图文结合带你搞懂InnoDB MVCC

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 738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 2026-09-22 08:30:07 发布 738 阅读 AI 写同款· GEO 优化 ›
美团面试官：可重复读隔离级别实现原理是什么？（一文搞懂MVCC机制） 可重复读隔离级别实现原理是什么？它和MVCC又有什么关系？什么是Read View？ 阅读详情
  • 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。
    • 前情提要
    • 当前读
    • 快照读
  • 什么是MVCC
    • 三个隐藏字段
    • Undo Log回滚日志
    • MVCC版本链
    • ReadView读视图
  • 不同隔离级别下MVCC分析
    • READ-COMMITTED隔离级别
    • REPEATABLE-READ隔离级别

前情提要

事务有四大特性ACID分别是：原子性（Atomicity）、一致性（Consistency）、隔离性（Isolation）、持久性（Durability）

其中隔离性是通过数据库的锁加上MVCC(多版本并发控制)来保证的。

在介绍MVCC之前先来了解一下当前读和快照读。

当前读

当前读读取的是记录的最新版本。同时在读取的时候还要保证其他的并发事务不能更改当前记录，那么当前读会对它要读取的记录进行加锁。不同的操作会加上不同类型的锁，如：SELECT ... LOCK IN SHARE MODE(共享锁)，SELECT ... FOR UPDATE、UPDATE、INSERT、 DELETE(排他锁)。

快照读

简单的不加锁的SELECT就是快照读，快照读读取的是快照生成时的数据，不一定是最新的数据，它是不加锁的非阻塞读。而不同隔离级别下，创建快照的时机也不同：

  • READ-COMMITTED(读已提交)：事务每次SELECT时创建ReadView
  • REPEATABLE-READ(可重复读)：事务第一次SELECT时创建ReadView，后续一直使用

在MySQL默认隔离级别(REPEATABLE-READ)下，快照读保证了数据的可重复读。

什么是MVCC

MVCC全称Multi-Version Concurrency Control，即多版本并发控制。它是一种并发控制的方法，它可以维护一个数据的多个版本，用更好的方式去处理读写冲突，做到即使有读写冲突也能不加锁。MySQL中MVCC的具体实现，还需要依赖于表中的三个隐藏字段、Undo Log日志以及ReadView。

三个隐藏字段

mysql> SHOW CREATE TABLE stu \G;
*************************** 1. row ***************************
       Table: stu
Create Table: CREATE TABLE `stu` (
  `id` int NOT NULL,
  `name` varchar(10) NOT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci
1 row in set (0.00 sec)

mysql> SELECT * FROM stu;
+----+--------+
| id | name   |
+----+--------+
|  1 |   m    |
|  2 |   f    |
+----+--------+

当创建了上述这张表后，我们在查看表结构时只能看到id、name字段，实际上除了这两个字段外，InnoDB引擎还自动为我们添加了三个隐藏字段，见下表：

字段含义
DB_TRX_ID最近修改事务ID，记录插入这条记录或最后一次修改该记录的事务ID。
DB_ROLL_PTR回滚指针，指向这条记录的上一个版本，用于配合Undo Log，指向上一个版本。
DB_ROW_ID隐藏主键，如果表结构没有指定主键，将会生成该隐藏字段。

我们可以使用ibd2sdi工具来从表空间文件中提取序列化的字典信息（SDI），来验证一下这三个隐藏字段是否存在。

["ibd2sdi"
,
{
    "type": 1,
    "id": 402,
    "object":
        {
    "mysqld_version_id": 80025,
    "dd_version": 80023,
    "sdi_version": 80019,
    "dd_object_type": "Table",
    "dd_object": {
        "name": "stu",
        "mysql_version_id": 80025,
        "created": 20220919023413,
        "last_altered": 20220919023413,
        "hidden": 1,
        "options": "avg_row_length=0;encrypt_type=N;explicit_encryption=0;key_block_size=0;keys_disabled=0;pack_record=1;stats_auto_recalc=0;stats_sample_pages=0;",
        "columns": [
            {
                "name": "id",
                "type": 4,
                "is_nullable": false,
                "is_zerofill": false,
                "is_unsigned": false,
                "is_auto_increment": false,
                "is_virtual": false,
                "hidden": 1,
···省略
            },
            {
                "name": "name",
                "type": 16,
                "is_nullable": false,
                "is_zerofill": false,
                "is_unsigned": false,
                "is_auto_increment": false,
                "is_virtual": false,
                "hidden": 1,
···省略
            },
            {
                "name": "DB_TRX_ID", #最近修改事务ID
                "type": 10,
                "is_nullable": false,
                "is_zerofill": false,
                "is_unsigned": false,
                "is_auto_increment": false,
                "is_virtual": false,
                "hidden": 2,
···省略
            },
            {
                "name": "DB_ROLL_PTR", #回滚指针
                "type": 9,
                "is_nullable": false,
                "is_zerofill": false,
                "is_unsigned": false,
                "is_auto_increment": false,
                "is_virtual": false,
                "hidden": 2,
···省略
            }
        ],

注意：因为这张表里已经指定了主键为id列，所以不会生成隐藏主键DB_ROW_ID列。

Undo Log回滚日志

回滚日志，在增、改、删操作的时候产生的便于数据回滚的日志。当INSERT操作的时候，产生的回滚日志在事务提交后可被立即删除。而UPDATE和DELETE操作的时候，产生的Undo Log日志不仅在进行数据回滚时需要，在进行快照读时也需要，所以不会立即被删除。

Undo Log详情可见文章：待浩源Undo Log文章发表后添加

MVCC版本链

当有多个并发事务操作一行数据时，对这行数据的修改会产生多个版本，多个版本通过上述的一个隐藏字段DB_ROLL_PTR回滚指针指向Undo Log数据地址形成一个链表，即MVCC版本链。

ReadView读视图

ReadView读视图是快照读SQL执行时MVCC提取数据的依据，记录并维护系统当前活跃的事务（未提交的）id。

上面讲过Undo Log和MVCC版本链，一条数据经过多次修改会产生多个版本，而快照读是根据不同时机创建的快照获取数据的，那么快照读SQL在执行时该读取那个版本的数据就是靠ReadViw读视图来决定的。

ReadView读视图中包含了四个核心字段，也是读取数据的判断依据： | 字段 | 含义 | | -------------- | ---------------------------------------------------- | | m_ids | 当前活跃的事务ID集合 | | min_trx_id | 最小活跃事务ID | | max_trx_id | 预分配事务ID，当前最大事务ID+1（因为事务ID是自增的） | | creator_trx_id | ReadView创建者的事务ID |

ReadView一共有四种匹配规则： | 条件 | 能否访问 | 说明 | | ---------------------------------- | ----------------------------------------- | -------------------------------------------- | | trx_id == creatro_trx_id | 可以访问该版本 | 成立，说明数据是当前这个事务更改的。 | | trx_id < min_trx_id | 可以访问该版本 | 成立，说明数据已经提交了。 | | trx_id > max_trx_id | 不可以访问该版本 | 成立，说明该事务是在ReadView生成后才开启的。 | | min_trx_id <= trx_id <= max_trx_id | 如果trx_id不在m_ids中，那么可以访问该版本 | 成立，说明数据已经提交。 |

不同隔离级别下MVCC分析

READ-COMMITTED隔离级别

前面有提到过在READ-COMMITTED隔离级别下事务在每次快照读SQL执行时创建ReadView，每次创建的ReadView的四个字段对应的值也是不同的，所以在READ-COMMITTED隔离级别下每次快照读SQL获取的数据可能也是不同的。

下面通过一个READ-COMMITTED隔离级别下并发事务的案例来详细看看：

现有四个并发事务同时访问一条数据：

在上述并发事务中，事务5查询了两次id为1的数据，因为当前的隔离级别设置为了READ-COMMITTED，事务在每次快照读SQL执行时创建一个ReadView，每次生成的ReadView中的四个字段值都不同。那么三次快照读都会根据生成的ReadView中的字段进行规则匹配，从而决定返回的数据。接下来看看流程：

事务5第一次快照读解读

事务5第一次进行查询时生成的ReadView以及原数据如下图：

在匹配版本数据前，先与表中数据进行匹配：

该数据对应的DB_TRX_ID为3，此时MVCC就会通过ReadView带着这条数据去进行规则匹配：

首先是第一条规则db_trx_id == creator_trx_id，db_trx_id(3)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id < min_trx_id，db_trx_id(3)不小于min_trx_id(3)故不成立；

第三条规则db_trx_id > max_trx_id，db_trx_id(3)小于max_trx_id(6)故不成立；

第四条规则min_trx_id <= db_trx_id <= max_trx_id，db_trx_id(3)在min_trx(3)与max_trx_id(6)之间，但是同时处于m_ids(3,4,5)集合之中故也不成立。

经过这次匹配，表中最新的数据无法匹配，故要与MVCC版本链中最上面的数据进行规则匹配

与MVCC版本链中最上方的版本进行匹配：

第一条规则db_trx_id(2)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id(2)小于min_trx_id(3)，该版本的数据满足匹配规则中的第二条，说明数据已经提交，此时匹配将终止并返回这个版本对应的数据。

事务5第二次快照读

因为当前事务的隔离级别为READ-COMMITTED(读已提交)，所以在每次快照读的时候都会创建一个ReadView，所以事务5第二次进行查询时生成的ReadView以及原数据如下图：

在匹配版本数据前，先与表中数据进行匹配：

该数据对应的DB_TRX_ID为4，此时MVCC就会通过ReadView带着这条数据去进行规则匹配：

首先是第一条规则db_trx_id == creator_trx_id，db_trx_id(4)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id < min_trx_id，db_trx_id(4)不小于min_trx_id(4)故不成立；

第三条规则db_trx_id > max_trx_id，db_trx_id(4)小于max_trx_id(6)故不成立；

第四条规则min_trx_id <= db_trx_id <= max_trx_id，db_trx_id(4)在min_trx(4)与max_trx_id(6)之间，但是同时处于m_ids(4,5)集合之中故也不成立。

经过这次匹配，表中最新的数据无法匹配，故要与MVCC版本链中最上面的数据进行规则匹配

与MVCC版本链中最上方的版本进行匹配：

第一条规则db_trx_id(3)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id(3)小于min_trx_id(4)，该版本的数据满足匹配规则中的第二条，说明数据已经提交，此时匹配将终止并返回这个版本对应的数据。

REPEATABLE-READ级别

现在来看看REPEATABLE-READ可重复读隔离级别有什么不同的地方。同样，有四个并发事务同时访问一条数据：

在上述并发事务中，事务5查询了两次id为1的数据，因为当前的隔离级别设置为了REPEATABLE-READ，事务在第一次快照读SQL执行时创建ReadView，后续该事务所有的快照读都复用该ReadView。接下来看看流程：

事务5第一次快照读解读

事务5第一次进行查询时生成的ReadView以及原数据如下图：

在匹配版本数据前，先与表中数据进行匹配：

该数据对应的DB_TRX_ID为3，此时MVCC就会通过ReadView带着这条数据去进行规则匹配：

首先是第一条规则db_trx_id == creator_trx_id，db_trx_id(3)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id < min_trx_id，db_trx_id(3)不小于min_trx_id(3)故不成立；

第三条规则db_trx_id > max_trx_id，db_trx_id(3)小于max_trx_id(6)故不成立；

第四条规则min_trx_id <= db_trx_id <= max_trx_id，db_trx_id(3)在min_trx(3)与max_trx_id(6)之间，但是同时处于m_ids(3,4,5)集合之中故也不成立。

经过这次匹配，表中最新的数据无法匹配，故要与MVCC版本链中最上面的数据进行规则匹配

与MVCC版本链中最上方的版本进行匹配：

第一条规则db_trx_id(2)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id(2)小于min_trx_id(3)，该版本的数据满足匹配规则中的第二条，说明数据已经提交，此时匹配将终止并返回这个版本对应的数据。

事务5第二次快照读解读

因为当前事务的隔离级别为REPEATABLE-READ(可重复读)，所以第二次快照读也会沿用第一次快照读时创建的ReadView，如下：

在匹配版本数据前，先与表中数据进行匹配：

该数据对应的DB_TRX_ID为4，此时MVCC就会通过ReadView带着这条数据去进行规则匹配：

首先是第一条规则db_trx_id == creator_trx_id，db_trx_id(4)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id < min_trx_id，db_trx_id(4)不小于min_trx_id(3)故不成立；

第三条规则db_trx_id > max_trx_id，db_trx_id(4)小于max_trx_id(6)故不成立；

第四条规则min_trx_id <= db_trx_id <= max_trx_id，db_trx_id(4)在min_trx(4)与max_trx_id(6)之间，但是同时处于m_ids(4,5)集合之中故也不成立。

经过这次匹配，表中最新的数据无法匹配，故要与MVCC版本链中最上面的数据进行规则匹配

与MVCC版本链中最上方的版本进行匹配：

第一条规则db_trx_id(3)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id(3)不小于min_trx_id(4)故不成立；

第三条规则db_trx_id小于max_trx_id(6)故不成立；

第四条规则db_trx_id(3)在min_trx(3)与max_trx_id(6)之间，但是同时处于m_ids(3,4,5)集合之中故也不成立。

经过第二次匹配，MVCC版本链中最上层的数据版本也无法匹配，故要与第二条版本进行匹配

与MVCC版本链中第二条版本进行匹配：

第一条规则db_trx_id(2)不等于creator_trx_id(5)故不成立；

第二条规则db_trx_id(2)小于min_trx_id(3)，该版本的数据满足匹配规则中的第二条，说明数据已经提交，此时匹配将终止并返回这个版本对应的数据。

Enjoy GreatSQL :)

关于 GreatSQL

GreatSQL是由万里数据库维护的MySQL分支，专注于提升MGR可靠性及性能，支持InnoDB并行查询特性，是适用于金融级应用的MySQL分支版本。

相关链接： GreatSQL社区 Gitee GitHub Bilibili

GreatSQL社区：

欢迎来GreatSQL社区发帖提问 https://greatsql.cn/

20221008151816

技术交流群：

微信：扫码添加GreatSQL社区助手微信好友，发送验证信息加群。

标签
#GreatSQL #MySQL
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。
mysql如何将表结构导出到excel 需求如下 导出表的结构，和字段备注信息，表名等。不需要借用第三方工具即可实现。 SELECT TABLE_NAME 表名, COLUMN_NAME 列名, COLUMN_TYPE 数据类型, DATA_TYPE 字段类型, CHARACTER_MAXIMUM_LENGTH 长度, IS_NULLABLE 是否为空, COLUMN_DEFAULT 默认值, COLUMN_COMMENT 备注 FROM INFORMATION_SCHEMA.COLUMNS where -- developerclub为数据库名称，到时候只需要修改成你要导出表结构的数据库即可 table_sch 立即下载

相关推荐

STM32L476低功耗实战：LPTIM精准定时唤醒STOP2模式与系统级功耗优化

本文深入探讨了STM32L476低功耗实战技巧，重点解析了LPTIM精准定时唤醒STOP2模式的配置与优化。通过详细的步骤指南和实战经验分享，帮助开发者实现系统级功耗优化，特别适合电池供电设备开发。文章涵盖LPTIM1定时器配置、STOP2模式进入流程及常见问题排查，助力将整机功耗降至8.2uA级别。

weixin_33686714的博客 435

mysql is_nullable_MySQL使用SQL查询字段详细信息

我们都知道在建表的时候定义字段类型等信息，虽然可以通过desc 表名来查询，但是有些却显示不了，那么如何查看其他信息呢？首先，数据库里面有个数据库是叫mysql的数据库，里面提供了一张名为INFORMATION_SCHEMA表，我们可以利用这张表了解很多数据库数据信息，这也是SQL注入漏洞里面要利用的。1、通过下面代码能查询MoChou数据库里面Blog表的全部信息。SELECT*FROMINFO...

weixin_42484858的博客 1391

STM32F429移植LVGL9.3.0：从源码配置到双缓冲优化实战

本文详细介绍了如何在STM32F429平台上移植LVGL 9.3.0图形库，涵盖从源码准备、工程配置、显示驱动适配到双缓冲优化等关键步骤。重点解析了利用STM32F429的硬件特性实现高效内存管理和流畅显示性能的实战技巧，为嵌入式GUI开发提供完整解决方案。

q6r7s8t9的博客 1135

mysql is_nullable_Mysql 中is null 和 =null 的区别

在mysql中，筛选非空的时候经常会用到is not null和!=null，这两种方法单从字面上来看感觉是差不多的，其实如果去运行一下试试的话差别会很大！为什么会出现这种情况呢？null 表示什么也不是， 不能=、>、< … 所有的判断，结果都是false，所有只能用 is null进行判断。默认情况下，推荐使用 IS NOT NULL去判断，因为SQL默认情况下对！= Null的判...

weixin_36198509的博客 2069

Grafana图像渲染插件安装全攻略：解决依赖缺失问题（附完整命令清单）

本文详细介绍了在CentOS/RHEL环境下安装Grafana图像渲染插件`grafana-image-renderer`的全过程，包括解决常见的依赖缺失问题。通过提供完整的命令清单和疑难问题排查指南，帮助用户高效部署和优化插件性能，确保图像渲染功能稳定运行。

weixin_30399821的博客 86

如何从RHEL 8升级到RHEL 9

Red Hat 于 2022 年 5 月 17 日宣布全面推出 RHEL 9。这是 RHEL（Red Hat Enterprise Linux）的最新版本，它具有许多功能和增强功能。

u012748257的博客 1019

mysql is_nullable_MySQL replace into 语句浅析（一）_MySQL - is_null

...);var_dump(isset($f));echo "";//3.is_null的输出var_dump(is_null($a));var_dump(is_null($b));var_dump(is_null($c));var_dump(is_null($d));var_dump(is_null($e));var_dump(is_null($f));?&gt...一 介绍在笔者支持业...

weixin_39640417的博客 540

记录汇川：自由口通信-梯形图

最常见的就是MODBUS通信协议，指令主要通过RS232和RS485端口进行报文发送，所以通信报文格式可以选择MODBUS RTU通信格式或MODBUS ASCII通信格式。255---Y10-Y17:ON(1111 1111)指令进行报文的发送与接收，但是报文内部的数据格式不是由主站PLC决定， 而是由。修改从站一个保持寄存器数据。修改从站多个保持寄存器数据。读取从站的输出信号状态。读取从站的输入信号状态。读取从站保持寄存器数据。读取从站输入寄存器数据。

m0_61837027的博客 4914

cockroach如何修改字段为is_nullable属性、默认值设置、字段类型、字段删除与重命名

修改is_nullable属性 #设置字段为非null属性：(表subscriptions中字段 newsletter 为非null) ALTER TABLE subscriptions ALTER COLUMN newsletter SET NOT NULL; #删除字段原先的非null设置：（删除表subscriptions中字段 newsletter 可以为null) ALTER TABLE subscriptions ALTER COLUMN newsletter DROP NOT NULL;

wzbwzt的博客 987

Vue2 - 详细实现解析Markdown内容生成侧边栏Toc目录索引，识别文章内容根据大标题/小标题自动生成多级文章目录，点击目录导航时跳转到文章内容对应的锚点位置带过渡动画，滑过锚点时高亮对应标题

vue2，nuxt2，Markdown，目录，文章目录锚点，滚动高亮导航文字，根据页面滚动高亮显示目录的侧边栏，自动提取标题生成右侧目录，vuemarkdown解析并生成目录，滚动页面的时候文章目录跟着选中效果，侧边栏滚动跟随页面，右边目录固定,左边内容可以滚动并且与左边目录联动，实现监听滚动，锚点定位，文章目录滚动跟随高亮，右边菜单点击目录滚动到对应标题，报错，渲染失败，文章内容，读取#标题符号，自动生成一个目录树，自动生成Toc目录，博客内容生成目录索引，资讯文章，生成锚点目录树TOC，详细示例代码教

🏆 前端领域优质创作者 3669

【大模型】AI 辅助编程操作实战使用详解

AI 编程实战使用详解

congge 8461

mysql自定义格式导出表结构

SELECT COLUMN_NAME 字段, COLUMN_TYPE 类型, IF(IS_NULLABLE='NO','是','否') AS '空', COLUMN_DEFAULT 默认, COLUMN_COMMENT 注释, CHARACTER_MAXIMUM_LENGTH as '字符长度' FROM INFORMATION_SCHEMA.COLUMNS where table_schema ='库名' AND table_name = '表名' ...

作为一个长者,有必要记录下人生经验 744

蓝牙芯片驱动开发-第11章第1题-WiFi蓝牙共存的关键策略有哪些

蓝牙芯片驱动开发-第11章第1题-WiFi蓝牙共存的关键策略有哪些

weixin_42162924的博客 30

技术干货 | 图文结合带你搞懂InnoDB MVCC机制！

什么是MVCC

GreatDB的博客 257

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

图文结合带你搞懂MySQL日志之Redo Log(重做日志)

往期文章：图文结合带你搞定MySQL日志之Undo log(回滚日志)图文结合带你搞懂InnoDB MVCC导读前言请读者注意：本文基于 GreatSQL 8.0.25 & MySQL 5.7.7-RC版本，在 MySQL8.0.30 Redo 发生变化，详情见：MySQL 8.0.30动态redo log初探前面聊了MySQL中的Undo Log日志和InnoDB中的MVCC，今天一起...

老叶茶馆 388

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")

MySQL的MVCC

熟悉Oracle的朋友可能都知道，MVCC是支持高并发的重要特性，通过实现多版本一致性读，保证了读写互相不阻塞，因此，了解它的工作机制有助于对回滚、一致性读等功能有更深入的理解。MySQL中的InnoDB存储引擎同样支持这个特性，GreatSQL技术社区的这篇文章《图文结合带你搞懂InnoDB MVCC》就为我们介绍了相关的知识，值得借鉴学习。前情提要当前读快照读什么是MVCC三个隐藏字段Undo...

bisal的专栏 274

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

MVCC相关

MVCC（Multi-Version Concurrency Control）：多版本并发控制。常用于数据库管理系统里面无锁的实现并发控制的方法，同时也是事务隔离级别的一种实现方式，提高了事务的并发性能。（Mysql的innoDB存储引擎使用了。Oracle的undo表空间实现MVCC，PostgreSQL也使用了）在mysql中读已提交（RC，Read Committed）和可重复读（RR，Repeatable Read）都是通过MVCC实现的。

qq_45321679的博客 1010

Java后端必懂：ReadView与MVCC底层原理（图文易懂+代码模拟）

1. MVCC是InnoDB的并发控制机制，核心是“多版本数据”，实现读写不阻塞，提升并发性能；2. ReadView是MVCC的核心载体，本质是事务读取数据时的“快照规则”，由4个核心属性组成，负责判断数据版本的可见性；3. 隔离级别决定ReadView的生成时机：Read Committed每次查询生成，Repeatable Read事务首次查询生成；4. Java后端开发中，根据业务场景选择隔离级别，利用MVCC的特性提升并发性能，解决读写阻塞问题。

yukoii的博客 593

搞懂 冒泡排序原理 锁和事务的原理(图文并茂)

原理机制: 相邻元素两两比较,大的/小的往后排,一轮比较结束,最大值出现在最大下标处.会比较多轮。MVCC（Multi-Version Concurrency Control）- 多版本并发控制。mysql默认的隔离级别可重复读是如何实现的?数据库中出现死锁，数据库是如何解决的？三者如何配合实现mysql的隔离级别。数据库中事务自动提交默认开启。四种隔离级别可能产生的问题。四种隔离级别由低到高。数据库默认的隔离级别。

qq_54781283的博客 593

【MySQL】 事务隔离级别、脏读不可重复读幻读、MVCC 超全详解【面试必背】

本文系统讲解MySQL事务隔离级别与并发问题。MySQL定义了4种隔离级别（读未提交、读已提交、可重复读、串行化），InnoDB默认使用可重复读。详细分析了脏读、不可重复读和幻读三种并发问题及其区别，并通过对照表展示各隔离级别能解决的问题。重点讨论了幻读的本质和三种解决方案（间隙锁、加锁读、串行化），以及MVCC的实现原理（undo log+read view）。最后指出可重复读并未完全解决幻读问题，快照读无幻读但当前读仍可能存在幻读。文章为面试提供了全面总结，包括隔离级别特点、问题解决方案和MVCC工作机

2401_89675417的博客 662

十分钟图文详解Mysql！小白轻松搞懂！幻读|事务隔离|日志|锁

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lAVm6RDX-1692021697159)(https://mmbiz.qpic.cn/mmbiz_png/z5wHYsauz7KpeSmId4KP1fFduGGsb9gibSkpBJkLvnMSibkcnxYXbUajicIxtL6Zrv7RB8rqaGnV5AhAOurP7RVZA/640?MySQL的基本架构示意图。

Saki_Python的博客 232

一张图彻底搞懂 MySQL 的锁机制

锁在 MySQL 中是非常重要的一部分，锁对 MySQL 的数据访问并发有着举足轻重的影响。锁涉及到的知识篇幅也很多，所以要啃完并消化到自己的肚子里，是需要静下心好好反反复复几遍地细细品味。本文是对锁的一个大概的整理，一些相关深入的细节，还是需要找到相关书籍来继续夯实。

qq_43842093的博客 532

【MySQL】整理了最值得看的 MySQL 学习资源，覆盖书籍、课程、文档、社区与工具，方便你按阶段系统学习

四个阶段，整理了最值得看的MySQL学习资源，覆盖书籍、课程、文档、社区与工具，方便你按阶段系统学习。适合零基础、想快速掌握SQL语法与基本操作的阶段。

小冷coding的博客 1122

【MySQL】MySQL进阶之路（七）MySQL事务隔离级别详解

MySQL事务隔离级别详解

weixin_45551345的博客 362
上一篇： JDK1.7下测试ConnectorJ连接MySQL8.0
下一篇： 简明的binlog event解析
点赞 0
评论 0
书签 书签 1
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