[20190527]注意表与索引的并行属性.txt

博主检查生产系统时发现建立的索引并行属性未关闭,导致执行计划不合理。文中展示了Oracle数据库环境信息,创建表和索引的操作,以及不同查询下的执行计划。提醒在工作中建立索引完成后应马上关闭并行属性。

[20190527]注意表与索引的并行属性.txt

--//今天检查生产系统,才发现自己建立的索引并行属性没有关闭.导致执行计划不是很合理.
--//自己在工作中应该引起注意,建立完成马上关闭.

1.环境:
SCOTT@test01p> @ ver1
PORT_STRING                    VERSION        BANNER                                                                               CON_ID
------------------------------ -------------- -------------------------------------------------------------------------------- ----------
IBMPC/WIN_NT64-9.1.0           12.2.0.1.0     Oracle Database 12c Enterprise Edition Release 12.2.0.1.0 - 64bit Production              0

SCOTT@test01p> create table tx as select * from all_objects ;
Table created.

SCOTT@test01p> create index pk_tx on tx (object_id) parallel ( degree 4 );
Index created.


SCOTT@test01p> select count(object_id) from tx  ;
COUNT(OBJECT_ID)
----------------
           18603

SCOTT@test01p> @ dpc '' ''
PLAN_TABLE_OUTPUT
-------------------------------------
SQL_ID  b2wsdt3h61tzk, child number 0
-------------------------------------
select count(object_id) from tx
Plan hash value: 3775749644
------------------------------------------------------------------------------------------------------------
| Id  | Operation                 | Name     | E-Rows | Cost (%CPU)| E-Time   |    TQ  |IN-OUT| PQ Distrib |
------------------------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT          |          |        |    14 (100)|          |        |      |            |
|   1 |  SORT AGGREGATE           |          |      1 |            |          |        |      |            |
|   2 |   PX COORDINATOR          |          |        |            |          |        |      |            |
|   3 |    PX SEND QC (RANDOM)    | :TQ10000 |      1 |            |          |  Q1,00 | P->S | QC (RAND)  |
|   4 |     SORT AGGREGATE        |          |      1 |            |          |  Q1,00 | PCWP |            |
|   5 |      PX BLOCK ITERATOR    |          |  18603 |    14   (0)| 00:00:01 |  Q1,00 | PCWC |            |
|*  6 |       INDEX FAST FULL SCAN| PK_TX    |  18603 |    14   (0)| 00:00:01 |  Q1,00 | PCWP |            |
------------------------------------------------------------------------------------------------------------
Query Block Name / Object Alias (identified by operation id):
-------------------------------------------------------------
   1 - SEL$1
   6 - SEL$1 / TX@SEL$1
Predicate Information (identified by operation id):
---------------------------------------------------
   6 - access(:Z>=:Z AND :Z<=:Z)

SCOTT@test01p> select  count(object_id) from tx  ;
COUNT(OBJECT_ID)
----------------
           18603

SCOTT@test01p> @ dpc '' ''
PLAN_TABLE_OUTPUT
-------------------------------------
SQL_ID  7axzt5nf4p3xc, child number 0
-------------------------------------
select  count(object_id) from tx

Plan hash value: 893863067

------------------------------------------------------------------------
| Id  | Operation             | Name  | E-Rows | Cost (%CPU)| E-Time   |
------------------------------------------------------------------------
|   0 | SELECT STATEMENT      |       |        |    14 (100)|          |
|   1 |  SORT AGGREGATE       |       |      1 |            |          |
|   2 |   INDEX FAST FULL SCAN| PK_TX |  18603 |    14   (0)| 00:00:01 |
------------------------------------------------------------------------

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/267265/viewspace-2645810/,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/267265/viewspace-2645810/

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的示。 **5. 激活函数正则化** CNN中使用非线性激活函数来引入非线性达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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