Mysql数据类型

geek-wmy geek-wmy 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1k累计阅读 1.1k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-03-23 15:40:03 发布 1.1k 阅读 AI 写同款· GEO 优化 ›
MySQL——数据类型 MySQL数据类型详解~~~ 阅读详情

数据类型

整型类型

  • 合理选择bit、int、tinyint、decimal等数字类型
  • int使用固定4个字节存储，int(11)与int(4)只是显示宽度的区别
  • 建议使用UNSIGNED存储非负整数，可存储更大的数字
字段类型存储空间取值范围(signed)最大值(signed)取值范围(unsigned)最大值(unsigned)
bit1 bytes0 或 1-0 或 1-
tinyint1 bytes-2^7 ~ 2^7-11270 ~ 2^8-1255
smallint2 bytes-2^15 ~ 2^15-1327670 ~ 2^16-165535
mediumint3 bytes-2^23 ~ 2^15-183886070 ~ 2^24-116777215
int4 bytes-2^31 ~ 2^31-121474836470 ~ 2^32-14294967295
bigint8 bytes-2^63 ~ 2^63-192233720368547758070 ~ 2^64-118446744073709551615

在MySQL中支持的主要整数类型是TINYINT，SMALLINT，MEDIUMINT，INT 和 BIGINT。这些类型在很大程度上是相同的，只有它们存储的值的大小是不相同的。MySQL以一个可选的显示宽度指示器的形式对 SQL 标准进行扩展。当从数据库检索一个值时，可以把这个值加长到指定的长度。例如，指定一个字段的类型为 INT(6)，就可以保证所包含数字少于 6 个的值从数据库中检索出来时能够自动地用空格填充。需要注意的是，使用一个宽度指示器不会影响字段的大小和它可以存储的值的范围。万一我们需要对一个字段存储一个超出许可范围的数字，MySQL 会根据允许范围最接近它的一端截短后再进行存储。还有一个比较特别的地方是，MySQL 会在不合规定的值插入表前自动修改为 0。

**UNSIGNED：**修饰符规定字段只保存正值。因为不需要保存数字的正、负符号，可以在储时节约一个“位”的空间。从而增大这个字段可以存储的值的范围。

**ZEROFILL：**修饰符规定 0（不是空格）可以用来填补输出的值。使用这个修饰符可以阻止 MySQL 数据库存储负值。

浮点类型

  • CPU处理float的速度比处理double快，消耗内存和占用空间也小；若值很大或很小则float 变得不精确。
  • 浮点类型的xxx中(m,d) 的含义差不多，m是小数点前后的数字个数(定义长度)，d是小数点后面的数字个数(定义精度)，比如decimal(5,2) 可以存储 -999.99 ~ 999.99。
  • 对于精度比较高的数据，比如金额建议使用decimal，不要考虑float/double。
字段类型存储空间取值范围用途
float4 bytes-单精度浮点数值
double8 bytes-双精度浮点数值
decimal(m,d)m+2 bytes依赖m和d的值，1<m<65，0<d<30数字型

MySQL支持的三个浮点类型是 FLOAT、DOUBLE 和 DECIMAL 类型。FLOAT 数值类型用于表示单精度浮点数值，而 DOUBLE 数值类型用于表示双精度浮点数值。

与整数一样，这些类型也带有附加参数：一个显示宽度指示器和一个小数点指示器。比如语句 FLOAT(7,3) 规定显示的值不会超过 7 位数字，小数点后面带有 3 位数字。对于小数点后面的位数超过允许范围的值，MySQL 会自动将它四舍五入为最接近它的值，再插入它。

DECIMAL数据类型用于精度要求非常高的计算中，这种类型允许指定数值的精度和计数方法作为选择参数。精度在这里指为这个值保存的有效数字的总个数，而计数方法表示小数点后数字的位数。比如语句 DECIMAL(7,3) 规定了存储的值不会超过 7 位数字，并且小数点后不超过 3 位。忽略DECIMAL数据类型的精度和计数方法修饰符将会使 MySQL 数据库把所有标识为这个数据类型的字段精度设置为10，计数方法设置为0。

UNSIGNED 和 ZEROFILL 修饰符也可以被 FLOAT、DOUBLE 和 DECIMAL 数据类型使用。并且效果与 INT 数据类型相同。

字符串类型

  • MySQL的字符串类型分为：文本字符串、二进制字符串。
  • char(n)中的 n 代表最大可容纳的字符的个数，并不代表字节个数。
字段类型存储空间取值范围说明
char(n)-1 <= n <= 65535固定长度的字符串，存放字符
varchar(n)-1 <= n <= 65535可变长度的字符串
tinytext--非常小的文本字符串
text--小的文本字符串，存放纯文本文件
mediumtext--中等大小的文本字符串
longtext--大的文本字符串
binary(n)--固定长度的二进制字符串
varbinary(n)--可变长度的二进制字符串
tinyblob(n)--非常小的blob
blob(n)--小的blob，存放图片、音频等
mediumblob(n)--中等大小的blob
longblob(n)--非常大的blob
CHAR 和 VARCHAR 类型

CHAR类型用于定长字符串，并且必须在圆括号内指定大小。这个大小的范围从 0-255。比指定长度大的值将被截短，而比指定长度小的值将会用空格作填补。CHAR类型可以使用 BINARY修饰符。当用于比较运算时，这个修饰符使 CHAR 以二进制方式参于运算，而不是以传统的区分大小写的方式。

CHAR类型的一个变体是VARCHAR类型。它是一种可变长度的字符串类型，并且也必须带有一个范围在 0-255 之间的指示器。CHAR和VARCHGAR不同之处在于MySQL数据库处理这个指示器的方式：CHAR把这个大小视为值的大小，长度不不足的情况下就用空格补足。而VARCHAR类型把它视为最大值并且只使用存储字符串实际需要的长度（增加一个额外字节来存储字符串本身的长度）来存储值。所以短于指定长度的VARCHAR类型不会被空格填补，但大于指定值的部分仍然会被截短。因为VARCHAR类型可以根据实际内容动态改变存储值的长度，所以在不能确定字段需要多少字符时使用VARCHAR类型可以大大地节约磁盘空间、提高存储效率。

VARCHAR 类型在使用 BINARY 修饰符时与 CHAR 类型完全相同。

TEXT 和 BLOB 类型

对于字段长度要求超过255个的情况下，MySQL提供了TEXT和BLOB两种类型。根据存储数据的大小，它们都有不同的子类型。这些大型的数据用于存储文本块或图像、声音文件等二进制数据类型。
TEXT和BLOB类型在分类和比较上存在区别。BLOB类型区分大小写，而TEXT不区分大小写。大小修饰符不用于各种BLOB和TEXT子类型。比指定类型支持的最大范围大的值将被自动截短。

时间类型

  • 精度方面，MySQL的timestamp(3)等于SQLServer的datetime，比如 2021-12-31 23:59:09.856。
  • MySQL5.7之前，timestamp默认值是CURRENT_TIMESTAMP，并且随着记录更新而更新。
  • MySQL5.7之前，datetime支持DEFAULT CURRENT_TIMESTAMP，但不支持 DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP。
  • 导出的时候，timestamp以UTC时间格式导出，导入则自动由UTC格式转为系统默认时区，如果需要看到和导入与实际相符的时间戳，需要加入参数–tz-utc=false用于禁止timestamp时区转换，默认是开启的。
字段类型存储空间日期格式日期范围默认值
year1 bytesYYYY1901 ~ 2155-
time3 bytesHH:MM:SS-838:59:59 ~ 838:59:59-
date3 bytesYYYY-MM-DD1000-01-01 ~ 9999-12-31-
datetime8 bytesYYYY-MM-DD HH:MM:SS1000-01-01 00:00:00 ~ 9999-12-31 23:59:59CURRENT_TIMESTAMP,与时区无关
timestamp4 bytesYYYY-MM-DD HH:MM:SS1970-01-01 00:00:01 ~ 2038-01-19-
DATE、TIME和YEAR类型

MySQL用DATE和YEAR类型存储简单的日期值，使用TIME类型存储时间值。这些类型可以描述为字符串或不带分隔符的整数序列。如果描述为字符串，DATE类型的值应该使用连字号作为分隔符分开，而TIME类型的值应该使用冒号作为分隔符分开。需要注意的是，没有冒号分隔符的TIME类型值，将会被MySQL理解为持续的时间，而不是时间戳。
MySQL还对日期的年份中的两个数字的值，或是SQL语句中为YEAR类型输入的两个数字进行最大限度的通译。因为所有YEAR类型的值必须用4个数字存储。MySQL试图将2个数字的年份转换为4个数字的值。把在00-69范围内的值转换到 2000-2069 范围内。把70-99范围内的值转换到1970-1979之内。如果MySQL自动转换后的值并不符合我们的需要，请输入4个数字表示的年份。

DATETIME和TIMESTAMP类型

除了日期和时间数据类型，MySQL还支持DATETIME和TIMESTAMP这两种混合类型。它们可以把日期和时间作为单个的值进行存储。这两种类型通常用于自动存储包含当前日期和时间的时间戳，并可在需要执行大量数据库事务和需要建立一个调试和审查用途的审计跟踪的应用程序中发挥良好作用。如果我们对TIMESTAMP类型的字段没有明确赋值，或是被赋与了null值。MySQL 会自动使用系统当前的日期和时间来填充它。

收录于
Mysql

当前文章被收录于：

Mysql
13 篇文章 0 人学习

Mysql底层学习

订阅专栏 查看详情
标签
#mysql #数据库 #java #面试 #后端
#缓存
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
433MHz无线通信避坑指南：如何解决信号干扰和误码问题 本文深入探讨433MHz无线通信中的信号干扰和误码问题，提供从射频前端设计到协议优化的全链路解决方案。通过天线匹配、电源噪声抑制、曼彻斯特编码改进及实时频点切换等技术，显著提升通信稳定性和距离。适合智能家居和工业无线控制系统的开发者参考。 阅读详情

相关推荐

TI官方PSpice for TI安装避坑指南：从申请Key到解决器件搜索栏空白（附详细步骤）

本文详细介绍了PSpice for TI的安装与配置全流程，包括申请Key、解决器件搜索栏空白等常见问题。通过分步指南和实战避坑技巧，帮助工程师高效完成安装并优化性能，确保电路仿真工具的正常使用。

weixin_29299807的博客 1074

MySQL数据类型

本文详细介绍了MySQL中的数据类型分类，包括数值类型、浮点类、字符串类、日期和时间类型以及enum和set类型。数值类型以tinyint为例，解释了其存储范围及使用场景，并展示了相关测试代码。浮点类介绍了float和decimal的语法及精度差异。字符串类对比了char和varchar的存储方式及适用场景。日期和时间类型包括date、datetime和timestamp，并提供了测试示例。最后，enum和set类型用于存储预定义的值，适合单选和多选数据，展示了其使用方法和查找技巧。通过这些数据类型的合理选

2302_80105876的博客 4269

计算机视觉-全景图像拼接中的特征匹配与优化策略

本文深入探讨了计算机视觉中全景图像拼接的核心技术，重点解析了特征匹配后的关键优化策略。通过SIFT特征提取、RANSAC算法剔除误匹配，并结合APAP算法应对视差与鬼影问题，详细阐述了从基础对齐到无缝融合的完整流程，为开发者实现高质量全景拼接提供了实用指南。

weixin_29039773的博客 361

MySQL 中的数据类型介绍

要了解一个数据库，我们也必须了解其支持的数据类型。 MySQL支持所有标准的SQL数据类型，主要分3类: ·数值类型 ·字符串类型 ·时间日期类型 另一类是几何数据类型，用的不多，也没多介绍。

anxpp的博客 18万+

2019年数学建模美赛经验总结

北京时间2019年1月29号上午9时，数模美赛结束。美赛结束已经10多天了，我在这次竞赛中负责建模和编程，趁现在记忆还比较清晰，写下这篇博客记录第一次参加数学建模美赛的经历。 补更：2019年4月20日公布成绩，笔者最终获得了美赛一等奖 目录 1、基本情况 2、选题 3、分工合作 4、论文写作 5、建模 6、编程 7、入门资源 ...

Smallactive 7万+

YOLO11实战 第010期-基于yolo11的农业杂草作物目标检测实战文档(详细教程)

通过这条曲线，用户可以评估模型的检测能力，分析模型在不同阈值下对真实目标的检测是否全面。通过这条曲线，可以评估模型在目标检测任务中的整体性能，并找到合适的置信度阈值，以在精确率和召回率之间做出最佳平衡。PR 曲线越接近右上角，模型性能越好，曲线下方的面积越大，说明模型在不同置信度下的。），它展示了不同置信度下的召回率。条曲线都显示了随着召回率的增加，精确度略有下降的趋势，但整体上精确度保持在很高的水平。通过这条曲线，可以选择合适的置信度阈值，以优化模型的检测结果，平衡精确率和召回率。反映了分类器的准确性。

深度学习算法工程师，专注于前沿算法研究与实战应用。在这里，我将分享深度学习领域的实战经验、优质数据集资源以及最新论文解读与精度分析，旨在与广大技术爱好者共同探索人工智能的奥秘，助力技术成长与创新。 1522

mysql 数据类型

选择合适的数据类型是很重要的。如要求存储精度较高时，应选择 DOUBLE类型。如果进行数值比较，最好使用 DECIMAL类型。 如果字符串是固定长度的，使用char，日期类型，就不适合字符串存储。TEXT 存储纯文本文件。BLOB主要存储图片、音频信息等

一路向前 2843

KT148A语音芯片SOP外挂功放芯片8002D的说明_V1

KT148A语音芯片内置8欧姆0.5W的功放，所以一般的应用场景，播放一些提示音音量是足够的。但是有的需求还需要驱动更大的扬声器，实现更大的播放音量，这里我们给出解决方案。KT148A+HAA8002D的组合

qyvhome的博客 2148

【MySQL基础】MySQL基本数据类型

MySQL基本数据类型超详细介绍

小杨的博客 6235

详解AUTOSAR：AUTOSAR架构中的配置文件（拓展篇—7）

查看AUTOSAR代码包时会发现一些这样格式的文件：xxx_PBcfg.c、xxx_Lcfg.c和xxx_Cfg.h，本篇博文讲一讲这几个配置文件的作用和特点。

不脱发的程序猿 2146

五步教你用GPT-5画出国自然技术路线图！轻松节省80%画图时间（附AI提示词）

七哥给大家推荐的高校都在用的AI平台——高级学术版专业应用平台，集成了ChatGPT、Claude、Gemini、Grok等Al大模型的PLUS版本平台，包括 ChatGPT-5、4o、o3、4.1、4.5、Gemini 2.5 Pro、Claude 3.7、Claude 4、DeepSeek 满血版、Grok 3 、Grok 4等原生线路，还有国际主流的GPTs学术应用，可以辅助大家高效完成科研和学术写作任务，当然撰写硕博论文，课题、职称论文、国社科、国自然基金本子也是手拿把掐。

智能AI让学术科研更容易 1497

【MySQL】数据类型

mysql中的数据类型本质上就是对表的约束!

fight_p的博客 2869

双目摄像头全景解析：从几何光学到深度智能

双目视觉系统基于仿生学原理，通过水平排列的双摄像头模拟人眼视差机制实现三维感知。其核心是通过标定、校正、匹配等算法流程，将视差转换为深度信息，最终生成三维点云。该系统在自动驾驶、机器人导航、工业检测等领域有广泛应用，但面临弱纹理、重复图案等挑战。未来发展趋势包括与事件相机、深度学习等技术的融合，进一步提升精度和动态性能。

reset2021的博客 120

【MySQL】MySQL数据类型

【MySQL】MySQL数据类型

2301_78022459的博客 1509

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

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数据类型默认长度_mysql数据类型长度

1个字节= 8位 tinyint 为一个字节 2的8次方= 256 所以最多存储到256日期和时间数据类型MySQL数据类型含义date3字节，日期，格式：2014-09-18time3字节，时间，格式：08:42:30datetime8字节，日期时间，格式：2014-09-18 08:42:30timestamp4字节，自动存储记录修改的时间year1字节，年份数值数据类型整型MySQL数据...

weixin_32098457的博客 5364

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---MySQL数据类型总结

数据类型是定义列中可以存储什么数据以及该数据实际怎样存储的基本规则。 数据类型用于以下目的： 数据类型允许限制可存储在列中的数据。数据类型允许在内部更有效地存储数据。数据类型允许变换排序顺序。 串数据类型 串数据类型存储串，如名字，地址，电话号码，邮政编号等等

记录一下学习笔记Java,PHP,SQL,HTML,Javascript 2071

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

【MySQL】MySQL的数据类型

按需动态。

2301_80224556的博客 2204

【MySQL精通之路】数据类型

因为在将BIGINT值转换为DOUBLE时出现。

Anakki的博客 1553

[MySQL]MySQL数据类型

本文包括MySQL基本数据类型的说明与选用原则说明、Java的字段映射。欢迎讨论。

啾啾头号大粉丝打工买粮博客 1297

mysql中编号的数据类型_MySQL 数据类型

MySQL 数据类型MySQL中定义数据字段的类型对你数据库的优化是非常重要的。MySQL支持多种类型，大致可以分为三类：数值、日期/时间和字符串(字符)类型。数值类型MySQL支持所有标准SQL数值数据类型。这些类型包括严格数值数据类型(INTEGER、SMALLINT、DECIMAL和NUMERIC)，以及近似数值数据类型(FLOAT、REAL和DOUBLE PRECISION)。关键字INT...

weixin_39766910的博客 3393

mysql 数据类型 image_MySQL 数据类型

1、MySQL 数据类型MySQL中定义数据字段的类型对你数据库的优化是非常重要的。MySQL支持多种类型，大致可以分为三类：数值、日期/时间和字符串(字符)类型。2、数值类型(12)2.1、整数类型(6)一张图就能解释清楚了：INTEGER同INT。2.2、定点数(2)DECIMAL和NUMERIC类型在MySQL中视为相同的类型。它们用于保存必须为确切精度的值。使用方式如下：salary DE...

weixin_35747785的博客 2989

MySQL的数据类型

一、MySQL的数据类型 主要包括以下五大类： 整数类型：BIT、BOOL、TINY INT、SMALL INT、MEDIUM INT、 INT、 BIG INT 浮点数类型：FLOAT、DOUBLE、DECIMAL 字符串类型：CHAR、VARCHAR、TINY TEXT、TEXT、MEDIUM TEXT、LONGTEXT、TINY BLOB、BLOB、MEDIUM BLOB、LONG

g529739784的专栏 1万+

【MySQL学习】MySQL数据类型

MySQL 数据类型定义了列中可以存储什么数据以及该数据怎样存储的规则。数据库中的每个列都应该有适当的数据类型，用于限制或允许该列中存储的数据。例如，列中存储的为数字，则相应的数据类型应该为数值类型。如果使用错误的数据类型可能会严重影响应用程序的功能和性能，所以在设计表时，应该特别重视数据列所用的数据类型。更改包含数据的列不是一件小事，这样做可能会导致数据丢失。因此，在创建表时必须为每个列设置正确的数据类型和长度。

qq_61635026的博客 1697
上一篇： Mysql开发规范
下一篇： InnoDB逻辑存储结构
点赞 23
评论 0
书签 书签 12
geek-wmy
geek-wmy
博客等级 码龄9年 322粉丝 126原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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