MySQL常用脚本

MySQL 常用脚本 1mysqldump -u 用户名 -p –default-character-set=latin1 数据库名 > 导出的文件名(数据库默认编码是latin1) 2 3mysqldump -u wcnc -p smgp_apps_wcnc > wcnc.sql 2.导出一个表 1mysqldump -u 用户名 -p 数据库名 表名> 导出的文件名 2 3mysqldump -u wcnc -p smgp_apps_wcnc users> wcnc_users.sql 阅读详情

d225f2bed61be56adca60222480c3edd.png

(永久免费,扫码加入)

dda48c6fb372d40b8b289e10ce16f590.png

 常用功能脚本

1.导出整个数据库  

mysqldump -u 用户名 -p –default-character-set=latin1 数据库名 > 导出的文件名(数据库默认编码是latin1)  

mysqldump -u wcnc -p smgp_apps_wcnc > wcnc.sql

2.导出一个表  

mysqldump -u 用户名 -p 数据库名 表名> 导出的文件名  

mysqldump -u wcnc -p smgp_apps_wcnc users> wcnc_users.sql

3.导出一个数据库结构  

mysqldump -u wcnc -p -d –add-drop-table smgp_apps_wcnc >d:wcnc_db.sql  

-d 没有数据 –add-drop-table 在每个create语句之前增加一个drop table

4.导入数据库  

A:常用source 命令  

进入mysql数据库控制台,  

如mysql -u root -p  

mysql>use 数据库  

然后使用source命令,后面参数为脚本文件(如这里用到的.sql)  

mysql>source wcnc_db.sql  

B:使用mysqldump命令  

mysqldump -u username -p dbname < filename.sql  

C:使用mysql命令  

mysql -u username -p -D dbname < filename.sql

55b4a011dae918828b952ac14fdb93c5.png

 启动与退出  

1、进入MySQL:启动MySQL Command Line Client(MySQL的DOS界面),直接输入安装时的密码即可。此时的提示符是:mysql>  

2、退出MySQL:quit或exit  

e8edae6c09cae1d45504308d35be424e.png

 库操作  

1、创建数据库  

命令:create database <数据库名>  

例如:建立一个名为sqlroad的数据库  

mysql> create database sqlroad;  

2、显示所有的数据库  

命令:show databases (注意:最后有个s)  

mysql> show databases;  

3、删除数据库  

命令:drop database <数据库名>  

例如:删除名为 sqlroad的数据库  

mysql> drop database sqlroad;  

4、连接数据库  

命令:use <数据库名>  

例如:如果sqlroad数据库存在,尝试存取它: 

mysql> use sqlroad;  

屏幕提示:Database changed  

5、查看当前使用的数据库  

mysql> select database();  

6、当前数据库包含的表信息: 

mysql> show tables; (注意:最后有个s)  

3a5ede6b51a3082a5a8961a234121d93.png

 表操作,操作之前应连接某个数据库  

1、建表  

命令:create table <表名> ( <字段名> <类型> [,..<字段名n> <类型n>]);  

mysql> create table MyClass(  

> id int(4) not null primary key auto_increment,  

> name char(20) not null,  

> sex int(4) not null default ’′,  

> degree double(16,2));

2、获取表结构  

命令:desc 表名,或者show columns from 表名  

mysql>DESCRIBE MyClass  

mysql> desc MyClass;  

mysql> show columns from MyClass;

3、删除表  

命令:drop table <表名>  

例如:删除表名为 MyClass 的表  

mysql> drop table MyClass;

4、插入数据  

命令:insert into <表名> [( <字段名>[,..<字段名n> ])] values ( 值 )[, ( 值n )]  

例如,往表 MyClass中插入二条记录, 这二条记录表示:编号为的名为Tom的成绩为.45, 编号为 的名为Joan 的成绩为.99,编号为 的名为Wang 的成绩为.5.  

mysql> insert into MyClass values(1,’Tom’,96.45),(2,’Joan’,82.99), (2,’Wang’, 96.59);

5、查询表中的数据  

1)、查询所有行  

命令:select <字段,字段,...> from < 表名 > where < 表达式 >  

例如:查看表 MyClass 中所有数据  

mysql> select * from MyClass;  

2)、查询前几行数据  

例如:查看表 MyClass 中前行数据  

mysql> select * from MyClass order by id limit 0,2;  

或者:  

mysql> select * from MyClass limit 0,2;

6、删除表中数据  

命令:delete from 表名 where 表达式  

例如:删除表 MyClass中编号为 的记录  

mysql> delete from MyClass where id=1;

7、修改表中数据:update 表名 set 字段=新值,…where 条件  

mysql> update MyClass set name=’Mary’where id=1;

8、在表中增加字段:  

命令:alter table 表名 add字段 类型 其他;  

例如:在表MyClass中添加了一个字段passtest,类型为int(4),默认值为  

mysql> alter table MyClass add passtest int(4) default ’′

9、更改表名:  

命令:rename table 原表名 to 新表名;  

例如:在表MyClass名字更改为YouClass  

mysql> rename table MyClass to YouClass;  

更新字段内容  

update 表名 set 字段名 = 新内容  

update 表名 set 字段名 = replace(字段名,’旧内容’, 新内容’)  

update article set content=concat(‘  ’,content);

5874b01425c3825e5788d092d5e953d3.png

 字段类型和数据库操作

1.INT[(M)] 型:正常大小整数类型  

2.DOUBLE[(M,D)] [ZEROFILL] 型:正常大小(双精密)浮点数字类型  

3.DATE 日期类型:支持的范围是-01-01到-12-31。MySQL以YYYY-MM-DD格式来显示DATE值,但是允许你使用字符串或数字把值赋给DATE列  

4.CHAR(M) 型:定长字符串类型,当存储时,总是是用空格填满右边到指定的长度  

5.BLOB TEXT类型,最大长度为(2^16-1)个字符。 

6.VARCHAR型:变长字符串类型  

7.导入数据库表  

创建.sql文件  

先产生一个库如auction.c:mysqlbin>mysqladmin -u root -p creat auction,会提示输入密码,然后成功创建。  

导入auction.sql文件  

c:mysqlbin>mysql -u root -p auction < auction.sql。  

通过以上操作,就可以创建了一个数据库auction以及其中的一个表auction。

8.修改数据库  

在mysql的表中增加字段:  

alter table dbname add column userid int(11) not null primary key auto_increment;  

这样,就在表dbname中添加了一个字段userid,类型为int(11)。

9.mysql数据库的授权  

mysql>grant select,insert,delete,create,drop  

on *.* (或test.*/user.*/..)  

to 用户名@localhost  

identified by ‘密码’;  

如:新建一个用户帐号以便可以访问数据库,需要进行如下操作:  

mysql> grant usage  

  -> ON test.*  

  -> TO testuser@localhost;  

  Query OK, 0 rows affected (0.15 sec)  

  此后就创建了一个新用户叫:testuser,这个用户只能从localhost连接到数据库并可以连接到test 数据库。下一步,我们必须指定testuser这个用户可以执行哪些操作:  

  mysql> GRANT select, insert, delete,update  

  -> ON test.*  

  -> TO testuser@localhost;  

  Query OK, 0 rows affected (0.00 sec)  

  此操作使testuser能够在每一个test数据库中的表执行SELECT,INSERT和DELETE以及UPDATE查询操作。现在我们结束操作并退出MySQL客户程序:  

  mysql> exit

7e080c1115f215cf90146d1a033fa30d.png

 DDL操作

1:使用SHOW语句找出在服务器上当前存在什么数据库: 

mysql> SHOW DATABASES;  

2、创建一个数据库MYSQLDATA  

mysql> Create DATABASE MYSQLDATA;  

3:选择你所创建的数据库  

mysql> USE MYSQLDATA; (按回车键出现Database changed 时说明操作成功!)  

4:查看现在的数据库中存在什么表  

mysql> SHOW TABLES;  

5:创建一个数据库表  

mysql> Create TABLE MYTABLE (name VARCHAR(20), sex CHAR(1));  

6:显示表的结构: 

mysql> DESCRIBE MYTABLE;  

7:往表中加入记录  

mysql> insert into MYTABLE values (“hyq”,”M”);  

8:用文本方式将数据装入数据库表中(例如D:/mysql.txt)  

mysql> LOAD DATA LOCAL INFILE “D:/mysql.txt”INTO TABLE MYTABLE;  

9:导入.sql文件命令(例如D:/mysql.sql)  

mysql>use database;  

mysql>source d:/mysql.sql;  

10:删除表  

mysql>drop TABLE MYTABLE;  

11:清空表  

mysql>delete from MYTABLE;  

12:更新表中数据  

mysql>update MYTABLE set sex=”f”where name=’hyq’;


最后推荐一下我们团队写的量化小册的内容,35篇内容!从Python安装,入门,数据分析,爬虫解释,爬取股票基金的历史+实时数据,如何写一个简单量化策略,策略回测,如何看资金曲线统统都有介绍!非常超值!

欢迎订阅:原价199 早鸟价39(满100人涨10元)。现在的价格非常非常低,只要2杯奶茶,就可以终身订阅+全套课程源码,还有永久陪伴群。48小时无理由退款,放心食用!

4401c71f47b124e1dfb3c94597ce9aa6.png

推荐阅读:
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径

干货:爬取豆瓣短评,电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街!唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 |用Python做个海量小姐姐素描图 |碟中谍这么火,我用机器学习做个迷你推荐系统电影

趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!

AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火,我用机器学习做个迷你推荐系统电影

小工具: Pdf转Word,轻松搞定表格和水印! | 一键把html网页保存为pdf!|  再见PDF提取收费! | 用90行代码打造最强PDF转换器,word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器! |60行代码做了一个语音壁纸切换器天天看小姐姐!|

Mysql学习总结(42)——MySql常用脚本大全 备份 (所有) C:\Program Files\MySQL\MySQL Server 5.6\bin>mysqldump --no-defaults -hlocalhost -P3306 -uroot -p -R test > h:\test.sql 备份 (结构) C:\Program Files\MySQL\MySQL Server 5.6\bin>mysqldump -- 阅读详情

相关推荐

别再为PT100测温发愁了!手把手教你用ADS1247+STM32搞定高精度温度采集(附完整源码)

本文详细介绍了如何利用ADS1247高精度ADC与STM32微控制器构建PT100测温系统,实现±0.1℃的温度测量精度。内容涵盖硬件设计、寄存器配置、SPI通信优化及温度换算算法,特别适合工业自动化和精密仪器领域的嵌入式开发人员参考。

weixin_26897585的博客 428

【Mysql常用脚本】

MySQL常用脚本

学无止境 874

对接萤石平台调用播放

萤石api 管理 · 萤石开放平台API文档 httpclient pom <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.2</version> </dependency> package com.ruoyi...

u011799016的博客 1773

MySQL DBA常用脚本

MySQL DBA常用脚本 1编码相关 1查看表编码引擎大等各类信息 2修改表编码 2调度器相关 1查看启用调度器并创建调度 3日志相关 MySQL DBA常用脚本1、编码相关1.1、查看表编码、引擎、大等各类信息SHOW TABLE STATUS FROM hive LIKE '%zeus_worker%';1.2、修改表编码--修改表编码为utf8 ALTER TABLE test CONVER

sunofsummer的专栏 1159

医学图像分割实战:基于TransUNet训练自己的眼底硬渗出物数据集(附完整代码)

本文详细介绍了基于TransUNet的眼底硬渗出物分割实战指南,涵盖数据预处理、模型调优、训练策略及性能优化等关键环节。通过代码复现和实验对比,展示了TransUNet在医学图像分割中的优势,为糖尿病视网膜病变的早期诊断提供技术支持。

weixin_42524708的博客 364

SeetaFace6人脸活体检测C++代码实现Demo

活体检测是判断人脸图像是来自真人还是来自攻击假体(照片、视频等)的方法。 人脸识别系统存在被伪造攻击的风险。因此需要在人脸识别系统中加入活体检测,验证用户是否为真实活体本人操作,以防止照片、视频、以及三维模型的入侵,从而帮助用户甄别欺诈行为,保障用户的利益。

mickey2007的博客 3479

mysql员工脚本_mySQL常用脚本汇总

@mysql的常用脚本有哪些呢?我们来做个总结建表语句sql语句最后指定主键DROP TABLE IF EXISTS `user_info1`;CREATE TABLE `user_info1` (`id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',`name` varchar(20) COLLATE utf8_bin DEFAULT NULL CO...

weixin_35867894的博客 272

实战教程:用YOLOv11+PyQt5打造工地安全帽检测系统(附完整数据集)

本文提供了一份完整的实战指南,详细介绍了如何利用YOLOv11目标检测模型与PyQt5界面库,从零开始构建一个智能工地安全帽检测桌面应用。内容涵盖高质量数据集的准备与标注、YOLOv11模型训练与调优,以及如何使用PyQt5开发流畅、专业的图形用户界面,最终实现一个可实际部署的AI安全监控系统。

plum99的博客 738

MySQL 运维常用脚本

3.DATE 日期类型:支持的范围是-01-01到-12-31。1mysqldump -u 用户名 -p –default-character-set=latin1 数据库名 > 导出的文件名(数据库默认编码是latin1)1、进入MySQL:启动MySQL Command Line Client(MySQL的DOS界面),直接输入安装时的密码即可。2.DOUBLE[(M,D)] [ZEROFILL] 型:正常大小(双精密)浮点数字类型。命令:show databases (注意:最后有个s)

辣香牛肉面的博客 772

KEPServerEX 6 之 GE Ethernet 连接FANUC ROBOT机器人实战

GE Fanuc是GE公司控制系统部门的一部分,成立于1998年。其主要业务涵盖工业自动化、控制系统、PLC和组态软件等领域。其产品可用于包括自动化、过程自动化、国防、汽车制造、通讯、医疗和航空航天等各种工业领域2009 8月 GE和FANUC今天宣布两家公司已同意解除合资企业GE FANUC自动化公司。通过以上历史,GE Ethernet Driver 当下还支持对接FANUC ROBOT机器人 就不奇怪了。

-雲飛兄-博客 1795

Thor芯片部署

英伟达Jetson Thor芯片性能分析与应用现状 摘要:英伟达最新发布的Jetson Thor芯片基于Blackwell架构,官方宣称AI算力达2070TFLOPS(FP4),较前代Orin提升7.5倍,配备14核Arm CPU和128GB内存。然而实际量产版算力缩水至700TOPS,且因4nm制程良率问题多次延期至2025-2026年交付。该芯片支持FP4/FP8量化、Transformer引擎等先进特性,适用于自动驾驶、机器人等边缘AI场景,但受供应链限制,国内厂商倾向自研方案。开发者可通过JetPa

xiaomu_347的博客 435

【mysql常用脚本梳理】

MySQL常用脚本摘要: 数据库创建:推荐使用utf8mb4字符集,MySQL 8.0默认支持,提供更好的Unicode兼容性。排序规则建议utf8mb4_0900_ai_ci(多语言)、utf8mb4_unicode_ci(严格标准)或utf8mb4_general_ci(拉丁字符)。 表创建:包含字段定义、主键、索引等,示例展示用户表和部门表结构设计,注意字符集和引擎选择(推荐InnoDB)。 数据查询:基础SELECT语法,支持LIMIT分页和OFFSET偏移量控制。 模糊查询:LIKE运算符使用技巧

RadyGo的博客 827

Linux | i.MX6ULL Mqtt 移植教程

本文介绍了MQTT协议在物联网中的应用及其实现工具Mosquitto的移植过程。使用Ubuntu 16.04环境和gcc交叉编译器,详细说明了从X86平台安装测试到ARM开发板移植的完整步骤。重点包括:Mosquitto的安装配置、服务启动测试方法、依赖库openssl和libuuid的交叉编译过程、路径参数修改要点,以及最终在开发板上的功能测试验证。文中提供了具体的命令操作和路径修改示例,强调路径一致性对编译成功的重要性。该移植方案实现了轻量级MQTT协议在嵌入式设备中的应用。

Qt历险记,专注Qt技术,三年医疗设备研发经验,1年机器视觉研发经验,半年柔性传感研发经验。 142

常用mysql排查问题脚本

IF (p.COMMAND = 'Sleep', CONCAT(p.TIME,' 秒'), 0) 阻塞方事务空闲的时间。m.`lock_type` "被阻塞方的锁类型(表锁还是行锁)",m.`lock_space` 被阻塞方锁对象的space_id,l.`lock_type` "阻塞方的锁类型(表锁还是行锁)",l.`lock_space` 阻塞方锁对象的space_id,#8.查看innodb行锁信息----------------------m.`lock_index` 被阻塞方锁住的索引,

vigor(软件开发) 339

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

mysql 脚本 linux_「Linux」MySQL 运维常用脚本

[toc]操作规范1、数据操作,必须谨慎,线上尤甚!!!2、线上数据操作,必须备份!备份需完整、可用,备份使用自己最容易操作回滚的方式。3、数据操作,能修改数据解决的决不删除4、不确定的操作不做,不确定的命令不敲5、如果出现问题,例如数据丢失、数据文件损坏,必须首先完整备份当前环境,保证后续操作不会造成更大的影响,以便留给能解决问题的人解决。6、不允许移动、修改、删除 运行中的数据库的任意数据文件...

weixin_34377744的博客 378

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

mysql常用脚本

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34162401的博客 68

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")

原创MySQL运维脚本跟一些常用SQL的分享--持续更新

数据库状态收集脚本: 该脚本动态收集实例状态数据,可前端展示,也可收集到后台日志,该脚本目前还处于完善阶段,还有很多状态可以收集,中途忙其他事情去了,后面有时间了继续更新。脚本效果展示: 前端展示 收集到后台日志: 帮助信息: 脚本内容: vi dbck.sh #!/bin/bash db_host= db_port= db_user= db_pwd= dbexec=“mysql -h ${...

qq_35254185的博客 747

mysql常用监控脚本命令列表

#/bin/sh #检测mysql server是否正常提供服务 mysqladmin -u sky -ppwd -h localhost ping #获取mysql当前的几个状态值 mysqladmin -u sky -ppwd -h localhost status #获取数据库当前的连接信息 mysqladmin -u sky -ppwd -h local

程序员之路 6770

mysql运维脚本_【Linux】MySQL 运维常用脚本

【Linux】MySQL 运维常用脚本目录操作规范1、数据操作,必须谨慎,线上尤甚!!!2、线上数据操作,必须备份!备份需完整、可用,备份使用自己最容易操作回滚的方式。3、数据操作,能修改数据解决的决不删除4、不确定的操作不做,不确定的命令不敲5、如果出现问题,例如数据丢失、数据文件损坏,必须首先完整备份当前环境,保证后续操作不会造成更大的影响,以便留给能解决问题的人解决。6、不允许移动、修改、删...

weixin_36433781的博客 546
上一篇: 1885页学习资料!一本在手,Python不愁!
下一篇: 18条超好用的Python小技巧,建议收藏!
菜鸟学Python
博客等级 码龄9年 8086粉丝 571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