维度

建立模型应该考虑的几个问题 数 据仓库建模质量直接影响数据仓库项目的质量，甚至成败。在进行建模之前，要对数据仓库的规模、组成及模型不同部分的功能定位有明确的定义。影响数据仓库建 模的因素众多，且根据不同项目的具体情况而变化口下面的几个问题是较为通用和常见的，远远不是建立模型应该考虑的全部问题。 数据仓库的业务特点对建模的要求 1 数据仓库的数据组织是面向主题的，而不是面向报表的 数据仓库是面向业务分析的主要主题领域的，进行形成数据模型的定义。典型的主题领域主要包括: · ·顾客购买行为 · ·产品销售情况 · ·企业生产事务 · ·原料采购 · ·合作伙伴关系 · ·会计科目余额 要 对现有的报表需求进行细致的分类、分析和调整，不能为了实现单个报表而进行大量的建模工作。要根据分析的不同内容和主题对报表进行分类，明确报表中每一个 数据的定义、统计口径及不同数据之间的关系，建立在整个数据仓库内统一的数据指标的定义，将数据指标按分析主题及分析维度进行归集，从而形成面向主题的数 据模型。 例如：我们的利润表报表，当业务部门发我们一个利润表 的报表，作为需求时，我们应该进行细致的分析，最终我们确定我们面向的主题不是利润表，而是比利润表更大的一个层次的所有科目业务量的主题，这样我们在做 别的报表，例如资产负债表，现金流量表等报表时，就不用重复建模的工作了，做到了软件工程中的可重用规则。 2.

可视化反投射：坍塌尺寸的概率恢复：ICCV9论文解读 Visual Deprojection: Probabilistic Recovery of Collapsed Dimensions 论文链接： http://openaccess.thecvf.com/content_ICCV_2019/papers/Balakrishnan_Visual_Deprojection_Probabilistic_Recovery_of_Collapsed_Dimensions_ICCV_2019_paper.pdf 摘要 我们介绍视觉投射：恢复沿维度折叠的图像或视频的任务。投影出现在各种情况下，例如长曝光摄影，动态场景被及时折叠以产生运动模糊图像，以及角部相机，其中场景中反射的光由于边缘遮挡器而沿空间维度折叠以产生 1D视频。反投影是不适定的——通常对于给定的输入有许多合理的解决方案。我们首先提出了一个捕捉任务模糊性的概率模型。然后，我们提出了一种以卷积神经网络为函数逼近器的变分推理策略。在测试时从推理网络中采样，从与给定输入投影一致的原始信号分布中产生可能的候选信号。我们在多个数据集上对该方法进行了评估。我们首先证明了该方法可以从空间投影中恢复人体步态视频和人脸图像，然后证明该方法可以从通过时间投影获得的剧烈运动模糊图像中恢复运动数字视频。 1. Introduction

小结： 1、 模型服务需求，既快速完成分析又 维度模型是数据仓库领域大师Ralph Kimall所倡导。维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求服务，因此它重点解决用户如何更快速完成分析需求，同时还有较好的大规模复杂查询的响应性能 https://mp.weixin.qq.com/s/1CO9eIZFqvZlVLDQ3j1Kwg 漫谈航空业务维度建模之六脉神剑 原创： 大飞叔 数澜 2018-05-29 文字也说不清楚，甚至还把票价 燕子斜阳来又去，如此江山。 02 航空公司 发展时：等闲识得东风面，万紫千红总是春 衰退时：朝朝暮暮阳台下，雨雨云云楚国亡 票价下跌：昔日芙蓉花，今成断根草 票价上涨：欲把西湖比西子，浓妆淡抹总相宜 03 乘客 想买票：问世间，情（票）是何物，直教人生死相许 盼低价票：明月几时有？把酒问青天 买不起票：照之有余辉，揽之不盈手 买错票：一杯愁绪，几年离索 04 媒介 票价落：无可奈何花落去，似曾相识燕归来 何时涨：思君令人老，轩车来何迟 05 策划人 命运：志士幽人莫怨嗟，古来材大难为用 甲方：出塞复入塞，处处黄芦草 有创意：我欲因之梦吴越，一夜飞渡镜湖月 结款难：多情却似总无情，唯觉樽前笑不成 06 航空专家 观点：只在此山中，云深不知处 点评：穿花蛱蝶深深见，点水蜻蜓款款飞 07 过客 星沉海底当窗见，雨过河源隔座看 总结

3 月，跳不动了？>>> 相信很多人都看过电影《变形金刚》，电影中经常可以看到大黄蜂变身的跑车飞驰在公路之上，可是大家有没有仔细想过，大黄蜂是怎么知道马路中间是黄实线还是黄虚线，到底能不能压线，能不能掉头呢？要知道差一点没分清楚，那就是200块钱罚3分的下场。说到这里那些了解图计算机视觉的小伙伴们应该就会想到这个领域的核心研究方向之一的图像分割技术（Image Segmentation）。 什么是图像分割？ 图像分割是一种将图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程。从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。 图1 图像分割应用效果图 如图1所示，随着人工智能的发展，图像分割技术已经在交通控制、医疗影像和工业用表识别等多个领域获得了广范的应用。为了让广大开发者可以方便快捷的将图像分割技术应用到自己的业务中，飞桨开发了一整套图像分割模型库，这就是我们接下来要介绍的PaddleSeg。 什么是PaddleSeg? 早在2019年秋季的时候飞桨就已经正式发布了图像分割模型库 PaddleSeg，这是一款如同工具箱般便捷实用的图像分割开发套件，该套件具有模块化设计、丰富的数据增强、高性能、工业级部署四大特点： 模块化设计 ：支持U-Net、DeepLabv3+、ICNet和PSPNet等多种主流分割网络，结合预训练模型和可调节的骨干网络

3 月，跳不动了？>>> 相信很多人都看过电影《变形金刚》，电影中经常可以看到大黄蜂变身的跑车飞驰在公路之上，可是大家有没有仔细想过，大黄蜂是怎么知道马路中间是黄实线还是黄虚线，到底能不能压线，能不能掉头呢？要知道差一点没分清楚，那就是200块钱罚3分的下场。说到这里那些了解图计算机视觉的小伙伴们应该就会想到这个领域的核心研究方向之一的图像分割技术（Image Segmentation）。 什么是图像分割？ 图像分割是一种将图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程。从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。 图1 图像分割应用效果图 如图1所示，随着人工智能的发展，图像分割技术已经在交通控制、医疗影像和工业用表识别等多个领域获得了广范的应用。为了让广大开发者可以方便快捷的将图像分割技术应用到自己的业务中，飞桨开发了一整套图像分割模型库，这就是我们接下来要介绍的PaddleSeg。 什么是PaddleSeg? 早在2019年秋季的时候飞桨就已经正式发布了图像分割模型库 PaddleSeg，这是一款如同工具箱般便捷实用的图像分割开发套件，该套件具有模块化设计、丰富的数据增强、高性能、工业级部署四大特点： 模块化设计 ：支持U-Net、DeepLabv3+、ICNet和PSPNet等多种主流分割网络，结合预训练模型和可调节的骨干网络

在数据仓库的创建过程中，往往需要创建日期维度来为以后的数据分析来服务。 方面从多个日期角度： 如：年-月-日，年-季度-月-日，年-周-日 创建表的脚本如下（存储过程的创建过程中有一步操作是向time_dimension表中插入数据，所以首先需要创建好此表） create table TIME_DIMENSION ( the_date NUMBER not null, date_name NVARCHAR2(15), the_year NUMBER, year_name NVARCHAR2(10), the_quarter VARCHAR2(10), quarter_name NVARCHAR2(10), the_month NUMBER, month_name NVARCHAR2(10), the_week NUMBER, week_name NVARCHAR2(10), week_day NVARCHAR2(10) ) tablespace TBS_COGNOS pctfree 10 initrans 1 maxtrans 255 storage ( initial 64 next 1 minextents 1 maxextents unlimited ); 创建日期维度表脚本 存储过程脚本如下 CREATE OR REPLACE PROCEDURE SP_CREATE

1. What is a logical data mapping and what does it mean to the ETL team? 什么是逻辑数据映射？它对ETL 项目组的作用是什么？ 答：逻辑数据映射（Logical Data Map）用来描述源系统的数据定义、目标数据仓库的模型以及将源系统的数据转换到数据仓库中需要做操作和处理方式的说明文档，通常以表格或Excel的格式保存如下的信息： 目标表名： 目标列名： 目标表类型：注明是事实表、维度表或支架维度表。 SCD类型：对于维度表而言。 源数据库名：源数据库的实例名，或者连接字符串。 源表名： 源列名： 转换方法：需要对源数据做的操作，如Sum(amount)等。 逻辑数据映射应该贯穿数据迁移项目的始终，在其中说明了数据迁移中的ETL策略。在进行物理数据映射前进行逻辑数据映射对ETL项目组是重要的，它起着元数据的作用。项目中最好选择能生成逻辑数据映射的数据迁移工具。 2. What are the primary goals of the data discovery phase of the data warehouse project? 在数据仓库项目中，数据探索阶段的主要目的是什么？ 答：在逻辑数据映射进行之前，需要首先对所有的源系统进行分析。对源系统的分析通常包括两个阶段，一个是数据探索阶段（Data

超时导致服务器变慢 (转圈) 超时不再等待 出错（宕机或程序运行出错） 出错要有兜底 解决 对方服务(8001)超时了，调用者(80)不能一直卡死等待，必须有服务降级 对方服务(8001)宕机了，调用者(80)不能一直卡死等待，必须有服务降级 对方服务(8001)OK，调用者(80)自己出故障或有自我要求(自己的等待时间小于服务提供者)，自己处理降级 来源： CSDN 作者： TheNoOne-- 链接： https://blog.csdn.net/qq_41211642/article/details/104857902

从程序员往架构师转型的路上，蔡学镛老师总结的“四维架构设计方法论”对我颇有帮助，让我对架构设计有了更立体化、系统化的认知，现将学习心得分享出来供需要的小伙伴参考。 这套方法论通过空间（ X 、 Y 、 Z ）三个维度及时间 T 维度将问题域解构成可以轻松应对的小方块，分而治之。同时，空间（ X 、 Y 、 Z ）三个维度联动，专门为单个维度解决不了的问题提供解决方案。时间 T 维度将问题分解到一个时间范围内，分步骤按节奏逐一解决。多维度、立体化、分层次、动态演进，这是我对这套方法论特点的总结。 接下来，让我们进入这个四维的架构时空一探究竟！ 图 1 四维座标系统 前后端维度（ X1 … X7 ） 前后端维度被分解为交互、业务、领域、资源四大层，其中业务可以细分为应用 X2 、框架 X3 ，领域可以细分为服务 X4 、核心 X5 ，资源也可以细分为代理 X6 、数据 X7 ，共分为七个层次。服务 X4 可以实现 API ，如果公开，就是开放接口，调用服务层的接口，通常需要授权。代理 X6 可以实现 SPI ，隔离耦合，避免核心 X5 依赖特定的外部系统或数据库。每个层次做到高内聚，层与层之间做到低耦合。 图 2 X 轴分层结构 在系统实现过程中，可以综合考虑现状， X2 应用和 X3 框架可以不分拆， X4 服务和 X5 核心可以不分拆，待后续时机成熟可以再重构分层

在现实生活中，我们常常会用到两种或多种类型的笔，比如毛笔和蜡笔。假设我们需要大、中、小三种类型的画笔来绘制12中不同的颜色，如果我们使用蜡笔，需要准备3*12=36支。但如果使用毛笔的话，只需要提供3种型号的毛笔，外加12个颜料盒即可，涉及的对象个数仅为3+12=15，远远小于36却能实现与36支蜡笔同样的功能。如果需要新增一种画笔，并且同样需要12种颜色，那么蜡笔需要增加12支，而毛笔却只需要新增1支。通过分析，在蜡笔中，颜色和型号两个不同的变化维度耦合在一起，无论对其中任何一个维度进行扩展，都势必会影响另外一个维度。但在毛笔中，颜色和型号实现了分离，增加新的颜色或者型号都对另外一方没有任何影响。在软件系统中，有些类型由于自身的逻辑，它具有两个或多个维度的变化。为了解决这种多维度变化，又不引入复杂度，这就要使用今天介绍的Bridge桥接模式。 桥接模式（Bridge） 学习难度：★★★☆☆ 使用频率：★★★☆☆ 一、跨平台的图像浏览系统 1.1 需求介绍 M公司开发部想要开发一个跨平台的图像浏览系统，要求该系统能够显示JPG、BMP、GIF、PNG等多种格式的文件，并且能够在Windows、Linux以及Unix等多个操作系统上运行。该系统首先将各种格式的文件解析为像素矩阵（Matrix），然后将像素矩阵显示在屏幕上，在不同的操作系统中可以调用不同的绘制函数来绘制像素矩阵