Deep Lake:人工智能时代的数据湖

解密Deep Lake:构建AI应用的多模态数据库 Deep Lake是一个专为AI应用设计的多模态数据库,支持存储和管理向量、图像、文本和视频等数据类型。借助Deep Lake,开发者可以快速存储、查询、版本化和可视化任何AI数据,并将数据实时流式传输到PyTorch/TensorFlow中。Deep Lake提供了一种创新的方式来管理和检索多模态数据,使AI应用开发更高效。Deep Lake 官方文档LangChain 文档。 阅读详情
AI摘要

Deep Lake 是 Activeloop 开发的开源深度学习数据湖,可解决深度学习数据管理挑战。它具备多模态数据支持、张量存储、数据版本控制等特点,能与 MLOps 生态系统集成,还支持流式数据加载,为深度学习项目提升了效率和成本效益。

Deep Lake 是一款由 Activeloop 开发的开源深度学习数据湖,旨在解决深度学习数据管理的挑战。它提供高效的多模态数据管理、类似 Git 的版本控制、强大的查询和可视化功能,并与 MLOps 生态系统无缝集成,助你轻松驾驭海量数据,加速模型训练!



Stars 数8,458
Forks 数652

主要特点

  • 多模态数据支持: 支持图像、视频、音频、文本、点云等各种数据类型。

  • 张量存储: 以深度学习框架友好的张量格式存储数据。

  • 数据版本控制: 提供类似 Git 的版本控制功能。

  • 快速查询和可视化: 内置强大的 TQL 查询引擎和浏览器内可视化工具。

  • 与 MLOps 工具集成: 无缝集成到现有的 MLOps 工作流中。

  • 高效的数据加载: 支持流式数据加载,最大限度地减少数据加载时间。

Deep Lake 为深度学习数据管理提供了一种全新的解决方案,解决了传统数据湖在深度学习场景下的不足,并为深度学习项目带来了效率和成本的双重提升。

官网:Deep Lake - Data Lake for Deep Learning

GitHub: https://github.com/activeloopai/deeplake/

深入探索Deep Lake:构建AI应用的多模态数据库 本文介绍了如何使用Deep Lake和SelfQueryRetriever来构建和查询一个多模态数据库。这一工具为AI开发者处理多种数据类型提供了强有力的支持。 阅读详情

相关推荐

Activeloop Deep Lake: AI时代的数据湖解决方案

在当前AI技术蓬勃发展的背景下,数据的存储和检索显得尤为重要。Activeloop Deep Lake是一种多模态向量存储解决方案,支持嵌入和元数据(如文本、Json、图像、音频、视频等)的存储。它适用于本地、云端或Activeloop存储,通过嵌入以及其属性进行混合搜索。该解决方案是一个无服务器的数据湖,具备版本控制、查询引擎和深度学习框架的流媒体数据加载器。

HGWAcsdgvs的博客 481

deeplake - 深湖 AI 数据库

Deep Lake 和 TFDS 之间的一个关键区别在于,Deep Lake 数据集是为从云端流式传输而设计的,而 TFDS 必须在使用前在本地下载。除了提供对流行的公开数据集的访问之外,Deep Lake 还提供强大的工具来创建自定义数据集,将它们存储在各种云存储提供商上,并通过简单的 API 与他人协作。但是,Deep Lake 提供了卓越的随机访问和改组,其简单的 API 是在 python 中而不是命令行中,并且 Deep Lake 可以对数据集进行简单的索引和修改,而无需重新创建它。

AI工程化、开源分享、文档翻译、代码笔记 3236

[Activeloop Deep Lake: 深度学习应用的数据湖和多模态向量存储解决方案]

Activeloop Deep Lake 提供了一种高效、灵活的数据湖解决方案,特别适合深度学习应用。通过本文的讲解和代码示例,希望能帮助你快速上手并发挥其强大功能。Deep Lake 白皮书和学术论文Deep Lake 入门指南和教程。

akhfuiigabv的博客 846

Deep Lake:人工智能时代的数据湖_deeplake

是一款由 Activeloop 开发的开源深度学习数据湖,旨在解决深度学习数据管理的挑战。它提供高效的多模态数据管理、类似 Git 的版本控制、强大的查询和可视化功能,并与 MLOps 生态系统无缝集成,助你轻松驾驭海量数据,加速模型训练!

jennycisp的博客 1059

深入探索Activeloop Deep Lake——多模态向量存储的未来

Activeloop Deep Lake是一种无服务器数据湖,支持版本控制、查询引擎和流式数据加载器,可与深度学习框架无缝集成。它能够在本地、云端或Activeloop存储中保存数据,同时提供嵌入和其属性的混合搜索功能。Activeloop Deep Lake提供了一种新颖的多模态数据存储和检索方式,适合处理复杂海量数据集。Deep Lake官方文档LangChain集成指南。

sjufgwgfhoia的博客 647

【LLM新概念】什么是深湖(DeepLake)

Deep Lake 是专门用于深度学习用例的数据湖(数据库),其中原始数据包括图像、视频、音频和其他非结构化数据。然后,原始数据被具体化为深度学习本机传感存储格式,并通过网络流式传输到模型训练。

gongdiwudu的专栏 4102

深入探索Activeloop Deep Lake:为深度学习解锁数据湖的潜力

Deep Lake不仅仅是一个多模态的向量存储。它不仅能存储嵌入向量,还能保存原始数据,并具有自动版本控制的功能。这使得用户可以在后续的项目中重新利用相同的数据集进行模型微调。它的真正无服务器特性意味着你不需要额外的服务即可直接在主要的云提供商上运行,如AWS S3和GCS。Activeloop Deep Lake提供了一种创新且高效的数据管理方式,特别适合深度学习的应用场景。无论是在数据存储、版本控制还是检索方面,它都展现了强大的能力。

rtykjhg的博客 555

5分钟搞定:用Pyannote和Whisper实现带说话人分离的语音转文字(附完整代码)

本文详细介绍了如何快速构建一个集成了说话人分离功能的语音转文字系统。通过结合OpenAI的Whisper模型进行高精度语音识别和Pyannote模型实现说话人分离,并提供了完整的代码实现、环境搭建指南以及核心的对齐与合并逻辑,帮助开发者高效处理会议录音、访谈等多说话人音频,实现自动化转录。

threejs5artist的博客 638

Deep Lake:AI原生数据湖架构解析与多模态RAG实战指南

在AI应用开发中,数据管理是连接原始数据与智能模型的关键环节。传统烟囱式架构导致数据分散、格式不一,难以高效支撑大语言模型和计算机视觉等复杂任务。数据湖技术通过统一存储和管理多模态数据,为解决这一问题提供了基础方案。其核心原理在于将结构化、非结构化数据及向量嵌入整合,实现从存储、版本控制到训练输入的全链路优化,从而提升AI工作流的效率与可复现性。在技术价值层面,统一的数据视图和高效的流式读取能力,使得数据湖成为构建生产级Agent、RAG应用及管理大规模训练集的理想选择。特别是在多模态检索增强生成场景中,它

weixin_30780649的博客 658

【软件分享】天若OCR文字识别V4.48(翻译功能免费)

软件简介 吾爱破解论坛大佬天若幽心开发的一款OCR文字识别工具。支持快速截图识别,以及文本翻译。 下载地址 蓝奏云盘:点击下载 百度网盘:点击下载(密码:4dm4) 坚果云盘:点击下载 天翼云盘:点击下载 微软云盘:点击下载 使用教程 1、下载后对压缩包进行解压 2、双击天若OCR文字识别.exe 3、发现桌面右下角出现软件图标 4、双击软件图标即可开始截图识别 原帖地址 https://www.52pojie.cn/thread-692917-1-1.html ...

XavierJ的博客 1万+

Sigrity IBIS建模实战:如何用T2B工具快速转换SPICE模型(附避坑指南)

本文详细介绍了如何使用Sigrity T2B工具将SPICE模型高效转换为IBIS模型,涵盖从环境配置、模型预处理到转换流程和验证策略的全过程。通过实战案例和避坑指南,帮助硬件工程师掌握高速电路设计中的IBIS建模技术,提升信号完整性分析效率。

weixin_29243279的博客 401

企业AI数据管理的终极解决方案:Deep Lake如何重塑下一代数据湖仓

在当今AI驱动的商业环境中,**Deep Lake**作为专为人工智能设计的数据库,正在成为企业AI战略的核心组成部分。这款革命性的数据湖仓解决方案不仅能够存储向量、图像、文本、视频等多种AI数据,更通过与LangChain、LLamaIndex等工具的无缝集成,为企业构建智能应用提供了完整的数据基础设施。🚀 ## 💡 为什么Deep Lake是AI数据管理的颠覆者 **Deep Lake

gitblog_00769的博客 1083

科研效率革命:Zotero与Web of Science联动实现千篇文献一键获取

本文详细介绍了如何利用Zotero与Web of Science联动实现科研文献的高效管理,包括批量导入、智能下载和自动整理千篇文献的技巧。通过精准检索、RIS文件导出和Zotero插件设置,科研人员可以大幅提升文献获取和管理的效率,特别适合开题报告和综述写作等场景。

weixin_29219539的博客 256

Deep Lake:AI数据湖实战指南,解决非结构化数据管理痛点

在机器学习和深度学习项目中,高效的数据管理是模型迭代的关键。传统文件系统在处理海量非结构化数据时,常面临I/O瓶颈和预处理流程繁琐的挑战。数据湖(Data Lake)作为一种统一存储架构,通过将各类数据(图像、视频、文本等)集中存储,并支持高效的流式读取与查询,为AI工作流提供了坚实的数据基础。其技术价值在于显著降低了数据工程复杂度,使开发者能更专注于模型本身。Deep Lake作为专为AI优化的数据湖解决方案,实现了数据的惰性加载、内置版本控制和向量检索等高级功能,尤其适用于计算机视觉、自动驾驶等需要处理

weixin_30299709的博客 312

Python XML 转 JSON,XML 转字典

今天我们将学习如何在 Python 中将 XML 转换为 JSON 和 XML 转换为字典。我们可以使用 Python 的xmltodict模块来读取 XML 文件并将其转换为字典或 JSON 数据。我们还可以在大型 XML 文件上进行流式处理,并将其转换为字典。在进入编码部分之前,让我们首先了解为什么需要进行 XML 转换。

rubys_的专栏 2504

【25年荣耀校招-()-4月18日-第二题(200分)- 测量接收信号】(题目+思路+Java&C++&Python解析+在线测试)

有一个接收机,以1ms为周期,测量接收信号强度。假设每个测量时刻所测量到的接收信号的强度是独立且同分布的。已知每个测量时刻的接收信号的强度的大于−100dBm的概率为Plarge。请求解以下事件的概率,并将概率输出:连续测量Nmeas次之内,有超过或等于Nover次的测量的接收信号的强度大于−100dBm。

m0_73659489的博客 73

Deep Lake:重塑AI数据管理的张量数据湖

本文深入探讨了Deep Lake如何通过张量数据湖技术革新AI数据管理。作为专为深度学习设计的存储方案,Deep Lake支持多模态张量存储,实现数据预处理效率提升15倍,GPU利用率稳定在98%。文章详解其架构原理、版本控制机制,并以自动驾驶为例展示流式加载与并行训练优势,助力AI项目突破数据管理瓶颈。

weixin_30825581的博客 356

YOLOv11半监督学习深度解析:基于FixMatch改进的先进目标检测框架

本文探讨了半监督学习与YOLOv11结合的创新方法。针对目标检测中半监督学习面临的伪标签质量不稳定、特征一致性难保证等挑战,研究提出改进版FixMatch框架。通过分析YOLOv11架构特性(如多尺度特征提取、双标签分配策略等)与半监督学习的适配性,设计了三项关键技术改进:空间感知阈值策略、多任务解耦处理和记忆增强机制。该方法在少量标注数据下可实现接近全监督的性能,显著降低工业检测等场景的数据标注成本。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 2089

Deep Lake 简介

Deep Lake是由Activeloop开发的开源深度学习数据湖,专为AI项目设计。它支持多模态数据(图像、视频、文本等)的张量存储,兼容主流深度学习框架。核心功能包括数据版本控制、TQL查询引擎、浏览器内可视化和高效流式加载。应用场景涵盖模型训练、向量存储、计算机视觉和NLP等任务。其优势在于高效数据处理、强大工具生态集成和开源社区支持。Deep Lake填补了传统数据湖的不足,为开发者提供了统一的数据管理解决方案。

燃灯工作室 677

基于Simulink和Control System Toolbox的线控转向(Steer-by-Wire)系统设计

通过上述步骤,我们成功设计并实现了基于 Simulink 和 Control System Toolbox 的线控转向(Steer-by-Wire)系统。该系统能够接收来自方向盘的角度指令,经过控制器处理后,驱动转向执行器(如电动机),实现对车辆前轮转向角度的精确控制。通过虚拟场景仿真、硬件在环测试和实车测试,验证了系统的响应速度、控制精度、车辆稳定性和实时性能,并通过参数优化进一步提升了系统的性能。

MHD0815的博客 553

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

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

Deep Lake:重塑AI数据管道的开源利器

Deep Lake是一款为AI量身定制的开源张量化数据湖,解决了传统数据管道在多模态数据管理、版本控制和加载效率上的痛点。通过张量存储引擎、Git风格的数据版本控制和专用查询语言TQL,显著提升AI项目的开发效率和协作能力,特别适合中大型团队处理复杂数据场景。

weixin_29091105的博客 315

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

为 Deep Lake 配置 AWS S3 CORS:让数据集在 Deep Lake App 中安全可视化

在 Deep Lake 4.0 中,当你把数据集存放在自己的 AWS S3 桶中,并通过 Managed Credentials(托管凭据)接入 Deep Lake App(`app.activeloop.ai`)进行可视化、查询和版本控制时,需要先在对应 S3 桶上启用跨源资源共享(CORS),否则浏览器端应用将无法跨域读取桶内数据。本指南以官方文档 [aws/cors.md](https://

gitblog_01118的博客 208

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

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")

Deep Lake可视化工具使用指南:直观管理百万级AI数据集

你还在为TB级图像、视频和向量数据的管理发愁吗?作为AI开发者,你是否经常面临以下困境:标注结果无法实时预览、多模态数据难以关联查看、团队协作时版本混乱?Deep Lake可视化工具(Database for AI)通过统一存储与直观界面,让百万级数据集管理像操作Excel一样简单。本文将带你掌握从数据集创建到高级可视化分析的全流程,学会用可视化工具解决90%的数据管理难题。 ## 核心功能概览...

gitblog_00322的博客 804

Deep Lake:AI数据湖实战,解决深度学习数据管理难题

在深度学习项目中,数据管理是连接原始数据与模型训练的关键环节,其核心在于高效处理海量非结构化数据。传统文件系统与数据库的组合在处理图像、视频、点云等多模态数据时,常面临I/O瓶颈、数据对齐复杂、版本控制缺失和查询能力弱等挑战。为此,数据湖技术应运而生,它通过统一的存储格式和管理系统,为AI数据栈提供坚固的底层支持。Deep Lake正是针对这一需求设计的AI原生数据湖,它采用张量存储格式,支持惰性加载和计算下推,能无缝集成PyTorch、TensorFlow等主流框架,显著提升数据加载与查询效率。其内置的版

weixin_26971157的博客 553
上一篇: OceanBase:笔记本电脑就能玩起来的分布式数据库
下一篇: 重磅推出!Highlight.io:开源全栈监控平台,让开发者轻松掌控应用性能!
开源项目精选
博客等级 码龄6年 2012粉丝 227原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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
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