如事件分發

機制和訊息中介軟體?如q series?

雖然面向訊息和麵向事件的整合方法在eai產品中更為常見y但現在y已

經有很多etl工具廠商在他們的解決方案中提供這種功能y以滿足高階

實時的商務應用需求當bi應用需要零延遲和最新的資料時y這種實時的

資料整合方法就是必須的。

很顯然ycdc技術提供了諸多好處y但也有幾個值得思考的問題y具體如

下x

?

1?變化捕捉方法讀取資料庫的日誌檔案使用資料庫觸發器資料比

較和在企業程式內編寫定製的事件通知

?

2?對操作型系統的入侵程度對系統造成影響由高到低原始碼入侵進

程內或地址空間入侵?資料庫觸發器?不影響應用的操作型資料來源?使

小主，這個章節後面還有哦，，後面更精彩！

用資料庫日誌?。

捕捉延遲選擇cdc解決方案時最主要的考慮因素實時程度越高y

入侵程度越高

?

4?過濾和排序服務過濾保證只有需要的變化才被分發]排序定義了變

化被分發的順序

?

5?支援多個消費者cdc解決方案需要支援多個消費者y每個消費者可

能具有不同的延遲要求。

失敗和恢復保證變化能夠被正確分發]恢復時保證變化分發資料流

從最近一次的位置開始y且滿足變化事務一致性

?

7?主機和遺產資料來源將非關係型資料來源對映成關係型資料來源再進行

etl

?

8?和etl工具的無縫整合考慮不同etl工具之間的難易程度和互聯。

資料整合為分散在企業不同地方的商務資料提供了一個統一的檢視我

們可以使用不同的技術來構建這個統一檢視這個統一檢視可以是一個

物理資料檢視y其中的資料來自多個分散的資料來源y並被整合儲存到一

個整合的資料儲存中y比如資料倉儲或者y統一檢視也可以是一個虛

擬資料檢視y其中的資料分散在多個資料來源中y而不是集中儲存在一個

地方y只有當需要使用這些資料的時候y才臨時把它們從多個資料來源中

抽取出來y並加以適當處理後y提交給資料請求者本章內容介紹了數

據整合的概念和技術y並重點介紹了兩種代表性的資料整合技術y即

etl和cdc。

近年來，深度學習已經成為了計算機領域和其他領域學習與科研中的熱門話題，雖

然人類已經利用卷積神經網路模型進行了許多與深度學習有關的科學研究，但是卷積神

經網路模型內部卻仍像一個“黑匣子”。因此為了認識和理解模型內部的工作機理，對

其從內部卷積計算核和卷積層中獲取到的特徵進行分類，且理解從卷積神經網路中每一

級所獲取到的影象特徵資訊，是深度學習領域中的關鍵任務之一。透過特徵視覺化的結

果，對網路結構進行適當調節以最佳化網路，避免盲目調參，進而以更快的速率使網路特

性資訊達到最最佳化。

中重點利用了基於梯度分析的視覺化方法，研究了針對不同卷積神經網路模型

的視覺化效果，按照影象資料集中包含的影象資料，分別從單目標和多目標兩個類別來

開展研究工作。本文的工作內容如下：

基於反摺積技術進行卷積神經網路每一層特徵視覺化的分析。實驗結果表明低

層卷積層主要提取的是輸入影象的顏色、輪廓及紋理等簡單的特徵，而高層則提取的是

輸入影象中眼睛、嘴、翅膀等更加複雜抽象的特徵，網路層數越深的模型，其內部提取

到的特徵更加的接近實物的細節特徵。

提出一種基於啟用的特徵視覺化方法。該方法以熱力圖的視覺化方式對

輸入影象進行視覺化分析，實驗結果表明動物的頭部特徵是網路模型作出決策的重要依

據。在此方法的基礎上針對多目標進行特徵視覺化，提出一種改進的 grad-ca++