PostgreSQL 日报｜ ILIKE 索引扫描漏返数据行（10 月 27 日）

原创 于 2026-10-27 16:35:42 发布 · 223 阅读 · 4 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
GEO检测
本文重点报道 PostgreSQL 19 中 macOS 平台下使用 libc UTF-8 排序规则时 ILIKE 索引扫描遗漏数据行的问题。Jeff Davis 提交补丁，统一在所有平台应用 towlower() 相关检查，经 glibc 2.39 和 musl 1.2.5 验证行为一致。该问题属于查询执行层的索引扫描逻辑缺陷，影响大小写不敏感模糊匹配的正确性，属核心查询优化与本地化支持关键议题。

PostgreSQL 技术文章

Neon 文档搜索功能现已采用 Neon 构建

Neon 已将其文档搜索基础设施迁移至自建方案，整个技术栈均基于其自身平台。文档、API 参考、指南、更新日志和博客的搜索结果现在由 Lakebase Search 提供，底层运行在 Lakebase Postgres 上，并通过 Neon Function 对外暴露。此举是 Neon 平台实际落地的一次示范——用自家的 serverless Postgr…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fneon.com%2Fblog%2Fneon-docs-search-lakebase-search

pg_ivm 1.17 版本发布

IVM Development Group 发布了 pg*ivm 1.17。此版本主要改动如下：restore_immv() 新增 replace 选项，pg_ivm_dump_metadata 新增 --pg-upgrade 标志，解决了 pg_upgrade 后因旧元数据残留导致 IMMV 恢复失败的问题。修复了 restore*…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fpg_ivm-117-released-3420%2F

HypoPG 1.4.4 发布了！

HypoPG 1.4.4 已发布。HypoPG 是一个为 PostgreSQL 提供假设索引支持的扩展，兼容 PostgreSQL 9.2 及以上版本。本次发布以缺陷修复为主：修正了 OID 大于等于 2^31 时假设索引名称错误的问题，修复了 WITH 子句选项的内存泄漏，在计算最大列数时正确纳入 included columns，支持在依赖对象（关系、…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fhypopg-144-is-out-3421%2F

pg_hdr_histogram 1.0.0 - PostgreSQL 中的精确百分位数计算

pg_hdr_histogram 1.0.0 是 Vladimir Pavliv 开发的一款 PostgreSQL 扩展，基于 HdrHistogram_c 库实现精确的延迟百分位数计算。与常见监控工具使用固定桶近似估算不同，该扩展将完整的 HDR 直方图作为原生 PostgreSQL 类型存储，在六个数量级范围内提供约 0.1% 的相对精度，p50、p9…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fpg_hdr_histogram-100-exact-percentiles-in-postgresql-3418%2F

PostgreSQL Hacker 电子邮件讨论精选

移除对命名 POSIX 信号量的支持

Tom Lane 提议移除对 named POSIX semaphores 的支持，理由是该代码最初是为 macOS 而添加的，但自 2002 年起 SysV semaphores 已成为该平台的首选方案，其他平台上 named POSIX semaphores 的性能表现也不佳，且当前的 Meson 构建系统已无法选择该路径。Shihao Zhong 和…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Let’s%20drop%20support%20for%20named%20POSIX%20semaphores

[PG19] macOS 上 libc UTF-8 排序规则下 ILIKE 索引扫描遗漏数据行的问题

Jeff Davis 提交了一个修复，解决了在 macOS 上使用 libc UTF-8 排序规则时 ILIKE 索引扫描遗漏行的问题。由于 ILIKE 在所有平台上均通过 towlower() 进行比较，该修复将相关检查应用于所有平台，而非仅限于 macOS。经过对 glibc 2.39 和 musl 1.2.5 的全面验证，确认在行为一致的平台上新增检…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=%5BPG19%5D%20ILIKE%20index%20scan%20misses%20rows%20with%20a%20libc%20UTF-8%20collation%20on%20macOS

ZSTD TOAST 压缩以及可扩展的压缩方法编码机制

Manu 审查了 Greg Burd 提交的 v11 补丁，该补丁涉及 ZSTD TOAST 压缩功能。补丁在 zstd 1.5.7 和 lz4 1.10.0 环境下可干净应用并通过测试。Manu 发现了以下问题：（1）仅启用 lz4 时因 dict_fetch() 缺少编译守卫导致编译失败；（2）启用 zstd 但不启用 lz4 时 compres…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=ZSTD%20TOAST%20compression%2C%20and%20an%20extensible%20compression%20method%20encoding

pg_constraint.confrelid 字段是否需要建立索引？

该讨论围绕为 pg_constraint.confrelid 添加非唯一 btree 索引展开，旨在解决随着 not-null 约束大量写入 pg_constraint 后顺序扫描开销急剧增大的问题。Manu 提交了补丁 v6（CF 7365），测试数据显示性能大幅提升：100 次 TRUNCATE 的指令数从 2.9G 降至 0.20G，大规模…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Do%20we%20need%20an%20index%20on%20pg_constraint.confrelid%3F

PL/pgSQL：在事件触发器函数中，FOUND 是 NULL 而非 false

Jeevan Chalke 报告称，plpgsql_exec_event_trigger() 在执行函数体之前未将魔法变量 FOUND 初始化为 false，而 plpgsql_exec_function() 和 plpgsql_exec_trigger() 均有此初始化操作。这导致 PL/pgSQL 事件触发器函数入口处的 FOUND…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=PL%2FpgSQL%3A%20FOUND%20is%20NULL%2C%20not%20false%2C%20in%20event%20trigger%20functions

[补丁] 回归测试：视图和规则定义必须保证往返完整性

Greg Burd 提交了一个补丁，新增回归测试文件 deparse_roundtrip.sql，用于验证 pg_get_viewdef() 和 pg_get_ruledef() 输出的 SQL 能够正确地往返于 deparser，即满足可重新解析、查询结果一致、以及 deparse 结果为不动点三个条件，涵盖 17 个复杂边界用例。Ashutosh Ba…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=%5BPATCH%5D%20regression%20test%3A%20view%20and%20rule%20definitions%20must%20round%20trip

行业新闻

Microsoft 向约 6 万名员工提供自愿离职补偿方案

Microsoft 近日向约 6 万名员工提出买断离职方案，此举是其最新一轮降本增效和人员结构调整计划的组成部分。作为全球最大科技公司之一，此次买断规模庞大，折射出 Microsoft 在持续加大 AI 基础设施和云服务投入背景下，加快精简运营、优化组织架构的战略意图。报道未披露具体买断条款细节。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F10%2F26%2Fmicrosoft-offers-buyouts-to-around-60000-employees-reports-say

Anthropic 正式提交 IPO 申请，披露营收和治理细节

AI 公司 Anthropic 已正式提交 IPO 申请，招股文件显示其营收快速增长，但亏损同步扩大。此次 S-1 文件披露了公司大规模企业客户的采用情况，以及一套旨在保留创始人控制权、维护 AI 安全使命的特殊治理架构。文件还显示，在年消费超 10 万美元的大客户中，逾半数已同时使用 Claude Platform 与自有应用，这一类似 Amazon 的交叉销售策略正在有效提升客户黏…

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F10%2F26%2Fanthropic-officially-files-for-its-public-debut

SpaceX 与 Apollo 达成 400 亿美元 GPU 融资协议

SpaceX 与 Apollo 达成一项高达 400 亿美元的 GPU 融资协议，为公司快速扩张的 AI 业务提供重要资金支持。此次交易使 SpaceX 得以在不完全依赖传统债务市场的情况下，大规模扩充 AI 计算基础设施。如此规模的融资彰显了前沿 AI 发展对资本的巨大需求，也标志着 SpaceX 正以更积极的姿态布局 AI 基础设施领域，在航天与卫星主业之外开辟新的增长极。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F10%2F26%2Fspacex-locks-in-40b-gpu-financing-deal-with-apollo

社交媒体动态

CYBERTEC 迎来新合作伙伴：StonesThro

CYBERTEC 宣布与 StonesThro 建立合作关系。StonesThro 是一家总部位于英国的主权微型边缘计算与 AI 服务商，在英国多处安全地点运营碳中和的云、AI 及存储节点，并已通过 ISO 9001、27001、14001 和 20000 认证，同时获得英国政府 G-Cloud 15 框架的认可。此次合作将 CYBERTEC 在 Post…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fcybertec-postgresql_partnership-sovereigncloud-edgecomputing-activity-7520374332783484928-CAh_

财务团队不应该花费数小时拼凑数据只为解释数字变动的原因

Genie One 旨在减少财务团队在数据分析上耗费的人工投入。该工具将经过审批的指标、财务逻辑与业务背景整合在一起，帮助团队高效排查数据差异、监控现金流、处理账期异常并追踪支出规律。重复性分析可转化为可复用的工作流，同时完整保留现有的权限与管控机制。其核心目标是简化财务分析与报告流程，让团队无需再从多个数据源手动汇总信息。

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_finance-teams-shouldnt-have-to-spend-hours-activity-7520560673546895360-noDA

如果智能体内存不再需要额外的同步管道，会怎样？

Databricks 联合创始人兼首席架构师辛雷诺德介绍了面向智能体应用的 LTAP 架构。该架构允许事务性与分析性工作负载读取同一份数据，无需额外的同步管道。智能体内存、应用状态与历史数据共享统一的权限体系，整个系统基于标准 Postgres 构建，兼容现有驱动、扩展和 ORM。这一方案旨在将内存与状态管理整合为单一一致的系统，从而简化 AI 智能体的数…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_webinar-the-emerging-blueprint-for-agentic-activity-7520496510837522432-TNu_

标签
#postgresql #区块链 #数据库
彻底搞懂PostgreSQL的模糊查询:LIKE和ILIKE
cuisidong1997的博客
12-02 1866
彻底搞懂PostgreSQL的模糊查询:LIKE和ILIKE如果我们使用的是PostgreSQL数据库，那么我们可以使用LIKE和ILIKE做模糊查询，LIKE语法是SQL标准而ILIKE是PostgreSQL的一个扩展。构造数据先创建一张表，然后插入一些数据；id serial,id | name1 | One2 | Two5 | oNE6 | 99%(6 rows)基本使用。
PostgreSQL 中的 pg_trgm GIN 索引详解
guigenyi的专栏
03-30 729
PostgreSQL 的 pg_trgm GIN 索引详解：该扩展基于 trigram（三元组）模型，通过将字符串分解为连续三字符序列并建立 GIN 倒排索引，显著提升 LIKE、ILIKE、正则表达式和相似度搜索的性能。索引支持中缀模糊匹配（如 '%abc%'）和相似度排序（ORDER BY col <-> 'query'），但对短模式（<3字符）无效且索引体积较大。创建方法简单（CREATE INDEX...USING GIN(col gin_trgm_ops)），适用于文本搜索场景，
在flask项目中利用ilike进行搜索
我的邮箱26huitailang@gmail.com
10-30 3589
在项目中的表格上方，通常都会添加一个搜索窗口，按输入内容进行搜索。搜索过程是前端输入内容，提交一个表单到相应的路由函数，表单内容在函数中获取是通过request.args.get(‘q’, ”)。我这里搜索表单的id是q，如果获取的内容不存在则内容为空，则不过滤，否则通过Model.query.filter()来过滤相应的内容。下面通过不同部分来看看具体实现。github项目链接。 jinja2
Postgresql-使用 pg_trgm 实现高效的 LIKE / ILIKE 模糊搜索
weixin_43230594的博客
11-29 1147
本文对比了PostgreSQL中B-tree、GIN+pg_trgm和GiST+pg_trgm三种索引在LIKE/ILIKE模糊搜索场景下的表现。实验建立了200万条随机文本数据的测试环境，结果显示：B-tree索引无法支持非左锚定匹配，只能全表扫描；GIN+pg_trgm在构建时间(3分33秒)和空间占用(231MB)上表现最优，适合大规模模糊查询；GiST+pg_trgm构建最慢(6分06秒)，索引体积接近B-tree(348MB)。综合来看，GIN+pg_trgm是模糊搜索场景的最佳选择，尤其适合处理
Silvaco Atlas（五）——物理模型总结
qsz1425AWD2121的博客
03-19 2152
物理模型总结
Postgresql中LIKE和ILIKE操作符的使用
热门推荐
sinat_41928169的博客
09-15 3万+
LIKE和ILIKE操作符可以模糊匹配字符串，LIKE是一般用法，ILIKE匹配时则不区分字符串的大小写。   它们需要结合通配符使用，下面介绍两种常用的通配符。 %：百分号用于匹配字符串序列，可匹配任意组合； _：下划线用于匹配任何单一字符。   举例来说明LIKE和ILIKE操作符的区别。 先创建一张数据表table1,包含两列：id列和name列，代码如下： create ...
新能源场站必看：一次调频与AGC/AVC的协同控制逻辑解析（含典型拓扑图）
brown的博客
02-19 1068
本文深度解析了新能源场站中一次调频与AGC/AVC的协同控制逻辑。针对电网频率与电压稳定需求，详细阐述了三者在响应时序、控制目标上的分工与配合，并重点剖析了以RCL-0923装置为核心的指令融合架构与典型拓扑，为场站实现高效、稳定的协同运行提供了清晰的实践指导。
win10任务栏文件夹设置成竖形列表样式
ftzchina的博客
03-23 7086
win10任务栏文件夹设置成竖形列表样式
postgresql 数据库中 like 、ilike、~~、~~*、~、~*的含义
一名数据库爱好者的专栏
04-22 8220
like 匹配 ilike 不区分大小写匹配 ~~ 等价于 like ~~* 等价于 ilike ~ 匹配正则表达式，大小写相关 ~* 匹配正则表达式，大小写无关 通配符 % 百分号用于匹配字符串序列，可匹配任意组合 _ 下划线用于匹配任何单一字符 如果想要做前缀匹配或后缀匹配，可以用下面的方法 1、前缀模糊查询。 selec...
用Gazebo仿真无人机视觉SLAM：ORB-SLAM2+RGB-D相机完整调试记录
weixin_30485379的博客
03-31 451
本文详细介绍了在Gazebo仿真环境中优化ORB-SLAM2用于无人机视觉SLAM的完整调试过程。通过定制传感器配置、调整ORB-SLAM2参数以及优化点云处理策略，显著提升了无人机在仿真环境中的SLAM性能。文章还提供了实用的调试技巧和性能评估方法，帮助开发者高效实现无人机视觉SLAM系统的仿真测试。
postgresql数据库中~和like和ilike的区别
weixin_30275415的博客
11-18 1882
~（暂且叫他波浪号吧） 和 LIKE 和 ILIKE 操作符可以模糊匹配字符串，LIKE是一般用法，ILIKE匹配时则不区分字符串的大小写，~ 波浪号则可以使用正则匹配。 LIKE和 ILIKE 它们需要结合通配符使用，下面介绍两种常用的通配符。 %：百分号用于匹配字符串序列，可匹配任意组合； _：下划线用于匹配任何单一字符。 ~ 波浪号 则可以使用正则模式来匹配字符串...
DySAT+: Enhancing Dynamic Graph Representation Learning with Multi-Head Self-Attention and Temporal-
weixin_29035405的博客
03-20 337
本文深入探讨了DySAT+模型在动态图表示学习中的创新应用，通过多头时空注意力机制和层级信息融合策略，有效解决了动态图数据中的时间维度信息捕捉和结构演变动态适应问题。该模型在社交网络异常检测和金融交易网络分析等场景中表现出色，显著提升了预测准确率和响应速度。
S/4HANA Private Cloud 与 On-Premise 的 Key User Custom Fields 运输与升级避坑指南
2007 年 ~ 2025 年，深耕 SAP 技术 18 年
01-20 196
本文探讨了SAP S/4HANA Cloud Private Edition和On-Premise系统中Key User Custom Fields的管理要点。文章指出，Custom Fields涉及元数据生成、对象一致性、传输治理等完整链路，操作不当会导致字段丢失或升级失败。关键建议包括：使用ATO Fiori App管理扩展项与传输绑定，配置正确的job user权限，避免在多系统并行开发同一字段。特别强调升级时需执行CFD_REGENERATE_IN_ONPREMISE报表，并通过标准传输机制推进变更
PostgreSQL 六大索引
hello.reader
10-29 1570
6种索引特性与适用场景 索引特性速览 B-tree通用性强，适合等值/范围查询；Hash仅限等值；GIN专长倒排检索（jsonb/数组/全文）；GiST处理空间/范围数据；SP-GiST优化前缀搜索；BRIN适合顺序存储的大表快速剪枝。 核心选型建议 B-tree是默认选择；模糊查询用GIN+pg_trgm；空间/距离用GiST；时间序列用BRIN。避免多列索引顺序不当、表达式不匹配等问题。 优化要点 高频查询可配置覆盖索引或部分索引；海量数据优先考虑BRIN；写密集场景需
Android Framework WMS面试题及参考答案
大模型大数据攻城狮的专栏
11-24 2165
什么是 WindowManagerService（WMS）？它的作用是什么？ WindowManagerService（WMS）是 Android 系统中非常重要的一个系统服务。它运行在系统进程（system_server 进程）中。 从本质上来说，WMS 是 Android 窗口管理系统的核心。它负责管理系统中的所有窗口，包括应用程序窗口、系统窗口（如状态栏、导航栏）等。 它的主要作用有很多。首先是窗口的创建和销毁。当一个应用请求创建一个窗口时，WMS 会协调各个模块完成窗口的创建工
postgresql 索引状态_PostgreSQL索引思考
weixin_39758953的博客
12-18 585
当在看Monetdb列存行只支持IMPRINTS和ORDERED这两种索引，且只支持定长数值类型时，就在思考，对于列存，还有必要建索引吗？在PostgreSQL的索引就要灵活很多，我对常用列建合理的索引，是不是能达到列存的效果？(肯定没有)。当然，有索引还是快很多：1)对于整型列来说，应该是用ORDERED索引，建类似于btree索引，将数据按大小进行了排序，当执行> = < <...
出现Command ‘vim‘ is available in the following places,vim: command not found等解决方法
码农研究僧的博客
07-31 5884
内置命令无法识别，说明系统变量有误，导致无法识别，既然系统变量有误，将其注释或者更改为正确的即可，但是现在打不开，又怎么注释掉。替换vim来打开编辑，打开之前错误的全局变量文件，发现变量有误，要么注释要么改为。系统变量有全局变量（通过命令行printenv或者echo）和局部变量。对应通过vim修改错误的变量文件，不然source也无法让配置文件生效。本身vim是系统内置的命令，连vim都出现问题。修改为正确的即可，之后还需要重启服务器，使用。之后即可成功，通过即可查看命令是否有写入。...
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")
模糊查询like_PostgreSQL模糊查询(~ like ilike)使用区别
weixin_39606361的博客
12-06 1336
在PostgreSQL数据库中，~、like、ilike都可以用于模糊查询，本文简单介绍三者使用区别。like标准的模糊查询，支持%(任意个字符)，_(任意单个字符)，并区分大小写，使用实例：select 'abcDEF' like '%cD%'; -- trueselect 'abcDEF' like '%cd%'; -- falseselect 'abcDEF' like '%c_E%'; -...
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！
PostgreSQL索引
chenzhenshagua的博客
11-18 5058
一、索引的类型： PostgreSQL提供了多种索引类型：B-Tree、Hash、GiST和GIN，由于它们使用了不同的算法，因此每种索引类型都有其适合的查询类型，缺省时，CREATE INDEX命令将创建B-Tree索引。 1. B-Tree: CREATE TABLE test1 ( id integer, content varchar ); CREATE INDEX test1_id_index ON test1 (...
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
postgresql 建立索引
weixin_40910372的博客
06-01 2820
背景 今天六一儿童节，早上一来，还没开始过节呢，就被support同事抓着解决问题，难忘。。。 事情是这样的，我们的项目流量不是很大，在最初创建数据库的时候，有三张表加了物理外键，后来考虑到写入时性能的问题，就把外键个删掉了。本来用着一直没问题的，直到今天，用户报有个页面加载不出来数据。找了一圈，最后打印出了SQL，看它的执行时间发现了问题所在。 我们用的JPA，加载这个页面需要连三张表去查询，hibernate因为是先查一个表的数据再去下一个表查，于是就发出了几十条的SQL，而每个SQL耗时都很长，
PostgreSQL 索引类型详解
2401_89221445的博客
01-06 1168
优先选 B-tree：无特殊需求时，B-tree 可覆盖 80% 以上的常规查询场景，是默认且最通用的选择。专用场景选专用索引：处理空间数据用 GiST/SP-GiST，多值数据（数组/JSONB）用 GIN，大数据量有序表用 BRIN。多列查询选对索引：需支持前缀列、范围查询 → 选 B-tree 组合索引；仅多列全等值查询、追求低存储 → 选 Bloom 索引（接受假阳性）。样例可直接复用。
FreshRSS 数据库配置与 PostgreSQL 全文搜索性能优化完全指南
最新发布
gitblog_00758的博客
09-20 410
本篇技术指南聚焦自托管 RSS 聚合器 FreshRSS 的数据库层配置，重点讲解如何在不修改任何 FreshRSS 代码的前提下，通过 `pg_trgm` 与 GIN 索引大幅加速 PostgreSQL 上的全文检索（标题、正文、作者等字段）。读完本文，你将掌握 FreshRSS 支持的三类数据库选型、搜索 SQL 的底层生成逻辑，以及一套可直接复制执行的索引优化脚本与权衡评估方法。 ## F
postgresql-索引与优化
Java_Fly1的博客
09-13 2303
索引（Index）可以用于提高数据库的查询性能；但是索引也需要进行读写，同时还会占用更多的存储空间；因此了解并适当利用索引对于数据库的优化至关重要。本篇我们就来介绍如何高效地使用 PostgreSQL 索引。-- 创建表name text-- generate_series 产生序列如果没有索引，数据库需要扫描整个表才能找到相应的数据。利用 EXPLAIN 命令可以看到数据库的执行计划，也就是 PostgreSQL 执行 SQL 语句的具体步骤执行计划参考文档。
【Postgres】postgresql 建立索引
zkq_1986的博客
01-22 6951
一、索引的类型： PostgreSQL提供了多　　种索引类型：B-Tree、Hash、GiST和GIN，由于它们使用了不同的算法，因此每种索引类型都有其适合的查询类型，缺省时，CREATE INDEX命令将创建B-Tree索引。 1. B-Tree: CREATE TABLE test1 ( id integer, content varchar ); CREATE INDEXtest1_id_indexONtest1 (...
SeaORM模糊查询终极指南：掌握LIKE、ILIKE与全文搜索技巧
gitblog_00309的博客
11-19 593
在数据库开发中，模糊查询是处理用户搜索、数据筛选等场景的必备技能。SeaORM作为现代化的Rust ORM框架，提供了多种灵活高效的模糊查询方案，让开发者能够轻松应对各种搜索需求。本文将为您详细介绍SeaORM中的LIKE、ILIKE操作符以及全文搜索功能的使用方法。 ## 为什么需要模糊查询？ 模糊查询在现实应用场景中无处不在： - 用户搜索功能：电商平台商品搜索、内容管理系统文章检索 -
PostgreSQL 索引 详细
qq_40026782的博客
10-30 3625
INDEX 索引是增强数据库性能的常用方法。索引使得数据库在查找和检索数据库的特定行的时候比没有索引快的多。但索引也增加了整个数据库系统的开销，所以应该合理使用。 介绍 假设我们有一个类似这样的表： CREATE TABLE test1 ( id integer, content varchar ); 应用程序发出许多类似以下的这种查询： SELECT content FROM test1 WHERE id = constant; 没有提前的准备，系统将不得不逐行扫描整
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