MySQL 学习笔记--源自技术

Memos:开源自托管笔记服务的技术深度解析 Memos是一款开源自托管笔记应用,采用Go和React技术栈构建,提供数据隐私保护与完全控制权。其架构分为前端、后端、数据及部署四层,支持Markdown、多用户协作及API集成。通过Docker容器化部署,默认使用SQLite数据库,同时兼容MySQL/PostgreSQL。项目采用MIT许可证,社区活跃,GitHub星标超5万。技术特点包括REST/gRPC API、JWT认证及插件扩展,适合替代商业云笔记服务。Memos体现了隐私优先理念和现代Web应用趋势,为用户提供安全可控的知识管理方案。 阅读详情

简介

    MySQL 是一个关系型数据库管理系统,由瑞典 MySQL AB 公司开发,MySQL AB 被sun收购,sun被Oracle收购。MySQL分为社区版和商业版。在MySQL被甲骨文收购后, MySQL的创始人Michael Widenius主导开发了 MYSQL 的替代品 MariaDB。

基础CRUD

-- 数据库操作

-- 启动数据库

[plain]  view plain  copy
  1. net start mysql;  
-- 连接mysql数据库
[plain]  view plain  copy
  1. mysql -h'地址' -u'用户' -p  
-- 显示数据库列表
[plain]  view plain  copy
  1. SHOW DATABASES;  
-- 打开数据库
[plain]  view plain  copy
  1. use myusql;  
-- 显示表列表
[plain]  view plain  copy
  1. show tables;  
-- 显示表结果
[plain]  view plain  copy
  1. describe 表名;  
-- 显示最后一条执行的语句所产生的错误、警告和通知
[plain]  view plain  copy
  1. show warnings;  
-- 显示最后一个执行语句所产生的错误
[plain]  view plain  copy
  1. show errors;  
-- 数据库状态
[plain]  view plain  copy
  1. SHOW STATUS;  
-- 查看正在运行的线程
[plain]  view plain  copy
  1. SHOW FULL PROCESSLIST;  
-- 查看打开的表
[plain]  view plain  copy
  1. SHOW OPEN TABLES;  
-- 查看innodb引擎运行是信息
[plain]  view plain  copy
  1. SHOW ENGINE INNODB STATUS;  
-- 查看服务器配置参数
[plain]  view plain  copy
  1. SHOW VARIABLES LIKE '%timeout%';  

-- 创建数据库

[plain]  view plain  copy
  1. create database '表名' character set utf8 collate utf8_general_ci;  

-- 创建表

[plain]  view plain  copy
  1. CREATE TABLE 表名  
  2. (      
  3.  `id` BIGINT NOT NULL AUTO_INCREMENT ,       
  4.  `name` VARCHAR(20) NOT NULL ,       
  5.  `grade` VARCHAR(20) NOT NULL ,  
  6.  PRIMARY KEY (`id`),  
  7.  KEY (`grade`)  
  8.  )   
  9. ENGINE=INNODB COMMENT='' ROW_FORMAT=DEFAULT CHARSET=utf8 COLLATE=utf8_general_ci;  

-- 插入表数据

[plain]  view plain  copy
  1. INSERT INTO 表名 () VALUES();  
  2. INSERT INTO 表名 (列-1,列-2) VALUE(列-1-值,列-2-值);  
  3. INSERT INTO 表名 (列-1,列-2) VALUES(列-1-值,列-2-值),(列-1-值,列-2-值);  
  4. INSERT INTO 表名 (列-1,列-2) VALUES(列-1-值,列-2-值) ON DUPLICATE KEY UPDATE 列-2-值=更新值;  
  5. INSERT INTO 表名 SELECT (列-1,列-2) FROM 表名;  
  6. INSERT INTO 表名 (列-1,列-2) SELECT (列-1,列-2) FROM 表名;  
  7. INSERT DELAYED INTO 表名 (列-1,列-2) VALUE(列-1-值,列-2-值);  

-- 查询表数据

[plain]  view plain  copy
  1. SELECT * FROM 表名 WHERE 列=条件;  
  2. SELECT * FROM 表名 ORDER BY 列名;  
  3. SELECT * FROM 表名 GROUP BY 列名;  
  4. SELECT * FROM 表名 LIMIT 0,10;  
  5. SELECT 列-1,列-2 FROM 表名 UNION (SELECT 列-1,列-2 FROM 表名);  
  6. SELECT 列-1,列-2 FROM 表名 UNION ALL(SELECT 列-1,列-2 FROM 表名);  
  7. SELECT * FROM 表名 WHERE EXISTS (SELECT * FROM 表名);  
  8. SELECT * FROM 表名 WHERE NOT EXISTS (SELECT * FROM 表名);  
  9. SELECT * FROM 表名 WHERE 列名 IN(SELECT 列名 FROM 表名);  
  10. SELECT * FROM 表名 WHERE 列名 NOT IN(SELECT 列名 FROM 表名);  
  11. SELECT * FROM 表名 WHERE 列名 关系运算符 ANY(SELECT 列名 FROM 表名);  
  12. SELECT * FROM 表名 WHERE 列名 关系运算符 SOME(SELECT 列名 FROM 表名);  
  13. SELECT * FROM 表名 WHERE 列名 关系运算符 ALL(SELECT 列名 FROM 表名);  
  14. SELECT * FROM 表名,表名;  
  15. SELECT * FROM 表名 LEFT JOIN 表名 ON 表名.列名=表名.列名;  

-- 修改数据

[plain]  view plain  copy
  1. UPDATE 表名 SET 列=值 WHERE 列=条件;  
  2. UPDATE 表名 SET 列名 = 更新值 WHERE 列名 = 条件 ORDER BY NAME LIMIT 3;  
  3. UPDATE 表名,表名,表名 SET 列名 = 更新值 WHERE 列名 = 条件;  
  4. UPDATE 表名 LEFT JOIN 表名 ON 表名.列名 = 表名.列名 SET 表名.列名=更新 WHERE 条件表达式;   

-- 删除数据

[plain]  view plain  copy
  1. DELETE FROM 表名 WHERE 列=条件;  
  2. TRUNCATE FROM 表名;  

主键/索引/约束

-- 约束

1.NOT NULL非空约束。
2.UNIQUE 唯一约束,可以是单列也可以是多列。
3.外键约束。
4.主键约束。

-- 添加非空约束
[plain]  view plain  copy
  1. ALTER TABLE 表名 CHANGE 字段名 字段名 类型 NOT NULL;  
-- 删除非空约束
[plain]  view plain  copy
  1. ALTER TABLE 表名 CHANGE 字段名 字段名 类型 NULL;  
-- 添加唯一约束
[plain]  view plain  copy
  1. ALTER TABLE 表名 ADD UNIQUE 约束名(列);  
-- 删除唯一约束
[plain]  view plain  copy
  1. ALTER TABLE 表名 DROP KEY 约束名;  
-- 添加主键
[plain]  view plain  copy
  1. ALTER TABLE 表名 ADD PRIMARY KEY (列名);  
-- 删除主键
[plain]  view plain  copy
  1. ALTER TABLE 表名 DROP PRIMARY KEY;  
-- 添加外键
[plain]  view plain  copy
  1. ALTER TABLE 外键表 ADD CONSTRAINT 外键名称 FOREIGN KEY (外键字段) REFERENCES 主键表 (主键字段) ON DELETE NO ACTION  ON UPDATE NO ACTION ;  
-- 删除外键
[plain]  view plain  copy
  1. ALTER TABLE 表名 DROP FOREIGN KEY  外键名;  

-- 索引

1.普通索引。
2.唯一索引。
3.主键索引。
4.组合索引。
5.全文索引。

-- 创建普通索引,创建表时使用"KEY"或者下面的SQL
[plain]  view plain  copy
  1. ALTER TABLE 表名 ADD INDEX 索引名(列);  
-- 创建全文索引
[plain]  view plain  copy
  1. ALTER TABLE 表名 ADD FULLTEXT 索引名 (列);  
-- 创建唯一索引
同唯一约束
-- 删除唯一索引
同唯一约束
-- 创建主键索引
同主键约束
-- 删除主键索引
同主键约束

-- 主键和约束与索引的关系

主键是是一个特殊的索引,它是非空约束和唯一约束的结合,一个表可以有多个唯一约束但是只能有一个主键。

-- 那些操作索引会失效

1.LIKE查询已%开头。
2.多列索引,不是使用的第一部分,索引失效。
2.对列使用算数运算符进行运算或者使用函数。
3.WHERE子句中有的列没有索引而使用or那么索引失效。
4.使用NOT IN 和 <>操作符。
5.隐式转换到时索引失效,列是varchar(20)类型,查询时传number类型条件。
6.没有查询条件,或者查询条件没有索引,WHERE子句中应该让索引列在前。

-- 查看索引的使用情况

show status like ‘Handler_read%’;
大家可以注意:
handler_read_key:这个值越高越好,越高表示使用索引查询到的次数
handler_read_rnd_next:这个值越高,说明查询低效

数据库锁

-- 锁分类

-- 按级别
行级锁定(row-level)
表级锁定(table-level)
页级锁定(page-level)
-- 按类型
共享锁(Shared lock)。
更新锁(Update lock)
排他锁(独占锁,Exclusive Locks)
意向锁(Intent Locks)
计划锁(Schema Locks)
批量更新锁(Bulk Update Locks)


-- -------------资料-- -------------

MariaDB 百科

MySQL 百科

数据库锁机制

永磁同步电机自抗扰控制ADRC(位置环/速度环控制器)Matlab/Simulink仿真(S-Function) ESO是ADRC的核心,其作用是跟踪被控对象的输出,同时给出受控对象的各阶状态变量以及系统总扰动的实时估计,将其补偿到控制器中,实现动态补偿线性化。NLSEF采用非线性函数把TD产生的跟踪及微分信号与ESO给出的状态变量估计值之间的误差进行非线性组合得到初级控制量,然后同总扰动的补偿量一起生成最终的控制信号。自抗扰控制(ADRC)技术的核心思想是将简单的积分串联型视为标准模型,把系统模型中不同于标准型的部分和外部干扰之和视为总扰动,并将其扩张为一个新的状态。看作系统内外部扰动之和。令一个高阶状态变量为。 阅读详情

相关推荐

Linux DRM驱动实战:手把手教你用drmModeSetCrtc显示纯色画面(附完整代码)

本文提供了一份完整的Linux DRM驱动实战指南,手把手教你使用drmModeSetCrtc在屏幕上显示纯色画面。文章详细解析了从打开设备、获取资源、创建帧缓冲区到最终提交画面的完整调用流程,并附带了可直接编译运行的完整代码示例,帮助开发者快速上手Linux图形底层开发。

weixin_29216353的博客 513

mariadb常规操作(死锁、mysqldumper备份还原、创建用户并赋权或者删除权限、连接数)

1 死锁: 第一种: 1.查询是否锁表 show OPEN TABLES where In_use > 0 2.查询进程(如果您有SUPER权限,您可以看到所有线程。否则,您只能看到您自己的线程) show processlist 3.杀死进程id(就是上面命令的id列) kill id 第二种: 1.查看下在锁的事务 SELECT * FROM INFORMATION_SCHEMA.INNODB_TRX; 2.杀死进程id(就是上面命令的trx_mysql_thread_id列) kill

lihongbao80的专栏 2682

深入解析rknn-toolkit2混合量化:如何为RK3588和RK356X选择最佳量化策略

本文深入解析了RKNN-Toolkit2混合量化技术,针对瑞芯微RK3588和RK356X芯片的硬件特性差异,提供了最佳量化策略选择指南。通过混合量化技术,开发者可以在保持较高推理效率的同时显著降低精度损失,特别适用于边缘计算场景。文章详细介绍了混合量化的技术原理、实战流程及芯片专属优化策略,帮助开发者充分利用硬件特性提升模型性能。

dog123的博客 259

公司刚来的00后真卷,上班还没2年,跳到我们公司起薪20k....

都说00后躺平了,但是有一说一,该卷的还是卷。这不,前段时间我们公司来了个00后,工作都没两年,跳槽到我们公司起薪18K,都快接近我了。后来才知道人家是个卷王,从早干到晚就差搬张床到工位睡觉了。最近和他聊了一次天,原来这位小老弟家里条件不太好,一大家子指望他一个人养活,所以他在大三的时候就已经开始自学了,大四获得了一个小公司的实习机会。在工作中不断地学习、实践,花的时间比别人多一倍,所以才能打下扎实的基础,现在工作也是得心应手。 我认为这位小老弟正式我们学习的榜样,倒不是说应该学习他加班内卷,而是

288

creo二次开发使用映射

在creo进行二次开发时,一些无法直接通过访问底层代码来对特征进行操作,比如“镜像装配”,这个时候就可以使用映射(Mapkey)来完成一键镜像。 注:这是镜像装配的代码 ProError status; ProMacro macro; wstring Macro; strMacro = L"mapkey(continued) ~ Command ProCmdMirrorAssem ; mapkey(continued) ~ Activate mirror_component_dialog Sy

qq_49328512的博客 1663

手把手教你用scRNA-seq和scTCR-seq分析CD8⁺ T细胞在免疫治疗中的动态变化

本文详细介绍了如何整合单细胞RNA测序(scRNA-seq)与单细胞TCR测序(scTCR-seq)技术,深入解析CD8⁺ T细胞在癌症免疫治疗中的动态变化。通过从数据预处理、细胞亚群鉴定到TCR克隆追踪的完整分析流程,揭示了T细胞的功能状态转变与克隆演化规律,为理解免疫应答机制和开发精准治疗策略提供了关键方法学指导。

p8q9r0的博客 569

4月份公司测试部门来了个卷王之王,让人奔溃...

前段时间公司新来了个同事,听说大学是学的广告专业,因为喜欢IT行业就找了个培训班,后来在一家小公司干了三年,现在跳槽来我们公司。来了之后把现有项目的性能优化了一遍,服务器缩减一半,性能反而提升4倍!给公司省了不少成本。说00后躺平了,但是有一说一,该卷的还是卷。这不,前段时间我们公司来了个00后,工作都没两年,跳槽到我们公司起薪18K,都快接近我了。后来才知道人家是个卷王,从早干到晚就差搬张床到工位睡觉了。卷王是公司测试部门中最优秀的员工之一。他/她在软件测试领域拥有广泛的知识和深入的经验,并且能够快速

m0_58026506的博客 1996

BRep实战指南:从理论到文件格式的全面解析

本文全面解析BRep(边界表示法)从基础概念到文件格式的实战应用。详细介绍了BRep的数学定义、工业应用场景,以及STEP、IGES等主流文件格式的对比与使用技巧,帮助读者掌握三维建模核心技术并优化性能。

weixin_29235923的博客 410

00年的,真玩不过他...

整份文档一共有将近 200 页,全部为大家展示出来肯定是不太现实的,为了不影响大家的阅读体验就只展示了部分内容,还望大家海涵,希望能帮助到您面试前的复习且找到一个好的工作,也节省大家在网上搜索资料的时间来学习!

qq_73332379的博客 117

大数据NiFi(十一):NiFi入门案例一

注意:数据写出的目录可以不需要提前在对应节点上创建,默认是可以自动创建,可以通过“Create Missing Directories”属性配置。将输出文件的权限设置为此属性的值,格式必须是UNIX rwxrwxrwx,用-来代替被拒绝的权限(例如rw-r--r--)或八进制数字(例如644),可以使用表达式,例如${file.permissions}。这里需要使用到的处理器是“GetFile”和“PutFile”,完成以上需求对“GetFile”和“PutFile”相关属性进行配置。

Lansonli(蓝深李)的博客 1490

【2026年米哈游春招 - 3月14日 -第一题- 行列相等】(题目+思路+Java&C++&Python解析+在线测试)

摘要 本文解决了一个矩阵行列和匹配问题:统计矩阵中行和等于列和的所有行列对数量。算法首先计算每行和每列的元素和,然后利用哈希表统计各行列和的出现次数。通过遍历列和并查询对应的行和出现次数,高效计算出匹配对数。该方法时间复杂度为O(nm),空间复杂度为O(n+m),适用于大规模矩阵数据。代码实现了Python、Java和C++版本,通过哈希表优化避免了暴力枚举,显著提高了计算效率。

m0_73659489的博客 83

公司测试岗来了个卷王之王,还是个00后,真让人崩溃····

现在的小年轻真的卷得过分了,真是完全不把自己当人啊···· 都说00后躺平了,但是有一说一,该卷的还是卷。这不,前段时间我们公司来了个00后,工作都没两年,跳槽到我们公司起薪18K,都快接近我了。后来才知道人家是个卷王,从早干到晚就差搬张床到工位睡觉了。

测试界的彭于晏的博客 478

2025华为OD面试手撕代码真题目录及面试八股文

本专栏更新每年华为OD机试的高频手撕代码题,每个题目都会使用五种语言进行解答(C & C++& Java & Python & JS) 华为od机试,华为od机试真题,华为od机试E卷,华为odE卷,华为od机试真题E卷,华为OD,华为OD机试,华为OD机试真题,华为od机考,华为od机试D卷,华为od机试真题D卷,华为od手撕代码,华为od,华为od机试C卷,华为od e卷,华为2024e卷,od机试,2024E卷,华为OD机试E卷,什么是华为od,华为od介绍,全面了解华为od,2024华为od,如何备

KJ.JK 5万+

部门刚来的00后太卷了吧,才进行业2年,跳到我们公司起薪20k了?

都说00后躺平了,但是有一说一,该卷的还是卷。

jiegeniuboyi的博客 247

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

部门刚来的00后太卷,还没2年班,跳到我们公司起薪20k....

都说00后躺平了,但是有一说一,该卷的还是卷。

自动化测试技术栈 375

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")

芭比Q了,现在的00后实在是太卷了.....

整份文档一共有将近 200 页,全部为大家展示出来肯定是不太现实的,为了不影响大家的阅读体验就只展示了部分内容,还望大家海涵,希望能帮助到您面试前的复习且找到一个好的工作,也节省大家在网上搜索资料的时间来学习!

NHB456789的博客 570

公司新来的00后真是卷王,工作没两年,跳槽到我们公司起薪18K都快接近我了

最近和他一次聊天才知道,原来这位小老弟家里条件不好,一大家子指望他一个人养活,所以他在大三的时候就已经开始想办法自学测试了,大四获得了一个小公司的实习机会。在工作中不断的学习、提升,花的时间比别人多一倍,所以才能学会这么多技术,现在工作也是得心应手。这不,前段时间我们公司来了个00后,工作都没两年,跳槽到我们公司起薪18K,都快接近我了。后面我以部门培训为由,让他分享了他的学习笔记,据说是阿里10年大佬的一个学长总结出的。1,2,3,4 这4个数字,能组成多少个互不相同的且无重复的三位数,都是多少?

伤心的辣条 114

amoeba高可用mysql_分享MYSQL中的各种高可用技术(源自姜承尧大牛)

原文:分享MYSQL中的各种高可用技术(源自姜承尧大牛)分享MYSQL中的各种高可用技术(源自姜承尧大牛)图片和资料来源于MYSQL大牛姜承尧老师(MYSQL技术内幕作者)姜承尧:网易杭州研究院 技术经理 主导INNOSQL的开发mysql高可用各个技术的比较数据库的可靠指的是数据可靠数据库可用指的是数据库服务可用可靠的是数据:例如工商银行,数据不能丢失可用的是服务:服务器不能宕机灵活运用MYS...

weixin_39590566的博客 158

amoeba高可用mysql_分享MYSQL中的各种高可用技术(源自姜承尧大牛) - 桦仔

分享MYSQL中的各种高可用技术(源自姜承尧大牛)图片和资料来源于MYSQL大牛姜承尧老师( MYSQL技术内幕作者)姜承尧:网易杭州研究院 技术经理 主导INNOSQL的开发mysql高可用各个技术的比较数据库的可靠指的是数据可靠数据库可用指的是数据库服务可用可靠的是数据:例如工商银行,数据不能丢失可用的是服务:服务器不能宕机 方案一:MYSQL主从复制(单活) 投票选举机制,较复...

weixin_39614657的博客 114

分享MYSQL中的各种高可用技术(源自姜承尧大牛)

mysql高可用各个技术的比较 数据库的可靠指的是数据可靠 数据库可用指的是数据库服务可用 可靠的是数据:例如工商银行,数据不能丢失 可用的是服务:服务器不能宕机 灵活运用MYSQL的各种高可用技术来达到下面各种级别的高可用要求 要达到99.9%:使用MYSQL复制技术 要达到99.99%:使用MYSQL NDB 集群和虚拟化技术 要达到99.99...

185

MySQL基础、进阶与运维学习笔记

MySQL基础、进阶与运维学习笔记 去发现同类优质开源项目:https://gitcode.com/ 这是一份关于MySQL的学习笔记,涵盖基础、进阶和运维方面的内容。笔记由我自己整理,旨在记录老师在课程中讲解的知识点。虽然这份笔记不算特别详细,但已尽量将关键知识要点梳理出来,供大家参考。 在学习过程中,您可能会遇到一些疑问,希望这份笔记能为您提供一些帮助。如果您对MySQL感兴趣,欢迎阅读这份学...

gitblog_06758的博客 182

MySQL学习记录(源自bilibili狂神说)

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 MySQL前言一、数据库基本指令1、数据库基本指令2. 操作数据库二、数据库操作1.数据库的列类型2.数据库字段属性(重点)2.1 **创建表格代码:**3.数据表的类型3.数据表的存储位置4.修改与删除三、DML语言(重点)1.外键(了解即可)1.1外键概念1.创建2外键2.DML语言2.1 INSERT命令2.2UPDATE (修改数据语句)2.3DELETE (删除数据语句)四、使用DQL查询数据1.SELECT语句1.1指定查询字

Csmallwhite的博客 489

跳槽多次未成功,问题源自何处?

整份文档一共有将近 200 页,全部为大家展示出来肯定是不太现实的,为了不影响大家的阅读体验就只展示了部分内容,还望大家海涵,希望能帮助到您面试前的复习且找到一个好的工作,也节省大家在网上搜索资料的时间来学习!

1126
上一篇: JAVA WEB 总结 Servlet篇--源自技术
下一篇: Java WEB 总结 JSP篇--源自技术
MyJava_Dx
博客等级 码龄11年 1粉丝 32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
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