Ignite实战( 十 ) _生活百科

SqlFieldsQuery sql = new SqlFieldsQuery("select name from City").setSchema("PERSON");或者，您可以在语句中定义架构：
SqlFieldsQuery sql = new SqlFieldsQuery("select name from Person.City");8.创建表您可以将任何受支持的 DDL 语句传递到SqlFieldsQuery缓存并在缓存上执行，如下所示。
IgniteCache<Long, Person> cache = ignite.getOrCreateCache(new CacheConfiguration<Long, Person>().setName("Person"));// Creating City table.cache.query(new SqlFieldsQuery("CREATE TABLE City (id int primary key, name varchar, region varchar)")).getAll();在 SQL 模式方面，执行代码会创建以下表：

“Person”模式中的表“Person”（如果之前没有创建过）。
“人员”模式中的表“城市” 。

要查询“City”表，请使用select * from Person.Cityor之类new SqlFieldsQuery("select * from City").setSchema("PERSON")的语句（注意大写）。
9.取消查询有两种方法可以取消长时间运行的查询。
第一种方法是通过设置查询执行超时来防止查询失控。
SqlFieldsQuery query = new SqlFieldsQuery("SELECT * from Person");// Setting query execution timeoutquery.setTimeout(10_000, TimeUnit.SECONDS);第二种方法是通过使用来停止查询QueryCursor.close() 。
SqlFieldsQuery query = new SqlFieldsQuery("SELECT * FROM Person");// Executing the queryQueryCursor<List<?>> cursor = cache.query(query);// Halting the query that might be still in progress.cursor.close();2.6.6 机器学习Apache Ignite 机器学习 (ML) 是一组简单、可扩展且高效的工具，无需昂贵的数据传输即可构建预测机器学习模型。
将机器和深度学习 (DL) 添加到 Apache Ignite 的基本原理非常简单。今天的数据科学家必须处理阻碍 ML 被主流采用的两个主要因素：

首先，在不同的系统中训练和部署模型（训练结束后）。数据科学家必须等待 ETL 或其他一些数据传输过程才能将数据移动到 Apache Mahout 或 Apache Spark 等系统中以进行培训。然后他们必须等待此过程完成并在生产环境中重新部署模型。整个过程可能需要数小时才能将数 TB 的数据从一个系统转移到另一个系统。此外，训练部分通常发生在旧数据集上。
第二个因素与可扩展性有关。必须处理不再适合单个服务器单元的数据集的 ML 和 DL 算法正在不断增长。这促使数据科学家提出复杂的解决方案，或者转向分布式计算平台，如 Apache Spark 和 TensorFlow 。然而，这些平台大多只解决了模型训练的一部分难题，这使得开发人员决定以后如何在生产中部署模型成为负担。

文章插图
1.零 ETL 和大规模可扩展性Ignite 机器学习依赖于 Ignite 以内存为中心的存储，它为 ML 和 DL 任务带来了巨大的可扩展性，并消除了 ETL 在不同系统之间施加的等待。例如，它允许用户直接在 Ignite 集群中跨内存和磁盘存储的数据上运行 ML/DL 训练和推理。接下来，Ignite 提供了大量针对 Ignite 的并置分布式处理进行优化的 ML 和 DL 算法。当针对大量数据集或增量针对传入数据流运行时，这些实现提供内存速度和无限的水平可扩展性，而无需将数据移动到另一个存储中。通过消除数据移动和较长的处理等待时间
2.容错和持续学习Apache Ignite 机器学习可以容忍节点故障。这意味着在学习过程中出现节点故障的情况下，所有的恢复过程对用户都是透明的，学习过程不会中断，我们会在类似于所有节点都正常工作的情况下得到结果。
3.算法和适用性3.1 分类根据训练集识别新观察属于哪个类别。