PowerShell访问Oracle、SQL Server数据库,导出到CSV文件

Oracle DBA必学Python:数据库自动化管理与实战指南 Python作为现代数据处理的通用编程语言,通过简洁的语法和丰富的生态库实现了高效的数据操作。其核心原理在于提供统一接口连接各类数据库系统,结合pandas等工具实现数据清洗、转换和分析的自动化流水线。在数据库管理领域,Python的技术价值体现在将DBA从重复性SQL操作中解放,通过cx_Oracle库直接调用Oracle底层接口,实现表空间监控、性能指标采集等任务的脚本化。典型应用场景包括自动生成数据字典、批量数据迁移以及实时异常告警系统,这些正是Oracle DBA运用Python实现数据库自动化管理 阅读详情

PowerShell访问Oracle、SQL Server数据库,导出到CSV文件

# query oracle
# connect info
# sql
# parameters
# scalar result
# return an array of ordered HashTable or a scalar value
function Oracle-Query {
    param ($conn_info, [String] $SQL, [HashTable] $parameters, [Bool] $scalar)
    $USER = $conn_info.USER
    $PASSWD = $conn_info.PASSWD
    $SERVER = $conn_info.SERVER
    $DB = $conn_info.DB
    $CONNECTION_STR = "User Id=$USER;Password=$PASSWD;Data Source=$SERVER/$DB"
    $connection = New-Object System.Data.OracleClient.OracleConnection($CONNECTION_STR)
    $connection.Open()
    $ora_cmd = $connection.CreateCommand()
    $ora_cmd.CommandText = $SQL
    ForEach($key in $parameters.Keys) {
        $param = New-Object System.Data.OracleClient.OracleParameter($key, '')
        $param.Value = $parameters[$key]
        $ora_cmd.Parameters.Add($param) | Out-Null
    }
    If($scalar) {
        $val = $ora_cmd.ExecuteScalar()
        $connection.Close()
        Return $val
    } Else {
        $reader = $ora_cmd.ExecuteReader()
        $columns = @()
        For($i = 0; $i -lt $reader.FieldCount; $i++) {
            $columns += $reader.GetName($i)
        }
        $data = @()
        While($reader.Read()) {
            $row = [ordered]@{}
            $columns | % { $index = 0 } {
                If($reader.IsDBNull($index)) {
                    $row.Add($_, '')
                } Else {
                    $row.Add($_, $reader.GetValue($index))
                }
                $index += 1
            }
            $data += $row
        }
        $connection.Close()
        Return $data
    }
}

# query sql server
# connect info
# sql
# parameters
# scalar result
# return an array of ordered HashTable or a scalar value
function SQLServer-Query {
    param ($conn_info, [String] $SQL, [HashTable] $parameters=$null, [Bool] $scalar=$False)
    $USER = $conn_info.USER
    $PASSWD = $conn_info.PASSWD
    $SERVER = $conn_info.SERVER
    $DB = $conn_info.DB
    $conn_str = "User Id=$USER;Password=$PASSWD;Database=$DB;Data Source=$SERVER"
    $sql_conn = New-Object System.Data.SqlClient.SqlConnection($conn_str)
    $sql_conn.Open()
    $command = $sql_conn.CreateCommand()
    $command.CommandText = $SQL
    ForEach($key in $parameters.Keys) {
        $parameter = New-Object System.Data.SqlClient.SqlParameter($key, '')
        $parameter.Value = $parameters[$key]
        $command.Parameters.Add($parameter) | Out-Null
    }
    If($scalar) {
        $val = $command.ExecuteScalar()
        $sql_conn.Close()
        Return $val
    } Else {
        $reader = $command.ExecuteReader()
        $columns = @()
        For($i = 0; $i -lt $reader.FieldCount; $i++) {
            $columns += $reader.GetName($i)
        }
        $data = @()
        While($reader.Read()) {
            $row = [ordered]@{}
            $columns | % { $index = 0 } {
                If($reader.IsDBNull($index)) {
                    $row.Add($_, '')
                } Else {
                    $row.Add($_, $reader.GetValue($index))
                }
                $index += 1
            }
            $data += $row
        }
        $sql_conn.Close()
        Return $data
    }
}

# export HashTable into csv file
function HashTable-ToCsv {
    param([Array] $data, [String] $filename, [String] $date_format_str='dd/MM/yyyy')
    if ($data.Count -le 0) {
        Exit
    }
    if(FileExist "$filename") {
        Clear-Content -Path "$filename"
    }
    $first_row = $data[0]
    $first_row.Keys | % {
        $header += """$_"""
        $header += ','
    }
    $header = $header -replace ',$', ''
    Add-Content -Value "$header" -Path "$filename"
    $data | % {
        $values = ''
        $_.Values | %{
            $val = $_
            if (($val.GetType()) -eq [System.DateTime]) {
                $val = $val.ToString($date_format_str)
            }
            $values += """$val"""
            $values += ','
        }
        $values = $values -replace ',$', ''
        $values = $values -replace '\n', ' '
        $values = $values -replace '\r', ' '
        $values = $values -replace '\r\n', ' '
        Add-Content -Value "$values" -Path "$filename"
    }
}
DBeaver下载安装与信创数据库配置全指南 DBeaver是一款开源免费的跨平台数据库管理工具,基于Eclipse平台构建,核心优势在于对多协议、多方言数据库的深度兼容与高度可配置性。其设计遵循‘不替代用户决策’的工程师哲学,通过驱动隔离、方言适配、元数据缓存控制等机制,支撑MySQL、PostgreSQL、Oracle及达梦、人大金仓、高斯、OceanBase等国产数据库的稳定连接与高效运维。技术价值体现在零商业绑定、完整JDBC控制权、生产级SQL保真执行和信创环境合规部署能力。典型应用场景覆盖金融核心系统迁移、政务云信创改造、混合数据库平台日常 阅读详情

相关推荐

DBeaver Ultimate 25.3:企业级多源数据库治理与SQL工程化实践

数据库客户端工具已从基础连接演进为数据工程核心枢纽。理解元数据快照隔离、可插拔执行上下文等架构原理,是实现跨库协同、生产环境安全管控与高并发SQL治理的技术前提。这类能力直接支撑信创迁移、异构数据库统一运维、灰度发布审计等关键场景,尤其在OceanBase Oracle模式调试、PostgreSQL逻辑复制槽监控、ClickHouse分布式JOIN优化等新一代数据库深度适配中体现显著工程价值。DBeaver Ultimate Edition 25.3正是面向DBA、数据工程师和后端开发,提供元数据治理、SQ

anchang7456的博客 448

shell脚本实现Oracle数据库表数据的导出(文本文件)和导入

使用sqlldr命令把文本文件导入到导入到新的Oracle环境

luzhiji的博客 2824

YashanDB个人版:轻量级关系数据库的开箱即用实践指南

关系型数据库是计算机专业核心基础,其本质在于ACID事务、标准SQL支持与并发控制能力。理解这些原理需依托真实可交互的数据库环境,而非仅靠理论或简化模型。YashanDB个人版正为此类学习场景而生——它提供完整Oracle兼容语法(如VARCHAR2、SYSDATE、V$视图)、原生事务隔离与行级锁机制,同时规避了MySQL配置复杂、PostgreSQL资源占用高、SQLite缺乏并发服务等典型短板。作为一款面向学生实训、课程设计与轻量开发的本地数据库,它以极简安装(双击完成)、内置Web控制台、JDBC/

weixin_34252686的博客 1159

oracle将数据导出到CSV文件-ok

oracle将数据导出到CSV文件-ok

u013737399的博客 6599

MySQL与Navicat安装配置全攻略:从下载到连接建表

数据库是现代应用的核心基础设施,而MySQL作为开源关系型数据库,以其稳定性和高性能被广泛使用。但命令行操作对新手并不友好,这时可视化工具便显得尤为重要。Navicat作为图形化数据库管理客户端,支持连接MySQL等主流数据库,简化了建库建表、SQL编写、数据导入导出等操作。本文以Windows环境为例,讲解如何从官方渠道下载安装MySQL Community Server与Navicat,包括端口配置、服务启动、root密码设置等关键步骤,并演示使用Navicat完成连接验证、创建数据库、执行SQL查询的

weixin_34209851的博客 459

Windows Server 2022核心特性与部署指南

Windows Server作为企业级操作系统,通过虚拟化、容器化和混合云技术支持现代化IT架构。其安全核心架构整合了硬件级防护措施,如基于虚拟化的安全(VBS)和芯片级信任根,显著提升对抗高级威胁的能力。2022版本特别优化了容器工作负载,基础镜像尺寸减少40%,网络延迟降低至2ms以内,适合微服务部署。在部署实践中,Server Core模式可减少60%攻击面,而KMS激活机制满足企业批量授权需求。通过PowerShell DSC和Azure Arc可实现配置即代码与混合云统一管理,是金融、医疗等行业构

weixin_30621711的博客 562

oracle生成csv数据的脚本

生成csv数据的脚本,同时也生成了control文件

q195136130的专栏 642

MySQL从零到实战:安装配置、SQL核心操作与性能优化指南

数据库是管理和持久化存储结构化数据的核心系统,其核心原理在于通过表、行、列的关系模型组织数据,并使用SQL语言进行操作。这项技术的关键价值在于实现数据的高效检索、完整性约束和复杂业务逻辑的可靠处理,广泛应用于Web开发、企业应用和数据分析等场景。本文聚焦于MySQL这一主流关系型数据库,针对**SQL性能优化**和**数据持久化存储**等核心需求,提供从环境搭建、CRUD操作、表连接、事务管理到索引创建的完整实战路径,帮助开发者快速构建安全、高效的数据库应用基础。

weixin_34101229的博客 522

shell脚本中通过sqlplus操作oracle数据库

如果当前服务器安装的有oracle数据库,配置环境变量后可以直接使用sqlplus,如果没有则需要安装客户端和sqlplus包。shell脚本中通过sqlplus -S dbuser/dbpass@host/dbname连接上数据库后,一般所做的操作就是在脚本中下载表中的数据到本地或者是在脚本中调用oracle存储过程,再通过crontab启动定时任务调用shell脚本去跑数据,下文将详细介绍这两种的使用方法:sqlplus常用参数设置--回显本次sql命令处理的记录条数,缺省为on。

不写代码很难受的博客 9960

深圳地铁客流分析系统zip包拆解:大数据项目从验证到重构实战

大数据学习路线中,数据仓库与数据可视化是开发者绕不开的核心能力。一个完整的大数据项目,通常涵盖数据采集、清洗、入仓、分析计算到可视化呈现的全链路。以深圳地铁客流分析系统为例,这类项目压缩包往往包含从ODS到ADS的数仓分层设计、Spark离线计算任务以及ECharts可视化看板,是学习数据仓库与大数据开发的绝佳样本。从验证zip包完整性、梳理项目目录结构,到解决JDK、Spark、MySQL等组件版本兼容问题,再到还原AFC刷卡数据的清洗与指标计算逻辑,每一步都检验着大数据开发者的工程实践能力。基于真实业务

weixin_34176694的博客 394

A Side Scan Sonar Image Denoising Algorithm Based on Compound of Fuzzy Weighted Average and Kalman F

Abstract 水下侧扫声纳图像的噪声来源:高斯噪声、脉冲、斑点噪声。 传统方法只能移除部分噪声,并且去噪后容易造成细节模糊。 本文在考虑到噪声的随机性以后,提出一种融合了模糊加权平均和卡尔曼滤波的去噪方法。 在最大化保留图像细节的基础上,同时去除高斯噪声和脉冲噪声 一.Introduction 由于海底环境和声波自身干涉的影响,声纳图像生成的图像难免会有噪点。声纳采集的图像通常会有高斯噪声、脉...

qq_44516871的博客 929

oracle通过shell导出数据

#!/bin/shbuss_no_cur=$1buss_no_cur_1=$1.csvuser=$2passwd=$3sid=$4filename=${HOME}/${buss_no_cur_1}sqlplus -s ${user}/${passwd}@${sid}<<EOFset echo off;set wrap off;set feedback off;set head...

dengyiyu5280的博客 999

Unity四部曲(核心)

需要先改成Cube复杂的展开留到unity进阶再说。

ultraman1234566的博客 2797

PowerShell 读取 Goldengate 进程转为数组插入到sql server中

在使用 oracle Goldengate 同步时,有时会忽略了ogg进程的启动。若按照 Goldengate monitor 只监控着一两个同步又没必要,所以使用脚本来进行监控查看。为便于可视化,先将 ogg 的进程运行情况存储到数据库中,再读取数据库中的数据查看。当前脚本只是把监控状态存储到数据库中,在windows 系统中使用powershell 编写。

699

C# 实现文件和字符串的AES加密解密

C# 实现文件和字符串的AES128加密解密

m0_72044573的博客 5938

拆解爆火AI图文日报!用扣子(Coze)工作流,10分钟实现自动化新闻早报

当用户提供一则新闻内容时,仔细分析新闻中的关键信息。提取新闻事件的核心要点,包括事件主体、发生时间、地点、主要情节等。用简洁的语言对新闻进行总结,控制在[X]字以内(可根据实际需求设定字数限制)。若用户提供多条新闻,对比各新闻之间的异同点。从事件类型、影响范围、发展趋势等方面进行分析。综合总结多条新闻的整体情况,以有条理的方式呈现给用户。

一身都是月 2431

PaddleSpeech multi_layer_conv 模块详解:Transformer 中的多层卷积前馈网络(MultiLayeredConv1d 与 Conv1dLinear)

本文深入解析 PaddleSpeech 的 `paddlespeech.t2s.modules.transformer.multi_layer_conv` 模块,该模块为 Transformer/Conformer 编解码块提供了两种基于一维卷积的位置前馈网络(Positionwise Feed-Forward Network)实现:`MultiLayeredConv1d` 与 `Conv1dLi

gitblog_00659的博客 744

HDR 成像技术学习(三)—— LOFIC

LOFIC(Lateral Overflow Integration Capacitor,横向溢出集合电容)介绍,从像素结构到工作时序。

沧海一升的博客 9731

PowerShell-AD-Recon核心功能详解:Discover-PSInterestingServices实战指南

在当今复杂的网络环境中,Active Directory安全侦察已成为系统管理员和安全专业人员的重要技能。PowerShell-AD-Recon项目提供了一套强大的工具集,特别是其核心功能Discover-PSInterestingServices,能够帮助用户无需端口扫描即可发现网络中运行的有趣服务。本文将深入解析这个强大的Active Directory侦察工具,为初学者和普通用户提供完整的实

gitblog_00151的博客 1106

华为od 面试八股文_前端_01_含答案

华为od 面试八股文_前端_01_含答案

MISAYAONE的博客 2752

linux系统下XDMA驱动的安装与测试问题总结

先看两个常见的问题。一个是驱动安装问题,一个是驱动测试错误;error 512 能识别PCIE的设备,但是The kernel modle installed correctly, but no devices were recognized.

whm128的博客 3810

Azure Data Studio:微软官方跨平台数据库管理工具终极指南

你是否曾经因为数据库管理工具的局限而感到困扰?不同操作系统需要不同的工具,功能分散难以统一管理,或者工具过于复杂难以快速上手?今天,我要向你介绍一款改变游戏规则的数据库管理工具——**Azure Data Studio**,这是微软官方推出的跨平台数据库管理神器,它能够解决你所有的数据库管理痛点! Azure Data Studio是一款基于Visual Studio Code架构构建的现代化数

gitblog_00614的博客 594

携程机票数据爬取实战:使用 Python 获取携程网机票信息

通过本篇博客,我们详细介绍了如何使用 Python 爬取携程网的机票信息,涉及了静态网页爬取(使用 Requests 和 BeautifulSoup)和动态网页爬取(使用 Selenium)两种方法。通过获取的数据,我们不仅能够进行票价分析,还可以构建更为复杂的预测模型或趋势分析工具。爬虫技术不仅能够帮助我们收集有价值的数据,还能够为商业决策提供数据支持。在实际应用中,我们可以结合更多的分析方法,如自然语言处理、图像处理等,进一步提升数据的价值。

2201_76125261的博客 1659

Hive SQL 开发工具选择:Beeline(命令行客户端)、DBeaver(数据库管理工具)对比 SQLyog、SQL Developer,Hue / Zeppelin,DataWorks

DBeaver

木木的学习笔记 836

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")

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。

数据库客户端:Goose、PgWeb、StackRender、DearSQL、Duckgres、Noir、QoreDB、Tome

数据库客户端:Goose、PgWeb、StackRender、DearSQL、Duckgres、Noir、QoreDB、Tome

lonelymanontheway的博客 560

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

MySQL实战入门:从环境搭建到SQL优化全流程详解

数据库作为现代应用的核心数据存储与管理组件,其核心功能在于高效地组织、存储和检索结构化数据。其工作原理基于关系模型,通过SQL语言实现对数据的定义、操作与控制。掌握数据库技术对于构建稳定、可扩展的应用系统具有重要价值,广泛应用于Web开发、企业信息系统、数据分析等场景。在众多数据库管理系统中,MySQL因其开源、高性能和易用性成为学习与实践的热门选择。本文聚焦于MySQL的实战入门,详细拆解环境搭建、SQL核心语法与性能优化等关键环节,特别是针对慢查询的识别与索引优化策略,帮助学习者避开常见陷阱,快速建立可

331

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

上一篇: 高等数学系列一:中学回顾
下一篇: Purge Data
DataPeak
博客等级 码龄15年 32粉丝 68原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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