30、数据缓存、查询反转与 SQL 数据库的应用

数据缓存、查询反转与 SQL 数据库的应用

1. 缓存与集合

事实查询的结果总是集合,它们不强制排序,也不允许重复。因此,由查询生成的任何缓存或视图的核心都是一个集合。虽然可能会在此集合上应用排序或通过聚合函数进行投影,但起始的是无序的、不同事实的集合。

只要缓存或视图保留事实集合,就能轻松防止将每个潜在变化都视为实际变化的假设。当反向操作报告引入的事实添加了一组结果时,缓存只需执行集合并集操作,忽略集合中已有的结果,仅添加真正新的结果。同样,处理删除结果的反向操作时,缓存执行集合差集操作,仅删除集合中原本就有的结果。

创建视图时,人们可能会简单地跟踪投影的 DOM、XAML 或其他视觉元素。如果缓存的用户只对某些事实的可变投影感兴趣,而不是原始的不可变结果本身,那么缓存似乎只需要存储可变投影。然而,解决缓存失效问题的最简单方法是保留导致投影的集合。响应查询反向操作时,执行集合并集或差集操作,然后投影已更改的部分。

操作步骤

  • 添加结果
    1. 接收反向操作报告的添加结果集合。
    2. 对缓存集合和添加结果集合执行并集操作。
    3. 忽略缓存集合中已有的结果,仅添加新结果。
  • 删除结果
    1. 接收反向操作报告的删除结果集合。
    2. 对缓存集合和删除结果集合执行差集操作。
    3. 仅删除缓存集合中原本就有的结果。
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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
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