常用的sql语句汇总(个人版)

史上最全SQL语句大全:从基础到进阶一网打尽 SQL(结构化查询语言)是关系型数据库管理系统(RDBMS)中用于管理和操作数据的标准语言。SQL提供了一种简洁、高效的方式来操作数据库,进行数据查询、插入、更新和删除等任务。无论是数据库管理员、开发者还是数据分析师,都离不开SQL语句的使用。本文将介绍一系列常用的SQL语句,包括数据查询、数据操作、表管理和高级查询等,让你轻松掌握SQL的基本操作。 阅读详情

1、sql按照指定数组顺序查询数据
2、数据库SQL 某字段按首字母排序

基础语句

1、SELECT:选择数据表中的数据

SELECT column_name1, column_name2 FROM table_name;

2、WHERE:筛选符合条件的数据

SELECT column_name FROM table_name WHERE column_name = 'value';

3、AND:用于连接 WHERE 子句中的多个条件

SELECT column_name FROM table_name WHERE column_name1 = 'value1' AND column_name2 = 'value2';

4、OR:用于连接 WHERE 子句中的多个条件,其中至少一个条件必须成立

SELECT column_name FROM table_name WHERE column_name1 = 'value1' OR column_name2 = 'value2';

5、IN:筛选符合指定值中任意一个的数据

SELECT column_name FROM table_name WHERE column_name IN ('value1', 'value2', 'value3');

6、NOT IN:筛选不符合指定值中任意一个的数据

SELECT column_name FROM table_name WHERE column_name NOT IN ('value1', 'value2', 'value3');

7、LIKE:筛选符合指定模式的数据

SELECT column_name FROM table_name WHERE column_name LIKE 'pattern';

SELECT column_name FROM table_name WHERE column_name LIKE '%value%'

8、NOT LIKE:筛选不符合指定模式的数据

SELECT column_name FROM table_name WHERE column_name NOT LIKE 'pattern';

SELECT column_name FROM table_name WHERE column_name NOT LIKE '%value%'

9、BETWEEN:筛选在指定范围内的数据

SELECT column_name FROM table_name WHERE column_name BETWEEN 'value1' AND 'value2';

9、NOT BETWEEN:筛选不在指定范围内的数据

SELECT column_name FROM table_name WHERE column_name NOT BETWEEN 'value1' AND 'value2';

10、ORDER BY:按指定列进行排序

SELECT column_name FROM table_name ORDER BY column_name ;//默认升序
SELECT column_name FROM table_name ORDER BY column_name DESC;//降序

11、GROUP BY:按指定列进行分组

SELECT column_name1,column_name2  FROM table_name GROUP BY column_name1;

备注: 从 MySQL 5.7.5 开始,默认 SQL 模式包括 ONLY_FULL_GROUP_BY。 (在 5.7.5 之前,MySQL 不检测函数依赖,并且默认不启用 ONLY_FULL_GROUP_BY。),所以select的内容如果不在group by 中,将会报错,可以参考这里的解决方法

DISTINCT :基于指定列的唯一值去重

SELECT DISTINCT(column_name1) FROM table_name;

区别:distinct和group by具体区别点击查看

12、HAVING:筛选分组后符合指定条件的数据

SELECT column_name1, SUM(column_name2) FROM table_name GROUP BY column_name1 HAVING SUM(column_name2) > 100;

进阶一下

13、JOIN:连接多个数据表

SELECT table1.column_name1, table2.column_name2 FROM table1 JOIN table2 ON table1.column_name1 = table2.column_name1;

14、LEFT JOIN:连接左侧数据表,并包括右侧数据表中与左侧数据表中没有匹配项的行

SELECT table1.column_name1, table2.column_name2 FROM table1 LEFT JOIN table2 ON table1.column_name1 = table2.column_name1;

//右连接
SELECT * FROM table1 RIGHT JOIN table2 ON table1.column_name = table2.column_name;

15、UNION:合并多个查询结果

SELECT column_name FROM table1 UNION SELECT column_name FROM table2;

16、EXISTS:检查子查询结果是否存在

SELECT column_name FROM table1 WHERE EXISTS (SELECT column_name FROM table2 WHERE column_name = 'value');

//NOT EXISTS:检查子查询结果是否不存在
SELECT column_name FROM table1 WHERE NOT EXISTS (SELECT column_name FROM table2 WHERE column_name = 'value');

17、AVG:计算平均值

SELECT AVG(column_name) FROM table_name;

18、COUNT:计算数据行数

SELECT COUNT(*) FROM table_name;

19、MAX:计算最大值

SELECT MAX(column_name) FROM table_name;

20、MIN:计算最小值

SELECT MIN(column_name) FROM table_name;

21、SUM:计算总和

SELECT SUM(column_name) FROM table_name;

22、CASE:根据条件返回不同的结果

SELECT column_name, 
       CASE 
           WHEN column_name = 'value1' THEN 'result1' 
           WHEN column_name = 'value2' THEN 'result2' 
           ELSE 'result3' 
       END AS new_column_name 
FROM table_name;`

23、ROW_NUMBER:按照指定列进行分组并排序(就是对column_name字段进行分组,并在组内对column_name2字段降序排)

SELECT column_name, ROW_NUMBER() OVER (PARTITION BY column_name ORDER BY column_name2 DESC) FROM table_name;

示例如下:
在这里插入图片描述
24、DENSE_RANK:按照指定列进行分组并排序,相同值的行具有相同的排名,不跳过下一个排名(RANK:跳过下一个排名)

SELECT column_name, DENSE_RANK() OVER (PARTITION BY column_name ORDER BY column_name2 DESC) FROM table_name;

示例如下:
在这里插入图片描述
25、FIRST_VALUE:返回分组中第一个行的列值

SELECT column_name, FIRST_VALUE(column_name2) OVER (PARTITION BY column_name ORDER BY column_name2) FROM table_name;

//返回分组中最后一个行的列值
SELECT column_name, LAST_VALUE(column_name2) OVER (PARTITION BY column_name ORDER BY column_name2 ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING) FROM table_name;

26、CONCAT:连接多个字符串值为一个字符串

SELECT CONCAT(column_name1, ' ', column_name2) FROM table_name;

示例如下:
在这里插入图片描述

附加使用的sql

1、连表更新,将一张表的某个字段更新为另一张表的某个字段值

#将1表的reward更新为b表的reward值
UPDATE project_submits a
INNER JOIN projects b ON a.project_id = b.id 
SET 
	a.reward = b.reward

2、DATE_FORMAT:查询指定日期的数据

	select * from `order_exam_logs` where DATE_FORMAT(created_at, "%Y-%m-%d")='2023-06-05'

因为数据表中created_at存到了秒,所以要使用DATE_FORMAT函数

学习资源

如果你是也准备转行学习网络安全(黑客)或者正在学习,这里开源一份360智榜样学习中心独家出品《网络攻防知识库》,希望能够帮助到你

知识库由360智榜样学习中心独家打造出品,旨在帮助网络安全从业者或兴趣爱好者零基础快速入门提升实战能力,熟练掌握基础攻防到深度对抗。

1、知识库价值

深度: 本知识库超越常规工具手册,深入剖析攻击技术的底层原理与高级防御策略,并对业内挑战巨大的APT攻击链分析、隐蔽信道建立等,提供了独到的技术视角和实战验证过的对抗方案。

广度: 面向企业安全建设的核心场景(渗透测试、红蓝对抗、威胁狩猎、应急响应、安全运营),本知识库覆盖了从攻击发起、路径突破、权限维持、横向移动到防御检测、响应处置、溯源反制的全生命周期关键节点,是应对复杂攻防挑战的实用指南。

实战性: 知识库内容源于真实攻防对抗和大型演练实践,通过详尽的攻击复现案例、防御配置实例、自动化脚本代码来传递核心思路与落地方法。

2、 部分核心内容展示

360智榜样学习中心独家《网络攻防知识库》采用由浅入深、攻防结合的讲述方式,既夯实基础技能,更深入高阶对抗技术。

在这里插入图片描述

360智榜样学习中心独家《网络攻防知识库》采用由浅入深、攻防结合的讲述方式,既夯实基础技能,更深入高阶对抗技术。

内容组织紧密结合攻防场景,辅以大量真实环境复现案例、自动化工具脚本及配置解析。通过策略讲解、原理剖析、实战演示相结合,是你学习过程中好帮手。

1、网络安全意识

img

2、Linux操作系统

img

3、WEB架构基础与HTTP协议

img

4、Web渗透测试

img

5、渗透测试案例分享

img

6、渗透测试实战技巧

图片

7、攻防对战实战

图片

8、CTF之MISC实战讲解

图片

3、适合学习的人群

‌一、基础适配人群‌

  1. ‌零基础转型者‌:适合计算机零基础但愿意系统学习的人群,资料覆盖从网络协议、操作系统到渗透测试的完整知识链‌;
  2. ‌开发/运维人员‌:具备编程或运维基础者可通过资料快速掌握安全防护与漏洞修复技能,实现职业方向拓展‌或者转行就业;
  3. ‌应届毕业生‌:计算机相关专业学生可通过资料构建完整的网络安全知识体系,缩短企业用人适应期‌;

‌二、能力提升适配‌

1、‌技术爱好者‌:适合对攻防技术有强烈兴趣,希望掌握漏洞挖掘、渗透测试等实战技能的学习者‌;

2、安全从业者‌:帮助初级安全工程师系统化提升Web安全、逆向工程等专项能力‌;

3、‌合规需求者‌:包含等保规范、安全策略制定等内容,适合需要应对合规审计的企业人员‌;

因篇幅有限,仅展示部分资料,完整版的网络安全学习资料已经上传优快云,朋友们如果需要可以在下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

SQL快速入门(基本用法) 基本语句用法 阅读详情

相关推荐

数据库常用的sql语句汇总

一、基础 1、说明:创建数据库 CREATE DATABASE database-name 2、说明:删除数据库 drop database dbname 3、说明:备份sql server --- 创建备份数据的 device USE master EXEC sp_addumpdevice 'disk', 'testBack', 'c:\mssql7backup\MyNwind_1.dat' ...

weixin_43748615的博客 1070

SQL基本语句(整理)

一、DDL(Data Definition Language) 数据定义语言,用来定义数据库对象(数据库,表,字段) ①查询 查询所有数据库 show databases; 查询当前数据库 select database(); ②创建 create database [if not exists] 数据库名 [default charset 字符集][collate 排序规则]; #中括号里的可加可不加,具体情况而定 #第一个是如果不存在相同名称的数据库则创建 #..

weixin_43294936的博客 13万+

使用sql语句进行数据分类汇总

现有表Test,内容如下:  ID   Catalog    Num  1          A            3  1          B            5 2          A            8  2          B            2   现在想按ID查询出这种结果:  --------------------  1          A      

paulchenbo的专栏 4573

SQL语句-小记录

1.SQL语句 2. 一、基础 1.1、说明:创建数据库 2.CREATE DATABASE database-name 3.2、说明:删除数据库 4.drop database dbname 5.3、说明:备份sql server 6.— 创建 备份数据的 device 7.USE master 8.EXEC sp_addumpdevice ‘disk’, ‘testBack’, ‘c:\mss...

weixin_45412748的博客 1331

如何修复Windows卡在“正在准备Windows”的问题?这里有详细步骤

如何修复Windows卡在“正在准备Windows”的问题?这里有详细步骤。

wyxtx的博客 5666

CS算法实战:用MATLAB从零实现SAR点目标成像(附完整代码)

本文详细介绍了如何使用MATLAB从零实现SAR点目标CS成像算法,涵盖Chirp Scaling(CS)算法的核心理论、距离徙动校正(RCMC)和方位压缩等关键步骤。通过完整的代码示例和实战技巧,帮助读者掌握SAR成像处理算法,提升遥感图像处理能力。

weixin_29211309的博客 180

SQL语句(超级全)

常见的联接类型有内联接(INNER JOIN)、左联接(LEFT JOIN)、右联接(RIGHT JOIN)和全外联接(FULL OUTER JOIN)。返回两个表中的所有行,无论是否有匹配的行(某些数据库可能不支持)。分页查询用于限制返回的记录数量,以便于处理大量数据时进行分页显示。:在进行增删改操作时,使用事务可以确保数据的一致性和完整性。子查询是嵌套在另一个查询中的查询。返回左表中的所有行,即使右表中没有匹配的行。返回右表中的所有行,即使左表中没有匹配的行。表中查询年龄在子查询结果中的记录。

Syyynb的博客 3万+

我的AI学习 ai维护工具之langfuse

as_type: Optional[Literal[‘generation’]] = None, # 将记录定义为 Observation (LLM 调用)transform_to_string: Optional[Callable[[Iterable], str]] = None # 将输出转为 string。要用LangFuse的云服务,首先要在LangFuse官网上注册,注册完后将页面拉倒最后,点免费的SignUp,API文档:https://api.reference.langfuse.com/

liubaobin的博客 4096

SQL常用语句(面试必备)

SQL概念和标准SQL语言 SQL英文全称是Structured Query Language,即结构化查询语言 SQL是关系数据库操作的国际标准语言 SQL的功能 产生汇总统计表 从表和视图中检索数据 合并表和视图中的数据 建立表、视图和索引 修改、添加、提出表中的数据列 更新表中的数据值 SQL过程举例 Proc sql;/*开始SQL过程*/ create table te...

weixin_45926367的博客 1万+

若依(RuoYi)框架从零到部署:Spring Boot+Vue权限系统完整配置指南

在Java企业级应用开发中,Spring Boot作为构建微服务和单体应用的基石,极大地简化了项目初始化和配置流程。其核心原理在于通过自动配置和起步依赖,快速整合数据访问、安全认证、缓存等常用模块,显著提升开发效率。这一技术价值在需要快速构建后台管理系统的场景中尤为突出,例如权限管理、用户角色分配等通用需求。若依(RuoYi)框架正是基于Spring Boot和Vue.js的优秀实践,它封装了RBAC权限模型、代码生成器等高频功能,提供了开箱即用的解决方案。本文聚焦于若依框架的【环境配置】与【项目部署】,通

weixin_33984032的博客 457

淘晶驰串口屏自定义协议实战:5分钟搞定苹果时钟通信(附完整代码)

本文详细介绍了如何使用淘晶驰串口屏自定义通信协议快速实现苹果风格时钟的通信功能。通过精简的协议设计和完整的代码示例,开发者可以在5分钟内完成从硬件连接到软件实现的整个过程,适用于嵌入式开发中的高效通信需求。

weixin_29184371的博客 323

SQL常用语句大全

SQL常用语句大全

龙木南的博客 8万+

unity打包流程整理-Windows/Mac/Linux平台

1.Platform(平台)功能: 选择目标构建的目标平台选项PC, Mac & Linux Standalone: 适用于 Windows、Mac 和 Linux 平台2.Target Platform(目标平台)功能: 选择具体的操作系统版本选项Windows: 针对 Windows 操作系统Mac: 针对 macOS 操作系统Linux: 针对 Linux 操作系统3.Architecture(架构)功能: 选择应用程序的目标处理器架构选项x86: 针对 32 位系统。

weixin_42333247的博客 5141

常用SQL语句汇总(主要为查询语句)

本文主要为一些常用的SQL语句。以查询为主,部分为常用的增、删、改语句。

weixin_52785140的博客 5975

AI影像组学在结直肠癌诊疗中的应用:从特征提取到临床决策

影像组学通过高通量计算从医学影像中提取定量特征,揭示肿瘤内部的微观生物学行为,这些特征反映了纹理异质性、形状不规则度等影像表型。其核心原理在于将图像数据转化为可分析的数字特征,结合机器学习算法进行模式识别,从而实现对疾病状态的精准预测。这一技术的价值在于能够无创、定量地评估肿瘤特性,为精准医疗提供关键支持。在临床实践中,AI驱动的影像组学模型广泛应用于结直肠癌的诊疗全链条,包括肿瘤良恶性鉴别、基因突变预测、治疗反应评估和预后分析等场景。通过整合影像组学特征与临床数据,可以构建预测模型,辅助医生进行更准确的诊

weixin_28295799的博客 409

【升级U8+】不能将值 NULL 插入列 ‘VT_ID‘,表 ‘VoucherItems‘;列不允许有 Null 值。

不能将值 NULL 插入列 ‘VT_ID’,表 ‘UFDATA_006_2012.dbo.VoucherItems’;列不允许有 Null 值。INSERT 失败。

努力不懈的为广大客户提供优质的产品与真诚、贴心、专业的服务! 517

sql基础语句汇总_SQL查询语句-汇总分析

一、SQL汇总查询语句1、汇总函数2、汇总函数举例①求某列的行数select count(教师姓名) from teacher;②求所有列的行数select count(*) from teacher;求某列数据删除重复值后的行数select count(distince 姓名) from student③求某列数据之和select sum(成绩) from score;④求某列数据的平均值...

weixin_28711397的博客 6256

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

2025最新100条常用SQL语句语法案例汇总 面试必备SQL语句大全

本文整理了2025年最新100条常用MySQL SQL语句,涵盖基础查询、聚合分组、数据操作、表管理、索引视图、连接查询、子查询、日期处理、字符串操作、事务管理等20+大类。这些语句适用于数据库开发、数据分析和运维场景,尤其适合北京、上海等一线城市互联网和金融行业的数据岗位面试准备。从基础SELECT语句到高级存储过程,内容全面实用,是提升SQL技能和应对技术面试的实用参考手册。

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 3036

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")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

常用SQL语句整理

本文系统整理了SQL语句的基础语法和常用操作,包括数据查询、数据操纵、数据定义和数据控制四大类语句。详细介绍了SELECT查询的各种使用方法(条件查询、排序、分组等),INSERT、UPDATE、DELETE等数据操作语句,以及数据库和表的创建修改语句。同时列举了常用函数和SQL使用注意事项,为数据库操作提供全面的语法参考。

weixin_59997843的博客 1225

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

测试常用sql语句汇总

1.数据库相关知识将返回的数据链接成一个字符串 select GROUP_CONCAT(id,'') as Rules from …… 查询ID将id拼接成以,分隔的字符串 返回 的字段名称为Rules返回新增数据的idselect LAST_INSERT_ID(); (注:LAST_INSERT_ID是基于链接的)2.sql语句分页--1.最常用的分页select * fr...

qq_39419111的博客 3805

sql 查询明细并汇总_SQL查询语句-汇总分析

一、SQL汇总查询语句1、汇总函数2、汇总函数举例①求某列的行数select count(教师姓名) from teacher;②求所有列的行数select count(*) from teacher;求某列数据删除重复值后的行数select count(distince 姓名) from student③求某列数据之和select sum(成绩) from score;④求某列数据的平均值...

weixin_39725873的博客 8459

一篇彻底学会常用的sql语句

为了以后查阅方便,对常用的sql语句进行一下总结。主要内容包括,增删改查(CURD),重点在查询(子查询,模糊查询,分组查询等)。 在开始之前,要注意:sql是不区分大小写的,但是为了代码容易阅读与调试,一般将Sql关键字大写,对所有的表名和列明使用小写。多条sql语句需要用 分号(;)分隔,单条可以不加,但为了不出现错误,一般都加上,使用mysql命令行必须加分号来结束。另外sql语句可以写在一

怕什么真理无穷, 进一寸有一寸的欢喜 5425

MySQL常用的sql语句

SQL语句核心功能与实用技巧摘要: SQL语句主要分为四类:数据查询(SELECT)、数据操作(INSERT/UPDATE/DELETE)、数据定义(CREATE/ALTER)和数据控制(GRANT/COMMIT)。基础查询包括条件筛选、排序分页和聚合分组,多表连接可实现复杂关联查询。DML语句完成增删改操作,DDL定义数据库结构,DCL管理权限事务。高级技巧包含子查询、CTE和窗口函数,优化建议着重索引创建和查询效率提升。掌握这些语句可高效完成数据检索、业务逻辑实现和性能优化,是数据库操作的核心技能。

simpler0808的博客 1684

sql基础语句汇总_Excel里如何使用SQL语句查询汇总表格

我们在实际工作中经常遇到的情况是,从办公ERP系统导出的数据只是一个底层的汇总表格,还需要汇总加工一下才能得到我们想要的结果。要汇总的每个工作表中有多列文本,这些工作表的数据结构完全相同,日积月累会发现表格已经有上万多条记录,工作簿的大小也达到了十几兆的储存,这时候在使用的时候会发生Excel加载缓慢,卡顿的情况。今天我们来学习下在Excel中通过数据链接来使用SQL语句汇总表格。Exc...

weixin_39883670的博客 1226

dede mysql语句_dedecms常用sql语句汇总

这篇文章主要为大家介绍了dedecms常用sql语句,需要的朋友可以参考下本文将一些dedecms常用的SQL语句做了整理归纳,希望对大家有所帮助.在DedeCMS系统中,我们有很多地方都需要用到SQL语句,例如批量修改(替换)内容、数据内容调用等,在系统模板中有一个专门用于调用数据的模板标签{dede:sql/}我们可以参考帮助中心的模板标签说明学习下这个标签如何使用。当然我们在使用SQL语句和...

weixin_33888685的博客 336
上一篇: 内网渗透横向移动技巧(非常详细)从零基础到精通,收藏这篇就够了!
下一篇: XSS 攻击深度解析:前端安全的核心威胁与实战防御指南
网络安全_入门教程
博客等级 码龄4年 1万+粉丝 2151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