MySQL(二)select检索数据

CANOE DIVA 工程怎样在具体服务前增加前置条件 然后会在CANoe的Test Module视窗中发现一个跟系统条件相关的Test Module模块,在该模块中有生成跟系统条件相关的CAPL 脚本。这里需要根据你的实际项目进行更改,diva工程加载到canoe的工程的时候,会同步加入你创建的cdd文件,这里示例的ABS_ESP 就是你的cdd的ECU命名,后面就是具体的前置条件服务。4、配置完成后,测试用例就会如下图Trace窗口所示,在每一次10 02请求之前都会调用CAPL Function的PreconditionCheck函数中定义的脚本。 阅读详情


下面的所有语句检索的表都为 exampletable
exampletable表的内容如下:

namecityagezipemail
ergouHRB391101203xxxx@163.com
joeBJ201021024xxxx@163.com
johnBD141541431xxxx@163.com
mikeTJ181121655xxxx@163.com
smithSJZ451321232xxxx@163.com
szqBJ231102236xxxx@163.com

1.检索单个列

SELECT 列名 FROM 表名;

如果想要搜索该表中的所有姓名

SELECT name 
FROM exampletable;

语句执行完毕后将得到结果:

name
ergou
joe
john
mike
smith
szq

需要注意的是,SQL本身是不区分大小写的,但是为了方便阅读和调试,我们最好将SQL关键字诸如SELECT/DROP/CREAT等大写,将列名,表名,条件语句等小写。并且使用关键字后,及时换行来确保语句的可读性。养成良好的习惯可以有效的规避很多坑,例如在未来编写较为复杂的语句时,清晰的调理和良好的书写格式能够更好的帮助我们梳理逻辑。

还有一点需要注意,在语句结束后,一定要在语句的末尾加 ; 来结束语句!

2.检索多个列

检索多个列只需要在各列之间添加逗号即可
例如 检索exampletable中name,city和age列的所有信息

SELECT name,city,age
FROM exampletable;

得到结果

namecityage
ergouHRB39
joeBJ20
johnBD14
mikeTJ18
smithSJZ45
szqBJ23

注:如果在最后一列的列后添加逗号,语句将产生错误

SELECT name,city,age,
FROM exampletable;

Error Code: 1064. You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near ‘FROM test.exampletable’ at line 2

3.检索所有列

通过(*)通配符可以检索表中的所有数据

SELECT *
FROM test.exampletable;

得到结果:

namecityagezipemail
ergouHRB391101203xxxx@163.com
joeBJ201021024xxxx@163.com
johnBD141541431xxxx@163.com
mikeTJ181121655xxxx@163.com
smithSJZ451321232xxxx@163.com
szqBJ231102236xxxx@163.com

需要注意的是:在一般情况下,如果不是需要所有的数据不要轻易使用(*)通配符来检索表,这样会降低检索和应用程序的性能。

3.1检索不同的行

现在有需求要求汇总exampletable表中人所在的城市列表,那么该如何操作呢?
如果我们仅仅SELECT city FROM exampletable,那么在显示结果时,BJ这个值就会重复出现,这不是理想的结果。
这时候引入一个关键字 :DISTINCT

SELECT DISTINCT city
FROM exampletable;

得到结果:

city
HRB
BJ
BD
TJ
SJZ

DISTINCT关键字下的列只返回值不相同的行。
注:不能部分使用DISTINCT,在给定DISTINCT关键字后,关键字后的所有列都返回不相同值的行。

4.限制结果

在检索时,也许我们只需要获得第二条到第五条数据,也可能有需求要排除前三个数据又或者只需要前三条数据,这时候就需要引入两个关键字LIMIT和OFFSET

LIMIT y:读取y条数据
LIMIT x,y:跳过x条数据,读取y条数据
LIMIT y OFFSET x:跳过x条数据,读取y条数据

读取前三条数据:

SELECT *
FROM test.exampletable
LIMIT 3;
SELECT *
FROM test.exampletable
LIMIT 0,3;
SELECT *
FROM test.exampletable
LIMIT 3 OFFSET 0;
namecityagezipemail
ergouHRB391101203xxxx@163.com
joeBJ201021024xxxx@163.com
johnBD141541431xxxx@163.com

读取第2-4条数据

SELECT *
FROM test.exampletable
LIMIT 1,3;
SELECT *
FROM test.exampletable
LIMIT 3 OFFSET 1;

得到结果:

namecityagezipemail
joeBJ201021024xxxx@163.com
johnBD141541431xxxx@163.com
mikeTJ181121655xxxx@163.com

注:如果我们的表中只有2行数据,那么在使用limit 3语句后,会返回全部2行数据而不会报错。

5.检索后的数据排序

5.1 ORDER BY关键字

在检索数据后,如果我们想要让得出的结果以城市的首字母顺序排序要如何做呢?
这时候要引入一个关键字 ORDER BY

SELECT name,city
FROM test.exampletable
ORDER BY city;

得出结果:

namecity
johnBD
joeBJ
szqBJ
ergouHRB
smithSJZ
mikeTJ

可以看到结果以城市的首字符按照A-Z的顺序排序了
注:在搜索时也可以按照非选择列进行排序,比如搜索姓名和城市,但排序以年龄大小排序也是可行的。
注1:ORDER BY子句的排序必须在FROM后,如果位置在FROM前则报错,如果使用LIMIT,则必须要在ORDER BY后

SELECT name,city
FROM test.exampletable
ORDER BY age;

5.2多列排序

在实际情况下我们会碰到以下需求:我们按照姓和名的顺序显示数据,并且在姓相同的情况下,在按照名的顺序依次排序。这时候就用到了多列排序。由于表内没有姓和名的列,在此处假设

SELECT xing,ming,age,address
FROM examtable
ORDER BY xing,ming;

5.3指定的排序方向

在实现排序后,新的需求出现了:让我们按照年龄从大到小,或者从小到大显示所有信息,这该怎么办呢?
这时候引入两个关键字:ASC和DESC

ASC(ascend):升序排序
DESC(descend)降序排序

ASC与DESC关键字用于ORDER BY 子句后,在其他位置则报错。
ORDER BY后不添加关键字则默认为ASC升序排序。

SELECT *
FROM test.exampletable
ORDER BY age ASC;

按照年龄从小到大的顺序排序,得出结果:

namecityagezipemail
johnBD141541431xxxx@163.com
mikeTJ181121655xxxx@163.com
joeBJ201021024xxxx@163.com
szqBJ231102236xxxx@163.com
ergouHRB391101203xxxx@163.com
smithSJZ451321232xxxx@163.com
SELECT *
FROM test.exampletable
ORDER BY age DESC;

按照年龄从大到小的顺序排序,得出结果:

namecityagezipemail
smithSJZ451321232xxxx@163.com
ergouHRB391101203xxxx@163.com
szqBJ231102236xxxx@163.com
joeBJ201021024xxxx@163.com
mikeTJ181121655xxxx@163.com
johnBD141541431xxxx@163.com

如果想对ORDER BY的多个参数单独设置排序顺序,则在每个列名后,逗号前添加关键字即可:

SELECT *
FROM test.exampletable
ORDER BY age DESC,city ASC;

记:)

以上是select检索数据的简单概念和例子,在未来查询随着条件越发的复杂,检索的难度会逐级提升,检索的过程中考验的不只是对于语句的使用,在不同的场景下多种实现方式对性能的影响也是不同的,数据库大佬一生都在追求使用最优解去使用数据库,这也督促我学习时不能仅仅停留在表面,要把哪怕一件事做到精通,那么其他事情也就都不会太差了。(逐渐扯远)

anaconda的conda国内加速镜像源(pytorch 快速安装) 最近清华源不太好使了,所以推荐中科大镜像源,如下 1.还原原始通道 conda config --remove-key channels 2. 阅读详情

相关推荐

QGIS插件实战:用百度地图AOI数据做个城市公园分析,从下载到出图全记录

本文详细介绍了如何利用QGIS的百度地图AOI插件进行城市公园分析,从插件安装、数据获取到空间分析与可视化全流程。通过实战案例演示了公园面积统计、服务范围缓冲区分析及专题地图制作,帮助用户高效完成城市绿地评估工作。

weixin_30790841的博客 556

MySQL数据库技术实验报告(数据库的查询和视图)

9)查询Employees员工的姓名住址和收入水平,2000以下的显示为低收入,2000`3000的显示为中等收入,3000以上的显示为高收入。(6)修改视图Employees_view视图中号码为000001的雇员的姓名为“王浩”。3)按员工的工作年份分组,统计各个工作年份的人数,如工作1年的多少人,工作2年的多少人。(2)从视图Employees_view查询出姓名为“王林”的员工的实际收入。(2)用子查询的方法查找研发部比财务部所有雇员收入都高的雇员的姓名。

weixin_52404128的博客 2581

Windows下MMdetection3D保姆级安装指南(含CUDA和PyTorch版本避坑)

本文提供Windows平台下MMdetection3D的完整安装指南,重点解决CUDA与PyTorch版本匹配问题。从环境准备到关键组件安装,详细介绍了CUDA Toolkit选择策略、PyTorch精准安装步骤,以及MM系列组件的安装顺序和常见错误解决方案,帮助用户顺利完成3D目标检测环境的配置。

weixin_42628941的博客 493

MySQL多表查询(实验报告)

多表数据查询年 4 月 20 日硬件:PC电脑一台;配置:内存,2G及以上 硬盘250G及以上软件环境:操作系统 windows7以上数据库环境:MySQL5.7或MySQL8.0.20图书管理系统中,书籍管理员经常需要查询学生和教师借阅图书的信息,学生和教师也经常需要查询书籍信息。在实际应用中,查询操作非常重要。复习:单表查询MySQL使用SELECT语句进行数据查询操作,SELECT语句的基本语法如下:〈列名〉[AS 别名1] [{,〈列名〉[ AS 别名2]}]FROM。

2301_79218588的博客 4087

Palantir解密:“本体”的建模逻辑及其扩展方向

上一篇重点从对现实世界建模的角度探讨了“本体”在数字化架构中的核心意义。这里借Palantir的“本体”概念、解析Palantir只是起点,目标旨在以他山之石攻玉——探索数字世界的底层架构逻辑,最终为构建自主体系提供思考。Palantir以“本体论”为核心的建模方案是否代表终极答案,不宜过早下结论,但其思路值得深入剖析。

SZSDQJC的博客 2637

5分钟搞定三网话费余额查询:手把手教你用PHP+HTML搭建查询系统(含API调用避坑指南)

本文详细介绍了如何使用PHP+HTML快速搭建三网话费余额查询系统,涵盖API调用避坑指南、前端UI设计及性能优化。通过统一处理移动、电信、联通三大运营商接口差异,实现高可用查询功能,并提供安全防护与生产部署建议,帮助开发者高效构建稳定可靠的话费查询工具。

weixin_29016833的博客 260

select下拉列表提示title添加

在我们做项目的过程中可能有时候列表的宽度是一定的,这时候我们的列表内容可能不能从列表的窗口中完全看到,此时就需要给列表加一下title,当鼠标悬浮在select列表的上方时就能够看到所有的文本。这个功能需要2个过程:1、初始化被选项的title  2、onchange事件改变时切换title。           下边给出这2个事件的函数:           1、初始化title

zhanglujie2008的专栏 1万+

使用 Python 爬虫抓取 IMDb 电影信息 - 评分、评论与基本信息抓取教程

本文介绍了如何使用 Python 爬虫技术抓取 IMDb 电影评分、评论和基本信息。我们分别展示了通过IMDb API和两种方法抓取数据,并进行了数据存储、分析与可视化。在未来,我们还可以基于这些数据开发电影推荐系统、情感分析工具等,进一步丰富电影数据的应用场景。通过这些实践,您不仅学会了如何抓取和存储数据,还可以通过这些基础来构建自己的数据分析应用,获取更丰富的电影数据。

2201_76125261的博客 601

MySQL_02_复杂数据检索

MySQL复杂数据检索(子查询,连接查询和联合查询等)

爱喝可乐的w 1019

RT-DETR改进策略【损失函数篇】| 通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)

为了弥补现有 IoU 损失在不同检测任务中泛化性弱和收敛速度慢的问题,·Inner-IoU·通过引入比例因子 “ratio” 来控制辅助边界框的尺度大小,利用不同尺度的辅助边界框来计算损失,从而加速边界框回归过程。

Limiiiing的博客 1966

<PLC><工控>汇川Easy521PLC与压力传感器485通讯实例

有些PLC在进行串口通讯时,配置完串口参数后,还需要自己编程序来读写,但本例中汇川Easy521配置完成后,想要读取从站什么数据,只需要在“COM0 Modbus配置窗口”配置即可。可以同时配置多个从站。在配置窗口的右侧点击新增按钮,就会自动生成一条从站的配置,默认从站站号为“1”,触发方式是“循环”,功能码是03(读寄存器),从站寄存器地址为0,长度为“1”,映射地址需要自己添加。因为我们是将PLC设置为Modbus主站,所以压力传感器就是从站,我们的需求时PLC从这些从站传感器中读取数据,比如压力值。

用沸腾的热血,支付我们的人生吧! 6468

mysql查询数据为json结构[1,2,3]语句

mysql如下, find_in_set(3, replace(replace(land_property, '[', ''), ']', '')) Java 如下, <if test="null != landPurpose and landPurpose.size > 0"> and ( <foreach collection="landPurpose" item="item" open="" separator="OR" close=""> .

无名小卒菜的博客 1056

基于Jeecgboot3.8.1的vue3版本前后端分离的flowable流程管理平台

基于Jeecgboot3.8.1的vue3版本前后端分离的flowable流程管理平台

宁波阿成的博客 1544

MySQL 排序检索数据Select——MySQL系列(二)

1、ORDER BY 子句 SQL语句由子句构成,有些子句是必需的,有些是可选的。一个子句通常由一个关键字和所提供的数据组成。 ORDER BY 子句取出一个或多个列名,据此对输出排序。 SELECT 列名1 FROM 表名 ORDER BY 列名1 2、按多个列名排序 SELECT 列名1,列名2,列名3 FROM 表名 ORDER BY 列名1,列名2这样的语句会按

欲穷千里目,更上一层楼 1730

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

SELECT检索数据

返回数据的顺序可能是数据被添加到表中的顺序,也可能不是。只要返回相同数目的行,就是正常的。如上的一条简单 SELECT语句将返回表中的所有行。数据没有过滤(过滤将得出结果集的一个子集),也没有排序。以后几课将讨论这些内容。提示:结束 SQL 语句多条SQL语句必须以分号(;

i_cant_qiao_chu的博客 1421

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。

【MySQL】一文带你了解检索数据

😁大家好呀,今天是我第N次写MySQL,也是最近才学习MySQL,也想着记录一下自己的学习过程,并且分享给大家尼!

m0_64361522的博客 1665

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")

二、MYSQL检索数据

如果它不是最后的子句,将会出现错误消息。2、通常, ORDER BY 子句中使用的列将是为显示而选择的列。但是用非检索的列排序数据也是可以的。

weixin_46915734的博客 1264

【MySQL必知必会(二)】【检索数据+排序检索数据】

本章将介绍如何使用SELECT语句从表中检索一个或多个数据列

LinGavinQ 773

MySQL数据库基础--select简单检索数据

上节介绍了如何连接和登录MySQL,如何执行MySQL语言,获取数据库和表的信息。这节将介绍MySQL中最重要的部分,检索数据,可以说MySQL中select关键字的用的比例占90%以上,所以说学习好select关键字是非常重要的。它的用途是从一个或多个表中检索信息。 检索单个列 SELECT prod_name FROM products; 例:上述语句利用SELECT 语句从products 表中检索一个名为prod_name的列。所需的列名在SELECT关键字之后给出,FROM关键字指出从其中检索数

JM-Nie的博客 379

【数据分析师_02_SQL+MySQL】008_MySQL的数据检索(SELECT,LIMIT,DISTINCT)

MySQL的数据检索 1 了解MySQL的Select语句 SQL语句是由简单的英语单词构成的。这些单词称为关键字,每个SQL语句都是由一个或多个关键字构成的。大概,最经常使用的SQL语句就是SELECT语句了。它的用途是从一个或多个表中检索信息。 为了使用SELECT检索表数据,必须至少给出两条信息——想选择什么,以及从什么地方选择。 ...

Lyun911的博客 857

【MySQL】(基础篇五) —— 检索数据

本文介绍如何使用mysql中最重要的命令select

麦田里的稻草人的博客 1385

SQL检索数据——SELECT

介绍如何使用 SELECT 语句从表中检索一个或多个数据列。 提示 1、关键字(keyword) 作为 SQL组成部分的保留字。关键字不能用作表或列的名字。例如:SELECT 2、结束 SQL 语句 多条 SQL语句必须以分号(;)分隔。多数 DBMS不需要在单条 SQL 语句后加分号,但也有 DBMS可能必须在单条 SQL语句后加上分号。 当然,如果愿意可以总是加上分号。事实上,即使不一定需要,...

有人_295的博客 1081

mysql 数据检索_MySQL 检索数据(SELECT)

检索单个列mysql> SELECT 列名 FROM 表名;如下,从表products中检索prod_name列mysql> SELECT prod_name FROM products;检索多个列mysql> SELECT 列名,列名... FROM 表名;如下,从表products中检索prod_name,prod_price列mysql> SELEC...

weixin_29041767的博客 271

mysql select drop_MySQL必知必会(2):数据检索(SELECT)

本文介绍Mysql开发中使用最频繁的功能,SELECT数据检索简介检索数据是从数据库中使用特定语句获取页面需要的数据。每天你上网浏览的网页,绝大部分数据都是从数据库中检索出来,所以它也是mysql最常用的功能之一。从Mysql检索数据至少需要提供两个信息:你需要查找什么你需要从哪个表中查询检索数据单列检索我们有了上面两个两个信息,我们就可以组合成为一个最基本的查询语句:SELECT name FR...

weixin_33983809的博客 474

在mysql数据库中用什么检索和输出_MySQL入门-4:检索数据

大纲1、SELECT语句2、检索数据3、排除重复的行4、LIMIT限制显示结果5、ORDER BY排序数据一、DQL : SELECT 语句我们最最经常用的SQL语句大概就是SELECT,它的作用是从一个或多个表中检索数据。为了使用SELECT检索表数据,必须至少给出两条信息 -- 想选择什么(指定列),以及从什么地方选择(指定表)。二、检索语句a、检索单个列需要检索的列名放到SELECT关键字后...

weixin_39887546的博客 2367

MySQL基础教程(二):检索数据和排序检索数据

本篇文章主要介绍通过 MySQL 中的SELECT, DISTINC,ORDER BY, LIMIT语句完成最基本的数据检索和对检索到的数据进行排序。最基本的数据检索是指我们通过 SELECT 语句查询表中的某些列或者行。对检索到的数据进行排序是指对数据以某种规则显示,例如按照某个字段升序或者降序显示等等。

聚焦C++/Python编程语言、大模型应用开发 1271
上一篇: MySQL(一)基础概念
下一篇: MySQL(三)WHERE过滤数据
Py_csdn_
博客等级 码龄8年 30粉丝 27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