国外网页模板网站,怎么让网站被搜索到,医疗器械展会2021列表,做外贸营销网站目录 前情提要剩下问题 问题排查解决方案下一步 前情提要
果蔬识别系统性能优化之路#xff08;三#xff09;
剩下问题
同步数据库数据并初始化ivf依然要8,9秒
问题排查
通过断点加时间打印#xff0c;发生其实初始化ivf的时间很快#xff0c;慢的是数据在网络间的传… 目录 前情提要剩下问题 问题排查解决方案下一步 前情提要
果蔬识别系统性能优化之路三
剩下问题
同步数据库数据并初始化ivf依然要8,9秒
问题排查
通过断点加时间打印发生其实初始化ivf的时间很快慢的是数据在网络间的传输并在python端的数据解析无语 本地调本地都要十秒这不合理改
解决方案
因为这里必须要查一次全量数据然后存入redis并将特征值传给python端进行初始化所以最快的方案就是舍弃数据传输直接在python端进行查询并初始化即在python端查全量数据设置redis初始化ivf虽然不想承认但确实把python端做重在架构和设计层面可能都是最优解改吧
python端增加mysql查询
import mysql.connector
from mysql.connector import pooling# 配置数据库连接
db_config {host: localhost, # 替换为你的 MySQL 主机地址user: root, # 替换为你的 MySQL 用户名password: cmkkl407, # 替换为你的 MySQL 密码database: cnn # 替换为你的数据库名称
}
pool pooling.MySQLConnectionPool(pool_namemypool, pool_size5, **db_config)def get_feature_by_store_code(store_code):query SELECT id, features FROM feature WHERE storeCode REGEXP %sresults query_data(query, params(f(^|,){store_code}(,|$),))return resultsdef query_data(query, params):connection pool.get_connection()cursor connection.cursor(dictionaryTrue)cursor.execute(query, params)results cursor.fetchall()cursor.close()connection.close() # 连接会被返回到池中return results
修改sync方法 def sync(self, store_code):if store_code -featureDatabase in self.ivfObj:del self.ivfObj[store_code -featureDatabase]data get_feature_by_store_code(store_code)def parse_features(item):return orjson.loads(item[features])with ThreadPoolExecutor() as executor:features_list list(executor.map(parse_features, data))# 提取所有特征并转换为 NumPy 数组features np.array(features_list, dtypenp.float32)self.ivfObj[store_code -featureDatabase] IVFPQ(features)ids [item[id] for item in data]return ids由于python端查出来的json默认会给字符串格式所以还需要转成json 一个优化小点 并行处理使用多线程或多进程并行处理数据。可以使用 concurrent.futures 库中的 ThreadPoolExecutor 或 ProcessPoolExecutor 来加快解析速度。 def parse_features(item):return orjson.loads(item[features])with ThreadPoolExecutor() as executor:features_list list(executor.map(parse_features, data))同时利用查出了所有id将ids进行返回给nestjs端直接进行redis存储 4. nestjs端修改 /*** 同步redis* param storeCode*/async syncRedis(storeCode: string) {const url http://localhost:5000/sync; // Python 服务的 URLconst s Date.now();const response await firstValueFrom(this.httpService.post(url, { storeCode }));const { ids } response.data;await this.redisService.set(${storeCode}-featureDatabase, JSON.stringify(ids));const e Date.now();console.log(同步redis耗时${e - s}ms);}优化后速度减少了一倍
下一步
新建store_feature表关联storeCode和featureId表对数据库进行规范化创建一个新的表来映射storeCode与feature的关系从而可以使用简单的WHERE条件来充分利用索引实现对特征向量ivf的增删改查
