2018-05-04-8章-MySQL存储过程

STM32CubeMx配置串口使用printf函数打印数据(HAL库开发) HAL库开发串口,打印printf 阅读详情

MySQL存储过程

1 MySQL存储过程简介

存储过程是SQL语句和控制语句的预编译集合,以一个名称存储并作为一个单元处理

存储过程的优点:

  • 增强SQL语句的功能和灵活性
  • 实现较快的执行速度
  • 减少网络流量

2 MySQL存储过程语法结构分析

参数

  • IN ,表示该参数的值必须在调用存储过程时指定
  • OUT , 表示该参数的值可以被存储过程改变,并且可以返回
  • INOUT , 表示该参数的调用时指定,并且可以被改变和返回

特性

COMMENT  'string'

| {CONTAINS SQL | NO SQL | READS SQL DATA | MODIFIES SQL DATA}

| SQL SECURITY {DEFINER | INVOKER }

特性
COMMENT:注释
CONTAINS SQL : 包含SQL语句,但不包含读或写数据的语句
NO SQL: 不包含SQL语句
READS SQL DATA: 包含读数据的语句
MODIFIES SQL DATA: 包含写数据的语句
SQL SECURITY { DEFINER | INVOKER} 指明谁有权限执行
2.1 过程体
  • 过程体由合法的SQL语句构成
  • 过程体可以使任意SQL语句
  • 过程体如果为复合结构则使用BEGIN…END语句
  • 复合结构可以包含声明,循环,控制结构

(但是实际上这个任意是加引号的;

我们不可能通过存储过程创建数据表,页不可能通过存储过程来创建数据库,

所谓的任意是对于记录的增删改查,以及多表连接的操作)

3 创建不带参数的存储过程

3.1 调用存储过程
  • CALL sq_name([parameter[,…]])
  • CALL sp_name[()]
--创建一个存储过程

mysql> create procedure sp1() select version();
Query OK, 0 rows affected (0.00 sec)

--调用不带参数的存储过程

mysql> CALL sp1;
+-------------------------+
| version()               |
+-------------------------+
| 5.7.22-0ubuntu0.16.04.1 |
+-------------------------+
1 row in set (0.02 sec)

Query OK, 0 rows affected (0.02 sec)

--调用不带参数的存储过程

mysql> CALL sp1();
+-------------------------+
| version()               |
+-------------------------+
| 5.7.22-0ubuntu0.16.04.1 |
+-------------------------+
1 row in set (0.00 sec)

Query OK, 0 rows affected (0.00 sec)

4 MySQL 创建带有IN类型参数的存储过程

mysql> desc stu;
+-------+-------------+------+-----+---------+----------------+
| Field | Type        | Null | Key | Default | Extra          |
+-------+-------------+------+-----+---------+----------------+
| id    | int(11)     | NO   | PRI | NULL    | auto_increment |
| name  | varchar(30) | NO   |     | NULL    |                |
| age   | int(11)     | NO   |     | NULL    |                |
| grade | int(11)     | YES  |     | NULL    |                |
+-------+-------------+------+-----+---------+----------------+
4 rows in set (0.01 sec)

mysql> select * from stu;
+----+----------+-----+-------+
| id | name     | age | grade |
+----+----------+-----+-------+
|  1 | xiaoming |  18 |    50 |
|  2 | xiaofang |  16 |    90 |
|  3 | xiaojun  |  17 |    67 |
|  4 | zuozhu   | 100 |    99 |
|  5 | 张三8    |  78 |    61 |
|  6 | 张三15   |   6 |    69 |
|  7 | 张三28   |  27 |    71 |
+----+----------+-----+-------+
7 rows in set (0.00 sec)

--DELIMITER 修改定界符

mysql> DELIMITER //
mysql> CREATE PROCEDURE removeStuById(IN id INT UNSIGNED)
    -> BEGIN
    -> DELETE FROM stu WHERE id = id;
    -> END
    -> //
Query OK, 0 rows affected (0.06 sec)

mysql> DELIMITER ;
mysql> CALL removeStuById(3);
Query OK, 7 rows affected (0.00 sec)

--为什么7跳记录都被删除了呢?
--因为WHERE id = id;mysql不会主观认为等号左边的是mysql的id,
--等号右边是我们传进来的id
--所以我们在调用时传参的时候参数名最好不好与表中的字段名相同

mysql> select * from stu;
Empty set (0.00 sec)

4.1 修改存储过程
只能修改这几个简单的选项
注释,内容的类型等等
并不能修改我们的过程体
如果说想修改过程体的话,
只能是先将我们的存储过程删除,然后在进行重建
ALTER PROCEDURE sp_name [characteristic ...]
COMMENT ' string '
| { CONTAINS | NO SQL | READS SQL DATA | MODIFIES SQL DATA }
| SQL SECURITY { DENFINER|INVOKER }

4.2 删除存储过程
DROP PROCEDURE [IF EXISTS] sp_name
4.3 删除重建存储过程
mysql> DROP PROCEDURE removeStuById;
Query OK, 0 rows affected (0.03 sec)

mysql> DELIMITER //
mysql> CREATE PROCEDURE removeStuById(IN s_id INT UNSIGNED)
    -> BEGIN
    -> DELETE FROM stu WHERE id = s_id;
    -> END
    -> //
Query OK, 0 rows affected (0.00 sec)

mysql> DELIMITER ;
mysql> select * from stu;
+----+-----------+-----+-------+
| id | name      | age | grade |
+----+-----------+-----+-------+
|  8 | 卡卡西    |  27 |    77 |
|  9 | 麦克凯    |  28 |    77 |
| 10 | 鸣人      |  17 |    88 |
| 11 | 佐助      |  17 |    88 |
| 12 | 雏田      |  16 |    66 |
| 13 | 小樱      |  17 |    66 |
+----+-----------+-----+-------+
6 rows in set (0.00 sec)

mysql> CALL removeStuById(12);
Query OK, 1 row affected (0.01 sec)

mysql> select * from stu;
+----+-----------+-----+-------+
| id | name      | age | grade |
+----+-----------+-----+-------+
|  8 | 卡卡西    |  27 |    77 |
|  9 | 麦克凯    |  28 |    77 |
| 10 | 鸣人      |  17 |    88 |
| 11 | 佐助      |  17 |    88 |
| 13 | 小樱      |  17 |    66 |
+----+-----------+-----+-------+
5 rows in set (0.00 sec)

5 MySQL 创建带有IN和OUT类型参数的存储过程

--删除stu表中指定id的记录,并返回剩余的记录数

mysql> DELIMITER //
mysql> CREATE PROCEDURE removeStuAndReturnStuNums(IN p_id INT UNSIGNED,
    -> OUT stuNums INT UNSIGNED)
    -> BEGIN
    -> DELETE FROM stu WHERE id = p_id;
    -> SELECT COUNT(id) FROM stu INTO stuNums;
    -> END
    -> //
Query OK, 0 rows affected (0.00 sec)

--注意,这里的 INTO stuNums的INTO是将查询出来的COUNT(id)值赋给变量stuNums

--注意BEGIN  和  END 之间的变量叫做局部变量

mysql> DELIMITER ;
mysql> SELECT COUNT(id) FROM stu;
+-----------+
| COUNT(id) |
+-----------+
|         5 |
+-----------+
1 row in set (0.00 sec)

mysql> CALL removeStuAndReturnStuNums(11,@nums);
Query OK, 1 row affected (0.02 sec)

mysql> SELECT @nums;
+-------+
| @nums |
+-------+
|     4 |
+-------+
1 row in set (0.00 sec)

--@nums,@i这个叫做用户变量;这个是跟我们的mysql客户端绑定的

mysql> set @i = 7;
Query OK, 0 rows affected (0.00 sec)

6 MySQL 创建带有多个OUT类型参数的存储过程

--根据年龄删除,返回删除的用户,返回剩余的用户

--ROW_COUNT()返回被前面语句升级的、插入的或删除的行数
--这个行数和 mysql 客户端显示的行数及 
--mysql_affected_rows() C API 函数返回的值相同。

mysql> SELECT ROW_COUNT();
+-------------+
| ROW_COUNT() |
+-------------+
|          -1 |
+-------------+
1 row in set (0.00 sec)


--插入3条数据,后使用ROW_COUNT()方法查看

mysql> INSERT stu(name) VALUES('A'),('B'),('C');
Query OK, 3 rows affected (0.01 sec)
Records: 3  Duplicates: 0  Warnings: 0

mysql> SELECT ROW_COUNT();
+-------------+
| ROW_COUNT() |
+-------------+
|           3 |
+-------------+
1 row in set (0.00 sec)

mysql> SELECT * FROM stu;
+----+-----------+-----+-------+
| id | name      | age | grade |
+----+-----------+-----+-------+
|  8 | 卡卡西    |  27 |    77 |
|  9 | 麦克凯    |  28 |    77 |
| 10 | 鸣人      |  17 |    88 |
| 13 | 小樱      |  17 |    66 |
| 14 | A         |  15 |  NULL |
| 15 | B         |  15 |  NULL |
| 16 | C         |  15 |  NULL |
+----+-----------+-----+-------+
7 rows in set (0.00 sec)

--更新id<=10,的数据,后ROW_COUNT()方法查看

mysql> UPDATE stu set name = CONCAT(name,'--imooc')
    -> WHERE id <= 10;
Query OK, 3 rows affected (0.03 sec)
Rows matched: 3  Changed: 3  Warnings: 0

mysql> SELECT ROW_COUNT();
+-------------+
| ROW_COUNT() |
+-------------+
|           3 |
+-------------+
1 row in set (0.00 sec)

--删除stu表中age=27的记录,并返回,删除了多少条,剩余的记录数

mysql> DELIMITER //
mysql> CREATE  PROCEDURE removeStuByAgeAndReturnInfos(
    -> IN p_age SMALLINT UNSIGNED,
    -> OUT deleteStus SMALLINT UNSIGNED,
    -> OUT stuCounts SMALLINT UNSIGNED)
    -> BEGIN
    -> DELETE FROM stu WHERE age = p_age;
    -> SELECT ROW_COUNT() INTO deleteStus;
    -> SELECT COUNT(id) FROM stu INTO stuCounts;
    -> END
    -> //
Query OK, 0 rows affected (0.00 sec)

mysql> SELECT * FROM stu;
    -> //
+----+------------------+-----+-------+
| id | name             | age | grade |
+----+------------------+-----+-------+
|  8 | 卡卡西--imooc    |  27 |    77 |
|  9 | 麦克凯--imooc    |  28 |    77 |
| 14 | A                |  15 |  NULL |
| 15 | B                |  15 |  NULL |
| 16 | C                |  15 |  NULL |
| 17 | 纲手             |  27 |  NULL |
| 18 | 大蛇丸           |  26 |  NULL |
+----+------------------+-----+-------+
7 rows in set (0.00 sec)

mysql> DELIMITER ;
mysql> SELECT * FROM stu;
+----+------------------+-----+-------+
| id | name             | age | grade |
+----+------------------+-----+-------+
|  8 | 卡卡西--imooc    |  27 |    77 |
|  9 | 麦克凯--imooc    |  28 |    77 |
| 14 | A                |  15 |  NULL |
| 15 | B                |  15 |  NULL |
| 16 | C                |  15 |  NULL |
| 17 | 纲手             |  27 |  NULL |
| 18 | 大蛇丸           |  26 |  NULL |
+----+------------------+-----+-------+
7 rows in set (0.00 sec)

mysql> CALL removeStuByAgeAndReturnInfos(27,@a,@b);
Query OK, 1 row affected (0.01 sec)

mysql> SELECT @a as 删除的记录,@b as 剩余的记录;
+-----------------+-----------------+
| 删除的记录      | 剩余的记录      |
+-----------------+-----------------+
|               2 |               5 |
+-----------------+-----------------+
1 row in set (0.00 sec)


7 MySQL 存储过程与自定义函数的区别

  • 存储过程实现的功能要复杂一些;而函数的针对性更强
  • 存储过程可以返回多个值,函数只能有一个返回值
  • 存储过程一般独立的来执行;而函数可以作为其他SQL语句的
  • 组成部分来出现
从MFCC到GMM:手把手教你用Python实现说话人识别(附完整代码) 本文详细介绍了如何使用Python实现说话人识别系统,从MFCC特征提取到GMM模型训练,涵盖完整的技术流程和代码示例。通过梅尔频率倒谱系数(MFCC)和高斯混合模型(GMM)的结合,构建高效的说话人识别系统,适用于身份认证和智能交互场景。文章还探讨了从传统方法到深度学习的进阶话题,如i-vector和x-vector技术。 阅读详情

相关推荐

图像特征(一)——颜色特征(颜色直方图,颜色矩,颜色集,颜色聚合向量和颜色相关图)

本文主要是为了更好地理解图像特征,理解各方法的原理。转载请注明出处https://mp.youkuaiyun.com/console/editor/html/105090183 图像模式识别的一般步骤为:输入图像--图像预处理--特征提取--特征选择--图像分类--输出结果。 图像特征主要有:颜色特征、形状特征、纹理特征和空间关系特征。 本文主要介绍颜色特征,并给出matlab上实现的demo。 颜...

gloria_iris的博客 3万+

Mysql5.0 存储过程

Stored routines require the proc table in the mysql database. (mysql.proc)心得:1.创建存储过程之前,使用delimiter $$ 来定义语句结束符,创建完成后,还原语句结束符 delimiter ;       由于MySQL默认以";"为分隔符,则过程体的每一句都被MySQL以存储过程编译,则编译过程会报

1238

微型纵向加密在新能源场站中的实战部署与运维避坑指南

本文详细解析了微型纵向加密在新能源场站中的实战部署与运维技巧。通过国密算法SM4实现数据加密,确保新能源场站通信安全,同时提供非侵入式部署方案和运维避坑指南,帮助提升网络稳定性和运维效率。

weixin_30505225的博客 601

Mysql的 存储过程(procedure)

存储过程(Stored Procedure)是一组为了完成特定功能的SQL语句集合,经编译后存储在数据库中,用户通过指定存储过程的名字和参数(如果有)来执行它。存储过程可以在很多数据库管理系统(DBMS)中找到,如SQL Server、Oracle、MySQL等。

shark1978的专栏 1180

Matlab结果性能评价---rms函数(计算矩阵、数组和向量元素均方根)

实例1:创建一个向量(正弦波)并计算其均方根值 实例2:创建一个二维矩阵并计算其均方根值 实例3:计算二维矩阵沿指定维度的均方根值 本例程配套完整源码下载 均方根(Root-Mean-Square Level): 向量x的均方根值为沿着指定的维度执行求和: 语法描述: y = rms(x)返回输入x的均方根值。如果x是行或列向量,y是实数值标量。对于大小尺寸大于1矩阵x,y包含沿x的第一个数组维度计算的均方根值。例如,如果x是N > 1的N*M矩阵,那么y是1*M行向量,对应x矩..

qq_32809093的博客 3万+

三部对接 sora-2:OpenAI 最新视频模型快速接入指南

本文介绍OpenAI最新视频生成模型Sora-2的接入方案,重点解析其Chat格式调用功能。开发者可通过在提示词中嵌入"横屏/竖屏""时长""清晰度"等要求快速生成视频。文章分三部分:1)基础准备(环境配置与API密钥获取);2)核心调用(提供Python/Java示例代码);3)结果查询与优化建议。Sora-2支持多语言调用,简化了视频生成流程,适用于短视频、广告创意等场景。

2501_93565190的博客 3437

mysql优化

Mysql优化综合性的问题: A、表的是设计合理化(符合 3范式) B、添加适当的索引(index)[四种:普通索引,主键索引,唯一索引,unique,全文索引] C、分表技术(水平分割,垂直分割) D、读写[写:update/delete/add]分离 E、存储过程[模块化编程,可以提高速度] F、对mysql配置优化[配置最大并发数,my.ini调整缓存大小] G、Mysql服务...

github_zwl的博客 1万+

PyRoki:机器人运动学优化库入门教程

PyRoki:模块化机器人运动学优化工具包 本文介绍了PyRoki,一个模块化、可扩展且跨平台的机器人运动学优化工具包。PyRoki通过统一变量和成本函数接口,简化了逆运动学、轨迹优化和运动重定向等任务的实现,支持CPU、GPU和TPU加速。实验表明,PyRoki在批量逆运动学任务中比现有GPU加速库cuRobo快1.4-1.7倍,且收敛误差更低。其模块化设计支持快速集成新成本函数,并通过交互式可视化工具优化参数配置。PyRoki开源发布,为机器人运动优化提供了灵活高效的解决方案。

机器人控制与仿真应用 1294

回看存储过程

周六周日写了些查询的窗体,感觉没什么新鲜的东西,都是一堆select,后来写的到了注册,上下机等,在一个方法里面,包含了多个增删改查的过程,可能上一个访问数据库的过程返回的结果又是下一个访问数据库读取数据的参数。也就是说,这些对数据库的增删改查是一个连贯的动作,比如,注册一个学生的时候,涉及到注册金额,这个注册金额同时也要写到充值表里面去。既然他们是一起的,后来就很自然想到了用存储过程,将多条SQ

我们的征途是星辰大海 2483

基于Python的新闻聚合与推荐系统:抓取多新闻网站内容并根据用户兴趣进行个性化推荐

本文介绍了如何使用Python构建一个新闻聚合与推荐系统,涵盖了从新闻数据抓取、用户兴趣建模到推荐算法实现的全过程。通过爬虫技术抓取新闻网站内容,使用TF-IDF、Word2Vec等算法进行内容分析,并通过推荐算法向用户推送个性化的新闻,最终帮助用户快速获取自己感兴趣的信息。你可以根据具体需求,进一步扩展和优化系统。例如,加入更多的推荐算法、优化爬虫的抓取效率、增强前端展示的互动性等。通过本文的指导,您应该能够构建一个完整的新闻聚合与推荐系统,并为用户提供个性化的新闻推荐服务。

2201_76125261的博客 1515

基于FPGA的时间数字转换(TDC)设计(五:基于Carry4的高精度TDC设计)

基于FPGA的时间数字转换(TDC)设计,此为第五篇:基于Carry4的高精度TDC设计。提供工程文件及MATLAB测试分析代码

sdau2005的博客 8808

GitHub NPoco 调用存储过程

由于新项目没有用EF, 采用了这个怎么读都不知道的ORM,其他的环境是老大已经创建好的,然后上周做了增删改查,掌握了基本的知识,这周要用到存储过程,于是在API上找到一个使用变量的语句,照着套了一下居然查出了数据~ API如下图:   经修改以后改为: 另外要注意一点就是存储过程中返回的集合类型要和后台对应,如果不是一张表就创建一个model,字段一一对应(日期字段在存储过程结果中...

nnn_net的博客 1843

【YOLO26科研级突破】集成BiFPN双向特征金字塔,让多尺度特征融合效率与精度双跃升

打开确保模型解析器能识别BiFPN模块。通过将BiFPN双向特征金字塔集成到YOLO26中,我们实现了一个“全尺度双向特征流动+加权融合+精准检测”的目标检测模型。这个改进不仅在工程上能大幅提升多尺度、复杂场景下的检测精度,更在科研上提供了“双向特征融合”的创新思路——这种思路可以延伸到其他检测网络(如Faster R-CNN、SSD)的Neck模块改进中,帮你在论文中打造独特的研究点。

LXY_LOVE36的博客 201

mysql 存储过程 replace_mysql 存储过程 create or replace

MySQL和Oracle对比之存储过程昨天晚上帮一个朋友处理了一个关于存储过程的问题,他需要迁移一些Oracle中的存储过程到MySQL中来,但是改了一部分的程序,发现MySQL中没法编译了,报了很多的错误。这个问题也比较典型,自己就趁热打铁总结了一下。因为隐私的关系还有代码长度的关系,我就不罗列代码了。假设Oracle中的存储...文章jeanron1002015-04-15792浏览量MySQ...

weixin_35876682的博客 4637

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

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")

MYSQL存储过程和函数

MYSQL、存储过程、函数

qq_40210639的博客 1384

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

mysql存储过程fetch into_存储过程fetch into

SQL Server 中,对结果集及游标的使用[总结]一、对结果集使用的解决办法如何在存储过程中使用另一个存储过程的结果集,或者对动态SQL语句的执行结果再次使用,可以使用下面这样的语句:INSERT INTO table_name EXEC procedure_name @parameters_var使用代码如下:--1 创建一个临时表...文章老朱教授2017-11-26881浏览量Sql s...

weixin_35492602的博客 4108

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

mysql存储过程 limit_mysql存储过程 limit

SQL分页查询代码SQL Server关于分页 SQL 的资料许多,有的使用存储过程,有的使用游标。本人不喜欢使用游标,我觉得它耗资、效率低;使用存储过程是个不错的选择,因为存储过程是颠末预编译的,执行效率高,也更灵活。先看看单条 SQL 语句的分页 SQL 吧。方法1:适用于 SQL Server 2000...文章nieson2014-01-031412浏览量Mysql 5.7存储过程的学习M...

weixin_42524499的博客 514

mysql 存储过程 游标 repeat_mysql 存储过程 游标 repeat

MySQL利用存储过程清除所有表中的所有记录MySQL利用存储过程清除所有表中的所有记录在使用MySQL过程中,难免会出现一些测试数据,然而这些测试数据在真正部署运行的时候,通常要被清楚掉,并且自增长的字段要回复初始值。如何高效快速的实现以上功能,可以使用存储过程实现这一个功能。主要使用:TRUNCATE TABLE。不仅可以清楚数据...文章推荐码发放2018-05-021586浏览量mysql...

weixin_35363322的博客 879

MYSQL存储过程、游标及嵌套游标的基本使用

1.存储过程 mysql中的存储过程,可以理解成 C、JAVA中的方法,也就是对一些逻辑操作,加以封装一层外壳。可以提高sql的复用。比如当我们需要初始化一个表的数据。下次再需要的时候,如果又一条一条的插入,会显的比较麻烦,所以我们可以对外包装一下。形成一个innserDate的存储过程。以后使用就直接调用即可。 2.游标 游标其实就是在sql中,对多条结果集数据 进行遍历获取数据的一个机制。把结...

莫失莫忘的博客 1074

mysql 存储过程 set_mysql 存储过程 set select

存储过程实例存储过程:是为了完成特定功能的sql语句集。实例一:无参的存储过程$conn = mysql_connect('localhost','root','root') or die ("数据连接错误!!!");mysql_select_db('test',$conn);$sql = "crea...文章wensongyu2014-12-02622浏览量PHP调用MYSQL存储过程实例PHP...

weixin_42361933的博客 683

MySQL8的安装

1.双击MySQL安装文件mysql-installer-community-8.0.18.0.msi,出现安装类型选项。² datadir=C:/ProgramData/MySQL/MySQL Server 8.0/Data:数据文件夹位置。² basedir="C:/Program Files/MySQL/MySQL Server 8.0/":软件安装位置。安装位置为C:\ProgramData\MySQL\MySQL Server 8.0。安装位置为:C:\Program Files\MySQL。

choice~的博客 1857

在Ubuntu 18.04上安装MySQL的方法

MySQL 是一个开源的数据库管理系统,通常作为流行的 LAMP(Linux、Apache、MySQL、PHP/Python/Perl)堆栈的一部分安装。它使用关系数据库和 SQL(结构化查询语言)来管理数据。安装的简短版本很简单:更新软件包索引,安装软件包,然后运行附带的安全脚本。本教程将解释如何在 Ubuntu 18.04 服务器上安装 MySQL 版本 5.7。但是,如果您想要将现有的 MySQL 安装更新到版本 5.7,您可以阅读这篇 MySQL 5.7 更新指南。

rubys007的博客 2377

mysql把游标数据存入表中_mysql存储过程中的游标

MySQL利用存储过程清除所有表中的所有记录MySQL利用存储过程清除所有表中的所有记录在使用MySQL过程中,难免会出现一些测试数据,然而这些测试数据在真正部署运行的时候,通常要被清楚掉,并且自增长的字段要回复初始值。如何高效快速的实现以上功能,可以使用存储过程实现这一个功能。主要使用:TRUNCATE TABLE。不仅可以清楚数据...文章推荐码发放2018-05-021574浏览量mysql...

weixin_39933484的博客 355

mysql 存储过程 生成数据_MySQL使用存储过程生成一千万条数据

创建表tb_1kwid为自动增加CREATE TABLE tb_1kw (id serial,uname varchar(50),ucreatetime datetime,age bool,info double)ENGINE=MYISAMDEFAULT CHARACTER SET=utf8 COLLATE=utf8_general_ciAUTO_INCREMENT=1ROW_FORMAT=COM...

weixin_39942995的博客 146

MySQL 5 与 MySQL 8 版本对比

MySQL 5.7与8.0版本对比分析 MySQL 5.7作为主流稳定版本,引入了JSON支持、InnoDB优化等特性。而MySQL 8.0作为重大更新版本,在数据字典、SQL功能、性能和安全等方面有显著提升。核心差异包括:8.0采用InnoDB数据字典替代5.7的.frm文件,支持窗口函数和CTE等现代SQL特性,增加角色管理功能,默认使用更安全的密码验证插件。8.0在查询性能(提升20-50%)和DDL操作(提升50-90%)方面均有明显优势,并成为当前推荐的长期支持版本。这些改进使8.0更适合现代应用

zxc18672826653的博客 916

mysql 存储过程 lock_mysql 存储过程 lock table

MySQL存储引擎MySQL存储引擎作为可插拔式的组件提供:-负责为数据库执行实际的数据I/O操作,不同的存储引擎,其存储数据的方式也不同。-用户通过连接访问MySQL数据库,根据实际需要选用何种存储引擎,避免大的编码更改。默认的存储引擎:-MySQL 5.0/5.1 ---> MyISAM-My...文章技术小胖子2017-11-14647浏览量数据库内核月报 - 2015 / 09-My...

weixin_42190623的博客 957
上一篇: 2018-05-03-7章-自定义函数
下一篇: 2018-05-05-9章-MySQL_存储引擎
mhh4399
博客等级 码龄9年 4粉丝 56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