MySql数据库的连接和事务处理

Node.js 与 MySQL 数据库交互:事务处理与连接池管理 本文详细介绍了 Node.js 与 MySQL 数据库交互过程中事务处理与连接池管理的相关知识和实现方式。事务处理确保了数据操作的原子性和一致性,连接池管理提高了应用的性能和资源利用率。在实际开发中,将事务处理和连接池管理相结合,能够为构建稳定、高效的后端应用提供坚实的基础。然而,在实际应用中,还需要根据具体的业务需求和系统架构,对事务处理和连接池管理进行进一步的优化和调整。例如,通过合理设置事务隔离级别来平衡数据一致性和并发性能,根据系统负载动态调整连接池的参数等。 阅读详情

在写聊天工具的服务端的时候,需要使用到数据库对客户端相关信息的存储,例如用户信息、用户相关的好友信息、用户所加入的群,讨论组、聊天时的离线消息,消息的历史记录等。用户在对相应的操作时候,后台数据库要进行实时的更新。本次主要描述使用QT库进行MySql数据的连接和相关的事务处理。

1.  MySql数据库连接

QSqldatabase进行对数据库的连接。QT使用驱动程序与MySql的接口进行通信。

(1)Qsqldatabase类提供了addDatabase(constQString &type, const QString &connectionName = QLatin1String(defaultConnection ))函数将type类型的数据库添加到连接列表。第一个参数为所要连接的数据库类型,MySql为QMYSQL。第二个为连接数据库的名称。如果缺省该参数,该连接为默认连接。使用Qsqldatabase::database()获取该默认连接。

(2)使用setDatabaseName()、setUserName()、setPassword()和setHostName()进行数据库的相关设置。

(3)使用open()函数进行物理连接。

bool IMDatabaseCtrl::CreatConnection() {

    if (m_db -> isOpen())  // 是否已经连接数据库
        return true;
    if (QSqlDatabase::contains("chatdb")) // 数据库连接列表中是否包含mysql
        m_db = QSqlDatabase::database("chatdb");  // 连接列表存在,获取该数据库
    else {
        m_db = QSqlDatabase::addDatabase("QMYSQL");  //添加到数据库连接列表
        if (m_db)
            m_db -> setDatabaseName("chatdb");   // 设置数据库名称
    }
    if (m_db) {
        m_db -> setUserName("root");
        m_db -> setPassword("123456");
        m_db -> setHostName(QLatin1String("localhost"));
        if (!m_db -> open()) { // 连接是否成功
            m_db -> close();
            return false;
        }
        else
            return true;
    }
}

2.  事务处理

QSqlQuery进行相应的事务的处理。在事务完成后,例如select执行完毕,需要使用QsqlQuery::commit()或者QsqlQuery::rollback()结束当前事务。

QsqlQuery::commit:提交当前事务。将该事务所做的更新在数据库中持久保存。在事务被提交后,一个新的事务自动开始。

QSqlQuery::rollback():回滚当前事务。撤销该事务中所有SQL语句对数据库的更新。

(1)创建数据表

实例化QSqlQuery一个对象query,并且传入QSqldatabase的对象,此时会调用QSqlQuery::QSqlQuery(QSqlDatabasedb)构造函数,完成query的初始化,说明对象query对db所连接的数据库进行相关事务。

static const QString CREATE_TABLE_USERINFORMATION_SQL =
        "create table UserInformation ("
        "userID   varchar(10)"
        "head     int"
        "nickName varchar(20)"
        "password varchar(15)"
        "sex      char(4)"
        "birthday varchar(20)"
        "question varchar(50)"
        "answer   varchar(20)"
        "name     varchar(10)" 
        "phone    int"
        "address  varchar(20)"
        "regDate  varchar(20)"
        "status   int"
        "primary key (userID))";

static const QString CREATE_TABLE_USERFRIENDS_SQL =
        "create table UserFriends ("
        "userID     varchar(10)"
        "friendID   varchar(10)"
        "groupName  varchar(20)"
        "remarkName varchar(10)"
        "primary key (userID, friendID)"
        "foreign key (friendID) references UserInformation) ";
bool IMDatabaseCtrl::createTable() {
    
    if (!CreatConnection()) 
        return false;
    
    QSqlDatabase::database().transaction(); // 初始化事务
    QSqlQuery query(*m_db);
    // 创建数据表
    query.exec(CREATE_TABLE_USERINFORMATION_SQL);
    query.exec(CREATE_TABLE_USERFRIENDS_SQL);
    
    QSqlDatabase::database().commit();  // 提交事务
    return true;    
}

(2)select查询操作

通过用户的好友ID来查询该好友的相关信息。在UserFriends表中外键为friendID,可通过该外键索引到UserInformation表中和主键userID相等的一个元组,所以SQL语句如下:

static const QString SEARCH_FRIENDS_IN_USERFRIENDS_USERINFORMATION_SQL =
        "select UserFriends.friendID, UserFriends.groupName, "
        "UserInformation.nickName, UserFriends.remarkName"
        "UserInformation.status, UserInformation.head"
        "from UserInformation, UserFriends"
        "where UserFriends.friendID = ?"
        "and UserInformation.userID = UserFriends.friendID;";

在SQL中采用了占位符,目的是绑定变量,这样可以减少数据SQL的硬解析,所以执行效率会提高不少。硬解析简言之即一条SQL语句没有被运行过,处于首次运行,则需要对其进行语法分析,语义识别,跟据统计信息生成最佳的执行计划,然后对其执行。

例如下一条SQL语句

select * fromUserInformation where userID = 1;
如果要对很多userID的信息进行查询,会写很多相同的SQL的语句,而且每条语句都要被 数据库解析一次,这样比较浪费资源。因此将1换成占位符 ? ,无论userID后面的值如何都不要重复解析。

QSqlQuery中提供了QSqlQuery::prepare()和QSqlQuery::addBindValue()函数或者QSqlQuery::bindValue()进行变量的绑定。

有如下绑定方法:

//使用命名占位符名称绑定:
 QSqlQuery query;
 query.prepare("INSERT INTO person (id, forename, surname) "
               "VALUES (:id, :forename, :surname)");
 query.bindValue(":id", 1001);
 query.bindValue(":forename", "Bart");
 query.bindValue(":surname", "Simpson");
 query.exec();

 //使用命名占位符位置绑定:
 QSqlQuery query;
 query.prepare("INSERT INTO person (id, forename, surname) "
               "VALUES (:id, :forename, :surname)");
 query.bindValue(0, 1001);
 query.bindValue(1, "Bart");
 query.bindValue(2, "Simpson");
 query.exec();

 //使用位置参数占位符位置绑定:
 QSqlQuery query;
 query.prepare("INSERT INTO person (id, forename, surname) "
               "VALUES (?, ?, ?)");
 query.bindValue(0, 1001);
 query.bindValue(1, "Bart");
 query.bindValue(2, "Simpson");
 query.exec();

 QSqlQuery query;
 query.prepare("INSERT INTO person (id, forename, surname) "
               "VALUES (?, ?, ?)");
 query.addBindValue(1001);
 query.addBindValue("Bart");
 query.addBindValue("Simpson");
 query.exec();

在查询到一个有确定元组个数的结果集中使用next进行向下索引。

a.如果结果集被定位在第一个记录之前,刚刚执行完一个查询就处于这种状态,那么可以用此函数来检索第一个记录。

b.如果结果集被定位在最后一个记录之后,那么什么都不会改变,返回FALSE。

c.如果结果集被定位在中间,此函数可以检索下一个记录。

最后将查询到的结果保存到变量。使用value返回域 i 的值。用SELECT 语句的文本,域被从左到右编号,比如:在"select forename, surname from people",域0是forename 而域1 是surname。

int IMDatabaseCtrl::searchFriendSimpleInformationByID(const QString &id,
                                                      FriendInformation &friInf) 
{
    if (!CreatConnection())
        return GET_FRIEND_FAIL;
    
    QSqlDatabase::database().transaction();
    QSqlQuery query(*m_db);
    query.prepare(SEARCH_FRIENDS_IN_USERFRIENDS_USERINFORMATION_SQL);
    query.addBindValue(id);
    
    query.exec();
    QSqlDatabase::database().commit();
    
    if (!query.isActive()) {
        m_db -> close();
        return GET_FRIEND_FAIL;
    }
    
    if (query.size() <= 0) {
        m_db -> close();
        return GET_FRIEND_FAIL;
    }
    
    if (query.isSelect()) {
        if (query.next()) {
            friInf.m_userID = query.value(0).toString();
            friInf.m_groupName = query.value(1).toString();
            friInf.m_nickname = query.value(2).toString();
            friInf.m_remarkName = query.value(3).toString();
            friInf.m_status = query.value(4).toInt();
            friInf.m_headPortrait = query.value(5).toInt();
            
            return GET_FRIEND_SUCCESS;
        }
    }
    
    return GET_FRIEND_FAIL;
}


Python操作三大主流数据库 Python操作三大主流数据库 Python 标准数据库接口为 Python DB-API,Python DB-API为开发人员提供了数据库应用编程接口。 Python 数据库接口支持非常多的数据库,你可以选择适合你项目的数据库: · GadFly · mSQL · MySQL · PostgreSQL · Microsoft SQL Server 2000 · Informix · ... 阅读详情

相关推荐

Python常用模块 之 pymysql:连接和操作mysql数据库

Python常用模块 之 pymysql:连接和操作mysql数据库

孤寒者的博客 6万+

事务绑定在mysql连接_事务基于MySQL数据库

1.事务的概念1.什么是事务一件事情有n个组成单元 要不这n个组成单元同时成功 要不n个单元就同时失败就是将n个组成单元放到一个事务中2.MySQL的事务默认的事务:一条sql语句就是一个事务 默认就开启事务并提交事务手动事务:1)显示的开启一个事务:start transaction2)事务提交:commit 代表从开启事务到事务提交 中间的所有的sql都认为有效真正的更新数据库3)事务的回滚:...

weixin_33293858的博客 292

FPGA实战:从零构建eMMC控制器(Verilog篇)

本文详细介绍了如何使用Verilog从零构建FPGA上的eMMC控制器,涵盖eMMC接口基础、命令系统解析、关键模块设计及性能优化技巧。通过实战案例,帮助开发者掌握高速数据存储解决方案,提升嵌入式系统开发能力。

weixin_26802933的博客 298

MySQL运行机制

MySQL运行机制 建立连接(Connectors&Connection Pool) 通过客户端/服务器通信协议与MySQL建立连接。MySQL 客户端与服务端的通信方式是 “ 半双工 ”。对于每一个 MySQL 的连接,时刻都有一个线程状态来标识这个连接正在做什么。 通讯机制: 全双工:能同时发送和接收数据,例如平时打电话。 半双工:指的某一时刻,要么发送数据,要么接收数据,不能同时。例如早期对讲机 单工:只能发送数据或只能接收数据。例如单行道 线程状态: show processlis

小城我家 248

AFSim2.9.0学习笔记 —— 2、AFSim的Wizard软件概述(ArkSIM集成开发环境 (IDE))

AFSim2.9.0学习笔记 —— 2、AFSim的Wizard软件详述(ArkSIM集成开发环境 (IDE))

923

扫地机器人设计与实现——基于嵌入式系统的智能家居解决方案

本文介绍了基于嵌入式技术的扫地机器人设计与实现。通过利用STM32单片机、传感器、驱动系统等硬件组件,并结合路径规划与控制算法、远程控制等软件技术,设计出了一款具有智能避障、路径规划、自动充电等功能的扫地机器人。系统的开发不仅提高了清洁效率,也为进一步研究和优化扫地机器人提供了实践基础。

2201_76125393的博客 1639

spring的线程、数据库连接和事务之间的关系

问题的由来: 通常我们在直接操作数据库的时候,先连上数据库,然后执行sql,那么执行一次sql就有一次事务提交,同一个连接下可以有无数的事务,而在开发的时候通常我们都是在service里面进行数据库操作比如: @Transactional @Override public void myTest(Test updateVO) { Test test = testDao.selectById(updateVO.getId()); t...

软件界的鼬神 4458

YOLOv8n轻量化实战:10分钟打通实时摄像头目标检测,附参数调优与避坑指南

本文介绍了如何快速入门YOLOv8目标检测框架,通过摄像头实战实现实时检测。YOLOv8凭借轻量化架构和跨平台优势,是新手入门的理想选择。文章详细讲解了环境搭建(1分钟完成)、核心代码逻辑(3分钟掌握)以及性能调优技巧(3分钟进阶),提供可直接运行的代码示例。重点包括:模型选择(优先yolov8n.pt)、摄像头参数优化、置信度阈值调整、检测类别指定等实用技巧,帮助开发者快速实现10-15FPS的实时检测效果,并针对不同场景提供优化建议。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 375

JDBC与数据库事务、连接池

jdbc、statement、preparedStatement、blob、数据库事务、事务隔离级别、ACID、数据库连接池、DateSource

animatelife的博客 463

1、机器学习在环境科学中的应用与经典数据分析基础

本文介绍了机器学习在环境科学中的广泛应用,包括卫星遥感、气候预测、空气质量预报等领域,并系统回顾了经典数据分析的基本概念,如期望、方差、协方差和相关性及其显著性检验。同时,文章阐述了贝叶斯定理、判别函数与分类、聚类分析等方法的原理与应用,强调了经典统计方法与机器学习技术的互补关系。最后展望了未来环境科学中数据分析的发展方向,强调多学科融合与方法创新的重要性。

stone的博客 145

QT实现OPCUA服务端客户端(附完整源码)

QT实现OPCUA服务端客户端(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 1824

事务与数据库连接的关系不是一对一的

1 一个连接里可以启动多次事务,比如连接池,就是最明显的连接重用。2 一个事务里,可以涉及到2个甚至多个连接,也就是XA的驱动,甚至跨不同数据库的事务。

老紫竹的专栏 7954

将Keil中的变量数组导出

首先,写好导出数据的函数。

小柚子的博客 1952

事务绑定在mysql连接_MySql数据库的连接和事务处理

在写聊天工具的服务端的时候,需要使用到数据库对客户端相关信息的存储,例如用户信息、用户相关的好友信息、用户所加入的群,讨论组、聊天时的离线消息,消息的历史记录等。用户在对相应的操作时候,后台数据库要进行实时的更新。本次主要描述使用QT库进行MySql数据的连接和相关的事务处理。1. MySql数据库连接QSqldatabase进行对数据库的连接。QT使用驱动程序与MySql的接口进行通信。(1)...

weixin_39667041的博客 432

【4. BSP开发指南 - [4.6. 安全启动使用说明]】

【4. BSP开发指南 - [4.6. 安全启动使用说明]】

Sugar_wolf的博客 276

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

3MySQL数据库-连接python-实现DB类 - 全栈式开发30

MySQL与Python交互 一、关系图 二、python实现操作数据库 安装pymysql : pip install pymysql 操作步骤 (一)connect() 建立链接 ⽤于建⽴与数据库的连接 conn=connect(host, port, database, user, password, charset) host:连接的mysql主机,如果本机是’localhost’ 或者填‘127.0.0.1’ port:连接的mysql主机的端⼝,默认是3306 database:数据

weixin_43761516的博客 312

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

使用JDBC技术连接MYSQL数据库并实现增删改查的操作

一、设计模式_桥接模式 1、属于结构型模式。 2、在抽象化和实现化之间实现脱耦。抽象化就是把对象的实现采用抽象类的方式;实现化把对象的实现采用接口。脱耦就是让抽象化体系与实现化体系不要耦合在一起。 3、对象功能的扩展一般都使用继承,在有些情况下会造成子类的数量增长得非常快,也就是为了扩展类的功能,可能会写很多个类。 4、把以上抽象类的体系剥离出来,让实现类直接去实现接口,让抽象去组合实现类。 从以上的结构可以看出,该结构具有二个维度的变化可能,一个是实现的部分,一个是抽象的部分,如果两者同时都发生变化,

norang的博客 3604

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")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

python 事务操作_Python实现连接mysql数据库及事务处理【冰斌棒】

Python实现连接mysql数据库及事务处理【冰斌棒】3年前 (2018-02-02) 作者:冰斌棒 分类:冰斌棒18程序计划 阅读次数:774评论(0)importpymysqlconn=pymysql.connect(host='127.0.0.1',port=3306,user='root',passwd="123456",db='text_db')curso...

weixin_39640883的博客 376

sqlserver、mysql数据库连接

数据库连接 Sqlserver 图中BussinessObject是业务对象,是使用DAO模式的客户端;DataTransferObject数据传输对象,在应用程序不同层次之间传输对象,在一个分布式应用程序中,通常可以提高整理的性能;DataObjectAcces数据输入/输出对象封装了对数据源的一些基本操作;DataSource指的是数据源。可以从图中看出,DAO模式分离了业务逻辑和数据罗即将,是的编写的软件具有良好的层次式体系结构...

一个仙籽儿的博客 3667

Python 连接 MySQL 数据库_pymysql

用于连接mysql服务器的一个库,PyMySQL 遵循Python 数据库 API v2.0规范,并包含了 pure-Python MySQL 客户端库。

zulnger的博客 307

go mysql连接_Go连接MYSQL

Go原生提供了连接数据库操作的支持,在用 Golang进行开发的时候,如果需要在和数据库交互,则可以使用database/sql包。这是一个对关系型数据库的通用抽象,它提供了标准的、轻量的、面向行的接口。在Go中访问数据库需要用到sql.DB接口:它可以创建语句(statement)和事务(transaction),执行查询,获取结果。本文测试数据库为mysql,使用的驱动为:github.com...

weixin_42117032的博客 639

python 批处理 mysql数据库_Python 操作 MySQL 数据库

Python 操作 MySQL 数据库Python 标准数据库接口为 Python DB-API,Python DB-API为开发人员提供了数据库应用编程接口。Python 数据库接口支持非常多的数据库,你可以选择适合你项目的数据库:GadFlymSQLMySQLPostgreSQLMicrosoft SQL Server 2000InformixInterbaseOracleSybase你可以访...

weixin_29371981的博客 165

python查询mysql数据库api_python操作mysql数据库

http://www.runoob.com/python/python-mysql.htmlPython 标准数据库接口为 Python DB-API,Python DB-API为开发人员提供了数据库应用编程接口。Python 数据库接口支持非常多的数据库,你可以选择适合你项目的数据库:GadFlymSQLMySQLPostgreSQLMicrosoft SQL Server 2000Inform...

weixin_32557927的博客 301

Python基础之操作MySQL

一、基础知识 1.1 支持的数据库 General Purpose Database Systems IBM DB2 Firebird (and Interbase) Informix Ingres MySQL Oracle PostgreSQL SAP DB (also known as “MaxDB”) Microsoft SQL Server Microsoft Access Syba...

chinaltx的博客 594

【Go Web学习笔记】第五章 Go操作MySQL数据库

前言:大家好,以下所有内容都是我学习韩茹老师的教程时所整理的笔记。部分内容有过删改, 推荐大家去看原作者的文档进行学习, 本文章仅作为个人的学习笔记,后续还会在此基础上不断修改。学习Go Web时应该已经熟悉Go语言基本语法以及计算机网络的相关内容。 学习链接:https://www.chaindesk.cn/witbook/17/253 参考书籍:《Go Web编程实战派》 第五章、Go操作MySQL数据库 使用MySQL数据库 目前Internet上流行的网站构架方式是LAMP,其中的 M 即 M.

ClimberCoding 1642

MySQL(学习笔记)——数据库多表连接查询和事务处理

 多表连接查询  数据表的连接查询比较常用的有内连接和外连接查询两种。  内链接查询,INNER JOIN … ON 关键字: SELECT field1,field2,…fieldn from table_name INNER JOIN join_table ON join_condition; on后面跟的是外键约束中相对应的两个列名  外连接  分为左连接和右连接;它们用法上一样,查询...

weixin_44101867的博客 322
上一篇: 旋转数组的最小元素
下一篇: MySQL 哈希索引
SegmentFault_
博客等级 码龄11年 6粉丝 26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