MySQL SQL语句

字符集:
show charset;
UTF8:字符最大长度三个字节
UTF8mb4:字符最大长度四个字节,如支持emoji表情
校对规则:排序影响大小写
show collation;
存储引擎:
show engines;
数字类型:见下表
类型占用字节无符号范围有符号范围(负数)数据长度
tinyint10-255-128~1273
smallint20-65535-32768~327675
mediumint30-16777215-8388608~83886078
int40-2^32-2^31~2^32-110
bigint80-2^64-2^63~ 2^63-120
选择数据类型的关键:
合适的、简短的、足够的
浮点型和定点型:
FLoat:表示不指定小数位的浮点数
FLoat(M,D):表示一共存储M个有效数字,其中小数部分占D位
Double:系统用8个字节来存储数据,表示的范围更大,10^308次方,但是精度也只有15位左右
Decimal:系统自动根据存储的数据来分配存储空间,每大概9个数就会分配四个字节来进行存储,同时小数和整数部分是分开的
Decmal(M,D):M表示总长度(包括小数点),最大不能超过64,D表示小数据部分长度,最大不能超过30
字符串类型
char:定长,最大支持255个字节长度
varchar:变长,最大支持65535个字节长度,系统都会在数据后面增加1-2个字节的额外开销,是用来保存数据所占用的空间长度,如果低于255字节则额外占用一个字节,如果大于255字符,则额外占用两个字节
text:文本类型
set:枚举类型
enum:集合
时间类型:
datetime:1000-01-01 / 9999-12-31  八字节
timestamp:1970-01-01 / 2038-1-19 四字节
primary key :主键约束
foreign key : 外键约束
not null : 非空约束
default : 默认约束
unique : 唯一
auto_increment :自增长列
unsigned : 无符号
comment : 注释
建库
create database test charset utf8mb4;
查库
show databases;
修改库定义
alter database test charset=utf8;
删除库
drop database test;
表定义
create table t1 (id1 float(5,2) default null,id2 double(5,2) default null,id3 decimal(5,2) default null);
建表规范:
1、表名:不要大写字母,不要数字开头,不要超过18个字符,不要使用内置字符串,要和业务有关
2、列名:不要超过18个字符,不要使用内置字符串,要和业务有关
3、数据类型:合适、精简、足够
4、每个表要有且只能有一个主键。每个列尽量not null 尽量不要使用外键
5、每列要有注释
6、存储引擎innodb,字符集utf8mb4
查表:
show tables;
修改表名:
alter table t1 rename t2;
表头,索引:
desc t1
添加列:
alter table t1 add idx tinyint  unique comment 'id列'
增加列值:
update t1 set idx=1 where id1=1.23;
修改列属性:(添加主键)
alter table t1 modify column id1 char(40);
alter table t2 modify column idx int auto_increment primary key;
删除列:
alter table t1 drop idx;
添加索引:
alter table t1 add index idx(idx) ;
删表:
drop table t1;
删除主键:
alter table t2 change idx idx tinyint;
alter table t2 drop primary key;
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值