SQL 2000 bug:在企业管理器中修改现有视图时,会自动将列名修改为Expr1,Expr2等

工业产线瑕疵检测:基于 YOLO 的自动化质检系统实战 从工业瑕疵数据集构建到模型训练,从桌面检测界面到产线适用性优化,本文覆盖了一套工业质检系统的完整路线。这个场景的核心评价指标不是最高精度,而是在保证 recall ≥ 0.95 的前提下尽可能压低 false positive——因为漏检的直接成本(客户投诉、质量事故)远高于误报的成本(人工复检)。部署时先设一个偏低的置信度阈值确保覆盖,再通过持续收集人工复检数据来逐步调优。 阅读详情

这个问题以前就遇到过,后来印象中好象是重装了SQL就解决了,今天又遇到了同样的问题,在修改SQL 2000已有的视图时,以前用的好好的视图一用企业管理器修改,所有select中列出的列名就被自动修改为Expr1,Expr2等等,补丁打到sp4也没用。

今天又在网上查找了一下,才知道是microsoft的BUG,在sql 7和sql 2000中全都存在

 

症状: 

当从 SQL Server 企业管理器 (SEM) 设计视图工具创建视图,T-SQL 语法将显示正常。 但是,如果视图保存,在关闭设计视图,并设计视图重新打开要检查视图然后,语法将可能会更改。

SQL Server 2000 和 SQL Server 7.0 中, 出现此问题,尽管到 T-SQL 更改是两个版本之间稍有不同。 此行为是仅存在一个很少和唯一的组的情况。 请参阅在"更多信息"部分,了解进一步的详细信息,请。

当您右键单击视图,然后选择 属性 ,视图的语法显示正常 ; 它将可以运行在查询分析器 (QA),并将每次返回正确的结果。 但是,更改的语法,从设计视图不会返回正确的结果。

 

原因:

此问题已与为外部联接 ; 而不是它是由于到 autoaliasing 时在这些特定的情况下应该不会发生。 在结果是未绑定的列创建的获取重新绑定到错误的表。

 

替代方法:

使用设计视图创建视图后,避免编辑,然后 resaving 使用设计视图工具在 SQL 企业管理器视图。 使用查询分析器和 T-SQL 而编码。

 

Microsoft 已经确认这是 SQL Server 7.0 中的问题。
Microsoft 已经确认这是 SQL Server 2000 中的一个问题。

.....

 

这些都是机器翻译的结果,还是看看micorosft原文链接吧

 

 

查看microsoft给出的原文:

http://support.microsoft.com/kb/288527/zh-cn 机器翻译的中文

http://support.microsoft.com/kb/288527/en-us/ 英文原文

YOLOv11改进 | 特殊场景改进篇 | 2024最新改进CPA-Enhancer链式思考网络(适用低照度、图像去雾、雨天、雪天) 本文给大家带来的改进机制是2024.3月份最新改进,由CPA-Enhancer: Chain-of-Thought Prompted Adaptive Enhancer for Object Detection under Unknown Degradations论文提出的CPA-Enhancer链式思考网络CPA-Enhancer通过引入链式思考提示机制,实现了对未知退化条件下图像的自适应增强。该方法的核心在于能够利用CoT提示对图像退化进行动态分析和适应,从而显著提升物体检测性能。 阅读详情

相关推荐

直流耦合系统介绍

参考《SMA如何使用直流耦合技术实现更高效的光伏电站-白皮书》

圆桌骑士的博客 732

sqlserver函数总结(2)

sqlserver常用函数 (2009-02-26 13:21:43) 分类:sqlserver 1.字符串函数 : len(expression)返回给定字符串表达式的字符(而不是字节)个数,其中不包含尾随空格。 datalength(Char_expr) 返回字符串包含字符数,但不包含后面的空格 length(expression,variable)指定字符串或变量名称的长度。 substring(expression,start,length) 不多说了,取子串 ri...

r123c的博客 596

AlphaFold-multimer 复合物结构预测

是DeepMind开发的AlphaFold项目的一个扩展,旨在预测蛋白质多聚体的三维结构。蛋白质多聚体是由多个蛋白质亚单位相互组装而成的结构,如酶、膜蛋白复合物和病毒颗粒。理解多聚体的结构对于揭示蛋白质的功能和相互作用非常重要。

MurphyStar的博客 5650

SQL修改视图中列名和字段长度

在sql server数据库中建立视图,一般会自定义字段名称,有时候还会修改字段的长度,尤其是当视图的基础表来源于mysql或oracal数据库时。下面谈一下如何修改视图的字段名称和长度。 下面语句是一条建立简单视图的例子,基表是dbo.hm_dt_Counter,视图沿用了基表的字段名称和长度。 SELECT id, counterNo, counterName FROM dbo.hm_dt_Counter 下面语句中,修改了字段counterName为“窗口名称”,字段长度和类...

u010025127的博客 6855

ArcGIS Pro2.5深度学习使用注意事项

ArcGIS Pro2.5深度学习使用中的注意事项1、ArcGIS Pro2.5深度学习使用中的注意事项1.1、Label深度学习样本工具参数介绍1.2、准备数据参数介绍1.3、训练模型介绍1.4、ArcGIS Pro2.5深度学习推理工具和模型对应关系介绍1.4.1、Classify Objects Using Deep Learning1.4.2、Classify Pixels Using D...

GIS哼哈哈的博客 7202

500多种目标检测数据集下载地址汇总(YOLO、VOC)

【目标检测】红外物体检测-人、自行车、公交、小车、摩托车、骑行者、动物等15000张YOLO+VOC(含部分截取增强图).zip。【目标检测】医用个人防护装备检测数据集981张5类别(口罩、工作服、护目镜、手套、面罩检测数据集)VOC+YOLO格式.zip。【目标检测】车辆分类数据集1880张7类VOC+YOLO(含摩托车、救护车、消防车、警车、警用摩托车、轿车、大车).zip。【目标检测】隐翅虫数据集386张VOC+YOLO【目标检测】隐翅虫数据集386张VOC+YOLO【目标检测】隐翅虫数据集。

2401_85863780的博客 9171

视图简析

1.对试图的理解 视图并不是真正的表,也不在数据库中真实的存在,是一种虚拟的表。对于视图我个人最直接的理解就是对某一个表或者多个表联合查询的结果,适用于查询,不适用于更新,相对于表而言,视图有以下优点: 简单:视图是sql执行查询语句所返回的结果,用户不用关心后面对应的表结构、关联条件和筛选条件。 安全:只让用户看到用户需要看到的结果集,对于一些隐私信息具体有一定的保护作用。 2.视图的创建 单表查询创建视图 create view [视图名] select [列名] from [表名] where

weixin_45566730的博客 376

【codex教程】Codex 注册和使用教程(2026最新版)

Codex 是 OpenAI 推出的 AI 编程助手,可以帮助开发者阅读代码、修改代码、运行命令、生成测试、排查 bug、做代码审查,也可以在终端、IDE、Codex App 或网页端使用。根据 OpenAI 帮助中心,截至 2026 年 6 月,Codex 已包含在 Free、Go、Plus、Pro、Business、Edu 和 Enterprise 等 ChatGPT 方案中,但不同套餐的使用额度会有所不同。适合开发者在终端中使用。如果你想在命令行里使用 Codex,可以安装 Codex CLI。

与时俱进,开放共享 2万+

Mysql-------视图

1.什么是视图 视图是一张虚拟的表,包含一条查询语句的记录 好处:简单性,可维护性。。。 2.视图的应用 视图的创建:view 语法:create view view_视图名 As sql 查询语句; 删除视图:drop view if exists view_视图名; 调用视图:select * from view_视图名;—where 条件 查看视图是否存在:show table...

qq_44947708的博客 322

PINN疲劳寿命预测优化

本项目基于物理信息神经网络(PINN)构建材料疲劳寿命预测模型,通过融合Paris裂纹扩展方程与实验数据,实现裂纹扩展行为的精准预测。核心方法包括:1)将Paris方程作为物理约束嵌入神经网络训练;2)生成含噪声的模拟数据并进行归一化处理;3)采用PINN-GA联合优化框架,以裂纹扩展速率最小化为目标优化材料参数。该方案通过物理规律与数据驱动的结合,显著提升预测模型的泛化能力,为工程材料寿命评估提供新思路。

huanghm88的专栏 148

【华为OD机试真题】2、在字符串中找出连续最长的数字串含+-号 | 机试真题+思路参考+代码解析(C++、Java、Py)

题目描述 >请在一个字符串中找出连续最长的数字串,并返回这个数字串。 如果存在长度相同的连续数字串,返回最后一个。 如果没有符合条件的字符串,返回空字符串””。   注意: 数字串可以由数字”0-9″、小数点”.”、正负号”±”组成,长度包括组成数字串的所有符号。 “.”、“±”仅能出现一次,”.”的两边必须是数字,”±”仅能出现在开头且其后必须要有数字。 长度不定,可能含有空格

KJ.JK 6275

SQLServer中ISNULL与MySQL中IFNULL用法

mysql,sql,db2,oracle等数据库中类似IFNULL的用法介绍

远道的博客 7464

零基础实战:用 Docker 和 vLLM 本地部署 BGE-M3 文本嵌入模型

BGE-M3是北京智源推出的多功能文本嵌入模型,支持跨语言语义匹配。利用Docker容器化和vLLM框架可高效部署该模型,实现本地运行的优势包括隐私保护、定制化和成本控制。通过配置Docker环境,使用vLLM官方镜像加载模型,并进行文本嵌入测试验证效果。该方案适合开发者快速验证模型能力,或集成到本地NLP流程中。

举世誉之而不加劝,举世非之而不加沮,定乎内外之分,辩乎荣辱之境,斯已矣。 4957

数据库视图的基本操作(sql语句)

概念:视图是一张虚拟表,它是从数据库的一张或多张表中导出的表,其内容由查询语句定义。 注:创建视图需要CREATE VIEW权限,同时需要查询涉及的列的SELECT权限。 查看创建视图的权限: select select_priv,create_view_priv fro 作用: - 简单性、安全性、逻辑数据独立性; - 如果应用建立在视图上,当表发生变化时,可以修改视图屏蔽表的变化,使应用程序保持不变; - 如果应用建立在视图上,当应用发生变化时,可以修改视图屏蔽应用的变化,使数据库程序保持不变。

chensay的博客 3858

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。

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

SQL语句(四)视图定义、查询、更新和删除

一、视图定义 CREATE VIEW 视图名 AS 子查询 WITH CHECK OPTION //可以省略 二、视图查询、更新 和基本表的查询语句类似,只是把表名的位置换成视图名就可以 三、视图删除 DROP VIEW 视图名 【CASCADE】//CASCADE为级联删除,可以省略 四、实例 1.创建一个“上海晓莉贸易商行”供应商供应的零件视图V_DLMU_PartSupp...

学习笔记 13万+

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

post请求成功,数据库数据已经被修改,前台控制台显示404

原因是请求没有返回状态码,这是由于用的是SpringMVC框架,前后端使用JSON传递数据,因为返回的是对象,而controller中忘记了添加@ReponseBody注解

Java_15707951907的博客 924

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")

sql server中查询视图

sql server中查询视图 1. 在信息系学生的视图中找到年龄<20岁的学生 select sname,sage from is_student where sage<20 2. 查询选修了1号课程的信息系的学生 select is_student.sno,sname from is_student,sc where is_student.sno = sc.sno and sc...

qq_43192537的博客 9545

PostgreSQL修改被视图引用的表的字段

在pg中,当我们需要修改表的某个字段时,如果该字段刚好被视图引用,必须先将引用的对象删除,才能修改对应的字段。 例如: bill=# create table test_t (id int, info text, crt_time timestamp, c1 varchar(10)); CREATE TABLE bill=# create index idx_test_t on test_t(...

Focus on PostgreSQL 8383

IFNULL(expr1,expr2) 判断

一、语法 IFNULL(expr1,expr2) 如果expr1不是NULL,IFNULL()返回expr1,否则它返回expr2。 IFNULL()返回一个数字或字符串值 二、用法 select IFNULL(max(CAST(id AS SIGNED)),0)+1 from tbl_student 如果tbl_student表中的id有值,则IFNULL(max(cast(id AS SI...

日拱一卒 1032

sql 行转列

SELECT sss FROM (SELECT TOP (1) 1 AS Expr1, A AS sss FROM com_jjxx UNION SELECT TOP (1) 2 AS Expr1...

wing123123的博客 161

sql创建/修改视图

CREATE OR REPLACE VIEW view_table_name AS SELECT USERNAME,PHONE,CERTNO,... FROM USER_TABLE view_table_name:视图表名 USER_TABLE:原始表名

knn的博客 1533
上一篇: 如何从SQL Server 中取得字段说明 如何从SQL Server 中取得字段说明
下一篇: 获取SQL SERVER 当前连接,以及如何断开连接
lanman
博客等级 码龄25年 56粉丝 101原创
评论 1
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