单行SQL里面的CASE-TEHN

博客展示了SQL中不同条件判断语句的使用,包括if、case when、decode等。给出了具体的SQL代码示例,如从表a中统计数量并进行条件判断,同时还呈现了一条代码报错信息及错误位置,展示了不同语句的执行结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

SQL> select (if j<0 then j else 100 end) from (select count(*) j from a);
select (if j<0 then j else 100 end) from (select count(*) j from a)
           *
ERROR 位于第 1 行:
ORA-00907: 缺少右括号


已用时间:  00: 00: 00.00
SQL> select (case when j<0 then j else 100 end) from (select count(*) j from a);


(CASEWHENJ<0THENJELSE100END)
----------------------------
                         100

已用时间:  00: 00: 00.00
SQL> select decode((j-0),0,j,200) from (select count(*) j from a);

DECODE((J-0),0,J,200)
---------------------
                  200

已用时间:  00: 00: 00.00
SQL> select decode(sign(j-0),1,j,0,'no result',-1,200) from (select count(*) j f
rom a);

DECODE(SIGN(J-0),1,J,0,'NORESULT',-1,200)
-----------------------------------------
                                        3

已用时间:  00: 00: 00.00
SQL>

下面是使用TensorFlow搭建VGG16模型的示例代码: ```python import tensorflow as tf def vgg16(input_tensor, num_classes): # 定义卷积层和池化层的函数,方便重复使用 def conv_block(inputs, filters, kernel_size, strides=(1,1), padding='same', activation=tf.nn.relu): conv = tf.layers.conv2d(inputs, filters, kernel_size, strides, padding, activation=activation) return tf.layers.batch_normalization(conv) def max_pool(inputs, pool_size=(2,2), strides=(2,2), padding='same'): return tf.layers.max_pooling2d(inputs, pool_size, strides, padding) # 定义VGG16的卷积层和池化层结构 net = conv_block(input_tensor, 64, (3,3)) net = conv_block(net, 64, (3,3)) net = max_pool(net) net = conv_block(net, 128, (3,3)) net = conv_block(net, 128, (3,3)) net = max_pool(net) net = conv_block(net, 256, (3,3)) net = conv_block(net, 256, (3,3)) net = conv_block(net, 256, (3,3)) net = max_pool(net) net = conv_block(net, 512, (3,3)) net = conv_block(net, 512, (3,3)) net = conv_block(net, 512, (3,3)) net = max_pool(net) net = conv_block(net, 512, (3,3)) net = conv_block(net, 512, (3,3)) net = conv_block(net, 512, (3,3)) net = max_pool(net) # 定义全连接层结构 net = tf.layers.flatten(net) net = tf.layers.dense(net, 4096, activation=tf.nn.relu) net = tf.layers.dropout(net, rate=0.5) net = tf.layers.dense(net, 4096, activation=tf.nn.relu) net = tf.layers.dropout(net, rate=0.5) net = tf.layers.dense(net, num_classes) return net ``` 在上面的代码中,我们使用了TensorFlow中的tf.layers模块,这个模块可以方便地创建各种神经网络层,包括卷积层、池化层、全连接层等。 VGG16模型的具体结构可以参考下图: ![VGG16结构图](https://miro.medium.com/max/2000/1*7S266GKv9KsK1Tehn3Km7g.png) 上面的代码实现了VGG16模型的卷积层和全连接层结构。你可以通过调用这个函数来创建一个VGG16模型,并且可以通过传入不同的输入张量和输出类别数来创建不同的模型。
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