亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        面向大數(shù)據(jù)環(huán)境的大規(guī)模機(jī)器學(xué)習(xí)工具研究綜述

        2021-11-21 13:41:33
        軟件導(dǎo)刊 2021年1期
        關(guān)鍵詞:分布式計(jì)算數(shù)據(jù)挖掘分布式

        (北方工業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院,北京 100144)

        0 引言

        伴隨著互聯(lián)網(wǎng)產(chǎn)業(yè)的興起,大數(shù)據(jù)迅速成為學(xué)術(shù)界、企業(yè)界甚至政府機(jī)構(gòu)關(guān)注的熱點(diǎn)。相對(duì)于傳統(tǒng)數(shù)據(jù),人們將大數(shù)據(jù)的特征總結(jié)為5 個(gè)大寫的“V”,即體量大(Vol?ume)、速度快(Velocity)、模態(tài)多(Variety)、難辨識(shí)(Veraci?ty)和價(jià)值大密度低(Value)[1]。人們關(guān)注大數(shù)據(jù)的一個(gè)重要目的在于從規(guī)模巨大、紛繁復(fù)雜的數(shù)據(jù)中探求規(guī)律,釋放數(shù)據(jù)所蘊(yùn)含的價(jià)值;否則,數(shù)據(jù)再大,也毫無意義。而作為人工智能重要分支的機(jī)器學(xué)習(xí),在大數(shù)據(jù)價(jià)值發(fā)現(xiàn)中扮演著不可或缺的角色。

        機(jī)器學(xué)習(xí)在學(xué)術(shù)界和產(chǎn)業(yè)界都有巨大實(shí)用價(jià)值,尤其是大數(shù)據(jù)環(huán)境下的機(jī)器學(xué)習(xí)算法成為學(xué)術(shù)界和工業(yè)界共同關(guān)注的課題。一般而言,大規(guī)模機(jī)器學(xué)習(xí)算法通常采用分而治之思想,通過分布式計(jì)算方式,將數(shù)據(jù)或者模型進(jìn)行分割,進(jìn)而出色地完成對(duì)大規(guī)模數(shù)據(jù)的模型訓(xùn)練及預(yù)測(cè)[2]。然而,從零開始構(gòu)建一個(gè)分布式機(jī)器學(xué)習(xí)算法是繁瑣和重復(fù)性的。針對(duì)該問題,越來越多開源和商業(yè)性的大規(guī)模機(jī)器學(xué)習(xí)工具應(yīng)運(yùn)而生。大規(guī)模機(jī)器學(xué)習(xí)工具的產(chǎn)生,降低了機(jī)器學(xué)習(xí)算法的使用門檻,減少了科研技術(shù)人員的重復(fù)性勞動(dòng),使他們將更多的精力集中在創(chuàng)新研究和應(yīng)用分析上,極大地提高了生產(chǎn)效率。并且,開源大規(guī)模機(jī)器學(xué)習(xí)工具平臺(tái)的出現(xiàn),也順應(yīng)了當(dāng)前潮流,開源方式能夠充分集中大眾智慧,讓更多的科研人員投身于算法研究和工具平臺(tái)建設(shè)中,也更快更好地促進(jìn)了機(jī)器學(xué)習(xí)發(fā)展。

        目前,國內(nèi)外機(jī)器學(xué)習(xí)工具種類繁多,功能和適用環(huán)境也各不相同。本文主要分析當(dāng)前國內(nèi)外機(jī)器學(xué)習(xí)算法開發(fā)和應(yīng)用主要工具,總結(jié)各機(jī)器學(xué)習(xí)工具包的特點(diǎn)及適用場景,以便科研和技術(shù)人員在面臨實(shí)際問題時(shí)能夠選擇合適的機(jī)器學(xué)習(xí)工具平臺(tái)。

        1 開源的機(jī)器學(xué)習(xí)工具

        開源即開放源代碼,開源軟件以開放源代碼的形式提供給使用者使用,在為使用者提供便利的同時(shí),也接受更多來自于開發(fā)者的改造。目前,開源工具已逐漸成為機(jī)器學(xué)習(xí)界的主流,主要有以下幾個(gè)分類。

        1.1 基于GPU 的深度學(xué)習(xí)工具

        深度學(xué)習(xí)是研究如何從數(shù)據(jù)中自動(dòng)抽取多層特征表示,它與傳統(tǒng)機(jī)器學(xué)習(xí)模型的不同之處在于,深度學(xué)習(xí)能夠?qū)W到數(shù)據(jù)更高層次的抽象表示,能夠自動(dòng)從數(shù)據(jù)中提取特征[3]。一個(gè)高層的神經(jīng)網(wǎng)絡(luò)模型通常包含上百萬參數(shù),這樣一個(gè)巨大的模型在普通CPU 上訓(xùn)練非常耗時(shí),而GPU的并行訓(xùn)練算法可以極大縮短訓(xùn)練時(shí)間。

        cuDNN 是Nvidia 研發(fā)的一款專注于深度學(xué)習(xí)的GPU加速工具,通過將卷積神經(jīng)網(wǎng)絡(luò)計(jì)算轉(zhuǎn)變?yōu)閷?duì)GPU 更有利的矩陣運(yùn)算,可以非常有效地提高深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度[4]。由于cuDNN 的強(qiáng)大性能,包括Torch、Caffe 在內(nèi)的很多機(jī)器學(xué)習(xí)工具包在深度神經(jīng)網(wǎng)絡(luò)運(yùn)算時(shí),都采用cuDNN 的算法加以實(shí)現(xiàn)。

        Torch 和TensorFlow 都以對(duì)深度神經(jīng)網(wǎng)絡(luò)的良好支持為特點(diǎn),與cuDNN 相比,這兩個(gè)機(jī)器學(xué)習(xí)包提供了更加高層的算法支持[5-6]。

        Torch 由Facebook 公司開發(fā),提供了一個(gè)非常豐富的社區(qū)驅(qū)動(dòng)算法庫,涉及領(lǐng)域包括機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、信號(hào)處理、并行運(yùn)算、圖像、音頻、視頻和計(jì)算機(jī)網(wǎng)絡(luò)。Torch采用了LuaJIT 語言編寫,它繼承了LuaJIT 語言優(yōu)勢(shì),包括極高的運(yùn)行速度、靈活的跨平臺(tái)特性、良好的可讀性[7]。它支持神經(jīng)網(wǎng)絡(luò),而且其深度學(xué)習(xí)模塊運(yùn)算效率非常高。通過使用Torch 深度學(xué)習(xí)模塊構(gòu)造的CNN(卷積神經(jīng)網(wǎng)絡(luò)),比普通CNN 快23.5 倍[8]。

        TensorFlow 由谷歌開發(fā),其命名來源于自身運(yùn)行原理,Tensor 意為張量,F(xiàn)low 是流的意思[9]。它是基于DistBelief研發(fā)的機(jī)器學(xué)習(xí)工具,提供了一種數(shù)據(jù)驅(qū)動(dòng)的流式計(jì)算框架,采用了一種基于數(shù)據(jù)流的運(yùn)算模型。一個(gè)TensorFlow的計(jì)算可以描述為一個(gè)有向圖,圖由節(jié)點(diǎn)和邊構(gòu)成。每一個(gè)節(jié)點(diǎn)可以有零個(gè)或者多個(gè)輸入和零個(gè)或者多個(gè)輸出,它們代表某一種操作,在不同節(jié)點(diǎn)之間邊上流動(dòng)的數(shù)據(jù)就是Tensor[10]。

        與Torch 相比,TensorFlow 的平臺(tái)兼容性更加強(qiáng)大,它還提供了異構(gòu)的網(wǎng)絡(luò)結(jié)構(gòu)以便將不同設(shè)備包含在同一個(gè)任務(wù)中。TensorFlow 強(qiáng)大的跨平臺(tái)功能正是源于它的流式計(jì)算結(jié)構(gòu)。在TensorFlow 中,節(jié)點(diǎn)之間通過統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)Tensor 進(jìn)行信息交互,從而屏蔽了不同節(jié)點(diǎn)之間的差異性。

        1.2 基于數(shù)據(jù)并行的分布式計(jì)算機(jī)器學(xué)習(xí)工具

        大數(shù)據(jù)時(shí)代的一個(gè)特點(diǎn)是數(shù)據(jù)規(guī)模變得越來越大,為了獲得有效信息,用戶需要構(gòu)建的大規(guī)模模型往往無法在一臺(tái)電腦上完成訓(xùn)練[11]。于是,分布式計(jì)算平臺(tái)被提上日程,即將數(shù)據(jù)分割成小份發(fā)送到每一個(gè)工作節(jié)點(diǎn)上加以處理,它較好地滿足了大數(shù)據(jù)背景下的大規(guī)模運(yùn)算。目前,主流的分布式計(jì)算平臺(tái),如Hadoop、Spark 等,都是基于數(shù)據(jù)并行的分布式計(jì)算平臺(tái)[12]。但是,進(jìn)行大規(guī)模的模型訓(xùn)練即使在分布式環(huán)境下依然是一個(gè)非常困難的問題。

        Mahout 是Hadoop 分布式計(jì)算平臺(tái)上的一個(gè)機(jī)器學(xué)習(xí)工具,為了幫助開發(fā)人員更加方便快捷地在Hadoop 上進(jìn)行分布式數(shù)據(jù)挖掘任務(wù),它采用Map-reduce 的方式將很多傳統(tǒng)單機(jī)上的經(jīng)典算法在分布式環(huán)境下實(shí)現(xiàn)[13]。同時(shí),在Spark 分布式計(jì)算平臺(tái)上也存在一個(gè)與之對(duì)應(yīng)的機(jī)器學(xué)習(xí)工具M(jìn)lLib。針對(duì)Spark 平臺(tái)的特性,MlLib 提供了兩個(gè)不同的算法庫:Spark.mllib 和Spark.ml。Spark.mllib 提供了面向RDD 的原始算法,而spark.ml 則提供了面向DataFrames的機(jī)器學(xué)習(xí)算法。Spark 對(duì)兩個(gè)庫都進(jìn)行維護(hù),以支持用戶的不同需求,但是,鑒于Spark 對(duì)DataFrame 的算法優(yōu)化,使用DataFrames 會(huì)是一個(gè)更好的選擇[14]。

        由IBM 公司開發(fā)的SystemML 更加傾向于創(chuàng)造一個(gè)靈活、可伸縮的機(jī)器學(xué)習(xí)工具,希望為用戶提供一個(gè)工具,使他們編寫的程序可以在各種分布式計(jì)算平臺(tái)上運(yùn)行[15]。為此,SystemML 提供了兩種高層次的編程語言,類R 的腳本語言DML 和類Python 的腳本語言PyDML,使用這兩種語言編寫的程序可以完全無修改地在各種平臺(tái)上運(yùn)行,包括Hadoop 分布式平臺(tái)和Spark 分布式平臺(tái)。此外,System?ML 還會(huì)對(duì)這兩種語言編寫的算法進(jìn)行自動(dòng)優(yōu)化,通過數(shù)據(jù)和集群性能以保證高效性和可伸縮性。

        SystemML 同樣提供了支持各種機(jī)器學(xué)習(xí)算法的工具包,以幫助用戶編寫程序。除在DML 或PyDml 中調(diào)用這些工具包外,SystemMl 還提供了Java 語言和Scala 語言的API 接口以方便用戶編程。

        1.3 基于模型并行的分布式機(jī)器學(xué)習(xí)工具

        與基于數(shù)據(jù)并行的分布式計(jì)算不同,基于模型的并行計(jì)算框架除將數(shù)據(jù)分割分發(fā)給工作節(jié)點(diǎn)外,還會(huì)將模型參數(shù)發(fā)放給每一個(gè)工作節(jié)點(diǎn)進(jìn)行訓(xùn)練,這種方式更適合進(jìn)行機(jī)器學(xué)習(xí)模型訓(xùn)練。

        Petuum 是一個(gè)基于模型同步的分布式機(jī)器學(xué)習(xí)框架,它致力于提供一個(gè)超大型機(jī)器學(xué)習(xí)的系統(tǒng)接口及通用算法[16]。同時(shí),它也會(huì)根據(jù)數(shù)據(jù)統(tǒng)計(jì)相關(guān)性,通過優(yōu)化模型訓(xùn)練算法提升模型訓(xùn)練速度。

        微軟的分布式機(jī)器學(xué)習(xí)框架DMTK 則更加關(guān)注分布式計(jì)算框架的計(jì)算性能,它可以在很少的機(jī)器集群上訓(xùn)練出超大規(guī)模的模型[17]。目前,微軟在DMTK 實(shí)現(xiàn)了3 個(gè)算法:LightLDA[18]、分布式詞向量[19]、多義的分布式詞向量[20]。借助DMTK 分布式框架,LightLDA 可以僅僅使用8臺(tái)計(jì)算機(jī)組成的集群,在2 千億訓(xùn)練樣本的數(shù)據(jù)集上訓(xùn)練具有1 百萬詞匯表和1 百萬個(gè)話題的LDA 模型,而這項(xiàng)工作在以往實(shí)驗(yàn)中通常要用上千臺(tái)計(jì)算機(jī)的集群才能夠運(yùn)行。

        DMTk 分布式框架由參數(shù)服務(wù)器和客戶端服務(wù)程序兩部分組成。與傳統(tǒng)參數(shù)服務(wù)器相比,DMTK 中的參數(shù)服務(wù)器有一個(gè)很大優(yōu)勢(shì)是,它允許存儲(chǔ)異構(gòu)參數(shù)模型,即高頻參數(shù)和低頻參數(shù)分開存儲(chǔ),以達(dá)到更好的服務(wù)器負(fù)載。

        DMTK 的客戶端服務(wù)程序運(yùn)行在各工作節(jié)點(diǎn)上。在參數(shù)同步時(shí),DMTK 的客戶端服務(wù)程序?yàn)楣ぷ鞴?jié)點(diǎn)添加緩存功能,極大減少通信開銷。它還會(huì)在訓(xùn)練程序和模型之間建立高速通道,以提高通信速度。對(duì)于DMTK 最重要的機(jī)制是,DMTK 采用一種Round-robin 的調(diào)度方式,工作節(jié)點(diǎn)只有在需要時(shí)才會(huì)從服務(wù)器上下載部分參數(shù),正是由于這項(xiàng)改進(jìn)才使得DMTK 可以在非常有限的資源上訓(xùn)練超大規(guī)模的模型。

        1.4 基于圖并行的機(jī)器學(xué)習(xí)工具

        基于圖并行的機(jī)器學(xué)習(xí)框架是為了解決大規(guī)模數(shù)據(jù)下傳統(tǒng)Map-reduce 分布式計(jì)算框架不適合機(jī)器學(xué)習(xí)迭代式運(yùn)行特點(diǎn)而提出的,在解決機(jī)器學(xué)習(xí)領(lǐng)域的問題時(shí),它具有更高的效率。但是這種分布式計(jì)算框架需要使用者能夠?qū)C(jī)器模型抽象成圖模型的結(jié)構(gòu)。

        GraphLab 是GraphLab 實(shí)驗(yàn)室開發(fā)的一款基于圖并行的分布式機(jī)器學(xué)習(xí)框架,其并行的核心思想是對(duì)頂點(diǎn)的切分[21]。在GraphLab 中,頂點(diǎn)是最小并行粒度和通信粒度,對(duì)于某一個(gè)頂點(diǎn),GraphLab 將其部署到多臺(tái)機(jī)器上,其中一臺(tái)作為master 節(jié)點(diǎn),其余機(jī)器作為mirror 節(jié)點(diǎn),master 是管理者節(jié)點(diǎn),會(huì)給每一個(gè)mirror 安排具體計(jì)算任務(wù),mirror作為代理執(zhí)行者需要與master 的數(shù)據(jù)保持同步[22]。而對(duì)于某一條邊,則只會(huì)被部署到一臺(tái)機(jī)器上,通過對(duì)每一條邊所關(guān)聯(lián)的頂點(diǎn)進(jìn)行多份存儲(chǔ)以保持模型完整性。這種方式可以解決圖模型邊上數(shù)據(jù)量大的問題。

        通過將數(shù)據(jù)抽象成Graph 結(jié)構(gòu),GraphLab 將算法執(zhí)行過程抽象成Gather、Apply、Scatter 3 個(gè)步驟。在Gather 階段,工作頂點(diǎn)的邊從臨界頂點(diǎn)和自身收集數(shù)據(jù);在Apply 階段,Mirror 會(huì)將Gather 計(jì)算結(jié)果發(fā)送給Master 頂點(diǎn);在Scatter 階段,Mater 節(jié)點(diǎn)更新邊上的數(shù)據(jù)并通知對(duì)其有依賴的臨界頂點(diǎn)更新狀態(tài)。

        2 商業(yè)化機(jī)器學(xué)習(xí)工具

        商業(yè)軟件是在計(jì)算機(jī)軟件中被作為商品進(jìn)行交易的軟件,與開源軟件相比,商業(yè)軟件更加注重用戶體驗(yàn),大部分商業(yè)軟件還會(huì)配備比較完善的技術(shù)支持。

        2.1 IBM SPSS Modeler

        IBM 公司出產(chǎn)的IBM SPSS Modeler 是一款商用的機(jī)器學(xué)習(xí)工具,其設(shè)計(jì)思想是用盡量簡單的方式進(jìn)行數(shù)據(jù)挖掘,盡可能屏蔽數(shù)據(jù)挖掘算法的復(fù)雜性及軟件操作的繁瑣性,使數(shù)據(jù)挖掘分析員在解決商業(yè)問題時(shí),能夠較好地繞開軟件操作本身,將更多精力放在先進(jìn)數(shù)據(jù)挖掘技術(shù)使用上[23]。

        SPSS Modeler 提供了一個(gè)易于操作的拖拽式圖形用戶界面,用戶不需要編寫任何代碼就可以完成自己的數(shù)據(jù)挖掘任務(wù)。開源機(jī)器學(xué)習(xí)工具Weka 也提供了類似的圖形操作界面,但是相比而言,IBM SPSS Modeler 的界面更加簡潔,用戶不需太多數(shù)據(jù)挖掘知識(shí)即可讀懂每一個(gè)控件的功能[24]。通常,對(duì)于數(shù)據(jù)挖掘任務(wù)而言,數(shù)據(jù)準(zhǔn)備是一項(xiàng)繁瑣工作,SPSS Modeler 則通過數(shù)據(jù)準(zhǔn)備節(jié)點(diǎn)幫助用戶自動(dòng)準(zhǔn)備數(shù)據(jù)。

        SPSS Modeler 還提供了一個(gè)與之配套的程序SPSS Modeler Server 以支持用戶完成大數(shù)據(jù)集上的訓(xùn)練。SPSS Modeler Server 運(yùn)行在服務(wù)器端,以分布式模式為用戶提供支持服務(wù)。大數(shù)據(jù)集下的內(nèi)存密集型操作可以在服務(wù)器端快速執(zhí)行,并將結(jié)果下載到客戶端,因而可以加快運(yùn)行速度。目前,SPSS Modeler 依然無法支持超大規(guī)模數(shù)據(jù)的數(shù)據(jù)挖掘任務(wù)。

        2.2 SAS

        SAS 全稱是Statistics Analysis System,它是一個(gè)用來管理數(shù)據(jù)、分析數(shù)據(jù)和編寫報(bào)告的大型集成應(yīng)用軟件系統(tǒng),目前已經(jīng)被廣泛應(yīng)用于政府行政管理、科研、教育、生產(chǎn)和金融等不同領(lǐng)域[25]。作為一款商用的數(shù)據(jù)挖掘工具,SAS與IBM SPSS Modeler 的定位完全不同,它的目標(biāo)用戶是具有數(shù)據(jù)分析知識(shí)的專業(yè)用戶,因此其操作主要以SAS 語言編程為主,雖然SAS 也提供非編程方式的菜單系統(tǒng),但人機(jī)對(duì)話界面并不友好。

        SAS 提供了當(dāng)今流行的主要統(tǒng)計(jì)分析方法,包括多元分析、回歸分析、方差分析、非參數(shù)分析、生存分析、聚類分析、判別分析和心理測(cè)量分析等[26]。

        SAS 提供多種語句及選項(xiàng)供用戶靈活使用,以滿足用戶不同的功能需求。同時(shí),SAS 也具有良好的跨平臺(tái)特性,它可以在多種計(jì)算機(jī)和操作系統(tǒng)上運(yùn)行,最新版本的SAS也可以支持Hadoop 分布式計(jì)算平臺(tái)。

        2.3 云平臺(tái)上的機(jī)器學(xué)習(xí)工具

        云平臺(tái)上的機(jī)器學(xué)習(xí)工具將其部署在云端,以出售計(jì)算的形式供用戶使用。這種商業(yè)模式無疑是一種大膽創(chuàng)新,但是具體效果還需等待市場考驗(yàn)。

        由百度公司開發(fā)的BML 是一種部署在云端的機(jī)器學(xué)習(xí)工具,通過BML,用戶無須關(guān)心具體算法細(xì)節(jié),也無需進(jìn)行計(jì)算平臺(tái)配置,只需要上傳數(shù)據(jù),選擇計(jì)算模型即可自動(dòng)完成模型訓(xùn)練,但是BML 并不支持用戶自定義方法[27]。微軟的Azure ML[28]和阿里巴巴的御膳房[29]也提供了一個(gè)類似的云端機(jī)器學(xué)習(xí)工具,除Azure ML 提供拖拽式操作外,用戶還可使用Python 語言進(jìn)行更加靈活的操作,但是用戶用腳本語言編寫的程序無法在Azure ML 上并行運(yùn)行。

        數(shù)據(jù)處理模型的局限性是云平臺(tái)上機(jī)器學(xué)習(xí)工具的一大共性特點(diǎn)。目前,基于云平臺(tái)機(jī)器學(xué)習(xí)工具的新型商業(yè)模式正處于起步階段,其將在不斷的發(fā)展和完善中,為用戶提供更好的體驗(yàn)。

        3 結(jié)語

        大數(shù)據(jù)時(shí)代,由于數(shù)據(jù)規(guī)模較大且數(shù)據(jù)復(fù)雜多樣,傳統(tǒng)機(jī)器學(xué)習(xí)在數(shù)據(jù)價(jià)值深度挖掘上都面臨巨大挑戰(zhàn),而大規(guī)模機(jī)器學(xué)習(xí)技術(shù)的產(chǎn)生,為人們提供了一個(gè)在海量數(shù)據(jù)中挖掘價(jià)值的有效方法。大量開源或者商用的面向大數(shù)據(jù)的機(jī)器學(xué)習(xí)工具,為人們使用這些新技術(shù)提供了便利。目前,國內(nèi)外各種機(jī)器學(xué)習(xí)工具特點(diǎn)不同,適用領(lǐng)域也不同。從小數(shù)據(jù)集上的數(shù)據(jù)挖掘任務(wù),到大數(shù)據(jù)集下的服務(wù)器端數(shù)據(jù)挖掘任務(wù),再到超大規(guī)模大數(shù)據(jù)下的機(jī)器學(xué)習(xí)任務(wù),機(jī)器學(xué)習(xí)算法在不斷進(jìn)步,機(jī)器學(xué)習(xí)工具也在不斷完善。

        無論是工業(yè)界還是學(xué)術(shù)界,研究機(jī)器學(xué)習(xí)的最終目的都是為了方便人類,機(jī)器學(xué)習(xí)工具可以降低機(jī)器學(xué)習(xí)使用門檻,促進(jìn)機(jī)器學(xué)習(xí)算法普及。未來,機(jī)器學(xué)習(xí)工具也會(huì)向著更加全面和更加易用的方向發(fā)展,必將呈現(xiàn)以下功能特點(diǎn):面向更廣泛更普通的用戶群體、具備良好可視化功能、操作界面簡潔直觀、對(duì)常用機(jī)器學(xué)習(xí)算法兼容性強(qiáng)、能夠與企業(yè)自身大數(shù)據(jù)分析無縫銜接、便于生產(chǎn)環(huán)境建設(shè)和升級(jí)維護(hù)等。

        猜你喜歡
        分布式計(jì)算數(shù)據(jù)挖掘分布式
        探討人工智能與數(shù)據(jù)挖掘發(fā)展趨勢(shì)
        分布式光伏熱錢洶涌
        能源(2017年10期)2017-12-20 05:54:07
        分布式光伏:爆發(fā)還是徘徊
        能源(2017年5期)2017-07-06 09:25:54
        基于并行計(jì)算的大數(shù)據(jù)挖掘在電網(wǎng)中的應(yīng)用
        電力與能源(2017年6期)2017-05-14 06:19:37
        基于云計(jì)算的移動(dòng)學(xué)習(xí)平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)
        云計(jì)算中MapReduce分布式并行處理框架的研究與搭建
        面向異構(gòu)分布式計(jì)算環(huán)境的并行任務(wù)調(diào)度優(yōu)化方法
        一種基于Hadoop的大數(shù)據(jù)挖掘云服務(wù)及應(yīng)用
        基于DDS的分布式三維協(xié)同仿真研究
        西門子 分布式I/O Simatic ET 200AL
        国内揄拍国内精品久久| 国产精品99久久免费| 美女一级毛片免费观看97| 精品人妻久久av中文字幕| 福利视频一区二区三区| 人人妻人人爽人人澡欧美一区| 亚洲欧美日韩精品高清| 国产不卡在线免费视频| 精品乱码一区内射人妻无码| 亚洲av有码在线天堂| 精品国产你懂的在线观看| 亚洲中文字幕精品久久吃奶| 亚洲日韩av一区二区三区中文 | 亚洲综合网在线观看首页| 日韩精品极品视频在线观看蜜桃| 亚洲国产精品久久婷婷| 999国内精品永久免费观看| 麻豆91免费视频| 中文字幕二区三区在线| 日韩精品中文一区二区三区在线| 免费人成再在线观看视频| 一级一级毛片无码免费视频| 久久久精品人妻一区二区三区免费| 国语自产视频在线| 99精品热这里只有精品| 一区二区久久不射av| 亚洲一区二区三区色偷偷| 又大又粗欧美黑人aaaaa片 | 国产91成人自拍视频| 搡女人真爽免费视频大全| 亚洲中文字幕无码mv| 噜噜噜色97| 日本成年一区久久综合| 又黄又硬又湿又刺激视频免费| 久久6国产| 亚洲精品在线一区二区三区| 国产欧美日韩中文久久| 久久欧美与黑人双交男男| 国产粉嫩美女一区二区三| 久久伊人最新网址视频| 国产白丝无码视频在线观看 |