MySQL递归查询上下级菜单

Mybatis+MySQL动态加载一级二级菜单 动态生成左侧一级二级菜单 数据库Mysql sys_user : 用户表 uuid、logincode-登录帐号、password-登录密码 sys_role : 角色表uuid、 rolename-角色名称 sys_menu : 菜单表(权限表) uuid、menucode-菜单编号、menuname-菜单名称、 menuurl-菜单地址、parentid-父菜单ID(关联父菜单的菜单编号(... 阅读详情

正文

在传统的后台管理系统里面经常会需要展示多级菜单关系,今天我们来学一下如何使用一条SQL语句展示多级菜单。

现在我们有一张corpinfo单位表,里面有一个belong字段指向上级单位,首先来看一下现在表里有什么数据:

SELECT uid,ubelong FROM corpinfo

MySQL递归查询上下级菜单

 

现在是类似下面这样的一个三级菜单,uid为1的是我们的顶级菜单,ubelog为0。

MySQL递归查询上下级菜单

 

现在我们想实现传入一个 uid ,把当前 uid 和其下级单位的 uid 都展示出来,当然我们可以使用代码或者网上常见的存储过程来实现,但是今天我们用一条SQL语句来实现该效果:

先来看看我们的SQL语句

SELECT DATA.uid FROM(
      SELECT
      @ids AS _ids,
      (
      SELECT @ids := GROUP_CONCAT(uid)
      FROM corpinfo
      WHERE FIND_IN_SET(ubelong, @ids)
      ) AS cids,
      @l := @l+1 AS level
      FROM corpinfo, (SELECT @ids := (参数) , @l := 0 ) b
      WHERE @ids IS NOT NULL
      ) ID, corpinfo DATA
WHERE FIND_IN_SET(DATA.uid, ID._ids)
ORDER BY level,uid

看下执行结果:

MySQL递归查询上下级菜单

 

可以看到传入 uid 为 1 后,列出了 uid 为 1 的所有下级单位,连第三级的菜单也列出来了。

MySQL递归查询上下级菜单

 

比较核心的有下面几个地方:

MySQL递归查询上下级菜单

 

GROUP_CONCAT()函数

前言:在有 group by 的查询语句中,select指定的字段要么就包含在 group by 语句的后面,作为分组的依据,要么就包含在聚合函数中。

假设我们有一张 user 用户表,我们想查看名字相同的用户的最小年龄,可以这样写:

SELECT name,age FROM user GROUP BY name

执行结果为:

MySQL递归查询上下级菜单

 

现在我们想查询 name 相同的用户的所有年龄,当然我们可以这样写:

SELECT name,age FROM user ORDER BY name

执行结果为:

MySQL递归查询上下级菜单

 

但是这样同一个名字出现多次,看上去非常不直观。有没有更直观的方法,既让每个名字都只出现一次,又能够显示所有的名字相同的人的id呢?——使用 GROUP_CONCAT() 函数

功能:将 group by 产生的同一个分组中的值连接起来,返回一个字符串结果。

语法:GROUP_CONCAT( [distinct] 要连接的字段 [ORDER BY 排序字段 ASC/DESC ] [separator '分隔符'] )

SELECT name,GROUP_CONCAT(age) FROM user GROUP BY name

执行结果为:

MySQL递归查询上下级菜单

 

可以看到相同用户名的年龄都放到一起了,以逗号分割。

FIND_IN_SET函数

假设我们有一张 book 书籍表,有书名和作者两个字段:

SELECT name,author FROM book

执行结果为:

MySQL递归查询上下级菜单

 

现在我们想查作者包含 小A 的书籍,我们来试一下:

SELECT name,author FROM book WHERE author IN ('小A')

执行结果为:

MySQL递归查询上下级菜单

 

实际上这样是不行的,这样只有当 author 字段的值等于'小A'时(和IN前面的字符串完全匹配),查询才有效,否则都得不到结果。

可能你会想到用LIKE实现,我们来试试看:

SELECT name,author FROM book WHERE author LIKE '%小A%';

执行结果为:

MySQL递归查询上下级菜单

 

可以看到把小AA的书籍也查出来了,所以用LIKE无法实现该功能。

那么我们如何使用 FIND_IN_SET 函数来实现呢?

SELECT name,author FROM book WHERE FIND_IN_SET('小A',author);

执行结果为:

MySQL递归查询上下级菜单

 

语法:FIND_IN_SET(str,strlist)

str :要查询的字符串
strlist :字段名 参数以”,”分隔 如 (1,2,6,8)
查询字段(strlist)中包含(str)的结果,返回结果为null或记录

知道了这两个函数后,现在回过头来看看前面的SQL语句:

MySQL递归查询上下级菜单

 

运行选中的代码后可以看到列出了上下级的关系,至于细节这里不再展开描述。

既然我们能查出当前单位的所有下级单位,那么应该也能查询所有上级单位,来看下SQL:

   SELECT uid FROM(
        SELECT
        @id AS _id,
        ( SELECT @id := ubelong
        FROM corpinfo
        WHERE uid = @id
        ) AS _pid,
        @l := @l+1 as level
        FROM corpinfo,
        (SELECT @id := (参数), @l := 0 ) b
        WHERE @id > 0
        ) ID, corpinfo DATA
        WHERE ID._id = DATA.uid
   ORDER BY level DESC

还是我们的corpinfo单位表,执行结果为:

MySQL递归查询上下级菜单

 

可以看到当输入 uid 为 5 时,列出了当前单位及其上级所有单位,SQL和上面的差不多,这里不再细说。

最后补充一段代码,既然我们已经拿到想要的单位编号了,接下来就是要递归构建我们的单位树了,来看下代码:

/**
 * 递归将模块树构建成JSON数组
 */
private JSONArray getJsonArray(List<ClCorpinfo> list) {
    Map<Integer, List<ClCorpinfo>> map = new HashMap<>(16);
    List<ClCorpinfo> sonList;
    for (ClCorpinfo clCorpinfo : list) {
        if (map.get(clCorpinfo.getUbelong()) != null) {
            sonList = map.get(clCorpinfo.getUbelong());
        } else {
            sonList = new ArrayList<>();
        }
        sonList.add(clCorpinfo);
        map.put(clCorpinfo.getUbelong(), sonList);
    }
    JSONArray array = new JSONArray();
    if (list.size() > 0) {
        array = getChildrenTree(map, 0, 0);
    }
    return array;
}
/**
 * 递归构建模块树的子类
 */
public JSONArray getChildrenTree(Map<Integer, List<ClCorpinfo>> map, Integer uparentid, Integer level) {
    JSONArray array = new JSONArray();
    for (ClCorpinfo clCorpinfo : map.get(uparentid)) {
        JSONObject obj = new JSONObject();
        obj.put("uid", clCorpinfo.getUid());
        obj.put("ubelong", clCorpinfo.getUbelong());
        obj.put("ucorpname", clCorpinfo.getUcorpname());
        obj.put("uparentname", clCorpinfo.getUparentname());
        if (map.get(clCorpinfo.getUid()) != null) {
            level++;
            obj.put("children", getChildrenTree(map, clCorpinfo.getUid(), level));
        } else {
            obj.put("children", null);
        }
        array.add(obj);
    }
    return array;
}

上面这段戴安只要传入单位集合,接下来会递归来构建我们的单位树,接下来只要前端渲染上去就完事了。

总结

其实网上也有很多其它的解决方案,比如用代码实现,也可以用存储过程实现,今天我们使用SQL语句来实现并不一定是最好的办法,虽然简单但是比较难懂,我这边只是给大伙提供一个可行的方案,如果有什么不对的地方请多多指教。

MySQL递归查询上下级菜单

 

MySQL实现菜单递归查询 使用MySQL应该会知道这个数据库是不支持直接递归查询的,Oracle connect by支持下面记录我在项目中遇到的这个没有递归查询的解决方法先贴出一张图,一个简单的用户-角色-菜单的查询sql,SQL中传有两个参数请注意,当然也可以只传入一个用户id即可,但是需要多关联一些表,这里已简单的方式做.由下图可以很清楚看出来查出来的菜单数据本身就是有层级关系的(排序id暂时未加入sql),那么我们... 阅读详情

相关推荐

MySQL 实现树形的遍历(关于多级菜单栏以及多级上下部门的查询问题)

MySQL 实现树形的遍历(关于多级菜单栏以及多级上下部门的查询问题)

hfdgjjg的博客 963

mysql 递归_MySQL递归查询上下级菜单

正文在传统的后台管理系统里面经常会需要展示多级菜单关系,今天我们来学一下如何使用一条SQL语句展示多级菜单。现在我们有一张corpinfo单位表,里面有一个belong字段指向上级单位,首先来看一下现在表里有什么数据:SELECTuid,ubelongFROMcorpinfo现在是类似下面这样的一个三级菜单,uid为1的是我们的顶级菜单,ubelog为0。现在我们想实现传入一个 uid ,把...

weixin_39661589的博客 1290

递归查询菜单树,支持mysql,oracle

递归查询菜单树,支持mysql,oracle,含表结构,递归查询菜单,支持mysql,oracle,含表结构递归查询菜单。

js获取打印机列表_图算法 -只需“五步” ,获取两节点间的所有路径(非递归方式)

在实现 “图” 数据结构时,会遇到 “获取两点之间是所有路径” 这个算法问题,网上的资料大多都是利用递归算法来实现(见文末的参考文章)。我们知道在 JS 中用递归算法很容易会让调用栈溢出,为了能在生产环境中使用,必须要用非递归方式的去实现。经过一番探索,实现的思路主要来自文章 《求两点间所有路径的遍历算法》 ,只是该文中并没有给出具体的实现细节,需要自己去实现;最终本文的实现结合类似《算法 - 调...

weixin_39581099的博客 1321

磁编码器选型避坑指南:为什么MT6816比霍尔传感器更适合你的伺服系统?

本文深入对比了MT6816磁编码器与传统霍尔传感器在伺服系统中的应用。MT6816基于AMR技术,对磁场方向敏感而非强度,具备高精度、强抗干扰、高安装容差和极低延时等优势,尤其适合高转速、恶劣环境下的工业场景,能有效提升系统可靠性与长期稳定性。

rainy的博客 1105

4D Gaussian Splatting for Real-Time Dynamic Scene Rendering-4DGS阅读笔记

为了实现实时动态场景渲染,同时还能具备较高的训练和存储效率,作者提出了四维高斯溅射(4D-GS)方法,将其作为动态场景的一种整体表示方式,而不是对每个单独的帧应用三维高斯溅射(3D-GS)方法。在 4D-GS 中,提出了一种新颖的显式表示方法,它同时包含三维高斯模型和四维神经体素。受 HexPlane 启发,提出了一种分解的神经体素编码算法,以高效地从四维神经体素构建高斯特征,然后应用一个轻量级多层感知器(MLP)来预测在新时间戳下的高斯变形。

2403_85515624的博客 2343

mysql递归查询

Mysql递归调用

dear_Alice_moon的专栏 1万+

保姆级教程:在Ubuntu 20.04上搞定pybind11,解决‘找不到头文件’的坑

本文提供了一份详细的Ubuntu 20.04下pybind11配置指南,重点解决常见的'找不到头文件'问题。从环境准备、安装策略到三种专业解决方案(修改CMakeLists.txt、环境变量方案、绝对路径包含),帮助开发者高效搭建C++与Python的桥梁。

weixin_28829325的博客 285

mysql 递归查询_Mysql递归查询,无限级上下级菜单

mysql递归查询,mysql中从子类ID查询所有父类(做无限分类经常用到)由于mysql 不支持类似 oracle with ...connect的 递归查询语法之前一直以为类似的查询要么用存储过程要么只能用程序写递归查询.现在发现原来一条sql语句也是可以搞定的先来看数据表的结构如下:id name parent_id---------------------------1 Hom...

weixin_29157493的博客 3114

【RT-DETR有效改进】利用MobileNetV3替换Backbone(轻量化网络结构,提点)

本文给大家带来的改进机制是,其主要改进思想集中在结合硬件感知的网络架构搜索(NAS)和NetAdapt算法,以优化移动设备CPU上的性能。它采用了新颖的架构设计,包括反转残差结构和线性瓶颈层,以及新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling(LR-ASPP),以提升在移动分类、检测和分割任务上的表现。实验表明,MobileNets在资源和准确性的权衡方面表现出色,并在多种应用(如对象检测、细粒度分类、面部属性识别和大规模地理定位)中展现了其有效性。

Snu77的博客 2750

【Segment Anything Model】三:SAM模型微调自定义数据集,更改混合提示方式:点,框,点框混合

1.微调SAM预备知识。

cvxiayixiao的博客 1万+

sql 没有调试 菜单_MySQL递归查询上下级菜单

正文在传统的后台管理系统里面经常会需要展示多级菜单关系,今天我们来学一下如何使用一条SQL语句展示多级菜单。现在我们有一张corpinfo单位表,里面有一个belong字段指向上级单位,首先来看一下现在表里有什么数据:SELECT uid,ubelong FROM corpinfo现在是类似下面这样的一个三级菜单,uid为1的是我们的顶级菜单,ubelog为0现在我们想实现传入一个 uid ,把当...

weixin_39973271的博客 180

KEPServerEX 6 之 lot Gateway MQTT Clinet 配置使用方式

IoT Gateway即Internet of Things Gateway物联网网关。 ---------------------------------------------------------------------------------- 方式:使用kepw的IOTGateway插件选择MQTTClient 解决:可以实现 KEPW 的Tag值 发送到 MQTT 服务器上 ----------------------------------------...

-雲飛兄-博客 6942

Mysql递归查询,无限级上下级菜单

mysql递归查询,mysql中从子类ID查询所有父类(做无限分类经常用到) 由于mysql 不支持类似 oracle with ...connect的 递归查询语法 之前一直以为类似的查询要么用存储过程要么只能用程序写递归查询. 现在发现原来一条sql语句也是可以搞定的 先来看数据表的结构如下: id name parent_id ----------...

weixin_30408309的博客 674

AI自瞄原理剖析(一)屏幕内容循环截取及代码实现

尽管Yolo框架在推理时其实是可以输入不同大小的图片的,但这些作者大多不会去处理图像尺寸的改变,所以目前大部分开源源码主要是以输入320或者640尺寸的图像为主。只要截图的效率足够快,能够满足一秒采集60张图片,也就是稳定的截图速度达到60帧以上,那么就可以实现内存级别的AI锁死自瞄效果。这里强调了截图速度对于最终实现特定自瞄效果的重要性,只有达到这样的速度标准,才能让整个自瞄相关的功能在内存层面有效地运作起来。在实现自瞄功能的情境下,只需要以游戏准星为中心向外的正方形区域图像就够了,没必要进行全屏截取。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1100

银行业数据科学家的 6 条经验教训

原本希望在计算机科学、统计学和机器学习领域工作。运用新方法获得独特见解,实现一切自动化。简而言之,最终成了这个职业炒作的牺牲品。我想和你们分享一下。希望我们能够摆脱炒作,提高你对数据科学家工作的理解。

茶桁专栏 247

mysql 上一级_Mysql递归查询,无限级上下级菜单

mysql递归查询,mysql中从子类ID查询所有父类(做无限分类经常用到)由于mysql 不支持类似 oracle with ...connect的 递归查询语法之前一直以为类似的查询要么用存储过程要么只能用程序写递归查询.现在发现原来一条sql语句也是可以搞定的先来看数据表的结构如下:id nameparent_id---------------------------1Home02Abou...

weixin_28890693的博客 1007

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

mysql8recursive循环查询简述

在实际业务中经常会遇到树形结构使用parent_id关联上下级的数据结构;在代码中通常很容易组装,写个递归查询即可;但mysql8中也可以临时查询;

奔跑的菜鸡 41

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

多级树形目录mysql的使用_MySQL 实现树形的遍历(关于多级菜单栏以及多级上下部门的查询问题)...

前言:关于多级别菜单栏或者权限系统中部门上下级的树形遍历,oracle中有connect by来实现,mysql没有这样的便捷途径,所以MySQL遍历数据表是我们经常会遇到的头痛问题,下面通过存储过程来实现。1,建立测试表和数据:DROP TABLE IF EXISTS csdn.channel;CREATE TABLE csdn.channel (id INT(11) NOT NULL AUTO...

weixin_42396588的博客 644

转发:[MySQL] 实现树形的遍历(关于多级菜单栏以及多级上下部门的查询问题)

本文来自:http://blog.itpub.net/26230597/viewspace-1269668/ 前言:         关于多级别菜单栏或者权限系统中部门上下级的树形遍历,oracle中有connect by来实现,mysql没有这样的便捷途径,所以MySQL遍历数据表是我们经常会遇到的头痛问题,下面通过存储过程来实现。 1,建立测试表和数据: DROP TA

i2295301的博客 1827

MySQL部门或菜单父子节点递归实现树查询

目前的mysql版本中并不支持直接的递归查询,但是通过递归到迭代转化的思路,可以在一句SQL内实现树的递归查询下面给一个小示例,后续在贴上调用的代码(代码会贴在最后请注意)MySQL递归查询所有子节点,树形结构查询--表结构CREATE TABLE `address` (`id` int(11) NOT NULL AUTO_INCREMENT,`code_value` varchar(32) DE...

xiao雷博客 3万+

mysql递归查询子节点

背景 项目中遇到一个需求,要求查处菜单节点的所有节点,在网上查了一下,大多数的方法用到了存储过程,由于线上环境不能随便添加存储过程, 因此在这里采用类似递归的方法对菜单的所有子节点进行查询。 ...

zzchances的博客 9825

MYSQL递归查找菜单节点的所有子节点

先看上篇(https://blog.youkuaiyun.com/qq_44868502/article/details/104058503) 表结构 SQL结构和数据 DROP TABLE IF EXISTS `demo`; CREATE TABLE `demo` ( `id` int(11) NOT NULL AUTO_INCREMENT, `pid` int(11) NOT N...

优质后端技术知识记录 4198

根据id和parent_id递归查询上下级

当只有id 和parent_id 可用时,查询下级和上级是最让头疼的事,所以写了个Demo,可以试试

weixin_46237429的博客 1751

【mysql】mysql递归查询 向上递归查询 向下递归查询

向上递归 解释:先看T1 t中先将参数赋值给@menuId变量 此时select中的id为500202 接着查询出父id 并将其赋值到@menuId中 ,此时@menuId就是父id了,而它会再次查询父id 以此类推 mark 则为执行顺序 用来倒序排序使用 SELECT id,T2.MENU_ID, T2.MENU_PID FROM ( SELECT @menuId AS id, (SELECT @menuId := MENU_PID FROM s_

孟秋与你的博客 2291
上一篇: 不讲武德!Alibaba微服务线上架构笔记,从实战到源码精讲
下一篇: Swagger 3.0 天天刷屏,真的香吗?
爱玛士
博客等级 码龄7年 720粉丝 253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