最大深度互信息模型(DIM)执行图片搜索器MINE方法:之前看下面这句话的时候总是云里雾里,好好推了下公式终于明白啦。利用神经网络计算互信息可以转换为计算两个数据集合的联合分布和边缘分布之间的散度具体推导过程:如图,首先，我们有：I(X;Y)=H(X)-H(X|Y)其中，H(X|Y)表示给定随机变量Y的条件下，随机变量X的条件熵。根据条件熵的定义，我们有：H(X|Y)=-sum_xsum_yP(x,y)log(P(x|y))将这个公式代入上面的公式中，我们得到：I(X;Y)=H(X)+sum_xsum_yP(x,y)log(P(x|y))根据概率论中的乘法规则，我们有P(x,y)=P(x|y)

大数据ODS&DWD&DIM-SQL分享需求思路一：等差数列断2天、3天，嵌套太多1.1开窗，按照id分组，同时按照dt排序，求Rank--linux中空格不能用　tab键selectid,dt,rank()over(partitionbyidorderbydt)rkfromtx;1.2将每行日期减去RK值，如果之前是连续的日期，则相减之后为相同日期z:等差(x1+z)-(y1+z)=x1-y1selectid,dt,date_sub(dt,rk)flgfrom(selectid,dt,rank()over(partitionbyidorderbydt)rkfromtx)t1;断一天的数据，f

大数据ODS&DWD&DIM-SQL分享需求思路一：等差数列断2天、3天，嵌套太多1.1开窗，按照id分组，同时按照dt排序，求Rank--linux中空格不能用　tab键selectid,dt,rank()over(partitionbyidorderbydt)rkfromtx;1.2将每行日期减去RK值，如果之前是连续的日期，则相减之后为相同日期z:等差(x1+z)-(y1+z)=x1-y1selectid,dt,date_sub(dt,rk)flgfrom(selectid,dt,rank()over(partitionbyidorderbydt)rkfromtx)t1;断一天的数据，f