草庐IT

1fbpfcp-zoom

全部标签

Elasticsearch Head插件使用小结

作者:崔雄华1ElasticsearchHead是什么ElasticSearchhead就是一款能连接ElasticSearch搜索引擎,并提供可视化的操作页面对ElasticSearch搜索引擎进行各种设置和数据检索功能的管理插件,如在head插件页面编写RESTful接口风格的请求,就可以对ElasticSearch中的数据进行增删改查、创建或者删除索引等操作。类似于使用navicat工具连接MySQL这种关系型数据库,对数据库做操作。2本地安装下面简单介绍下ES环境安装和ElasticsearchHead在chrome浏览器中插件安装。2.1ES安装安装链接:https://www.el

【敏捷研发系列】前端DevOps流水线实践

作者:胡骏一、背景现状软件开发从传统的瀑布流方式到敏捷开发,将软件交付过程中开发和测试形成快速的迭代交付,但在软件交付客户之前或者使用过程中,还包括集成、部署、运维等环节需要进一步优化交付效率。因此Devops的产生将敏捷的相关理念扩展到运维侧,从而将产品、设计、开发、测试、运维团队更紧密的结合在一起。而从交付给客户产品视角看,前端研发通常又是在整个产品设计开发链条的最终节点,意味着前端团队受到上游变更的影响是最大的,并且从经营理念效率出发,提升前端交付效率是至关重要的。那么如何提升交付效率呢,主要面临以下问题:交付效率:1.敏态需求增加,即迭代性工作增加:软件开发从传统的瀑布流方式到敏捷开发

【敏捷研发系列】前端DevOps流水线实践

作者:胡骏一、背景现状软件开发从传统的瀑布流方式到敏捷开发,将软件交付过程中开发和测试形成快速的迭代交付,但在软件交付客户之前或者使用过程中,还包括集成、部署、运维等环节需要进一步优化交付效率。因此Devops的产生将敏捷的相关理念扩展到运维侧,从而将产品、设计、开发、测试、运维团队更紧密的结合在一起。而从交付给客户产品视角看,前端研发通常又是在整个产品设计开发链条的最终节点,意味着前端团队受到上游变更的影响是最大的,并且从经营理念效率出发,提升前端交付效率是至关重要的。那么如何提升交付效率呢,主要面临以下问题:交付效率:1.敏态需求增加,即迭代性工作增加:软件开发从传统的瀑布流方式到敏捷开发

React Hooks 的实现必须依赖 Fiber 么?

作者:zxg_神说要有光原文链接:https://juejin.cn/post/7087172219226292237React的hooks是在fiber之后出现的特性,所以很多人误以为hooks是必须依赖fiber才能实现的,其实并不是,它们俩没啥必然联系。现在,不止react中实现了hooks,在preact、reactssr、midway等框架中也实现了这个特性,它们的实现就是不依赖fiber的。我们分别来看一下这些不同框架中的hooks都是怎么实现的:react如何实现hooksreact是通过jsx描述界面的,它会被babel或tsc等编译工具编译成renderfunction,然后

React Hooks 的实现必须依赖 Fiber 么?

作者:zxg_神说要有光原文链接:https://juejin.cn/post/7087172219226292237React的hooks是在fiber之后出现的特性,所以很多人误以为hooks是必须依赖fiber才能实现的,其实并不是,它们俩没啥必然联系。现在,不止react中实现了hooks,在preact、reactssr、midway等框架中也实现了这个特性,它们的实现就是不依赖fiber的。我们分别来看一下这些不同框架中的hooks都是怎么实现的:react如何实现hooksreact是通过jsx描述界面的,它会被babel或tsc等编译工具编译成renderfunction,然后

联邦GNN综述与经典算法介绍

作者:京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下,安全合规地联合训练业务模型,目前已在诸多领域取得了较好的结果。GNN在应对非欧数据结构时通常有较好的表现,因为它不仅考虑节点本身的特征还考虑节点之间的链接关系及强度,在诸如:异常个体识别、链接预测、分子性质预测、地理拓扑图预测交通拥堵等领域均有不俗表现。那么GNN与联邦学习的强强组合又会擦出怎样的火花?通常一个好的GNN算法需要丰富的节点特征与完整的连接信息,但现实场景中数据孤岛问题比较突出,单个数据拥有方往往只有有限的数据、特征、边信息,但我们借助联邦学习技术就可以充分利用各方数据

联邦GNN综述与经典算法介绍

作者:京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下,安全合规地联合训练业务模型,目前已在诸多领域取得了较好的结果。GNN在应对非欧数据结构时通常有较好的表现,因为它不仅考虑节点本身的特征还考虑节点之间的链接关系及强度,在诸如:异常个体识别、链接预测、分子性质预测、地理拓扑图预测交通拥堵等领域均有不俗表现。那么GNN与联邦学习的强强组合又会擦出怎样的火花?通常一个好的GNN算法需要丰富的节点特征与完整的连接信息,但现实场景中数据孤岛问题比较突出,单个数据拥有方往往只有有限的数据、特征、边信息,但我们借助联邦学习技术就可以充分利用各方数据