在Ubuntu下编译安装GreatSQL

GreatSQL社区 GreatSQL社区 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 700+累计阅读 707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5年
关注
原创 最新推荐文章于 2026-08-18 08:29:10 发布 707 阅读 AI 写同款· GEO 优化 ›
GreatSQL安装篇 操作系统：CentOS7 CPU：X86_64架构 数据库：GreatSQL-8.0.32-26-Linux-glibc2.17-x86_64.tar.xz。 阅读详情

在Ubuntu下编译安装GreatSQL

本次介绍如何利用Docker构建Ubuntu环境，并将GreatSQL源码编译成二进制文件。

1、准备工作

先创建本次Docker的workdir为 /data/docker-ubuntu：

[root@greatsql ~]# mdkir /data/docker-ubuntu

1.1、配置Ubuntu环境下的apt源配置文件

开始编译之前，建议先配置好apt源，这样后续部署环境下载软件包时速度更快。

以阿里、腾讯两大云主机为例，可以这样配置（两个apt源自行二选一）：

#腾讯云
[root@greatsql ~]# cat /data/docker-ubuntu/ubuntu-20.4-sources.list

deb http://mirrors.cloud.tencent.com/ubuntu/ focal main restricted
deb http://mirrors.cloud.tencent.com/ubuntu/ focal-updates main restricted
deb http://mirrors.cloud.tencent.com/ubuntu/ focal universe
deb http://mirrors.cloud.tencent.com/ubuntu/ focal-updates universe
deb http://mirrors.cloud.tencent.com/ubuntu/ focal multiverse
deb http://mirrors.cloud.tencent.com/ubuntu/ focal-updates multiverse
deb http://mirrors.cloud.tencent.com/ubuntu/ focal-backports main restricted universe multiverse
deb http://mirrors.cloud.tencent.com/ubuntu/ focal-security main restricted
deb http://mirrors.cloud.tencent.com/ubuntu/ focal-security universe
deb http://mirrors.cloud.tencent.com/ubuntu/ focal-security multiverse

如果是阿里云的话换成下面的内容

deb http://mirrors.aliyun.com/ubuntu/ focal main restricted
deb http://mirrors.aliyun.com/ubuntu/ focal-updates main restricted
deb http://mirrors.aliyun.com/ubuntu/ focal universe
deb http://mirrors.aliyun.com/ubuntu/ focal-updates universe
deb http://mirrors.aliyun.com/ubuntu/ focal multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-updates multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-backports main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-security main restricted
deb http://mirrors.aliyun.com/ubuntu/ focal-security universe
deb http://mirrors.aliyun.com/ubuntu/ focal-security multiverse

这个文件先准备好，后面会在Dockerfile里用到它。

另外，从我自己测试的情况，在构建docker镜像的过程中，阿里云的源更容易出错，请自行测试选定。

安装Docker，下载boost、GreatSQL源码包等这些工作我直接略过了，可直接参考这篇文档：在Linux下源码编译安装GreatSQL。

我还准备了一份自动化编译GreatSQL的shell脚本，可以自取服用：

[root@greatsql ~]# cat /data/docker-ubuntu/greatsql-automake.sh

#!/bin/bash
MAJOR_VERSION=8
MINOR_VERSION=0
PATCH_VERSION=25
RELEASE=15
REVISION=`date +%Y%m%d%H%M`
BASE_DIR=/usr/local/GreatSQL-8.0.25
JOBS=16
#reversion=`echo $RANDOM | sha256sum | cut -c1-11` && echo $reversion;
cmake . -DBOOST_INCLUDE_DIR=../boost_1_73_0 -DCMAKE_INSTALL_PREFIX=${BASE_DIR} -DWITH_ZLIB=bundled \
-DWITH_NUMA=ON -DFORCE_INSOURCE_BUILD=1 -DCMAKE_EXE_LINKER_FLAGS="-ljemalloc" \
-DCMAKE_BUILD_TYPE=RelWithDebInfo -DBUILD_CONFIG=mysql_release \
-DCOMPILATION_COMMENT="GreatSQL (GPL), Release ${RELEASE}, Revision ${REVISION}" \
-DWITH_TOKUDB=OFF -DWITH_ROCKSDB=OFF -DWITH_COREDUMPER=OFF \
-DMAJOR_VERSION=${MAJOR_VERSION} -DMINOR_VERSION=${MINOR_VERSION} -DPATCH_VERSION=${PATCH_VERSION} && \
make -j${JOBS} VERBOSE=1 && make install

1.2、构建docker镜像

用下面这份Dockerfile构建Ubuntu镜像：

FROM ubuntu
ENV LANG en_US.utf8
ARG UID=1001
ARG GID=1001
ARG UNAME=mysql
#ENV TZ Asia/Shanghai

ENV PATH="/usr/local/mysql/bin:${PATH}"
ENV LD_LIBRARY_PATH="/usr/loca/mysql/lib:${LD_LIBRARY_PATH}"
ENV TERM=xterm

COPY ubuntu-20.4-sources.list /etc/apt/sources.list

#RUN apt-get update && apt-get install -y --no-install-recommends tzdata && rm -rf /var/lib/apt/lists/*
RUN apt update && apt install -y --no-install-recommends tzdata && rm -rf /var/lib/apt/lists/*
ENV TZ Asia/Shanghai

RUN apt update -y && apt upgrade -y && \
apt install -y --fix-missing gcc-10 cmake automake build-essential diffutils git lbzip2 libaio-dev libbison-dev \
libcurl4-openssl-dev libevent-dev libexpat1-dev libffi-dev libgflags-dev libgtest-dev libjemalloc-dev \
libldap2-dev liblz4-dev libncurses-dev libnuma-dev libreadline-dev libsnappy-dev libssh-dev libtirpc-dev \
libtool libxml2-dev libzstd-dev make net-tools numactl pkg-config psmisc vim wget \
&& groupadd -g $GID -o $UNAME && useradd -m -g $GID -u $UID -o -s /bin/bash $UNAME \
&& /usr/bin/install -m 0775 -o mysql -g root -d /var/lib/mysql /var/run/mysqld /docker-entrypoint-initdb.d \
&& /usr/bin/install -m 0664 -o mysql -g root /dev/null /etc/sysconfig/mysql

COPY patchelf-0.12.tar.gz /tmp/
RUN cd /tmp && tar -xzvf patchelf-0.12.tar.gz && cd patchelf-0.12 && ./bootstrap.sh && ./configure && make && make install

COPY rpcsvc-proto-1.4.tar.gz /tmp/rpcsvc-proto-1.4.tar.gz
RUN tar zxvf /tmp/rpcsvc-proto-1.4.tar.gz -C /tmp && cd /tmp/rpcsvc-proto-1.4/ && ./configure && make && make install

COPY boost_1_73_0.tar.gz /opt/
COPY greatsql-automake.sh /opt/

RUN rm -fr /tmp/*

开始构建docker镜像，成功后再保存到本地并导入本地镜像：

[root@greatsql ~]# docker build -t docker-ubuntu .
... ...
[root@greatsql ~]# docker save -o docker-ubuntu.tar docker-ubuntu
[root@greatsql ~]# docker load -i docker-ubuntu.tar

创建一个docker容器，并将GreatSQL源码包copy进去：

[root@greatsql ~]# docker run -itd --name greatsql --hostname=greatsql docker-ubuntu
[root@greatsql ~]# docker cp /opt/greatsql-8.0.25-15.tar.gz greatsql:/opt/
[root@greatsql ~]# docker exec -it greatsql bash
[root@greatsql /]# ls -l /opt/
-rw------- 1 root root 128699082 Jul 27 06:56 boost_1_73_0.tar.gz
-rw------- 1 1000 1000 526639994 Jul 27 05:59 greatsql-8.0.25-15.tar.gz
-rw-r--r-- 1 root root        751 Nov 12 15:25 greatsql-automake.sh

其他不同OS及架构平台下的Dockerfile可戳下面链接参考：

此外，我把Docker镜像文件包也放到网盘上共享了，有兴趣的也可直接下载：

2、编译GreatSQL

进入容器后，解压GreatSQL和boost源码包：

[root@greatsql /]# tar zxf /opt/greatsql-8.0.25-15.tar.gz -C /opt
[root@greatsql /]# tar zxf /opt/boost_1_73_0.tar.gz -C /opt/

可直接调用自动化编译脚本开始编译，也可以自行手动编译：

[root@greatsql /]# cd /opt/greatsql-8.0.25
[root@greatsql /]# /bin/bash /opt/greatsql-automake.sh
...

编译完成后，就会将二进制文件安装到 /usr/local/GreatSQL-8.0.25 目录下，执行下面的命令检查测试：

[root@greatsql /]# /usr/local/GreatSQL-8.0.25/bin/mysqld --verbose --version
/usr/local/GreatSQL-8.0.25/bin/mysqld  Ver 8.0.25-15 for Linux on x86_64 (GreatSQL (GPL), Release 15, Revision 202111121536)

这就编译完成了。

延伸阅读

全文完。

Enjoy GreatSQL :)

本文由博客一文多发平台 OpenWrite 发布！

标签
#MySQL #Ubuntu #GreatSQL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
在统信UOS上安装GreatSQL数据库 你可以根据自己的需求来定制和管理数据库，以满足你的应用程序的需求。你可以在GreatSQL的官方网站上找到最新版本的安装包，并选择与统信UOS兼容的版本进行下载。如果你想在统信UOS上安装GreatSQL数据库，你可以按照以下步骤进行操作。在打开的编辑器中，你可以设置GreatSQL的各种配置选项，例如数据库文件存储路径、监听端口等。在安装GreatSQL之前，你需要确保统信UOS上已经安装了一些必要的依赖项。完成依赖项的安装后，你可以解压之前下载的GreatSQL安装包。步骤7：连接到GreatSQL。 阅读详情

相关推荐

GreatSQL数据库8.0快速安装部署

本文介绍了GreatSQL数据库在Linux系统上的安装配置流程。主要内容包括：1)系统兼容性检查和环境准备；2)关闭SELinux和防火墙；3)安装依赖包；4)创建安装目录并上传安装包；5)解压和安装RPM包；6)配置数据目录权限；7)初始化数据库并获取临时密码；8)修改配置文件；9)启动服务并修改密码；10)创建远程访问用户。最后还说明了如何使用Navicat客户端连接数据库。整个流程详细说明了从安装到配置的完整步骤。

m0_61389590的博客 707

Ubuntu压缩包方式安装MySQL8

讲述了ubuntu系统下使用压缩包的方式安装MySQL 8.0。

Peter Cheung的博客 1万+

GreatSQL安装指南[代码]

本文详细介绍了GreatSQL-8.0.25-16-Linux-glibc2.28-x86_64-minimal的安装步骤及常见问题解决方案。GreatSQL是一款适用于金融级应用的国内自主MySQL版本，采用GPLv2协议。文章从运行环境配置、安装依赖包、解压缩安装包、添加系统服务配置、编辑mysqld_pre_systemd脚本、创建mysql系统用户、启动GreatSQL、修改密码、创建用户及权限分配等方面进行了详细说明。此外，还汇总了安装过程中可能遇到的问题及解决方法，如版本不兼容、依赖包缺失、服务启动失败等。通过本文的指导，用户可以顺利完成GreatSQL的安装和配置，并解决可能遇到的常见问题。

CentOS7安装GreatSQL

GreatSQL 数据库是一款 开源免费 数据库，可在普通硬件上满足金融级应用场景，具有 高可用、高性能、高兼容、高安全 等特性，可作为 MySQL 或 Percona Server for MySQL 的理想可选替换。

落的博客 1701

解密微信DAT图片：一键转换JPG/PNG/GIF的实用指南

本文详细解析微信DAT图片的加密机制及转换方法，提供从定位文件到使用WeijieSoft工具一键转换JPG/PNG/GIF的完整指南。涵盖新旧版微信存储路径差异、批量处理技巧及常见问题解决方案，帮助用户高效恢复重要图片并释放存储空间。

weixin_29305337的博客 3618

Vectorless dynamic动态功耗分析——Voltus

power 计算工具会根据设计信息和用户提供的activity和switching约束来生成虚拟的worst-case的power vector，难点在于哪些instances视为switching，在没有仿真的前提下如何确定开关的时间，使用timing文件（TWF）

qq_44347276的博客 2790

万里开源数据库GreatSQL-8.0.25-16-Linux-glibc2.28安装及问题记录

GreatSQL开源数据库是适用于金融级应用的国内自主MySQL版本。采用。

qq_26375455的博客 2908

CH592F RISC-V蓝牙LED灯设计：WS2812B驱动与微信小程序控制

蓝牙低功耗（BLE）是嵌入式物联网设备主流无线通信技术，其核心在于协议栈轻量化、射频稳定性与外设协同调度。基于RISC-V内核的蓝牙SoC（如CH592F）凭借高集成度、低待机电流和免外部巴伦的射频设计，显著降低硬件复杂度与BOM成本；而WS2812B作为单线级联RGB LED，依赖微秒级精准时序，需借助定时器+DMA机制规避CPU干预，保障动态效果流畅性。该方案融合电容触摸交互、GATT服务自定义与微信小程序标准Bluetooth API对接，适用于智能照明、DIY彩灯及教学实践等场景，是BLE+LED实

weixin_31163455的博客 434

快速上手 GreatSQL 8.0.32-25 with openEuler 24.03 LTS

GreatSQL 针对MGR进行了大量改进和提升工作，新增支持地理标签、仲裁节点、读写节点可绑定动态IP、快速单主模式、智能选主，并针对流控算法、事务认证队列清理算法、节点加入&退出机制、recovery机制等多项MGR底层工作机制算法进行深度优化，进一步提升优化了MGR的高可用保障及性能稳定性。GreatSQL 数据库是一款开源免费数据库，可在普通硬件上满足金融级应用场景，具有高可用、高性能、高兼容、高安全等特性。查看一些基础信息，如操作系统的版本，内核版本，语言设定等。

少安事务所 1792

三个原则判定电源环路稳定性

环路稳定性测试接线图如图2所示，将信号电阻（Inserted Resistor ）接入电源的环路控制电路中，注入一特定幅度和频率范围的扫频干扰信号(OUT)，当干扰信号达到一定的幅度时，环路系统便对干扰信号有所响应，然后使用频率响应分析仪对电源环路输出端(CH2)和电源环路干扰信号注入端(CH1)同时进行比值跟踪测量，则可以得出频率与增益和相位的关系曲线图——波特曲线图（Bode Plot Graph)，如图1所示。相位裕度，增益裕度，穿越频率，如图（波特图）所示。相位容限即相位裕度，增益容限即增益裕度。

经营范围: CTA、SRRC、CCC、移动、电信、联通入库 3739

Mann-Kendall检验全解析：从原理到11种变体及Python实现

本文全面解析Mann-Kendall检验，从基础原理到应对自相关、季节性等复杂数据的11种关键变体，如Hamed-Rao修正、季节性MK和趋势自由预白化(TFPW)。详细阐述各方法的适用场景与数学原理，并提供完整的Python实战代码，帮助研究者针对不同数据特性选择最稳健的趋势分析方法。

weixin_29050271的博客 459

技术分享|在Ubuntu下编译安装GreatSQL

本文首发于GreatSQL社区，原创内容未经授权不得随意使用，转载请联系小编并注明来源。1、准备工作1.1、配置Ubuntu环境下的apt源配置文件1.2、构建docker镜像2、编译Gr...

老叶茶馆 322

Macbook Pro上如何修改brew源

一、需求说明 我的macbook电脑安装了中科大的brew源码，发现安装gpg工具失败，其他工具可以正常安装，为了能将gpg安装成功，就找了找切换brew源的方案，记录如下。 二、切换至国内源 由于使用github默认源有可能存在路径远或者部分服务访问超时的原因，切换至国内源可以提速。 2.1 替换brew.git $ cd "$(brew --repo)" # 中国科大: $ git remote set-url origin https://mirrors.ustc.edu.cn/brew.git #

bufegar0的博客 1079

GreatSQL高可用架构揭秘：MGR集群从0到1搭建实战教程

GreatSQL作为一款开源免费数据库，凭借高可用、高性能、高兼容、高安全四大特性，已成为金融级应用场景的理想选择，也是MySQL与Percona Server for MySQL的完美替代方案。本文将带你从0到1亲手搭建一套基于MGR（MySQL Group Replication，组复制）的GreatSQL高可用集群，让你彻底掌握生产级数据库高可用架构的核心玩法。 ## 为什么选择Great

gitblog_00264的博客 138

openbmc 支持mctp over pcie(三)(支持作为endpoint)

本文介绍了在Intel BHS平台上支持MCTP over PCIe端点开发的调试方法。开发基于CodeConstruct和AspeedTech-BMC的开源项目，将内核驱动改为模块形式以便调试。内容包括DTS配置、驱动模块设置步骤，以及如何将BMC配置为端点设备。调试过程涉及内核模块加载、MCTPD启动、参数设置等关键命令，并展示了路由表、地址和邻居信息的测试结果。该方案仅为实验性工作，需注意停止其他使用/dev/aspeed-mctp0接口的应用。

wit_yuan的专栏 1556

11、气动外形优化中的连续伴随方法

本文探讨了连续伴随方法在气动外形优化中的理论背景、实现和验证过程。通过使用DLR的FLOWer求解器，将伴随方法应用于Euler和Navier-Stokes方程，以高效计算成本函数梯度，从而显著减少优化过程中的计算成本。文章还介绍了该方法在RAE2822翼型和ONERA M6机翼等案例中的应用，并展示了其准确性和效率。未来展望包括扩展到复杂流动模拟和多学科优化。

desk3的博客 167

分布式编译系统的搭建

由于MySQL 源码编译单机耗费的时间过于长，最近MySQL 变成8.0.27 以后编译时间明显更耗时了，并且办公室内有多余的空闲机器。使用分布式编译，可以在不改变现有环境的情况下，提高编译效率。目前比较常用的编译工具有2个distcc与icecream, 本文使用distcc进行部署。

GreatSQL2021的博客 575

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")

PostgreSQL与国产数据库：从技术原理到选型实践

关系型数据库作为企业数据存储与管理的核心组件，其技术演进始终围绕数据一致性、事务处理与查询优化等基本原理展开。PostgreSQL凭借其成熟的MVCC（多版本并发控制）机制、WAL（预写式日志）和强大的扩展性，成为众多数据库产品的技术基石。在国产化与信创背景下，基于PostgreSQL的国产数据库产品通过架构扩展、分布式能力增强和运维工具集成，实现了从基础功能到产品化解决方案的升级。这些创新不仅满足了金融、政务等关键行业对自主可控与高性能的需求，也为开发者提供了更丰富的技术选型空间。本文通过环境搭建、功能对

weixin_30820077的博客 367

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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

GreatSQL单机环境安装

《国产数据库之-GreatSQL》介绍了万里的GreatSQL数据库，在这篇文章中，我们尝试搭建一个单机版的环境。GreatSQL是源于Percona Server的分支版本，因此从整体安装的流程上，和MySQL基本一致。1. 下载安装文件可以从这个链接，下载对应平台的安装文件，如果是CentOS，可以选择GreatSQL-8.0.25-15-Linux-glibc2.1...

bisal的专栏 2843

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

在统信UOS上二进制安装GreatSQL

GreatSQL社区原创内容未经授权不得随意使用，转载请联系小编并注明来源。 GreatSQL是MySQL的国产分支版本，使用上与MySQL一致。 作者：vatebur 文章来源：GreatSQL社区投稿 UOS二进制安装数据库和其他 Linux 基本一样，网上命令行安装的教程很多。考虑到 UOS 自带图形化界面，为了降低一点安装门槛，本文尽量使用图形化界面安装。 纯命令行安装可以参考：https://greatsql.cn/docs/user-manual/3-quick-start/3-2-qui

GreatSQL2021的博客 1302

二进制包安装 GreatSQL ---glibc2.17 GreatSQL-8.0.32-25

二进制包安装 GreatSQL ---glibc2.17 GreatSQL-8.0.32-25

us_wangyl的博客 808

GreatSQL登陆Arch Linux：成功的数据库安装之旅

GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。GreatSQL具备高性能高可靠高易用性高安全等多个核心特性。

GreatSQL2021的博客 598

在CentOS环境下编译GreatSQL RPM包

本文介绍如何在CentOS环境下编译GreatSQL RPM包。

GreatSQL2021的博客 1180

编译GreatSQL with RocksDB引擎

GreatSQL是一个基于MySQL衍生的数据库系统，它支持多种存储引擎，包括RocksDB。这是一个大致的过程，根据您的系统环境，GreatSQL的版本和RocksDB的集成方式，这些步骤可能会有所差异。这通常包括一个适合的操作系统，如Linux，足够的内存和存储空间，以及必要的工具链，比如GCC，make等。：在开始编译之前，您需要安装所有必需的依赖项。：最后，您可以启动GreatSQL服务，并验证RocksDB引擎是否已经成功集成。：编译完成后，您可以安装GreatSQL到您的系统中。

kqj1189584的博客 407

RPM方式安装GreatSQL 8.0.25-16

*GreatSQL社区原创内容未经授权不得随意使用，转载请联系小编并注明来源。一、系统信息1.确认OS信息2.OS优化调整3.临时关闭 firewall 和 selinux二、rpm安装1.下载安装包2.安装依赖包3.依次安装下列软件包4.替换配置文件5.创建数据目录6.启动服务7.查看开启状态8.启动后查看初始化的密码9.设置下root密码10.查看下版本11.总结一、系统信息部署前提：准备一...

老叶茶馆 568

麒麟OS和龙芯环境编译安装GreatSQL

之前测试过GreatSQL安装，基本上和MySQL无差异，《GreatSQL配置到系统systemd服务》《GreatSQL单机环境安装》《国产数据库之-GreatSQL》但是测试用的操作系统都是CentOS，非xc，碰巧看到GreatSQL社区推了这篇文章《麒麟OS+龙芯环境编译GreatSQL》，在xc环境安装GreatSQL，借鉴一下。本次介绍如何在麒麟OS + 龙...

bisal的专栏 1201
上一篇： 技术分享 | check(col_name＜＞‘‘)为何把空格拒之门外
下一篇： #万答10：mysqldump 是如何实现一致性备份的
点赞 0
评论 0
书签 书签 2
GreatSQL社区
GreatSQL社区
博客等级 码龄5年 1210粉丝 390原创
+ 关注
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