mysql5.7版本免安装配置教程

Windows版MySQL5.7解压直用(免安装-绿色-项目打包直接使用-含卸载) MySQL分为 ==安装版和解压版 == 阅读详情

mysql5.7版本免安装配置教程

mysql分为安装版本msi,免安装要压缩版本ZIP,下载网址:http://dev.mysql.com/downloads

免安装版配置主要包括以下几步:
  • 第一步解压文件,随便放到一个文件夹下面,如:D:\mysql-5.7.16-winx64

  • 配置环境变量,在系统变量path后面追加D:\mysql-5.7.16-winx64

  • 复制my-default.ini,命名为my.ini,打开my.ini,加入

basedir = D:\mysql-5.7.16-winx64
datadir = D:\mysql-5.7.16-winx64\data
bind-address = 0.0.0.0
port =3306 (注意修该内容将前面的#去掉)
  • 以管理员身份运行cmd,进入到D:\mysql-5.7.16-winx64\bin(输入D:回车* 输入cd D:\mysql-5.7.16-winx64\bin回车)

5.这一步很重要创建data文件夹,以前有些版本有data文件夹,但现在没有,在cmd中D:\mysql-5.7.15-winx64\bin后面输入

mysqld --initialize-insecure --user=mysql

这样就创建了data文件夹,

  • 执行mysqld -install安装服务,安装成功会得到提示:Service successfully installed

  • 启动服务,执行

net start mysql
/******************登录*******************/
  • 同样在cmd中进入D:\mysql-5.7.16-winx64\bin这个文件,执行mysql -u root -p
    出现enter password:
    直接回车,以root身份登录。

  • 修改密码,进入D:\mysql-5.7.16-winx64\bin,执行mysqladmin -uroot -p password命令,提示输入原来的密码,
    原来密码为空,直接回车,输入新密码,然后确认密码,就可以登录了。

  • 最后我建议大家最好使用MySQL的管理工具来管理MySQL。

MySQL数据库免安装版 数据库免安装 阅读详情

相关推荐

2、windows环境MySql5.7.43(5.7最后一个更新版本)免安装版本配置

所指的路径中寻找一遍,如果找到了就直接执行,没找到就在当前工作目录找,如果还没找到,就报错。我们添加环境变量的目的就是能够在任意一个黑框直接调用MySQL中的相关程序而不用总是修改工作目录,大大简化了操作。,回车,稍微等待一会,如果出现没有出现报错信息(如下图)则证明data目录初始化没有问题,此时再查看MySQL目录下已经有data目录生成。,我们就可以得到mysql-5.7.43-winx64.zip的软件本体了(就是一个文件夹),我们可以把它放在你想安装的位置。如果你想卸载MySQL,也很简单。

weixin_61450401的博客 1961

MySQL5.7免安装版配置

由于安装版的想要完全删除干净比较麻烦,所以此篇文章主要记录免安装版如何进行下载配置。

weixin_44594759的博客 2787

手把手教你用CMake和MinGW64编译libuvc:静态链接与动态链接的选择

本文详细指导如何在Windows平台上使用CMake和MinGW64编译libuvc库,并深入探讨静态链接与动态链接的选择策略。通过对比两种链接方式在部署复杂度、内存占用和版本管理等方面的差异,帮助开发者根据项目需求做出最优决策,实现高效的USB摄像头开发。

weixin_29171087的博客 256

Mysql 5.7 免安装版windows安装完整教程

1. 配置mysql环境变量 新建mysql系统环境变量: 在path变量里添加: %MYSQL_HOME%\bin 2.修改my.ini文件 1) 设置base和data目录: 3.安装mysql服务 打开power shell命令窗口,执行命令: mysqld --install 安装成......

Dream_it_possible!的博客 1万+

Skiplist,B,B+tree,LSM tree

SkipList 理解(如何实现): 即使是有序的链表,查找的时间复杂度也是O(n),但链表不能随机访问所以不适用于二分查找,使得查找的时间复杂度为O(logn)。 于是将有序链表和二分查找结合得到了SkipList,类似于二叉搜索树,这是一种以空间换时间的算法,通过在每个节点中增加向前的指针,从而提升查找效率(如下图所示)。 一开始如a所示,是一个有序的链表,时间复杂度O(n)。随后建立了e所示的SkipList,从最顶层往下查找,可以跳过许多元素,减少查找次数。 ​

weixin_45875458的博客 948

Unity游戏开发:从零开始适配Nintendo Switch的完整指南

本文详细介绍了如何使用Unity进行Nintendo Switch游戏开发的完整流程,包括开发环境搭建、Unity工程适配、手柄与硬件特性开发、存储与性能优化等关键步骤。特别强调了Switch SDK的配置、输入系统改造和内存优化技巧,帮助开发者高效完成跨平台适配。

vodka的博客 1073

mysql5.7.18版本免安装配置教程

Mysql分为安装版和免安装版 安装版后缀是msi,免安装版后缀是zip,免安装版直接解压出来配置一下就可以用。 安装版本的会写入系统注册表,在安装过程中会提示配置。 免安装的需要自己手动配置,不写入系统注册表 下载网址:https://dev.mysql.com/downloads/mysql/ 免安装版配置配置步骤如下: 1.第一步解压文件,随便放到一个文件夹下面,如:D:\shu...

代码创造世界 1695

主流几个JDK版本:JDK 8、JDK 11、JDK 17 和 JDK 21 的区别

主流几个JDK版本:JDK 8、JDK 11、JDK 17 和 JDK 21 的区别

技术分享 1730

mysql免安版本选择_mysql5.7.18.zip免安装版本配置教程(windows)

这是我之前进行mysql5.7.18.zip的安装教程,先分享给大家。在这个下载界面会有几个版本的选择。1. MySQL Community Server 社区版本,开源免费,但不提供官方技术支持。2. MySQL Enterprise Edition 企业版本,需付费,可以试用30天。3. MySQL Cluster 集群版,开源免费。可将几个MySQL Server封装成一个Server。4....

weixin_28940939的博客 154

散户渡劫指南:从炼气期到化神期的量化之路

经常有人问我普通人怎么学习量化交易,我就在想怎么学了量化就不是普通人了吗,可能他的意思是类比修仙,量化素人如何修炼进阶,今天就将量化学习每个阶段均对标修仙境界的核心能力与心法要诀一一介绍,助你从“交易凡人”蜕变为“量化金仙”。

木头大左的博客 1338

升级最新IDEA版本(2022.1.1)

升级最新IDEA版本(2022.1.1)

软件老王 3万+

mysql5.718免安装教程_mysql5.7.18版本免安装配置教程

MySQL分为安装版和免安装版安装版后缀是msi,免安装版后缀是zip,免安装版直接解压出来配置一下就可以用。安装版本的会写入系统注册表,在安装过程中会提示配置。免安装的需要自己手动配置,不写入系统注册表下载网址:http://dev.mysql.com/downloads免安装版配置配置步骤如下:1.第一步解压文件,随便放到一个文件夹下面,如:D:\shujuku\MySql5.7\mysql-...

weixin_39680154的博客 147

手搓UDS Bootloader|全网独家复现0x10诊断会话控制、详解会话跳转规则与S3超时机制、助力ECU在线刷写、固件迭代、车规安全升级落地

在车载UDS诊断(ISO 14229)与Bootloader固件升级架构中,0x10诊断会话控制服务是所有高级诊断、固件刷写功能的前置核心与权限管控入口,属于UDS基础必实现服务。车载ECU通过分级会话模式,隔离常规故障诊断、高级标定、固件重编程等高、低权限操作,从协议层面保障车载电控系统的安全性与稳定性。多数嵌入式开发者开发UDS Bootloader时,仅简单实现会话切换报文应答,未吃透会话强制跳转规则、S3安全超时机制、会话权限绑定、APP在线刷写跳转逻辑。

getusushu的博客 466

mysql免安装版配置ini文件一直报错_mysql5.7.18版本免安装配置教程

MySQL分为安装版和免安装版安装版后缀是msi,免安装版后缀是zip,免安装版直接解压出来配置一下就可以用。安装版本的会写入系统注册表,在安装过程中会提示配置。免安装的需要自己手动配置,不写入系统注册表下载网址:http://dev.mysql.com/downloads免安装版配置配置步骤如下:1.第一步解压文件,随便放到一个文件夹下面,如:D:shujukuMySql5.7mysql-5.7...

weixin_31005543的博客 208

4-20mA电流信号转电压

该电路实现4-20mA电流信号转电压(0.44-2.2V)调理功能,采用两级运放设计:第一级LMH6642MFX进行11倍放大,第二级配置为缓冲器加二阶低通滤波。电路包含10Ω采样电阻、多级RC滤波和ESD防护,具有抗干扰强、功耗低(4mW)等特点,适配3.3V系统ADC采集。通过使能控制MOS管可实现节能模式,适用于工业自动化、环境监测等场景。设计合理平衡了信号精度与功耗,输出电压范围留有充足余量避免饱和。

qq_37999850的博客 308

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

mysql5.718免安装教程_MYSQL教程mysql5.7.18.zip免安装版本配置教程(windows)

《MysqL教程MysqL5.7.18.zip免安装版本配置教程(windows)》要点:本文介绍了MysqL教程MysqL5.7.18.zip免安装版本配置教程(windows),希望对您有用。如果有疑问,可以联系我们。MysqL5.7.18.zip的安装教程,先分享给大家.MysqL 的官网下载地址:http://www.MysqL.com/downloads/MysqL Community ...

weixin_34118050的博客 175

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Windows免安装MySQL配置教程 版本mysql-5.7.23-winx64

以下为免安装版MySQL的配置步骤 版本号:mysql-5.7.23-winx64 第一步:进入官网下载免安装MySQL的压缩包 下载地址:点我跳转下载 点击红色框内不登录即可进行下载 第二步:将下载好的压缩包解压到自己创建的文件夹内 解压后点进去是以下结构,如发现没有data文件夹,不要惊慌,也不要自己复制其他人的文件夹,否则可能会出错,我们等下用命令自己进行创建 第三步:如已安装可直接进行第四步 小插曲:如果电脑提示找不到MSVCR120.dll...

Wxin0721的博客 1163

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")

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。

Windows 免安装版mysql,适用于版本MySQL 5.7.7及以上,快速配置教程

下载并解压[mysql压缩包](https://dev.mysql.com/downloads/mysql/),**把 "/bin" 路径添加到系统环境变量path中** - 命令行执行 `mysqld --initialize --console`,初始化data目录(数据库表文件默认存放在" /data "目录下),保存或者记下来**命令行生成的root用户的初始随机密码** - 命令行执行`mysqld --console`启动mysql服务,在新命令行窗口

Heyuanfly的博客 1251

编译mysql-5.7.18_mysql5.7.18版本免安装配置教程

MySQL分为安装版和免安装版安装版后缀是msi,免安装版后缀是zip,免安装版直接解压出来配置一下就可以用。安装版本的会写入系统注册表,在安装过程中会提示配置。免安装的需要自己手动配置,不写入系统注册表免安装版配置配置步骤如下:1.第一步解压文件,随便放到一个文件夹下面,如:D:\shujuku\MySql5.7\mysql-5.7.18-winx642.找到my-default.ini,改为为...

weixin_28829325的博客 174
上一篇: 集合框架总结
下一篇: Jmeter学习笔记
whfstudio
博客等级 码龄10年 12粉丝 46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