数据库题目之关系数据库标准语言SQL

关系数据库标准语言SQL 错题合集 阅读详情

一、选择题

1、SQL语言是     的语言,易学习。

 A.过程化 B.非过程化 C.格式化 D.导航式

【答案:】B

2、SQL语言是     语言。

 A.层次数据库 B.网络数据库 C.关系数据库 D.非数据库

【答案:】C

3、SQL语言具有     的功能。

 A.关系规范化、数据操纵、数据控制 B.数据定义、数据操纵、数据控制

 C.数据定义、关系规范化、数据控制 D.数据定义、关系规范化、数据操纵

【答案:】B

4、SQL语言具有两种使用方式,分别称为交互式SQL和     。

 A.提示式SQL B.多用户SQL C.嵌入式SQL D.解释式SQL

【答案:】C

5、假定学生关系是S(S#,SNAME,SEX,AGE),课程关系是C(C#,CNAME,TEACHER),学生选课关系是SC(S#,C#,GRADE)。 要查找选修“COMPUTER”课程的“女”学生姓名,将涉及到关系   。

 A.S  B.SC,C  C.S,SC  D.S,C,SC

【答案:】D

6、如下面的数据库的表中,若职工表的主关键字是职工号,部门表的主关键字是部门号,SQL操作     不能执行。

 A.从职工表中删除行(‘025’,‘王芳’,‘03’,720) B.将行(‘005,’,‘乔兴’,‘04’,750)插入到职工表中

 C.将职工号为,‘001’的工资改为700 D.将职工号为,’038’的部门号改为‘03’      

【答案:】B

7、若用如下的SQL语句创建一个student表:

 CREATE TABLE student(NO C(4) NOT NULL,

 NAME C(8) NOT NULL,

 SEX C(2),

 AGE N(2))

 可以插入到student表中的是     。

A.(‘1031’,‘曾华’,男,23)  B.(‘1031’,‘曾华’,NULL,NULL)

 C.(NULL,‘曾华’,‘男’,‘23’) D.(‘1031’,NULL,‘男’,23)           

【答案:】B

第8到第11题基于这样的三个表即学生表S、课程表C和学生选课表SC,它们的结构如下:

 S(S#,SN,SEX,AGE,DEPT)

 C(C#,CN)

 SC(S#,C#,GRADE)

其中:S#为学号,SN为姓名,SEX为性别,AGE为年龄,DEPT为系别,C#为课程号,CN为课程名,GRADE为成绩。

8、检索所有比“王华”年龄大的学生姓名、年龄和性别。正确的SELECT语句是     

 A.SELECT SN,AGE,SEX FROM S

  WHERE AGE>(SELECT AGE FROM S

     WHERE SN=“王华”)

 B.SELECT SN,AGE,SEX  FROM S

  WHERE SN=“王华”

 C.SELECT SN,AGE,SEX FROM S

WHERE AGE>(SELECT AGE

   WHERE SN=“王华”)

 D.SELECT SN,AGE,SEX FROM S

   WHERE AGE>王华.AGE

 

【答案:】A

9、检索选修课程“C2”的学生中成绩最高的学生的学号,正确的SELECT语句是   。

 

 A.SELECT S# FORM SC WHERE C#=“C2” AND GRAD>=

    (SELECT GRADE FORM SC

    WHERE C#=“C2”)

 B.SELECT S# FORM SC

   WHERE C#=“C2” AND GRADE IN

    (SELECT GRADE FORM SC

     WHERE C#=“C2”)

 C.SELECT S# FORM SC

   WHERE C#=“C2” AND GRADE NOT IN

    (SELECT GRADE FORM SC

     WHERE C#=“C2”)

 D.SELECT S# FORM SC

   WHERE C#=“C2” AND GRADE>=ALL

   (SELECT GRADE FORM SC

    WHERE C#=“C2”)

 

 

【答案:】D

10、检索学生姓名及其所选修课程的课程号和成绩。正确的SELECT语句是   。

 

 

 A.SELECT S.SN,SC.C#,SC.GRADE

   FROM S

   WHERE S.S#=SC.S#

 B.SELECT S.SN,SC.C#,SC.GRADE

   FROM SC

   WHERE S.S#=SC.GRADE

 C.SELECT S.SN,SC.C#,SC.GRADE

   FROM S,SC

   WHERE S.S#=SC.S#

 D.SELECT S.SN,SC.C#,SC.GRADE

   FROM S.SC

 

 

【答案:】C

11、检索选修四门以上课程的学生总成绩(不统计不及格的课程),并要求按总成绩的降序排列出来。

正确的SELECT语句是   。

 A.SELECT S#,SUM(GRADE)FROM SC

  WHERE GRADE>=60

  GROUP BY S#

  ORDER BY 2 DESC

  HAVING COUNT(*)>=4 WHERE C#=“C2” AND GRADE>=

    (SELECT GRADE FORM SC

    WHERE C#=“C2”)

 B.SELECT S# FORM SC

   WHERE C#=“C2” AND GRADE IN

   (SELECT GRADE FORM SC

   WHERE C#=“C2”)

C.SELECT S# FORM SC

   WHERE C#=“C2” AND GRADE NOT IN

   (SELECT GRADE FORM SC

   WHERE C#=“C2”)

 D.SELECT S# FORM SC

   WHERE C#=“C2” AND GRADE>=ALL

   (SELECT GRADE FORM SC

   WHERE C#=“C2”)

 

 

【答案:】D

二、填空题

1、SQL是 结构化查询语言     。

【答案:】结构化查询语言

2、视图是一个虚表,它是从 ① 中导出的表。在数据库中,只存放视图的 ② ,不存放视图的 ③ 。

【答案:】①一个或几个基本表 ②定义 ③视图对应的数据

3、设有如下关系表R:

 R(No,NAME,SEX,AGE,CLASS)

 主关键字是NO

其中NO为学号,NAME为姓名,SEX为性别,AGE为年龄,CLASS为班号。

写出实现下列功能的SQL语句。

 ①插入一个记录(25,“李明”,“男”,21,“95031”);    。

 ②插入“95031”班学号为30、姓名为“郑和”的学生记录;    。

 ③将学号为10的学生姓名改为“王华”;    。

 ④将所有“95101”班号改为“95091”;    。

 ⑤删除学号为20的学生记录;    。

 ⑥删除姓“王”的学生记录;    。

【答案:】

①INSERT INTO R VALUES(25,“李明”,“男”,21,“95031”)

②INSERT INTO R(NO,NAME,CLASS) VALUES(30,“郑和”,“95031”)

③UPDATE R SET NAME=“王华”WHERE NO=10

④UPDATE R SET CLASS=“95091”WHERE CLASS=“95101”

⑤DELETE FROM R WHERE NO=20

⑥DELETE FROMR WHERE NAME LIKE“王%”

【习题五】【数据库原理】 1.在SQL的SELECT语句中,能实现投影操作的是( )。 A. SELECT B. FROM C. WHERE D. GROUP BY 正确答案: A2.SQL集数据查询、数据操纵、数据定义和数据控制功能于一体,语句ALTER TABLE实现下列哪类功能( )。 A. 数据查询 B. 数据操纵 C. 数据定义 D. 数据控制 正确答案: C3.下列SQL语句中,( )不是数据操纵语句。 A. INSERT B. CREATE C. DELETE D. UPDATE 正确答案: B4.SQL中,下列涉及空 阅读详情

相关推荐

数据库系统概论习题册

什么是数据库? 答: 数据库是长期存储在计算机内、有组织的、可共享的数据集合。数据库是按某种数据模型进行组织的、存放在外存储器上,且可被多个用户同时使用。因此,数据库具有较小的冗余度,较高的数据独立性和易扩展性。什么是数据库的数据独立性? 答: 数据独立性表示应用程序与数据库中存储的数据不存在依赖关系,包括逻辑数据独立性和物理数据独立性。逻辑数据独立性是指局部逻辑数据结构(外视图即用户的逻辑文件)与全局逻辑数据结构(概念视图)之间的独立性。当数据库的全局逻辑数据结构(概念视图)发生变化(数据定义的修改、数据

Long_UP的博客 7978

数据库基础知识参考试题及答案解析

 -、单项选择题。下列各题A)、B)、C)、D)四个选项中,只有-个选项是正确的。(1)在数据库技术中,实体-联系模型是一种(   )    A)概念数据模型    B)结构数据模型   C)物理数据模型    D)逻辑数据模型   答案:A) 解析:概念模型是对信息世界建模,所以概念模型应该能够方便、准确地表示信息世界中的常用概念。概念模型的表示方法很多,其中最为常用的是P.P.

ldhlsj的专栏 9494

[XJTUSE DATABASE]——第三章 关系数据库标准语言SQL

新年了,来个大的,写了好几天,将近9000字,希望对大家有所帮助

weixin_47692652的博客 3121

c 语言和数据库技术考试题目,计算机三级《数据库技术》考前模拟题和答案

计算机三级《数据库技术》考前模拟题和答案计算机三级考试备考工作已经进入紧张冲刺阶段,不知道同学们都复习得怎么样呢?以下是编搜索整理的一份计算机三级《数据库技术》考前模拟题和答案,供参考练习,预祝考生们考出自己理想的成绩!1.假定学生关系是S(S#,SNAME,SEX,AGE),课程关系是C(C#,CNAME,TEACHER),学生选课关系是SC(S#,C#,GRADE)。要查找选修 "COMPUT...

weixin_31076517的博客 1696

数据库复习-5.关系数据库标准语言SQL

SQL:结构化查询语言,是关系数据库的标准语言。 SQL是一个通用的、功能极强的关系数据库语言。

cslqm 1591

数据库系统原理复习题(三)——关系数据库标准语言SQL

数据库系统原理复习题(三)——关系数据库标准语言SQL   1.为使程序员编程时既可使用数据库语言又可使用常规的程序设计语言,数据库系统需要把数据库语言嵌入到________中。  (5分) A.   中间语言   B.   操作系统   C.   编译程序   D.   宿主语言   正确答案:D. 你当前选择:D.   2.SQL语言是________语言。

DBA@Robin 6015

第三章 关系数据库标准语言SQL(2)

② 表2全部查找完后,再找表1中第二个元组,然后再从头开始扫描表2,逐一查找满足连接条件的元组,找到后就将表1中的第二个元组与该元组拼接起来,形成结果表中一个元组。① 首先在表1中找到第一个元组,然后从头开始扫描表2,逐一查找满足连接件的元组,找到后就将表1中的第一个元组与该元组拼接起来,形成结果表中一个元组。解题思路: 用逻辑蕴涵表达:查询学号为x的学生,对所有的课程y,只要201215122学生选修了课程y,则x也选修了y。当能确切知道内层查询返回单值时,可用比较运算符(>,<,=,>=,<=,!

m0_62740859的博客 1042

【数据库原理 第三章 关系数据库标准语言 SQL】

数据类型、索引、视图、SQL语言、查询

qq_59670495的博客 965

【MySQL】——关系数据库标准语言SQL(大纲)

关系数据库标准语言SQL(大纲)

shsjssnn的博客 2562

第三章 关系数据库标准语言SQL

关系数据库标准语言SQL 结构化查询语言(Structured Query Language,SQL)是关系数据库的标准语言,功能包括:查询、数据库模式创建、数据库数据的插入与修改、数据库安全性完整性定义与控制等一系列功能。

weixin_55085468的博客 1214

Android逆向实战:通过smali/baksmali动态注入DEX逻辑

本文详细介绍了在无源码条件下对Android应用进行动态逻辑注入的实战方法。通过使用smali和baksmali工具对DEX文件进行反编译、修改与重打包,实现在目标方法中插入自定义代码(如日志打印),并分享了定位目标、处理寄存器、避免常见错误的实用技巧与避坑指南。

weixin_29008691的博客 367

【数据库SQL server】关系数据库标准语言SQL的基本知识

本文深入浅出地介绍了关系数据库标准语言SQL的基本知识。首先,文章明确SQL的定义及其作用,强调其在管理和操作关系型数据库中的关键角色。接着,文中详细阐述SQL的语法结构,包括数据查询、更新、插入和删除等基本操作,为读者提供了深入理解SQL的基础。

朝花夕拾 9934

LwIP在国产MCU的落地实践:从协议栈优化到网络稳定性实战

本文详细介绍了LwIP协议栈在国产GD32F407 MCU上的移植与优化实践,涵盖硬件平台选择、驱动适配、协议栈调优和网络稳定性提升策略。通过内存管理优化、实时操作系统集成和性能测试,为工业物联网应用提供高可靠性网络通信解决方案,显著提升数据传输效率和系统稳定性。

m2n3b4v5c6的博客 270

四、关系数据库标准语言SQL_1

SQL简介SQL的特点SQL的系统结构结构化查询语言是一种介于关系代数与关系演算之间的语言;是一个通用的、功能极强的关系数据库语言;目前已成为关系数据库的标准语言,大多数关系数据库产品都支持SQL语言;其前身是1974年Boyce和Chamberlin提出的,并在System R上实现的SQURARE语言。不区分大小写SQL-86SQL-89SQL:1999(SQL3)增加了面向对象的概念,超1000页SQL:2008SQL:2011。

xjsj62728的博客 1332

IEC61850 通信协议测试验证实战指南:从理论到实践

本文提供了一份全面的IEC61850通信协议测试验证实战指南,强调测试必须从理论走向工程实践。文章详细讲解了如何搭建测试环境,并深入剖析了MMS、GOOSE、SV三大核心协议的实战测试方法,旨在帮助工程师通过系统化的测试验证,确保电力自动化设备的互操作性与通信可靠性。

weixin_29204121的博客 171

【WorkBuddy专栏51】Codex与WorkBuddy的底层基因——两条完全不同的AI智能体路线(上)

【WorkBuddy专栏51】Codex与WorkBuddy的底层基因——两条完全不同的AI智能体路线(上)

AI人人懂 2193

关系数据库标准SQL语言(一)

SQL(Structured Query Language)是一种用于管理和操作关系数据库的标准语言。自1974年提出以来,SQL经历了多次标准化,如SQL-86、SQL-92、SQL-99等,逐渐成为数据库管理系统的核心工具。SQL具有综合统一、高度非过程化、面向集合操作等特点,支持数据定义(DDL)、数据操纵(DML)和数据控制(DCL)等功能。其核心动词包括SELECT、CREATE、INSERT、UPDATE、DELETE、GRANT等,操作对象和结果均为集合。SQL支持关系数据库的三级模式结构

a1943481463的博客 1183

MATLAB - 浮动基座机器人的逆运动学

本例演示如何解决以浮动底座为模型的机器人的逆运动学问题。浮动底座机器人可以在空间中自由平移和旋转,具有六个自由度。浮动基座机器人的逆运动学问题适用于空间应用,即使用安装在浮动和致动基座上的机械臂在空间操纵物体,也适用于躯干和腿部可在空间自由移动的行走机器人。请注意,刚体树对象表示具有固定基体的刚体树。这意味着刚体树的基体在世界中具有固定的位置和方向。您可以在基体上附加一个 “浮动 ”类型的刚体关节,为具有浮动基体的机器人建模,以用于动态模拟等某些应用。

机器人控制与仿真应用 2440

【数据库SQL server】关系数据库标准语言SQL之数据查询

这篇博文深入解析了关系数据库标准语言SQL在数据查询方面的应用。作者首先介绍了SQL的基本概念和语法结构,为读者提供了一个全面的了解基础。随后,文章重点聚焦在数据查询操作上,详细探讨了SELECT语句的使用,以及如何通过条件筛选、

朝花夕拾 1万+

增益调度控制 —— 理论、案例与交互式 GUI 实现

本文详细介绍了增益调度控制的基本原理、数学模型及公式推导,探讨了该方法在适应非线性系统和大范围工作条件下的优势与局限。通过航空飞行控制、发动机推力控制以及化工过程控制三个典型案例,我们展示了如何利用调度变量动态调整控制增益,从而使得控制系统在各个工作点均能达到优良性能。为帮助工程师和研究者更直观地理解并验证增益调度控制的实际效果,本文提供了一套基于 Python 与 PyQt6 的交互式 GUI 控制系统代码。用户不仅可以实时查看仿真数据,还能通过在线调节参数直观体验调度控制的优势。

闲人编程的博客 1481

Python 爬虫实战:爬取 B 站 UP 主的全部视频数据

本文详细介绍了基于Python开发B站UP主视频数据爬虫的技术方案。通过分析B站API接口,使用requests库发送HTTP请求并处理JSON数据,结合pandas进行结构化存储。文章重点解决了接口鉴权、分页爬取、反爬策略等核心难点,实现获取视频标题、播放量、点赞数等关键指标。同时强调数据爬取需遵守平台规范,仅限技术研究使用。该方案为B站视频内容分析提供了可靠的数据采集基础,具有实际应用价值。

2503_91057718的博客 2492

关系数据库标准语言SQL(SQL概述、数据定义、创建数据库,索引等)

关系数据库语言SQL 一、SQL概述 SQL(Structured Query Language)结构化查询语言,是关系数据库的标准语言 SQL是一个通用的、功能极强的关系数据库语言。 1 .SQL 的产生与发展 目前,没有一个数据库系统能够支持SQL标准的所有概念和特性 2 .SQL的特点 2.1特点 集数据定义语言(DDL),数据操纵语言(DML),数据控制语言(DCL)功能于一体。 可以独立完成数据库生命周期中的全部活动: - 定义和修改、删除关系模式,定义和删除视图,插入数据,建立数据 - 对数

sjjsaaaa的博客 3963

FPGA入门200例(17):如何阅读RTL原理图(Schematic)?将Verilog代码与门级电路对应

本文针对FPGA开发新手常见误区,重点讲解了RTL原理图的重要性和阅读方法。文章指出,仅通过仿真验证代码会导致板级测试异常,而RTL原理图能直观呈现Verilog代码对应的硬件结构(门电路、寄存器、多路选择器等)。通过"识别基础元件→跟踪信号路径→验证逻辑关系"的三步法,新手可以建立代码与硬件的映射思维,排查冗余逻辑、意外锁存器等错误。文章还结合Vivado/Quartus工具操作指南和典型代码案例,帮助读者掌握从代码到硬件实现的转换过程,避免混淆RTL与门级原理图、忽略信号位宽等常见误

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 203

数据库 - 关系数据库标准语言SQL

SQL(Structured Query Language)结构化查询语言,是关系数据库的标准语言 SQL是一个通用的、功能极强的关系数据库语言SQL特点1.综合统一 集数据定义语言(DDL),数据操纵语言(DML),数据控制语言(DCL)功能于一体。 可以独立完成数据库生命周期中的全部活动: 定义关系模式,插入数据,建立数据库; 对数据库中的数据进行查询和更新; 数据库重构和维护

陆讯 6056

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。

关系数据库标准语言SQL详解

关系数据库标准语言SQL SQL之所以能够为用户和业界所接受并成为国际标准,是因为它是一个综合的、功能极强又简洁易学的语言。SQL集数据查询、数据操作、数据定义和数据控制 功能于一体,其主要特点包括以下几个部分: 综合统一 SQL集数据定义语言、数据操纵语言、数据控制语言的功能于一体,语言风格统一,可以独立完成数据库生命周期中的全部活动。 高度非过程化 SQL进行数据操作时,只要提出“做什么”,而无须指明“怎么做”,因此无须了解存取路径。存取路径的选择以及SQL的操作过程由系统自动完成。 面向

iGD_Hz的博客 2817

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

关系数据库标准查询语言SQL总结

◦ GRANT:授予用户或角色特定的权限,如查询、插入、更新、删除等。◦ CREATE:用于创建数据库、表、视图、索引等数据库对象。• ALTER:用于修改已存在的数据库对象的结构。◦ ROLLBACK:回滚事务,撤销事务中已执行的所有操作,使数据库恢复到事务开始前的状态。• REVOKE:收回已授予的权限。:用于控制数据库的访问权限和安全级别,包括授予和收回用户或角色的权限。:用于定义和管理数据库对象,包括创建、修改和删除数据库、表、索引等。:主要用于对数据库中的数据进行操作,包括插入、更新和删除数据。

cxz204986的博客 1001
上一篇: 数据库题目之关系数据库
下一篇: 数据库题目之数据库安全性
mind_programmonkey
mind_programmonkey 领域专家: 算法与数据结构技术领域 领域专家: 算法与数据结构技术领域
博客等级 码龄9年 4435粉丝 1111原创
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
 
 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

打赏作者

mind_programmonkey

你的鼓励是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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