《数据库系统概论 第四版》学习总结(超赞!!!)

普通网友 普通网友 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.8k累计阅读 1.8k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
转载 最新推荐文章于 2026-06-17 15:55:37 发布 1.8k 阅读 AI 写同款· GEO 优化 ›
数据库系统概论习题 数据库系统概论 一单项选择题 试题1 在数据库中，产生数据不一致的根本原因是( ) 数据冗余 未对数据进行完整性控制 没有严格保护数据 数据存储量太大 [参考答案] 数据冗余 试题2 数据库(DB)、数据库系统(DBS)和数据库管理系统(DBMS)三者之间的关系是( ) DB包括DBS和DBMS DBS包括DB和DBMS DBMS包括DB和DBS DBS就是DB，也就是DBMS [参考答案] DBS包括DB和DBMS 试题3 下述关于数据库系统的正确叙述是(... 阅读详情

我是技术搬运工,好东西当然要和大家分享啦原文地址

事务四大特性

1. 原子性

事务被视为不可分割的最小单元，要么全部提交成功，要么全部失败回滚。

2. 一致性

事务执行前后都保持一致性状态。在一致性状态下，所有事务对一个数据的读取结果都是相同的。

3. 隔离性

一个事务所做的修改在最终提交以前，对其它事务是不可见的。也可以理解为多个事务单独执行，互不影响。

4. 持久性

一旦事务提交，则其所做的修改将会永远保存到数据库中。即使系统发生崩溃，事务执行的结果也不能丢失。持久性通过数据库备份和恢复来保证。

数据不一致

1. 丢失修改

T1 和 T2 两个事务同时对一个数据进行修改，T1 先修改，T2 随后修改，T2 的修改覆盖了 T1 的修改。

2. 读脏数据

T1 修改后写入数据库，T2 读取这个修改后的数据，但是如果 T1 撤销了这次修改，使得 T2 读取的数据是脏数据。

3. 不可重复读

T1 读入某个数据，T2 对该数据做了修改，如果 T1 再读这个数据，该数据已经改变，和最开始读入的是不一样的。

隔离级别

数据库管理系统需要防止出现数据不一致问题，并且有多种级别可以实现，这些级别称为隔离级别。

1. 未提交读（READ UNCOMMITTED）

事务中的修改，即使没有提交，对其它事务也都是可见的。事务可以读取未提交的数据，这也被称为脏读。

2. 提交读（READ COMMITTED）

一个事务只能读取已经提交的事务所做的修改。换句话说，一个事务所在的修改在提交之前对其它事务是不可见的。这个级别有时候也叫做不可重复读，因为两次执行同样的查询，可能会得到不一样的结果。

3. 可重复读（REPEATABLE READ）

解决了脏读的问题，保证在同一个事务中多次读取同样的记录结果是一致的。

但是会出现幻读的问题，所谓幻读，指的是某个事务在读取某个范围内的记录时，另一个事务会在范围内插入数据，当之前的事务再次读取该范围的记录时，会产生幻行。

4. 可串行化（SERIALIXABLE）

强制事务串行执行，避免幻读。

可串行化调度

如果并行的事务的执行结果和某一个串行的方式执行的结果一样，那么可以认为结果是正确的。

封锁类型

排它锁 (X 锁）和共享锁 (S 锁），又称写锁和读锁。

  • 一个事务对数据对象 A 加了 X 锁，就可以对 A 进行读取和更新。加锁期间其它事务不能对 A 加任何锁；

  • 一个事务对数据对象 A 加了 S 锁，可以对 A 进行读取操作，但是不能进行更新操作。加锁期间其它事务能对 A 加 S 锁，但是不能加 X 锁。

封锁粒度

应该尽量只锁定需要修改的那部分数据，而不是所有的资源。锁定的数据量越少，发生锁争用的可能就越小，系统的并发程度就越高。

但是加锁需要消耗资源，锁的各种操作，包括获取锁，检查所是否已经解除、释放锁，都会增加系统开销。因此封锁粒度越小，系统开销就越大。需要在锁开销以及数据安全性之间做一个权衡。

MySQL 中主要提供了两种封锁粒度：行级锁以及表级锁。

封锁协议

三级封锁协议


一级封锁协议

事务 T 要修改数据 A 时必须加 X 锁，直到事务结束才释放锁。

可以解决丢失修改问题；

二级封锁协议

在一级的基础上，要求读取数据 A 时必须加 S 锁，读取完马上释放 S 锁。

可以解决读脏数据问题，因为如果一个事务在对数据 A 进行修改，根据 1 级封锁协议，会加 X 锁，那么就不能再加 S 锁了，也就是不会读入数据。

三级封锁协议

在二级的基础上，要求读取数据 A 时必须加 S 锁，直到事务结束了才能释放 S 锁。

可以解决不可重复读的问题，因为读 A 时，其它事务不能对 A 加 X 锁，从而避免了在读的期间数据发生改变。

两段锁协议

加锁和解锁分为两个阶段进行。两段锁是并行事务可串行化的充分条件，但不是必要条件。

lock-x(A)...lock-s(B)...lock-s(c)...unlock(A)...unlock(C)...unlock(B)

乐观锁和悲观锁

悲观锁

假定会发生并发冲突，屏蔽一切可能违反数据完整性的操作。

Java synchronized 就属于悲观锁的一种实现，每次线程要修改数据时都先获得锁，保证同一时刻只有一个线程能操作数据，其他线程则会被阻塞。

乐观锁

假设不会发生并发冲突，只在提交操作时检查是否违反数据完整性。

Java JUC 中的 Atomic 包就是乐观锁的一种实现，AtomicInteger 通过 CAS（Compare And Set）操作实现线程安全的自增操作。

乐观锁有两种实现方式，数据版本和时间戳。它们都需要在数据库表中增加一个字段，使用这个字段来判断数据是否过期。例如，数据版本实现方式中，需要在数据库表中增加一个数字类型的 version 字段，当读取数据时，将 version 字段的值一同读出。随后数据每更新一次，对此 version 值加 1。当提交更新的时候，判断读出的 version 和数据库表中的 version 是否一致，如果一致，则予以更新；否则认为是过期数据。

MySQL 隐式和显示锁定

MySQL InnoDB 采用的是两阶段锁协议。在事务执行过程中，随时都可以执行锁定，锁只有在执行 COMMIT 或者 ROLLBACK 的时候才会释放，并且所有的锁是在同一时刻被释放。前面描述的锁定都是隐式锁定，InnoDB 会根据事务隔离级别在需要的时候自动加锁。

另外，InnoDB 也支持通过特定的语句进行显示锁定，这些语句不属于 SQL 规范：

  • SELECT ... LOCK IN SHARE MODE
  • SELECT ... FOR UPDATE

范式

记 A->B 表示 A 函数决定 B，也可以说 B 函数依赖于 A。

如果 {A1，A2，... ，An} 是关系的一个或多个属性的集合，该集合决定了关系的其它所有属性并且是最小的，那么该集合就称为键码。

对于 W->A，如果能找到 W 的真子集 W'，使得 W'-> A，那么 W->A 就是部分函数依赖，否则就是完全函数依赖；

以下关系中，Sno 表示学号，Sname 表示学生姓名，Sdept 表示学院，Cname 表示课程名，Mname 表示院长姓名。函数依赖为 {Sno, Cname} -> {Sname, Sdept, Mname}。


不符合范式的关系，会产生很多异常。主要有以下四种异常：

  1. 冗余数据
  2. 修改异常
  3. 删除异常
  4. 插入异常，比如如果新插入一个学生的信息，而这个学生还没选课，那么就无法插入该学生。

关系数据库的范式理论就是是为了解决这四种异常。

高级别范式的依赖基于低级别的范式。

第一范式 (1NF)

属性不可分。

第二范式 (2NF)

每个非主属性完全函数依赖于键码。

可以通过分解来满足。

分解前



分解后








第三范式 (3NF)

非主属性不传递依赖于键码。

上述 S1 存在传递依赖，Mname 依赖于 Sdept，而 Sdept 又依赖于 Sno，可以继续分解。


BC 范式（BCNF）

所有属性不传递依赖于键码。

关系模式 STC(Sname, Tname, Cname, Grade)，其中四个属性分别为学生姓名、教师姓名、课程名和成绩。有以下函数依赖：






分解成 SC(Sname, Cname, Grade) 和 ST(Sname, Tname)，对于 ST，属性之间是多对多关系，无函数依赖。

约束

键码

用于唯一表示一个实体。

键码可以由多个属性构成，每个构成键码的属性称为码。

单值约束

某个属性的值是唯一的。

引用完整性约束

一个实体的属性引用的值在另一个实体的某个属性中存在。

域约束

某个属性的值在特定范围之内。

一般约束

一般性约束，比如大小约束，数量约束。

数据库的三层模式和两层映像

  • 外模式：局部逻辑结构
  • 模式：全局逻辑结构
  • 内模式：物理结构

外模式

又称用户模式，是用户和数据库系统的接口，特定的用户只能访问数据库系统提供给他的外模式中的数据。例如不同的用户创建了不同数据库，那么一个用户只能访问他有权限访问的数据库。

一个数据库可以有多个外模式，一个用户只能有一个外模式，但是一个外模式可以给多个用户使用。

模式

可以分为概念模式和逻辑模式，概念模式可以用概念-关系来描述；逻辑模式使用特定的数据模式（比如关系模型）来描述数据的逻辑结构，这种逻辑结构包括数据的组成、数据项的名称、类型、取值范围。不仅如此，逻辑模式还要描述数据之间的关系，数据的完整性与安全性要求。

内模式

又称为存储模式，描述记录的存储方式，例如索引的组织方式、数据是否压缩以及是否加密等等。

外模式/模式映像

把外模式的局部逻辑结构和模式的全局逻辑结构联系起来。该映像可以保证数据和应用程序的逻辑独立性。

模式/内模式映像

把模式的全局逻辑结构和内模式的物理结构联系起来，该映像可以保证数据和应用程序的物理独立性。

ER 图

Entity-Relationship，有三个组成部分：实体、属性、联系。

实体的三种联系

联系包含 1 对 1，1 对多，多对多三种。

如果 A 到 B 是 1 对多关系，那么画个带箭头的线段指向 B；如果是 1 对 1，画两个带箭头的线段；如果是多对多，画两个不带箭头的线段。下图的 Course 和 Student 是 1 对多的关系。


表示出现多次的关系

一个实体在联系出现几次，就要用几条线连接。下图表示一个课程的先修关系，先修关系出现两个 Course 实体，第一个是先修课程，后一个是后修课程，因此需要用两条线来表示这种关系。


联系的多向性

虽然老师可以开设多门课，并且可以教授多名学生，但是对于特定的学生和课程，只有一个老师教授，这就构成了一个三元联系。


一般只使用二元联系，可以把多元关系转换为二元关系。


表示子类

用 IS-A 联系来表示子类，具体做法是用一个三角形和两条线来连接类和子类。与子类有关的属性和联系都连到子类上，而与父类和子类都有关的连到父类上。


一些概念

数据模型

由数据结构、数据操作和完整性三个要素组成。

数据库系统

数据库系统包含所有与数据库相关的内容，包括数据库、数据库管理系统、应用程序以及数据库管理员和用户，还包括相关的硬件和软件。

参考资料

  • 史嘉权. 数据库系统概论[M]. 清华大学出版社有限公司, 2006.
  • 施瓦茨. 高性能MYSQL(第3版)[M]. 电子工业出版社, 2013.
  • MySQL 乐观锁与悲观锁

收录于
MySQL

当前文章被收录于：

MySQL
4 篇文章 0 人学习
订阅专栏 查看详情
数据库系统概论整理与总结 数据库系统概论全书知识和内容整理总结 阅读详情

相关推荐

再次翻出那本珍藏的《数据库系统概论》

发布会的最后，举行了“金仓征文颁奖仪式”和“金仓顾问委员会成立仪式”。自 2024 年初，金仓社区焕新升级以来，我亲历金仓社区的发展与壮大，并有幸荣获了金仓最具价值倡导者 KVA社区的生命力，正源于每一位参与者的智慧与热情。在此，我想呼吁并邀请（欢迎大家奔走相告），各位同学、老师、业界专家、数据库爱好者，一起加入金仓社区，在这个“产学研用”氛围良好的平台里分享、交流、成长。按惯例，最后是合影。

少安事务所 1526

课程复习——数据库系统概论（第4版 王珊 萨师煊 高等教育出版社）—— 第十一章 并发控制

在单处理机系统中，事务的并行执行实际上是

HarmonyFairly 1372

数据库系统概论【史嘉权】

PS：本书在网站上，得到比较高的评价！~ 本书围绕数据库的设计、编程与实现，系统、全面地介绍了数据库系统的基本概念、基本原理、基本方法以及应用技术。主要内容包括数据库建模、关系模型和关系运算、 数据库语言SQL（包括最新标准 SQL2和SQL3）及其系统环境、关系数据库设计理论及数据库设计、面向对象的对象定义语言和对象查询语言、以及查询优化和并发控制。 本书以关系数据库为基础，以数据库的设计与编程为重点，以引进面向对象的数据库技术为特色。主要特点是： 内容新颖、系统全面；突出重点、注重总结；概念清晰、 分析深入；例题丰富、实用性强；叙述深入浅出、语言流畅生动。 本书是高等院校计算机专业本科生数据库课程的教材，也可作为其他专业本科生数据库课程的教材。对于从事数据库研制、开发和应用的有关人员，本书也是一本很好的参考书。 第1章 数据库系统概述 1.1 数据管理技术的发展 1.1.1 人工管理阶段 1.1.2 文件系统阶段 1.1.3 数据库系统阶段 1.2 有关数据库的基本术语 1.2.1 数据 1.2.2 数据模型 1.2.3 数据库 1.2.4 数据库管理系统 1.2.5 数据库系统 1.3 关系数据库系统 1.3.1 什么是关系 1.3.2 关系模型 1.3.3 关系数据库系统 1.4 数据库系统的体系结构 1.4.1 三层模式结构 1.4.2 两层映像功能 1.5 DBMS的体系结构 1.5.1 DBMS的组成概述 1.5.2 查询处理程序 1.5.3 存储管理程序 1.5.4 事务管理程序 1.5.5 客户程序/服务程序体系结构 1.6 数据库系统运行过程 1.7 本书导读 1.7.1 设计 1.7.2 编程 1.7.3 实现 小结 习题 第2章 数据库建模 2.1 对象定义语言 2.1.1 面向对象的设计 2.1.2 类的说明 2.1.3 ODL中的属性 2.1.4 ODL中的联系和反向联系 2.1.5 联系的三种类型 2.2 实体联系模型(E-R图) 2.2.1 ER图中联系的三种类型 2.2.2 联系中的角色 2.2.3 联系的多向性 2.3 设计原则 2.3.1 真实性 2.3.2 避免冗余 2.3.3 简单性 2.3.4 合理选择元素类型 2.4 子类 2.4.1 ODL中的子类 2.4.2 ODL中的多重继承 2.4.3 E-R图中的子类 2.4.4 E-R图中的继承 2.5 对约束的建模 2.5.1 键码 2.5.2 单值约束 2.5.3 引用完整性 2.5.4 其他类型的约束 小结 习题 第3章 关系模型和关系运算 3.1 关系模型的基本概念 3.1.1 属性 3.1.2 模式 3.1.3 元组 3.1.4 域 3.1.5 关系的等价表示法 3.1.6 关系的实例 3.2 从ODL设计到关系设计 3.2.1 从ODL属性到关系属性 3.2.2 非原子属性的表示 3.2.3 单值联系的表示 3.2.4 多值联系的表示 3.2.5 联系与反向联系的表示 3.2.6 ODL子类的表示 3.3 从ER图到关系设计 3.3.1 实体集到关系的转换 3.3.2 ER联系到关系的转换 3.3.3 “属于”联系到关系的转换 3.4 关系代数 3.4.1 关系的集合运算 …… 第4章 数据库语言SQL 第5章 查询优化与并发控制 第6章 关系数据库设计理论 第7章 数据库设计 第8章 SQL系统环境 第9章 面向对象查询语言 第10章 数据库技术发展动态 附录A MS SQL Server介绍 附录B MS SQL Server 2000——Transact\|SQL语法 参考文献

数据库锁概述

目录锁的分类悲观锁和乐观锁共享锁和排他锁表锁和行锁更新锁(避免更新产生死锁)意向锁锁与数据库隔离级别死锁（Deadlock）产生死锁的四个必要条件死锁预防死锁检测与恢复参考 确保事务隔离性的方法之一是要求对数据项以互斥的方式进行访问。也就是说，当一个事务访问某个数据项时，其他任何事务都不能修改该数据项。实现该需求最常用的方法是只允许事务访问当前该事务持有锁(lock)的数据项。 锁的分类 根据不同的分类标准，可以实现不同的锁划分。如根据使用的加锁策略是悲观策略还是乐观策略，可划分为悲观锁和乐观锁；根据加锁的

云原生Java Web领域技术博客 4324

数据库概论

数据库概论详解，讲解详细，内容丰富，可读性强，为初学者提供一定帮助。

数据库系统概论第四版理论复习总结归纳

数据库系统概论第四版理论复习总结归纳 数据库系统概论第四版理论复习总结归纳 数据库系统概论第四版理论复习总结归纳

数据库系统概论——第八章 数据库编程

一、嵌入式SQL SQL语言提供了两种不同的使用方式 ①交互式 ②嵌入式 为什么要引入嵌入式SQL？？？ ①SQL语言是非过程性语言 ②事务处理应用需要高级语言 这两种方式细节上有差别，在程序设计的环境下，SQL语句要做某些必要的扩充 1. 嵌入式SQL的处理过程 （1）主语言 嵌入式SQL是将SQL语句嵌入程序设计语言中，被嵌入的程序设计语言，如C、C++、Java，称为宿主语言，简称主语言。 ...

zj20165149的博客 2467

数据库系统概论.7z

数据库系统概论第5版大学教材

《数据库系统概论》第五版 +学习笔记总目录

文章目录前言第 1 章 绪论第 2 章 关系数据库第 3 章 关系数据库标准语言SQL第 4 章 数据库安全性第 5 章 数据库完整性第 6 章 关系数据理论 前言 本篇文章学习书籍：《数据库系统概论》第5版 王珊 萨师煊编著 学习软件：Navicat Premium 15 && SSMS 采用数据库：SQL Sever 说明：虽然数据库是SQL Sever 有些书上的语句执行不了，貌似书采用的是Oracle数据库的SQL，不过没关系，初学我们最重要的是掌握其思想，很多思想和方法语句在

BitHachi 26万+

C语言 在合并编译 ( 多.c文件 ) 情况下 实现 linked list ( 链表 ) 教程 . 更新ing

写在前面  依旧是参考借鉴了 浙江大学 温老师 的视频教程，很不错，在中国大学MOOC上，强力推荐！  虽说有借鉴，但是能保证的是每一行代码都是我自己经过理解后手敲出来的，所以才来做了这部分的教程。  最后，带 * 字符是我个人觉得可以添加的功能，按理来讲是可以不看的，而且大概率是可以有更好的改进的。  PS: 文章还在更新，如果文字蓝了（有超链接），说明写完了，如果没蓝，说明我在开军舰.jpg 源代码：  这里→源代码. 第一步：前置工作  先说一下每一篇都会出现 main 函数的，stage1 只是给没

weixin_47287635的博客 526

SPARTAN6 + Verilog - FPGA step by step 从0开始学习（1）

SPARTAN6 + Verilog - FPGA step by step 从0开始学习（1）Step 1 软件安装Step 2 硬件获取Step 3 开始从头到脚建一个工程Step 3.1 新建一个工程 从0开始学习FPGA，最好的办法就是先建一个最简单的模块，并且跑起来，然后再慢慢展开。下面这个例子是要按照一定的周期点亮核心板上的一个led。 Step 1 软件安装 这个从0开始学习是用的xilinx的SPARTAN6。SPARTAN6集成开发环境用ISE，不能用Vivado，各自对应的版本不同。安装

xfacexx点点记录 5512

数据库系统概论期末复习【超实用】

所用教材：《数据库系统概论(第5版)》王珊 萨师煊 编著 理论与实践相结合的好书 本文大部分写自同学，本作者稍加详解。感谢该同学，这些题目做透能拿高分！ 一、简答题（来自第一章 绪论 课后题P34）10’ 1. 试述数据、数据库、数据库管理系统、数据库系统的概念。 数据：描述事物的符号记录。 数据库：长期储存在计算机内、有组织的、可共享的大量数据的集合。 ...

鸽子的博客 4万+

BitLocker磁盘锁定解决方法

摘要：本文介绍了BitLocker加密磁盘被锁的两种情况及解决方法。对于系统盘锁定，建议在微软账户中查找48位恢复密钥；数据盘锁定可尝试密码或恢复密钥解锁。若密钥丢失，可通过IT支持或数据恢复服务尝试解决。预防措施包括妥善备份密钥到微软账户和离线位置，避免随意更改系统硬件配置。BitLocker安全性高，恢复密钥是解锁关键，提醒用户务必做好备份以防数据丢失。（148字）

yueke06442300的专栏 2676

《数据库系统概论》学习总结

《数据库系统概论》学习总结 文章目录《数据库系统概论》学习总结一、知识概要与收获：二、课程优点：三、课程建议：四、写在最后：附件一（部分知识点及解题方式概要）：数据库求候选码的算法：数据库求属性集闭包的算法：数据库求最小函数依赖集：数据库中转化为3NF的几个分解算法：附件二（基本SQL语句知识点概要）：附件三（基本关系代数简单例题）：附件四（ADO.NET实现数据库操作（控制台应用程序+可视化应用程序））： 一、知识概要与收获： 通过该课程的学习和对数据库的设计与实践，收获到很多东西： 1.了解了数据库系统

是小光a~ 3289

PEMFC电化学入门：从电流密度到Tafel公式的实战计算指南

本文详细介绍了PEMFC电化学的基础知识，从电流密度计算到Tafel公式的应用，提供了实战计算指南。通过代码示例和常见问题排查，帮助工程师快速掌握燃料电池性能优化的关键参数，如交换电流密度和活化损失计算，适用于汽车动力和分布式发电等领域。

weixin_29229055的博客 551

Qwen3-VL、Qwen3-Next与Qwen3.5多模态架构深度解剖

多模态大模型的核心不在参数规模，而在于视觉与文本如何协同建模。本文从基础概念切入，解析视觉语言模型中视觉编码器、跨模态注意力、特征对齐与token压缩等关键原理；阐述ViT、CLIP-ViT及动态压缩模块（HDTC）在语义表征、空间感知与计算效率上的技术权衡；强调结构设计如何决定模型在医学影像、工业质检、遥感分析等高要求场景中的真实能力边界；最终聚焦通义千问最新三套VL架构——Qwen3-VL、Qwen3-Next与Qwen3.5——揭示其背后迥异的融合哲学与工程取舍，为选型、微调与推理优化提供底层依据。

weixin_33778544的博客 818

《数据库系统概论第四版教材》：数据库学习者的必备资源

《数据库系统概论第四版教材》：数据库学习者的必备资源 去发现同类优质开源项目:https://gitcode.com/ 项目核心功能/场景 全面系统介绍数据库理论与技术，适用于教学与自学。 项目介绍 在当今信息时代，数据库技术已经成为计算机科学与技术领域不可或缺的核心技术之一。《数据库系统概论（第四版）》教材，作为数据库领域的经典教材，由知名学者王珊教授编著，正规出版社出版。本书不仅适用于高等学府...

gitblog_06748的博客 436

ChatGPT启蒙之旅：弟弟妹妹的关键概念入门

本文主要介绍了ChatGPT启蒙之旅：弟弟妹妹的关键概念探险，希望能对初学大模型的同学们有所帮助。 文章目录 1. 背景 2. GPT是个什么样的人？ 3. GPT使用的核心思维 4. GPT使用的场景介绍

herosunly的博客 16万+

数据库系统概论(第5版)学习笔记第1章 1.1——数据库系统概论

数据库系统概论(第5版)自整理详细笔记——第1章(1.1数据库系统概论)。整理加制作了5个小时，希望这篇笔记能够帮助到你我。

Code_流苏：在代码中寻诗意，在实践中觅真知 2276

【ArcGIS Engine二次开发】入门基础（2）：ArcGIS开发方式（VBA、DLL、Add-in、Engine）对比

文章目录2.1 使用VBA进行桌面软件开发2.1.1 VBA开发方式2.1.1 VBA代码的安全性2.2 使用DLL进行桌面软件开发2.2.1 DLL开发方式2.2.2 DLL功能的应用部署2.3 使用Add-in进行桌面软件开发2.4 使用ArcGIS Engine构建独立应用程序 对于桌面GIS应用来说，ArcGIS平台不仅提供了用于开发独立运行的GIS应用软件的二次开发工包ArcGIS Engine，还提供了对ArcGIS Deskop桌面软件进行扩展的开发的话，在开发个具体的GIS 行业应用软件时

智慧空间实验室 6509

YOLOv11改进 | 细节涨点篇 | DySample一种最新的轻量化动态上采样算子（效果完爆CARAFE）

本文给大家带来的最新改进机制是一种号称超轻量级且有效的动态上采样器——DySample。与传统的基于内核的动态上采样器相比，DySample采用了一种基于点采样的方法，相比于以前的基于内核的动态上采样器，DySample具有更少的参数、浮点运算次数、GPU内存和延迟。此外，DySample在包括语义分割、目标检测、实例分割、全景分割和单目深度估计在内的五个预测任务中，性能均优于其他上采样器（截至目前最有效的上采样算子），

Snu77的博客 4210

数据库系统概论速成?

先上链接: 【拯救者 】数据库系统概论速成--MySQL视频教程-数据库-优快云程序员研修院 要考研初试、复试或者期末了,很多小伙伴数据库系统概论没思路,没头绪,没大纲,不知道考什么 这里给大家推荐一个视频我亲自录制的, 【拯救者 】数据库系统概论速成--MySQL视频教程-数据库-优快云程序员研修院 分为两个部分 第一部分是基础知识,第二部分是期末真题讲解! 通俗易懂! ! ! ...

想找我?: 【编程张无忌的个人空间-哔哩哔哩】 https://b23.tv/0yjNTt2 1万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

数据库系统概论第五版课后习题答案王珊

数据库系统概论王珊第五版课后答案 数据库系统概论第五版课后答案王珊 第 1 章 绪论 1 ．试述数据、数据库、数据库系统、数据库管数据库系统概论第五版王珊课后答案理系统的概念。数据库系统概论第五版王珊课后答案有 答： ( l ）数据（ Data ) ：描述事物的符数据库系统概论第五版王珊课后答案号记录称为数据。数据的种类有数字、文字、图形、图像、声音、正文等。数据与其语义是不可分的。解析在现代计算机系统中数据的概念是广义的。早期的计算机系统主要用于科学计算，处理的数据是整数、实数、浮点数等传统数

shenghuodedaan的博客 1万+

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

数据库系统概论复习

题型 二、填空题，请在下划线上填写正确答案（每空1分，共20分） 三、简答题，根据题目问题进行相应回答（第1题4分，第2题6分，第3-6题每题5分，共30分） 四、应用设计 （每小题10分，共20分） 要点 数据的描述 数据库系统的三级模式是指 模式和逻辑、物理独立性间的关系 数据库系统的描述 概念模型是现实世界的第一层抽象，最著名的概念模型是E-R模型、 E-R模型的描述。 实体间的联系 数据...

COCO56的博客 2389

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数据库系统概论(王珊)电子书

数据库系统概论(王珊)电子书 【下载地址】数据库系统概论王珊电子书 《数据库系统概论》是王珊教授编著的数据库领域经典教材，历经多次修订，深受师生和技术人员推崇。本书内容全面，分为基础篇、设计与应用开发篇、系统篇和新技术篇，共十七章，系统介绍了数据库系统的理论基础、设计与应用、系统架构及新技术发展。适合作为高校计算机专业教...

gitblog_06714的博客 1835
上一篇： top K问题的解法
下一篇： redis学习总结(超赞!!!)
点赞 0
评论 0
书签 书签 20
普通网友
普通网友
博客等级 码龄9年 489粉丝 29原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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