【mysql去重】

最新推荐文章于 2025-04-01 13:53:25 发布

原创最新推荐文章于 2025-04-01 13:53:25 发布 · 95 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#mysql #数据库

mysql 专栏收录该内容

4 篇文章

订阅专栏

重复数据查询：

SELECT data1,data2,COUNT(*) FROM table GROUP BY data1,data2 HAVING COUNT(*)>1

删除重复数据（保留id最小的）：

DELETE FROM table
WHERE id NOT IN (
	SELECT * FROM (
    	SELECT MIN(id)
    	FROM radcheck
    	GROUP BY data1,data2
	) AS temp
);

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

dmonstererer

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

自然语言处理之文本分类：Transformer在文本分类中的应用

zhubeibei168的博客

05-19

807

文本摘要是生成文本的简短版本，保留其主要信息。这在新闻文章、学术论文等领域非常有用。Transformer模型是自然语言处理领域的一个重要突破，由Vaswani等人在2017年的论文《Attention is All You Need》中提出。它摒弃了传统的循环神经网络（RNN）和卷积神经网络（CNN）的序列依赖性，引入了自注意力机制（Self-Attention），使得模型能够并行处理输入序列，大大提高了训练效率。

STM32八种I/O口模式

Yin_w的博客

03-31

3460

作为两年嵌入式软件攻城狮，还没仔细去理解过STM32的GPIO的八种使用模式，俗话说嵌入式软硬件不分家，软件不懂硬件，出了问题有时候只能拿“抓虾”，今天有点时间，特此总结一下学过的有关STM32的GPIO模式的硬件知识。

参与评论您还未登录，请先登录后发表或查看评论

Vision Transformer实战：如何将Transformer应用于图像分类

热门推荐

qq_37937847的博客

04-09

5万+

文章目录1.对transformers的简单介绍1.1序列数据的介绍（seq2seq）1.2self-Attention1.3 transformer的完整结构2.transformers在图像分类上的pytorch代码2.1加载cifar10数据集2.2构建transformers模型2.2.1构建图像编码模块 Embeddings2.2.3构建前向传播神经网络模块2.2.4构建编码器的可重复利用Block模块2.2.5构建Encoder模块2.2.6 构建完整的transformers2.2.7构建Vi

STM32 IO口的八种模式

冉冰的小窝

05-12

5788

【冉冰的成长日记007】 STM32 的 IO 口可以由软件配置成如下 8 种模式： 1、输入浮空 2、输入上拉 3、输入下拉 4、模拟输入 5、开漏输出 6、推挽输出 7、推挽式复用功能 8、开漏复用功能每组IO口包含7个寄存器。分别是 - GPIOx_CRL：端口配置低寄存器 - GPIOx_CRH：端口配置高寄存器 - GPIOx_IDR：端口输入寄存器 - GPIOx_ODR：端口输出寄存器 GPIOx_BSRR：端口位设置/清除寄存器 GPIOx_BRR：端口位清除寄存器 GPIOx_L

Swin Transformer 实现图像分类

05-29

在本项目中，你将找到一个完整的Swin Transformer实现，用于图像分类任务。项目包括以下文件： 1. `class_indices.json`：这是一个字典文件，它将类别ID与对应的类别名称映射起来，对于理解和处理预测结果非常有用...

VIT(vision transformer)实现图像分类

05-29

VIT(vision transformer)实现图像分类，是将transformer首次应用于CV(计算机视觉)领域，该资源包含所有源代码，拿走技能运行跑通，包含数据集和训练好的权重，分类精度高达99%以上。

使用swin_transformer做自己数据集的图像分类

04-30

使用的数据集共有5种类别，使用Swin-T预训练模型进行训练。

【STM32】浅析8种IO口模式

zi__li的博客

04-12

3189

Stm32上的IO口有8种模式可以选择，分别为：四种输入模式：（1）浮空输入（2）输入上拉（3）输入下拉（4）模拟输入四种输出模式：（5）开漏输出（6）推挽输出（7）复用开漏输出（8）复用推挽输出下...

transformer的具体应用：图像分类

m0_74096414的博客

12-07

2765

在上面的结构图中可以看到，输入Encoder的最左侧部分添加了一个0*这个Token，这个就是额外添加的一个[class]token，单独用来处理类别信息，经过Encoder之后，需要单独将这个Token再提取出来，输入到MLP Head之中再输出分类结果。这一步的操作在论文中是直接采用切割的处理办法，但是在后面的代码实现中，采用了一种更巧妙的解决思路，就是利用一个卷积核大小为16x16，步距为16，卷积核个数为768的卷积层来进行实现。在Transformer中，位置编码的作用是为了记忆输入的语序信息。

[Python]基于CNN的MNIST手写数字识别

weixin_33887443的博客

06-25

3246

目录一、背景介绍 1.1 卷积神经网络 1.2 深度学习框架 1.3 MNIST 数据集二、方法和原理 2.1 部署网络模型（1）权重初始化（2）卷积和池化（3）搭建卷积层1 （4）搭建卷积层2 （5）搭建全连接层3 （6）搭建输出层 2.2 训练和评估模...

基于CNN的Mnist手写数字识别（Pytorch）

qq_47564006的博客

06-27

1195

GPU版本Pytorch实现基于CNN手写数字识别，测试集准确率99.29%，含数据预处理与模型保存

深度学习：使用卷积神经网络CNN实现MNIST手写数字识别

十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎

08-09

5567

卷积神经网络是一种多层、前馈型神经网络。从功能上来说，可以分为两个阶段，特征提取阶段和分类识别阶段。特征提取阶段能够自动提取输入数据中的特征作为分类的依据，它由多个特征层堆叠而成，每个特征层又由卷积层和池化层组成。处在前面的特征层捕获图像中局部细节的信息，而后面的特征层能够捕获到图像中更加高层、抽象的信息。MNIST数据集是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,000个示例的测试集。其中的图像的尺寸为28*28。

深度学习——CNN实现MNIST手写数字的识别

尘心平的博客

08-01

2万+

本篇博客记录了学习K同学啊的深度学习100例的第一例的学习过程,主要介绍了CNN神经网络的基本知识,使用方法及使用流程, 简单介绍了数据集的归一化和标准化激活函数优化器损失函数 metrics等配置............

基于视觉 Transformer（ViT）进行图像分类

Warmer_Sweeter

11-20

2644

点击下方卡片，关注“小白玩转Python”公众号引言近年来，Transformer 架构彻底改变了自然语言处理（NLP）任务。视觉Transformer（ViT）将这一创新更进一步，将变换器架构适应于图像分类任务。本教程将指导您使用ViT对花卉图像进行分类。先决条件要跟随本教程，您应该具备以下基础知识：Python编程深度学习概念TensorFlow和Keras数据集概览在本教程中，我们将使用一个...

【深度学习】使用transformer进行图像分类

fengdu78的博客

09-10

1万+

基于CNN的MINIST手写数字识别项目代码以及原理详解

Oona_01的博客

05-05

826

其中分子的zi是多分类中的第i类的输出值，分母将所有类别的输出值求和，使用指数函数来将其转换为概率，最终将神经网络上一层的原始数据归一化到[ 0 , 1 ] [0,1][0,1]，使用指数函数的原因是因为上一层的数据有正有负，所以使用指数函数将其变为大于0的值。首先我们需要自己手写一个数字。因为在深度学习中，训练的数据通常数量十分巨大，不能一次性的把全部数据都传到模型中进行训练，所以要利用数据加载，将源数据的顺序打乱，进行分批和预处理后，最后将处理好的数据传给模型进行训练，这样才能保证模型训练的准确性。

transformer用于图像分类

02-24

### 使用Transformer模型进行图像分类的方法 #### 方法概述为了使Transformer能够应用于图像分类任务，一种有效的方式是将图像分割成固定大小的小块（patches），这些小块被线性映射为向量，并加上位置编码以保留空间信息[^2]。 #### 数据预处理在准备输入数据的过程中，原始图片会被切分成多个不重叠的patch。假设一张尺寸为\(H \times W\)的RGB图像是要处理的对象，则可以按照设定好的宽度和高度参数来划分该图像。例如，对于分辨率为\(224\times 224\)像素的图像，如果选择每边切成16个部分的话，那么最终会得到\((224/16)^2=196\)个小方格作为单独的特征表示单元。之后，每一个这样的补丁都会通过一个简单的全连接层转换成为维度固定的嵌入向量。 ```python import torch from torchvision import transforms def preprocess_image(image_path, patch_size=16): transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 假设目标分辨率是224x224 transforms.ToTensor(), ]) image = Image.open(image_path).convert('RGB') tensor = transform(image) patches = [] for i in range(tensor.shape[-2] // patch_size): # 高度方向上的循环 row_patches = [] for j in range(tensor.shape[-1] // patch_size): # 宽度方向上的循环 patch = tensor[:, :, i*patch_size:(i+1)*patch_size, j*patch_size:(j+1)*patch_size].flatten() row_patches.append(patch) patches.extend(row_patches) return torch.stack(patches) ``` #### 构建Transformer架构构建Vision Transformer (ViT)，通常包括以下几个组成部分： - **Patch Embedding Layer**: 将每个图像块转化为低维向量； - **Positional Encoding Layer**: 添加绝对或相对位置信息给上述获得的向量序列； - **Multiple Layers of Self-Attention and Feed Forward Networks**: 多层自注意机制与前馈神经网络交替堆叠而成的核心模块；最后，在顶层附加一个全局平均池化层(Global Average Pooling)以及一个多类别Softmax回归器用于预测类标签。 ```python class VisionTransformer(nn.Module): def __init__(self, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=False, drop_rate=0.): super().__init__() self.patch_embed = PatchEmbed(embed_dim=embed_dim) self.pos_embed = nn.Parameter(torch.zeros(1, self.patch_embed.num_patches + 1, embed_dim)) self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) dpr = [drop_rate for _ in range(depth)] self.blocks = nn.Sequential(*[ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, drop=dpr[i], ) for i in range(depth)]) self.norm = nn.LayerNorm(embed_dim) self.head = nn.Linear(embed_dim, num_classes) def forward(self, x): B = x.shape[0] cls_tokens = self.cls_token.expand(B, -1, -1) x = self.patch_embed(x) x = torch.cat((cls_tokens, x), dim=1) x += self.pos_embed x = self.blocks(x) x = self.norm(x) return self.head(x[:, 0]) ```