由于Gitee作为图床的仓库被禁止开源，导致图片无法访问，所以转用Github作为图床。

最近在学Flink时发现，由于Java类型擦除的存在，导致Flink中使用Lambda表达式时，无法检测出泛型的类型，需要使用Flink类型暗示（type hint）机制才能解决。现在我们就深入剖析一下吧！

Yarn Cluster任务提交分为三个部分：

1. 用户编写好的Spark应用程序提交到Yarn上（截止到ApplicationMaster启动Driver那一步）
2. Driver对用户的应用程序进行App->Job->Stage->Task划分
3. Driver分发Task到Executor上

首先，我将自己总结的详细流程介绍一下，

然后，从源码部分一步一步解释上面的具体实现。

java.lang.InternalError: Malformed class name解决方法

摘要

我们知道，传统的语音识别系统分为三大组件，分别是词汇字典、声学模型和语言模型，这使得我们不得不单独训练声学和语音模型[1]。近年来，端到端（E2E）语音识别系统越来越受欢迎，与传统的语音识别系统不同，E2E语音识别系统直接将输入的语音转换成字符或单词，只基于配对的语音数据和语言数据，而不依赖其他独立组件，这使得E2E模型开始被广泛应用。随着Self-Attention应用，E2E语音识别模型的性能有了很大的提升，Transformer更是把这种机制发挥到了极致，吸引了大量的学者研究。另一方面，基于CTC/Attention的混合模型在解码方面具有非常突出的优势，它既可以CTC实现输出序列与输入序列的时间顺序对齐，又可以通过Attention把握token在整个序列中的重要程度。本文主要研究2020年提出的一种全新E2E混合模型SA-Conv-CTC/Attention，它基于CTC/Attention，又将Self-Attention与浅卷积的混合编码器应用到CTC/Attention架构中，从而取得了具有竞争力的性能。与主流的混合模型相比，SA-Conv-CTC/Attention降低了约0.8~4.75%的错误率。

关键词：自注意力/卷积混合编码器；连接时序分类/注意力混合模型；自注意力语言模型；端到端的语音识别

使用yolov5训练自动驾驶目标检测数据集BDD100K！

Hive动态分区的多种插入方式。

Comparable可以认为是一个内比较器，而Comparator可以认为是一个外比较器。下面看一下如何进行集合排序,常用的方法有: Comparator和Comparable

Java队列的常见操作

为什么Hive中的group by后面不能使用字段别名呢？看了这篇文章你将一目了然。