houyushui-CSDN博客

原创 Spring Cache配置：Redis缓存管理器、Caffeine缓存管理器

摘要：Spring Cache配置指南添加依赖：在Maven项目中引入spring-boot-starter-cache基础依赖启用缓存：通过@EnableCaching注解激活缓存功能配置缓存管理器：简单缓存：使用ConcurrentMapCacheManager Redis缓存：需要额外依赖，可配置过期时间和序列化方式 Caffeine缓存：支持高级配置，包括过期策略和缓存大小特殊配置： Redis需配置连接工厂和序列化器 Caffeine支持细粒度的缓存策略控制每种方案都提供了代码示例，可

2025-07-01 16:44:32 460

原创 Redis 增量迭代

Redis ZSet增量迭代技术通过ZSCAN命令实现大数据量的分批处理，避免内存溢出。摘要如下：核心机制使用ZSCAN key cursor [MATCH pattern] [COUNT count]命令进行渐进式遍历每次返回新游标和部分数据（成员+分数），游标归零时完成迭代支持通配符过滤和数量控制，默认每批约10条关键特性弱一致性：遍历期间数据修改可能导致重复/遗漏时间复杂度：单次O(1)，完整遍历O(N) 适合千万级数据场景（如用户排行榜、延迟任务队列） Java实现基础版：scanA

2025-06-29 16:37:24 1002

原创 ZSet高效的数据获取方式

Redis ZSet提供多种高效数据获取方式：1) 按分数范围查询（zrangebyscore）适用于筛选特定分数段数据；2) 批量操作（Pipeline/Lua）减少网络延迟，适合批量获取多个ZSet；3) 增量迭代（ZScan）处理百万级数据，避免全量加载；4) 分片并行获取加速超大规模数据读取；5) 索引查询（zscore/zrank）快速获取单个成员信息。不同场景可选用对应方法优化性能，如从节点读取减轻主库压力。

2025-06-29 16:02:45 839

原创避免 ZSet 内存溢出

Redis高可用配置与ZSet内存优化方案摘要：针对ZSet数据存储需求，提出分片存储与批量操作策略，通过智能分片（如100个分片）和一致性哈希算法均匀分布数据，防止内存溢出。采用Jedis事务保证原子性，Pipeline批量操作减少网络开销，并设置过期时间控制数据增长。提供分页查询接口优化读取性能，同时支持GZIP压缩和Base64编码降低存储压力。该方案在保证数据可靠性的同时，有效解决大ZSet内存问题，适用于排行榜等高频读写场景。

2025-06-29 14:59:00 111

原创动态表名分片的设计逻辑

动态表名分片设计摘要动态表名分片通过水平拆分数据到不同物理表提升性能和扩展性。核心策略包括：按时间分片（如order_202306），适合时间序列数据，通过日期快速定位表；按哈希分片（如user_0到user_9），根据字段哈希值分散数据，需预先规划分片数量；按业务维度分片（如order_cn），根据地区等业务属性拆分。实现上采用策略模式（工厂类选择分片策略）和动态拦截器（如MyBatis拦截器修改SQL表名）。示例代码展示了时间/哈希/业务分片的核心逻辑，包括表名生成与范围查询处理。此方案需权衡

2025-06-28 17:39:22 143

原创 np.pad用法

pad_width[1]是一个元组，表示在对应方向上应该填充多少，不填充时为（0，0）可以看到，在上面的例子中pad_width表示的是对应的axis轴在那个方向增加填充。pad_width[1]是在axis=1上增加填充。

2023-01-21 09:36:32 303

原创 tf.one_hot用法

indices,depth,axis=None,name=None)1. indices是labels，即你要进行one_hot编码的数据2. depth是你数据的类别，或者区间长度3. on_value默认是1，这表示对应值有效时，one_hot编码中的值4. off_value默认是0，表示对应值无效时，one_hot编码的值5. axis默认为-1，表示你的one_hot编码从哪个方向展开，axis为0时，列表示一个数据，行表示类别上面的例子，labels表示我要编码的数据，

2023-01-13 11:53:22 415

原创提高你模型的性能（笔记）

在偏差较高时，会出现欠拟合的现象，此时用的模型就过于简单了；另外，当你的λ设的足够大，那么W将会更接近于0，直观上就是多隐藏单元的权重为0，从而消除了隐藏单元，这时神经网络就被简化，但是它依然很深，所以这个网络就会从过度拟合的状态变为高偏差状态，但是在这过程中，由于是连续的变化，所以会有一个中间态，也就是我们希望让模型变成的低偏差低方差的状态。但如果你的数据比较多，那么你可以适当减少验证集和测试集的比例，因为验证集的目的就是验证不同的算法，比较那种算法更有效，只要有一定的数据量就可以满足这个需求。

2023-01-09 21:13:02 369