Mysql学习笔记1-基本介绍及基本增删改查操作

本文介绍了Mysql数据库的特点及优势,并详细讲解了如何通过SQL语句进行数据库的基本操作,包括创建、查询、更新和删除等。

Mysql介绍

MySQL 是一种数据库,数据库定义了存储信息的结构。以表的方式存储信息。
MySQL数据库具有以下主要特点:

  1. 同时访问数据库的用户数量不受限制;
  2. 支持大量数据查询和存储,Mysql可以承受大量的并发访问,可以保存超过50,000,000条记录;
  3. 是目前市场上现有产品中运行速度最快的数据库系统;
  4. 用户权限设置简单、有效。
  5. 免费开源。支持跨平台。
  6. 可移植性好。
  7. 多语言支持,支持C、C++、Python、Java、Perl、PHP、Ruby等多种编程语言。

SQL语句对数据库管理常用的两种方式:数据定义语言(DDL)和数据操纵语言(DML)。

DDL:主要是用在定义或改变表的结构,数据类型,表之间的链接和约束等初始化工作上,他们大多在建立表时使用。创建(Create),改变(Alter),显示(Show),删除(Drop)。
DML:用来对数据库里的数据进行操作的语言。增添(Insert),删除(Delete),修改(Update),查看(Select)。

增删改查操作

  本文用Mysql语句执行创建数据库和表,下面这个例子参照网上常用的school数据库以及相关的一些表。主要介绍以下几个常见数据库语句:
  create database/table 数据库名或表名;
  show databases;(查看所有存在的数据库)
  insert into 表名 values(列1值,列2值······);                                              
  update 表名 set 列名='要改的值' where 列名='原来值';
  delete from 表名 where 列名='列值';
  select * from Student where StuName='张三';

创建Student表

这里写图片描述

  • 插入一些数据(insert)
    这里写图片描述

创建Teacher表

这里写图片描述

创建Course表

这里写图片描述
本表的外键TeaId指向了Teacher表中的TeaId。

创建Score表

这里写图片描述

更新Student表

这里写图片描述

删除操作

这里写图片描述

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
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