FML-0.5.11 版本发布
FML 是一个用 Java 实现的维度建模语言 SDK,主要是参考了 kimball 建模理论和阿里 Onedata,定义一套用于表达上述理论中的模型语法,来做模型设计,该语言是面向数据建模和数据开发同学,同时针对为了解决模型发布的效率,基于当前 SDK 封装了一套从模型表达转换其他不同引擎的 DDL 能力,目前引擎包括:Hive,Hologres,Mysql 等。 使用 Java 实现目的主要是使用了 java 的语法解析工具来做语法的解析处理。 目前 FML 可以在 Dataworks 的智能建模工具上使用,方便建模同学能够快速的调整模型结构。
- 具体可以参考这里:https://help.aliyun.com/zh/dataworks/user-guide/use-fml-statements-to-configure-and-manage-data-tables?spm=a2c4g.11174283.0.0.16b4467fOJ1Kbg
- 说明文档:https://github.com/alibaba/fast-modeling-language/blob/main/README_zh_CN.md
- 开发手册:https://alibaba.github.io/fast-modeling-language/#/
版本:0.5.11
新功能(new features)
Core
・新增支持IndexExpr的表达
Transformer
・支持Doris DDL的正向和逆向转换
・支持OceanBase Mysql的正向和逆向转换
向下兼容(compatibility)
・暂无
过期功能(deprecations)
无
安全漏洞修复(vulnerability)
无
maven 依赖
项目根 pom 增加以下依赖:
<dependencyManagement> <dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-bom</artifactId> <version>0.5.10</version> <type>pom</type> <scope>import</scope> </dependency> </dependencyManagement>
Parser 接入:
<!--fastmodel解析器--> <dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-core</artifactId> </dependency> <dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-parser</artifactId> </dependency>
Transformer 接入:
<dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-transform-hive</artifactId> </dependency> <dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-transform-hologres</artifactId> </dependency> <dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-transform-adbmysql</artifactId> </dependency> <dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-transform-starrocks</artifactId> </dependency> <dependency> <groupId>com.aliyun.fastmodel</groupId> <artifactId>fastmodel-transform-spark</artifactId> </dependency>

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
snail-job vsj1.1.0-beta1 已经发布,分布式重试服务平台
snail-job vsj1.1.0-beta1 已经发布,分布式重试服务平台 此版本更新内容包括: 【信创】支持达梦数据库【新增】 更新密码策略:字母、数字、特殊字符,任意2种组成,6-20位【优化】 工作流批次、重试批次、重试日志添加时间筛选(默认查询一个月)【新增】 修复通知配置分页显示问题【BUG】 github工作流添加maven cache【优化】 mp自动填充createDt,updateDt字段【优化】 提取所有insertBatch xml语句到template【优化】 优化空间切换组件样式【优化】 用户列表添加[序号]、[创建时间]字段【新增】 所有搜索框允许清除【优化】 修复工作流搜索参数定义错误【BUG】 工作流批次按照任务名称查询体验【优化】 定时任务批次按照任务名称查询体验【优化】 修复前端toString()空指针问题【优化】 命名空间非活跃条目显示图标【优化】 登录界面可以做一下键盘回车登录【优化】 updateBatch系列脚本增加update_dt=CURRENT_TIMESTAMP【优化】 页面路径修改 notify/scene => not...
- 下一篇
详解联邦学习中的异构模型集成与协同训练技术
本文分享自华为云社区《联邦学习中的异构模型集成与协同训练技术详解》,作者:Y-StarryDreamer。 引言 随着数据隐私和安全问题的日益突出,传统的集中式机器学习方法面临着巨大的挑战。联邦学习(Federated Learning)作为一种新兴的分布式机器学习方法,通过将模型训练过程分布在多个参与者设备上,有效解决了数据隐私和安全问题。然而,在实际应用中,不同参与者可能拥有不同的数据分布和计算能力,导致使用的模型和训练方法存在异构性。本文将详细介绍联邦学习中的异构模型集成与协同训练技术,包括基本概念、技术挑战、常见解决方案以及实际应用,结合实例和代码进行讲解。 项目介绍 异构模型集成与协同训练技术在联邦学习中具有重要意义。通过集成不同参与者的异构模型,可以充分利用多样化的数据和计算资源,提高模型的泛化能力和鲁棒性。本文将通过详细介绍异构模型集成与协同训练的基本概念、技术挑战、常见解决方案以及实际应用,帮助读者全面掌握这一关键技术。 异构模型集成的基本概念和技术挑战 1. 异构模型的定义 异构模型是指不同参与者在联邦学习过程中使用的模型结构或训练方法不同。具体而言,异构模型可以表现...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- SpringBoot2初体验,简单认识spring boot2并且搭建基础工程
- Windows10,CentOS7,CentOS8安装Nodejs环境
- 设置Eclipse缩进为4个空格,增强代码规范
- CentOS8编译安装MySQL8.0.19
- CentOS关闭SELinux安全模块
- Windows10,CentOS7,CentOS8安装MongoDB4.0.16
- Linux系统CentOS6、CentOS7手动修改IP地址
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- Red5直播服务器,属于Java语言的直播服务器