Oracle一家的幸福生活

一个名叫Sid的男人,狂热地爱好拍摄、保存和整理照片。Sid的妻子名叫Debbie,他们有三个儿子Logan、Archie和Chuck。 (sid是oracle实例,照片是数据)

 
    他有一所很大的房子,同住的有男管家Simon和女仆Pam。我将介绍他的家庭、他的房子和他的爱好:拍摄、收集和炫耀他的照片。     现在,Sid快乐地生活着—家庭、朋友和假期。他不时地拍照。事实上,他总是随身带着相机。他不想错过任何东西。

    每一个早餐、午餐和晚宴,都会被拍下来。当孩子们从学校回家,镜头摄入他们对父亲的问候。当孩子们做家庭作业的时候,“卡嚓、卡嚓、卡嚓”,照相机的快门响个不停。

(照相只是要说明数据库不断从外部接受数据)

    棒球赛上,儿子Archie的每一个投掷都被拍摄下来。学校的舞会上,Chuck的父亲拍下了每一个缓慢的舞步以及在苏打水机器旁的交谈。而他的狗——Sadie则是这个世界上被拍摄次数最多的狗。

他和他的家庭收藏了数以百万计的照片。一些照片被销毁掉了,一些则经历了改变。Sid有一套神奇的系统来处理这些照片。

让我来告诉你一些关于他的家庭、他的房子的事,以及关于他和他的家人如何致力于发展、组织和保护所有这些照片。

Sid用一架特殊的相机拍摄。他的相机每拍摄一次,就同时产生一张照片和一张底片。他从来不用换胶卷(这是一种科幻技术)。

照片被贴在房间的墙壁上,而底片则被保存在一个安全的地方。

1.1.1 Sid的家

    我介绍过Sid的家了吗?嗯。那里非常的大而且到处都是照片。因为照片实在是太多了,所以Sid必须寻找地方来放置它们。

    一些照片被挂在墙上,一些被藏在照相簿内,一些被插入剪贴簿里,一些被放在储藏室的一个盒子里再也不会被撇上一眼。所有这些照片都被放在他家中的某处。(照相簿和剪贴簿应该指的是SGA中的某部分)

    他称呼这些放置照片的地方为“相片空间”。一个相片空间可能是一个有着很多墙壁的房间,或者是有着很多页的剪贴簿。一个房间是照片的逻辑存储单元。 (房间是表空间)

房间内的墙壁则是相片空间中保存照片的物理结构。

(墙壁是数据文件,房间是由多个墙壁组成的)

 1.1. 2 Debbie的家务事

    因为Sid忙于拍摄和处理照片,他没有足够的精力来放置和储存它们—那是她妻子的工作。Debbie的全名是Debra Wrider。 (写进程)

    她的T恤衫上印着DBWR—这是一种家庭传统—为所有的东西做标签。

    把所有这些照片放置得井井有条是一件巨大的工作,不过Sid和Debbie已经建立了一个系统。当Sid拍摄结束后,他把照片都放在厨房里一个特定的架子上。 (架子是DBBUFFER)

    那个特定的架子被称为“DB_BUFFER_CACHE”。Debbie时常检查那个架子,看看上面是否有新拍摄的照片。在白天,她把从架子上取回的照片分别放置到对应的相片空间。

(这里没有说明她工作的几个要求,干什么事情都要有激发条件的,不然谁做^_^)

     事实上,在一场棒球赛或者学校的舞会上,Sid制作照片的速度太快了。以至于Debbie几乎跟不上。这是一个特别的情景,Sid拍摄照片,然后放置在那个特定的架子上,Debbie把这些照片放在剪贴簿里,挂在墙上或者插入照相簿内。

    当Sid带着照片和底片进入厨房时,他和他妻子之间可能会有这样的一段对话:

(照片是提交后数据,底片为日志数据)

    Sid:“亲爱的,猜猜我给你带回来了什么?”

    Debbie:“你又拍了很多照片,是吗?你知道我是多么喜欢整理照片啊。”

    Sid:“当然了,Archie的棒球队赢得了最后一局。他在第九局以两个二垒打获胜,我全部都拍摄下来了。”

    Debbie:“太好了,那些照片放在相片空间9号墙壁的运动类里,看上去一定棒极了。我已经等不及去放置它们了,我将邀请所有的邻居来观赏。”

    Sid:“Archie也非常高兴。OK,我再去拍一些照片,我将在23毫秒后回来。哦,顺便说一下,我刚才将那些照片放在DB_BUFFER_CACHE架子上。

  现在Sid的目录号为1332935。”Debbie:“知道了,再见。”

  为了易于管理照片、框架和日志,他使用一种特殊的数字来建立目录,称之为Sid的目录编号。他用这些独特的、不断递增的数字来追踪对这所房子内所有照片的操作。(SCN)

    Sid和Debbie已经对查阅Sid的目录编号感到厌倦。Sid在所有的照片、录像带和底片上都写上“Sid的目录编号”,累得手要抽筋。

    最后,他们将“Sid的目录编号”缩略为SCN。记住SCN,Sid的生活都围绕着它展开。

现在,全家人都知道这个数字被简称为SCN。你可以在每一个地方都看到SCN。Sid把它们写在底片上,然后他把低位和高位的SCN写在每一包底片外面。

    Debbie把它们写在她放置照片的地方。这些数字在Sid的复杂家庭生活中显得尤为重要。

    Debbie把照片放在框架里,房子里的每一个框架都是一样大小。一些框架只保存了一张照片,一些框架则保存了几张照片。一些特别大的照片则要占据多个框架。(框架是segment)

    Sid有一张和原物同样大小的照片,拍摄的是他在跳伞后在空中做造型动作,这张照片占据了两个框架。当照片跨越框架时,Sid称之为照片链。

    任何时候,只要Debbie改变框架内的照片,她就把照片的SCN写在框架上。房子内的每张照片都有一个惟一的数字。他们称照片的这个数字为照片ID。 (rowid)

    这些照片ID帮助Sid管理家中所有墙上的照片。如果他需要尽快找到一张照片,他通过照片ID来实现。通过照片ID,Sid能够迅速找到墙壁和保存照片的框架。

    有时候,Sid会对照片进行一些改变。如果他要编辑一张照片,那么他让Debbie通过照片ID找到他的照片。Debbie给他一份包括所需照片的整个框架的拷贝。(数据更改前映像)

    为防止Sid可能改变主意,不喜欢他已经做的一些改变,他把那份拷贝放在一个储藏室内,称之为“回退”储藏室。当Sid完成了更改并且确定了以 后,Debbie把更改后的照片放回到墙壁上原先的地方,并且把新的SCN写在框架上。如果Sid不喜欢他的更改,他们就从“回退”储藏室里取出框架并且 把它放回墙上。(储藏室是回滚段或者UNDO空间)

    这样一来,照片就和Sid没有改动以前一样。

1.1.3 Logan的家务事

    Debbie为了处理Sid的照片已经忙得焦头烂额,所以她没有足够的时间和精力来处理Sid的底片。Sid认为他的儿子们在玩电子游戏和吃土豆片上浪费了太多的时间,他决定给他们安排任务。

    Sid的大儿子叫做Logan William Randolph。Logan的衬衫上都印着LGWR。Logan有一个非常简单但是非常重要的任务。 (LGWR日志写进程)

    Sid的相机产生照片的同时产生了底片,Logan的任务是将底片放入笔记本里。家中的厨房里竖着另一个架子,架子上Sid贴了一个标签,用来标记那些发送给大儿子的底片。

    标签被称为“LOG_BUFFER”,Logan坐在厨房的桌子旁,观察这个特殊的LOG_BUFFER架子。当有底片被放到这个架子上时,他立即把底片放在笔记本里。 (又一个架是logbuffer)

    Sid称这些笔记本为“重做笔记本”。他使用这个名称是因为以后他可以用里面的底片重新制作一张照片。Logan检查他的架子的频率要比Debbie的高得多。

    (lgwr要比dbwr更频繁,不过还是没指名lgwr工作的触发条件)

    Sid表示,只要有底片,他就可以随时重新制作一份照片。Logan和他父亲的对话简短而温馨:

    Sid:“Logan,底片在架子上了!”

    Logan:“知道了,我会立即处理的。”

    Logan按照他得到底片的顺序将这些底片放入“重做笔记本”。一旦当前的笔记本装满了底片,他就换另一个新的笔记本。每一次他更换“重做笔记本”后,

    都在“告警笔记本”上做一个记录,然后通知他的兄弟来进行他们的家务活。

    (日志切换点log switch,发生的时候会记录到告警日志中)

    悲哀,是不是?老爸和他的大儿子太专注于底片了!

    顺便提到,不是所有的照片都有对应的底片保存。Sid指定某些照片不必被做日志,这些照片就没有对应的底片保存在“重做笔记本”里。Sid称其为“无日志”。 (nolog的情况)

 1.1.4 Archie的家务事

    Sid的第二个儿子Archibald则另有任务。他的衬衫上写着ARCH。Archie从重做笔记本里提取底片后,把它们放置在一个安全的地方。 (ARCHIVE归档进程)

    当Archie发现Logan更换到另一个重做笔记本的时候,他就开始行动。他拿起重做笔记本中的那些底片,把它们放在房子外面的一个安全地方。

    Sid在后院建造了一个控制好温湿的地下室。那是他保存底片的安全地点。如果暴风来到,破坏了房子,他可以使用保存在地下室的底片来替换那些被损坏的照片。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/12122734/viewspace-707227/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/12122734/viewspace-707227/

稳定性仿真(stb闭环增益仿真) stb仿真主要是测试电路的稳定性,例如运放在闭环电路中的增益和相位裕度的值,从而判别电路是否正常工作。 以下是stb仿真的过程: (1)调用iprobe器件 从analogLib中调iprobe器件,通过器件中的箭头标识确定接入电路的方法,箭头起点端连运放的输出端,箭头的终点端连在反馈环路的作用端。iprobe器件连入电路后相当于理想导线。(iprobe器件连接在反馈回路上) (2)analyses设置 勾选stb和frequency,此处的频率范围设置在0.1~1GHz,Probe Instance/T 阅读详情

相关推荐

CAD制图

CAD制图可以提高设计效率和准确性,并方便文档的存档和交流,是现代工程设计中不可或缺的一部分。·CAD三维开发是指使用计算机程序和工具来创建、编辑和操作三维模型、图形和设计的过程。它在工程、建筑、制造和游戏等领域广泛应用。CAD三维开发可能涉及到复杂的图形算法、性能优化、并行计算等方面的内容,因此需要深入学习和实践,以提高开发的效率和质量。

RZer的博客 1656

绕了一大圈,又回oracle了

惊闻oracle 收购sun。 mysql这次有点悬了,希望oracle直接把 oxe改成mysql算了,也算是填补低层空白吧。 估计应该有强人出个mysql加强版吧。 只要mysql能完成bug fix就感谢老天了。 用了多年oracle后改用mysql,现在好了,全是一家人了。...

棋牌游戏 158

使用 ANSYS AEDT(双向耦合)对高功率射频同轴滤波器进行热分析

使用 ANSYS HFSS,可以精确计算 EM 损耗,然后将其导入 ANSYS 热分析并使用 ANSYS Icepak CFD 求解器进行仿真,以帮助工程师解决最复杂的热挑战,并预测其设计在温度变化下的表现。然后,RF 损耗将与 ANSYS Icepak CFD 求解器耦合,以执行热分析,包括传热的传导、对流和辐射模式,并计算温度曲线。在此演示中,我们将仿真下面的 RF 同轴滤波器,并计算由于所用材料的有限电导率和介电损耗而导致的 RF 传导损耗。设置 HFSS 设计后,我们可以开始 HFSS 仿真。

jkh920184196的博客 1052

Larry的幸福生活【Larry's beatific life】

    今天早晨收到夫人发给我的邮件:       亲爱的老公:    每年的oracle open world都在旧金山举行。附件是我找的一些2007年的照片。Do you interested in attending Oracle OpenWorld 2008 (September 21-25) ?    附件中是OOW2007的图片。    晚上下了班,夫人在MSN上问我:“你看发言的L...

weixin_34249367的博客 85

批量导入经纬度点到奥维地图中

随便说说 最近出来出差,天天东奔西跑的,跑完了回到酒店还得整理一天的成果,基本上晚上9点才能整理完,累的基本上倒头就睡,没时间鼓捣自己喜欢的东西了。但想着也得写点啥吧,想来想去就那最近工作中用到的东西吧。因为我们现在的工作内容呢,基本上就是按照着上面给的地理位置找到地方开始检查。所以呢,就需要批量的把手上的经纬点信息导入到地图中,安排好路线,利用导航高效的找到地方。给的坐标就是gps点,wgs-84的,使用奥维地图最方便了,不用做坐标转换直接能用。所以作为组里的gis担(苦)当(力),这个导坐标的活就由我来

lionhenryzxxy的博客 3万+

手把手教你ensp仿真搭建校园网(含防火墙及无线网络)系列(一)校园网核心交换机配置

本系列博客将带你从零开始,使用 华为 eNSP(Enterprise Network Simulation Platform) 仿真搭建一个完整的校园网络,涵盖 核心层、汇聚层、接入层、防火墙安全策略、无线AC+AP组网 等实战场景。无论你是网络初学者还是希望深化实战经验的工程师,都能通过本教程掌握企业级网络的规划、配置与排错技巧。

echo的博客 3818

ORACLE 之 标识符无效 问题总结及解决方案

  今天自己在家里做毕业设计,遇到了ORACLE数据库的一些问题,所以来总结一下。自己在上班的时候也遇到客户过提过这样的问题,当时自己在百度上查了,给客户解决完。自己也没有在意,这次又出现这个问题,又是折腾了一会。真不值,遇到过的问题一定要多去总结和回顾 (一) ONE   第一种情况可能是因为你的SQL中列名写错了,导致查询的时候,报的标识符无效。   或是数据库中没有这个列名,但是你...

weixin_30294295的博客 1万+

Oracle EBS 如何处理MMT表错误-WIP 实体未定义或不具有期间余额项

错误说明:WIP 实体未定义或不具有期间余额项。(The wip entity is either not defined or does not have a period balance entry)由于工单的创建日期为4月份,工单的余额表记录的期间是4月份,而3月份工单余额表中没有记录。公司将上一个新的库存组织,有一部分测试的工单创建日期在4月份,而工单的发放日期、发料事务处理日期和完工事务处理日期均在3月份。1、关闭3月份库存会计期,待定事务处理存在未计成本物料/WMS。成本类型: PAC成本。

陈显平的专栏-Oracle EBS 656

Oracle的结构体系的抽象

老王一家的幸福生活     Oracle的结构体系的抽象 一个狂热摄影爱好者—老王的幸福家庭     每一本介绍ORACLE的书籍第一章节一般都会介绍ORACLE的结构体系,当打开该章节时候,读者会一下子陷入一个充满了大量晦涩难懂的、陌生的概念之深渊。读下去的兴趣一下子没有了,产生了ORACLE是一个深奥难懂的一个数据库的想法。但是如果不知道oracle的结构体系,即使使用oracl

1389

STM32F407+OV2640的DCMI+DMA双缓冲JPEG图像采集系统

在嵌入式视觉系统中,数字摄像头接口(DCMI)是MCU连接CMOS图像传感器的关键硬件通道,其与DMA协同实现零CPU干预的高速数据流采集;而JPEG作为一种基于DCT变换与量化压缩的有损图像格式,依赖传感器端硬件编码引擎才能满足实时性要求。理解DCMI三重同步时序(PCLK/HSYNC/VSYNC)与DMA双缓冲机制的流水线协作原理,是突破带宽瓶颈、避免FIFO溢出和帧丢失的技术基础。该架构广泛应用于智能硬件、工业检测与边缘AI前端等需低功耗、高可靠图像捕获的场景,本文以OV2640与STM32F407为

weixin_42103128的博客 159

全覆盖路径规划开源项目Clean-robot-turtlebot3关键函数解析(上)

本系列文章主要介绍全覆盖路径规划开源项目Clean-robot-turtlebot3的相关内容,包含如下四篇文章,分别介绍了开源项目Clean-robot-turtlebot3流程的概括总结、ROS坐标系常用坐标及其变换、Clean-robot-turtlebot3关键函数解析等内容。

慕羽★的博客 2778

alter table 标识符无效_ORACLE 之 标识符无效 问题总结及解决方案

今天自己在家里做毕业设计,遇到了ORACLE数据库的一些问题,所以来总结一下。自己在上班的时候也遇到客户过提过这样的问题,当时自己在百度上查了,给客户解决完。自己也没有在意,这次又出现这个问题,又是折腾了一会。真不值,遇到过的问题一定要多去总结和回顾(一) ONE第一种情况可能是因为你的SQL中列名写错了,导致查询的时候,报的标识符无效。或是数据库中没有这个列名,但是你的SQL语句中有这个字段。...

weixin_39848347的博客 657

Playwright MCP:开启浏览器自动化的新篇章

在当今数字化时代,浏览器自动化技术在众多领域发挥着至关重要的作用,从简单的网页爬取到复杂的自动化测试,再到智能代理与网页的交互等场景,都离不开高效、可靠的浏览器自动化工具。而微软推出的项目,正是在这一领域的一次创新性探索,它为开发者带来了全新的视角和强大的功能支持。本文将深入探讨的概念、架构、代码示例、应用场景、注意事项以及未来发展方向,帮助读者全面了解这一前沿技术。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 5271

ORACLE进阶(十三)using关键字学习_oracle using where

框架原理真的深入某一部分具体的代码和实现方式时,要多注意到细节,不要只能写出一个框架。算法方面很薄弱的,最好多刷一刷,不然影响你的工资和成功率😯在投递简历之前,最好通过各种渠道找到公司内部的人,先提前了解业务,也可以帮助后期优秀 offer 的决策。要勇于说不,对于某些 offer 待遇不满意、业务不喜欢,应该相信自己,不要因为当下没有更好的 offer 而投降,一份工作短则一年长则 N 年,为了幸福生活要慎重选择!!!开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

2301_82244607的博客 567

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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")

ORACLE进阶(十一)MERGE INTO学习总结_oracle merge into

【代码】ORACLE进阶(十一)MERGE INTO学习总结_oracle merge into。

2401_84438654的博客 428

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

12c oracle 修改内存_还在等12.2吗?Oracle 12c后这个观念要改改!

原标题:还在等12.2吗?Oracle 12c后这个观念要改改!上周三(7月20日)北京城暴雨肆虐的场景想必不少人还印象深刻。数据显示,“7.20”降雨总量已超四年前的"7.21",但即使在这样恶劣的天气下,一年一度的甲骨文数据库云技术大会却依然座无虚席。甲骨文的影响力由此可见一斑,就连如此恶劣的天气都无法阻挡“铁粉”的脚步。会议现场,笔者有幸采访到了甲骨文两位高管,首次来华的甲骨文系统与云管理产...

weixin_39645343的博客 193

Oracle客户端和PLSQL Developer软件的安装

<br />今天我们来看一下Oracle客户端和PLSQL Developer软件的安装。<br />首先下载Oracle client客户端,下载地址为:http://www.oracle.com/technology/software/products/database/oracle10g/htdocs/10201winsoft.html 解压缩后,生成client的文件夹,双击里面的setup.exe图标。<br /><br />出现四种安装类型,分别为InstantClient(即时客户端)、管理员

自学乐园 1364

图文并茂——Oracle 10g Client与PLSQL Developer工具安装配置

图文并茂——Oracle 10g Client与PLSQL Developer工具安装配置

snlying的专栏 6059

oracle数据库知到,Oracle 数据库权限分为()。

【单选题】设DS=0800H, BX=0200H, DATA=0008H. 指令MOV AX,DATA[BX] 源操作数所在存储器单元的物理地址为( )。【判断题】一个完整的计算机系统是由硬件系统和系统软件组成。【单选题】若用一个大小为6的数组来实现循环队列,且当rear和front的值分别为0,3。当从队列中删除一个元素,再加入两个元素后,rear和front的值分别为( )。【单选题】...

weixin_31734677的博客 310
上一篇: Oracle EBS文档
下一篇: EBS 相对困难程度
cuixie7913
博客等级 码龄11年 10粉丝 0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  | 博主筛选后可见
 
 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