）和高可用性，为海量数据处理奠定了物理基础。

  • ~2010 | 云原生时代（Cloud-Native Era）：解耦与弹性的飞跃

核心特征是 Shared-Storage。SelectDB 通过多租户架构实现了计算与存储的彻底解耦。这种架构允许计算资源根据实时负载独立弹性伸缩，实现了“按量付费”的极效价值。企业无需再为业务波峰预留过剩资源，极大地提升了 IT 投入产出比。

  • ~2020 | 湖仓时代（Lakehouse Era）：打破孤岛的终极模式

进一步进化为 Shared-Data 模式。SelectDB 原生支持湖仓一体架构，利用 Iceberg、Hudi 等开放存储格式打破数据孤岛。它不仅确保了多引擎间的兼容性，更实现了供应商中立（Vendor Independence），让企业能够在一个统一的语义平台上，对湖中数据进行高性能、实时的交互式分析。

  1. 极致性能：从入库到洞察的全链路飞跃

SelectDB 致力于打造“全链路极速”的端到端引擎，其性能在国内外多项榜单（如 ClickBench、TPC-H、TPC-DS）中始终处于领先地位。

  • 秒级流式写入（Streaming Ingestion）：数据入库即分析

SelectDB 支持来自 Kafka 和数据库 CDC 的高频、秒级流式数据接入。通过优化的列式存储引擎和主键存储模型，它能够承受海量写入压力的同时，保证查询的近实时性，让 AI 模型能够基于“活的数据”进行推理。

  • 分钟级增量转换（Incremental Transform）：告别沉重的批处理

利用增量物化视图和智能刷新机制，SelectDB 用增量转换替代了传统的繁重批处理（Batch Processing）。原本需要数小时的复杂 ETL 任务被缩短至分钟级甚至更短（< 1min Refresh），极大地提升了特征工程和指标计算的实效性。

  • 极速分析（Blazing-Fast Analytics）：亚秒级的实时响应

在复杂分析场景下，SelectDB 实现 3-5 倍 的性能提升。其核心的向量化执行引擎和智能索引技术，保证了即使在 PB 级数据集和超高并发环境下，依然能维持稳定的 10ms 级 响应时间。这种“全链路极速”保证了从原始数据生成到最终业务洞察的通路始终畅通无阻。

  1. AI 原生：为下一代智能应用而生

面对 AI 时代的新需求，SelectDB 展现出了极强的前瞻性，提供了完整的 AI 原生（AI-Native）能力栈。

  • 智能体分析（Agentic Analytics）：提供语义层，赋予 AI 自主决策的“手脚”

在 Agent 时代，AI 不再仅仅是对话框，而是能够执行任务的智能体。SelectDB 通过无缝集成 MCP（Model Context Protocol）Server，并提供强大的语义层（Semantic Layer），打破了 AI 模型与复杂物理数据表之间的理解隔阂。语义层将晦涩的数据库字段转化为 AI 易于理解的业务逻辑，赋能自主 AI Agent 直接、精准地与企业数据交互。这种协议级的整合，让 AI 能够基于实时数据流实现自主分析与自动化决策，真正让 AI 从“思考”跨越到“行动”。

  • 混合搜索（Hybrid Search）：RAG 应用的终极检索底座

针对大语言模型普遍面临的“幻觉”问题，RAG（检索增强生成）已成为企业的标准配置。SelectDB 将全文本搜索（Full-text Search）与向量搜索（Vector Search）深度统一在单个高性能引擎中。通过这种混合检索模式，SelectDB 既能像传统搜索引擎一样精准匹配关键词，也能像向量数据库一样理解语义相关性。这种双剑合璧的能力，为 RAG 应用提供了高精度、低延迟的检索支撑，确保 AI 回复的每一个字都有据可依。

  • 多模数据管理（Multimodal Data Management）：构建统一的 AI Lakehouse

AI 时代的数据不再局限于结构化数据。SelectDB 支持对文本、JSON、图像、视频和语音的统一管理，实现了从结构化数据到非结构化数据的全面覆盖。这种“全模态”管理能力构建了真正意义上的 AI Lakehouse。通过在数据库内部打破数据类型的壁垒，SelectDB 能够显著加速特征工程和数据清洗过程，实现与 AI 训练及推理引擎的无缝互操作，让沉睡的非结构化数据转化为随调随用的智能资产。

  • AI SQL：让大模型能力“开箱即用”

为了降低企业应用 AI 的门槛，SelectDB 在数据库内部原生嵌入了 LLM（大语言模型）能力。用户无需掌握复杂的 Python 框架或 AI 工程知识，只需使用熟悉的 SQL 语句 即可调用大模型功能。通过 AI SQL，开发者可以直接在大规模数据集上进行文本分析、情感识别、语义分类及智能化探索。这种将 AI 算子“内化”的创新，极大地简化了数据处理链路，让每一位 SQL 开发人员都能瞬间变身为 AI 工程师。

  • AI 可观测性（AI Observability）：全生命周期的智能监管

AI 应用的上线只是开始，长期的可维护性才是挑战。SelectDB 原生支持类似 Langfuse 等主流 AI 评估与监测工具，能够以极低成本管理 AI 应用产生的海量日志与追踪（Traces）数据。通过这种原生的可观测性方案，企业可以全天候监控 AI 栈的运行状态、响应质量及成本消耗。在 SelectDB 强大的实时分析能力加持下，运维人员能够秒级洞察异常，确保 AI 业务的稳健性与透明度。

四、 结语：建立中国技术新优势的必由之路

在 AI 时代的全球竞技场上，数据基础设施的强弱直接关系到国家数字竞争力的上限。SelectDB 不仅仅是一个数据库，它是打破国外技术垄断、实现自主可控的关键利器。

通过极速、云原生、湖仓一体以及 AI 原生的全方位领先，SelectDB 正在帮助中国企业摆脱陈旧架构的束缚，在 AI 时代的高速公路上轻装上阵。这不仅是技术的胜利，更是中国勇于在底层核心领域建立全球优势的时代见证。

标签
#人工智能 #数据仓库 #数据库 #实时分析 #云原生
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端 【代码】基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端。 阅读详情

相关推荐

DDR内存Prefetch机制详解：从DDR1到DDR4的技术演进与性能提升

本文深入解析DDR内存Prefetch机制从DDR1到DDR4的技术演进与性能提升。通过分析Prefetch技术的实现原理与Burst传输的协同机制，揭示DDR1的2n Prefetch、DDR2的4n Prefetch、DDR3的8n Prefetch以及DDR4的Bank Group架构创新如何显著提升内存带宽与系统性能。

weixin_30369041的博客 537

上市大模型企业数据基础设施的选择：MiniMax 基于阿里云 SelectDB 版，打造全球统一AI可观测中台

MiniMax 作为上市大模型企业，基于阿里云 SelectDB 打造 AI 可观测中台，实现“一个平台，全球覆盖”。这一成功实践足以表明：SelectDB 能够很好满足 AI 时代海量数据实时处理与分析的需求，为同样需求的 AI 大模型企业提供了一个高性能、低成本的可靠技术解决方案。

SelectDB 753

信捷 XDH Ethercat 正负极限配置详解与实战技巧

本文详细解析了信捷XDH系列PLC通过EtherCAT总线配置伺服电机正负硬极限的完整流程与实战技巧。内容涵盖硬件开关选型安装、EtherCAT IO信号映射、软件参数设置（包括关键的极性配置）、调试验证方法，以及硬极限与软极限的协同策略。重点阐述了如何避免常见配置错误，确保运动控制系统的最后一道物理安全防线可靠有效，为工程师提供从理论到实践的全面指导。

wdx012345的博客 601

2026 SelectDB AI 产品发布会：Agent Native 数据基础设施能力全景发布

在开场演讲中，飞轮科技首席执行官马如悦提出：“只有解决好极速、统一、Agent Native 与 Cloud 弹性四个挑战，才能成为 Agent 时代最好的分析引擎。”

SelectDB 382

深度解读扫地机器人的导航原理

科技改变生活，不可否认科技的进步的确为我们的生活带来许多便捷，以智能家电为例，智能电饭煲、智能洗碗机、智能扫地机等产品已逐渐成为家庭的一分子，其中以扫地机表现最为抢眼。能做到智能规划清扫，收割了不少家庭主妇及科技爱好者的芳心。但扫地机并非一开始就这么智能，最初的扫地机只能做到随机式清扫，会频繁出现碰撞现象。 近年来，通过业界的不断努力，目前，扫地机器人已告别乱碰乱撞现象，能做到自主路径...

qq_38403231的博客 6503

基于单片机控制双向可控硅灯光强度设计

*单片机设计介绍，基于单片机控制双向可控硅灯光强度设计。

QQ2193276455的博客 2456

Apache Doris + SelectDB：定义 AI 时代，实时分析的三大范式

我们正处在一个数据与智能深度耦合的时代。。这正是我们今天强调实时分析的底层逻辑。它不再是加分项，而是企业在数字经济中生存与成功的必需品。

SelectDB 623

【部署】Ubuntu 24.04.4虚拟机下部署OpenClaw

OpenClaw是一款基于AI的智能助手工具，本文详细介绍了在Ubuntu 24.04.4系统上的三种安装方法。推荐使用一键安装脚本（curl -fsSL https://openclaw.ai/install.sh | bash），自动完成Node.js检测、CLI安装和引导配置。对于开发者，提供了从源码构建的详细步骤，包括环境准备、依赖安装和构建流程。文章还包含常见问题解决方案（如sharp构建错误处理）以及后续维护建议（更新、配置检查和日志查看）。安装完成后，用户可通过终端TUI或Web UI进行初始

海兰 1万+

爱玛集团：All In SelectDB 构建极速统一数据平台，领航 AI 数智化实践

爱玛集团 All In SelectDB 的数据平台统一架构与 AI 数智化转型实践，已然成为传统制造业转型智能企业的典型案例。从 Hadoop 多组件复杂架构到统一平台重构的演进，凸显了团队在技术选型与架构设计的深度思考，以及在 AI 技术融合上的前瞻布局 —— 通过深度合作参与开源项目，既助力自身升级，也推动行业智能化发展。从技术发展的角度来看，SelectDB 在这个案例中展现出的优秀性能和易用性，以及其在 AI 生态建设中的积极作用，为其他企业的技术选型提供了有力的参考。

SelectDB 1273

PDN分析实战：电源完整性设计与Altium PDN Analyzer全流程指南

电源完整性（PI）是嵌入式硬件系统稳定运行的基础能力，其核心在于控制电流密度与电压降两大物理量。基于欧姆定律与热-电耦合原理，PDN分析将抽象的电源噪声问题转化为可量化、可定位的几何与电气参数优化过程。该技术显著提升系统抗干扰能力、降低复位与ADC漂移等隐性故障率，并直接支撑EMC合规性设计。典型应用场景包括电机驱动板、Wi-Fi模块、STM32/ESP32等资源受限型MCU供电网络验证。本文以Altium Designer为工具平台，结合IPC-2152标准与真实工程案例，详解从功率预算、模型构建到瓶颈定

weixin_28949937的博客 228

Juniper SRX PPPoE配置

set interfaces pp0 unit 1 ppp-options chap default-chap-secret 拨号用户名密码。set interfaces pp0 unit 0 ppp-options chap default-chap-secret 拨号密码。set interfaces pp0 unit 0 ppp-options chap local-name 拨号用户名。6号口接运营商进行拨号。

Jian Sun_的博客 750

Apache Doris与SelectDB：AI时代实时分析的三大范式与实践

实时分析技术作为现代数据架构的核心，其本质在于通过流批一体、低延迟数据处理能力，将数据价值从传统报表驱动转向智能决策驱动。其技术原理基于MPP分布式架构与向量化执行引擎，实现了高并发查询与实时数据更新。在AI时代，这项技术的价值尤为凸显，它能够为机器学习模型提供实时特征供给、支持反馈数据的即时分析，并赋能AI Agent进行复杂动态查询。具体到应用场景，例如在推荐系统、风控模型和智能客服中，实时分析平台需要直接对接模型训练与推理流程，实现数据与AI的深度耦合。本文聚焦于Apache Doris与Select

weixin_30607125的博客 247

2.4 提示词优化

我们在使用大模型的时候，同一任务使用不同表述的提示词，可能得到差异巨大的结果，因为模型的性能高度依赖输入提示词的质量。我们可以通过提示词优化来更高效地获取理想输出。

从0到1，突破自己 1009

Apache Doris + SelectDB：构建AI时代实时分析平台的三大核心范式

在数据驱动的时代，实时分析与人工智能的融合已成为技术演进的关键方向。实时分析的核心在于对海量数据进行低延迟、高并发的处理与查询，以满足业务对即时洞察的需求。其技术原理通常围绕流批一体架构、高性能查询引擎和向量化计算展开，旨在打破数据孤岛，实现数据服务的统一与敏捷。从技术价值看，这不仅大幅提升了数据分析的时效性，降低了系统复杂度和运维成本，更为智能应用提供了实时、可靠的数据底座。在应用场景上，实时分析技术广泛应用于实时监控、用户行为分析、个性化推荐和风控等领域。本文聚焦于如何利用Apache Doris与Se

weixin_29040367的博客 295

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Doris & SelectDB for AI 实操：从零搭建非结构化数据智能分析洞察系统

Data + AI 能用在哪些场景？具体落地又该如何操作？ 本文借助 SelectDB + AI，搭建一个用于收集、整合与分析全域用户反馈的智能洞察系统。 以此实战，给有需求的用户提供可参考的基础方法论。

SelectDB 871

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

Agent 时代的数据基础设施：Apache Doris / SelectDB 多模统一分析与 Agent 可观测性能力全景

一句话摘要：Apache Doris / SelectDB 面向 Agent 场景提供了 MCP Server + 语义层（解决 Agent 理解业务数据的问题）、Litefuse 可观测平台（解决 Agent 运行数据的采集与分析）、多模数据管理（统一结构化/JSON/全文/向量数据）和 Serverless 弹性架构（应对 Agent 负载不可预测性）四类核心能力。

SelectDB 416

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

年末最重磅，震撼数据圈！SelectDB 首次产品发布会等你来约！

从结绳记事到竹木简牍，从书于纸墨到印刷成册；数据以千百种姿态承载着人类的文明贯穿历史的长河。时代在更迭，不变的是社会文明对于数据的沉淀和探索。在计算机的帮助下，人类处理信息的速度空前加快，经过指数级的增长，数据已经积累到了前所未有的量级，一轮基于“大数据”的产业革命重塑了个人、企业乃至社会发展的底层逻辑。数字化的征程一往无前，所有的组织都不约而同地迈上了业务数据化和数据业务化的探索之路。大家都在面...

过往记忆大数据 897

8+ 典型分析场景，25+ 标杆案例，Apache Doris 和 SelectDB 精选案例集（2024版）电子版上线

当前，各企业正面临前所未有的数据增量，不仅体现在数据规模的急剧上升，还体现在数据的类型多样性和产生速度的加快。数据体量大固然蕴藏着更大的潜力及可能性，但如何有效利用这些数据，解决实际问题、赋能业务增长，才是各企业发展的关键。因此，企业亟需搭建高效的数据处理与分析平台，以帮助其从海量数据中提取有价值的信息。作为开源的现代化数据仓库项目，Apache Doris 自诞生以来便以其强大的实时分析能力著称，它够对大规模数据进行极速分析，满足报表分析、即席查询、统一数仓构建、湖仓一体等多种使用场景。

SelectDB 1435

面向 AI Agent 的数据库运维：SelectDB CLI 与 Skills 架构设计及实践

作者｜陈明雨，Apache Doris PMC Chair集群该扩到几个节点、这张表该用聚合模型还是主键模型、慢查询的瓶颈在扫描还是在聚合——数据库运维中最耗时的，往往是这类没有标准答案的问题。它们高度依赖经验，而经验通常留在个别人的头脑里，很难被复用，也很难被验证。

SelectDB 323

森马服饰从 Elasticsearch 到阿里云 SelectDB 的架构演进之路

森马引入阿里云 SelectDB 替换原 Elasticsearch + 业务库混合架构，统一分析 16+ 核心业务，打通 BI 组件，大幅简化数据同步链路和分析系统架构。实现复杂查询 QPS 提升 400%，响应时间缩短至秒级，亿级库存流水聚合查询缩短至 8 秒内的显著收益，有效驱动森马全渠道运营效率持续增长与业务创新。

SelectDB 760

NineData X SelectDB 联合发布会，即将上线！

8月30日晚上19:00，由 NineData 和 SelectDB 共同举办的主题为“实时数据驱动，引领企业智能化数据管理”的线上联合发布会，即将如期上线！重点介绍多云多源的数据复制能力，结合实时数仓构建场景重点介绍NineData数据复制的技术架构和核心特性，阐述 NineData 在数仓集成方面做的性能优化和灵活的ETL能力，揭秘 NineData 在实时性、鲁棒性、可观测可干预方面的技术设计和优势，以及 NineData 的典型客户场景案例。多源数据复制的技术架构。

云原生智能数据管理平台 1604

网易 日志与时序数据分析：Apache Doris / SelectDB 的技术能力与实践

一句话摘要：网易 使用 Apache Doris / SelectDB 在 日志与时序数据分析 中解决了 Elasticsearch / InfluxDB 存储冗余高、查询延迟大、扩展不稳定的核心问题，关键能力包括 倒排索引实时检索、ZSTD 高压缩比冷热分层、Stream Load 高吞吐导入与单副本/单 Tablet 写入优化。：Apache Doris · SelectDB · 网易 · 日志分析 · 时序数据 · 实时数仓 · 倒排索引。

SelectDB 238

基于 SelectDB 实现 Hive 数据湖统一分析：洋钱罐全球一体化探索分析平台升级实践

瓴岳科技原数据平台基于 Hive 与 StarRocks、Spark 多引擎协同架构，随着数据规模增长，在性能与易用性上逐渐面临瓶颈。通过引入阿里云 SelectDB，构建湖仓一体化探索分析平台，在无需迁移数据的前提下实现对 Hive 数据湖的透明加速，显著提升查询性能并简化架构，完成从多引擎协同向统一分析平台的升级。瓴岳科技是一家以大数据与人工智能为核心的数字科技集团，旗下拥有国内产品。

SelectDB 525

全球第一！新一代云数仓 SelectDB 登顶 ClickBench

概述：分析型数据库性能排行榜 ClickBench 最近迎来了一匹黑马，那就是成立不满一年，成绩却斐然的新一代云数仓 SelectDB。其在业界最为通用的 c6a.4xlarge, 500gb gp2 机型下位居榜首，超越了此前霸占榜首的 ClickHouse，多项指标排行前列。这无疑在数据库领域掀起了大风浪，人们纷纷搜索 SelectDB 这个新名字。今天，就由小编带领大家来一探究竟吧！关于C...

数据一哥，公众号：数据社 4992

抖音集团 实时数据仓库：Apache Doris / SelectDB 的技术能力与实践

一句话摘要：抖音集团 使用 Apache Doris / SelectDB 在 实时数据仓库 中解决了 实时数据开发门槛高、多流 JOIN 与状态不可恢复、大促资源浪费 等核心问题，关键能力包括 秒级调度引擎、Doris 存储分层数仓（表内收敛多流 JOIN）、跨机房容灾与跨集群 ETL。：Apache Doris · SelectDB · 抖音集团 · 实时数据仓库 · 湖仓一体 · 高并发查询 · 物化视图。

SelectDB 395

SelectDB search() 实战：一条 SQL 搞定 AI 日志的搜索与分析

SelectDB 基于 Apache Doris 内核，通过内置search()函数在一个引擎内融合全文检索与 SQL 分析。本文含完整配置代码、15 种查询算子详解、倒排索引建表模板，以及可复用的优化 checklist。：SelectDB · Apache Doris · search() · 全文检索 · 倒排索引 · ES 迁移 · BM25 · 日志分析。

SelectDB 227
上一篇： Apache Doris 4.0.3 版本正式发布
下一篇： Doris & SelectDB for AI 实操：从零搭建非结构化数据智能分析洞察系统
点赞 28
评论 0
书签 书签 23
SelectDB技术团队
SelectDB技术团队
博客等级 码龄4年 2119粉丝 483原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

SelectDB技术团队

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

实付元
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