<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_42052229的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_42052229</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_42052229]]></copyright><item><title><![CDATA[Mysql数据库（五）四大约束]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/121916554</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/121916554</guid><author>qq_42052229</author><pubDate>Mon, 13 Dec 2021 23:02:02 +0800</pubDate><description><![CDATA[Mysql数据库（五）约束
文章目录Mysql数据库（五）约束1、非空约束：not null2、唯一性约束：unique单个字段唯一性约束联合字段唯一性约束unique 和not null联合约束3、主键约束（primary key，简称PK）4、外键约束（foreign key，简称FK）

约束：constraint
在创建表时，可以对表中的字段增加一些约束，保证表中数据的完整性、有效性。





约束类型
单词




非空约束
not null


唯一性约束
unique


主键约束
prim]]></description><category></category></item><item><title><![CDATA[Mysql数据库（四）]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/120471892</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/120471892</guid><author>qq_42052229</author><pubDate>Sat, 25 Sep 2021 15:02:36 +0800</pubDate><description><![CDATA[表的创建

]]></description><category></category></item><item><title><![CDATA[Mysql数据库（三）]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/120422736</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/120422736</guid><author>qq_42052229</author><pubDate>Wed, 22 Sep 2021 23:25:08 +0800</pubDate><description><![CDATA[连接查询（多表查询）

多张表联合起来查询数据，成为连接查询
连接查询分类：
按年代分类
SQL92：1992年的时候出现的语法
SQL99：1999年的时候出现的语法
根据表的连接方式分类：
内连接：等值连接、非等值连接、自连接		
外连接：左外连接（左连接）、右外连接（右链接）
全连接：

当两张表进行连接查询，没有任何条件限制，最终查询的结果条数，是两张表的=乘积，这种现象被称为：笛卡尔积现象。
#查询每个员工的部门名称
select ename, dname from emp, dept;
#添加w]]></description><category></category></item><item><title><![CDATA[Mysql数据库（二）]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/120147565</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/120147565</guid><author>qq_42052229</author><pubDate>Mon, 06 Sep 2021 23:39:00 +0800</pubDate><description><![CDATA[Mysql数据库之Mysql的安装和配置（一）

]]></description><category></category></item><item><title><![CDATA[Mysql数据库之Mysql的安装和配置（一）]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/120147433</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/120147433</guid><author>qq_42052229</author><pubDate>Mon, 06 Sep 2021 23:37:18 +0800</pubDate><description><![CDATA[Mysql数据库之Mysql的安装和配置（一）

]]></description><category></category></item><item><title><![CDATA[空间金字塔池化（Spatial Pyramid Pooling, SPP）原理和代码实现（Pytorch）]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/90446073</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/90446073</guid><author>qq_42052229</author><pubDate>Wed, 22 May 2019 16:10:22 +0800</pubDate><description><![CDATA[一、为什么需要SPP
首先需要知道为什么需要SPP。
我们都知道卷积神经网络(CNN)由卷积层和全连接层组成，其中卷积层对于输入数据的大小并没有要求，唯一对数据大小有要求的则是第一个全连接层，因此基本上所有的CNN都要求输入数据固定大小，例如著名的VGG模型则要求输入数据大小是 (224*224) 。
固定输入数据大小有两个问题：
很多场景所得到数据并不是固定大小的，例如街景文字基本上其高宽比是不...]]></description><category></category></item><item><title><![CDATA[在Visual Studio2015中配置Opencv]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/90313786</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/90313786</guid><author>qq_42052229</author><pubDate>Sat, 18 May 2019 12:32:48 +0800</pubDate><description><![CDATA[使用VS2015来配置OpenCV, 博主的操作过程是以64位Windows10系统为例的，32位系统与之类似。下载和解压的过程就不在提了，可以自行百度。
1. 首先，配置系统环境变量。用鼠标右键单击“我的电脑”，从弹出的快捷菜单中选择“属性”选项，然后在“控制面板主页”单击“高级系统设置”选项，进入“系统属性”对话框，如图所示。

点击“环境变量”，进入对话框，在系统变量中找到Path系统变量，...]]></description><category></category></item><item><title><![CDATA[Pytorch版的faster R-CNN源码解读]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/90260642</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/90260642</guid><author>qq_42052229</author><pubDate>Thu, 16 May 2019 11:47:47 +0800</pubDate><description><![CDATA[最近在研究Pytorch版本的faster R-CNN，由于自己时间有限，就不自己详细写这些博客了，参考了网上两位作者的解读加理解，在这里贴出来，以后有时间自己再去重新写出自己的理解和解析。
Pytorch源码：https://github.com/chenyuntc/simple-faster-rcnn-pytorch
第一位作者的解读：
（一）读取和数据处理 https://blog.csdn...]]></description><category></category></item><item><title><![CDATA[caffe源码：im2col绘图解析，分析caffe卷积操作的底层实现]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/89675953</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/89675953</guid><author>qq_42052229</author><pubDate>Mon, 29 Apr 2019 15:30:30 +0800</pubDate><description><![CDATA[转载一下别人写的，图解加源码讲解很到位。
https://blog.youkuaiyun.com/jiongnima/article/details/69736844

]]></description><category></category></item><item><title><![CDATA[docker 安装OpenCV3.4]]></title><link>https://blog.youkuaiyun.com/qq_42052229/article/details/82962223</link><guid>https://blog.youkuaiyun.com/qq_42052229/article/details/82962223</guid><author>qq_42052229</author><pubDate>Sun, 07 Oct 2018 22:25:01 +0800</pubDate><description><![CDATA[安装OpenCV3.4
1.创建GPU容器：
nvidia-docker run -it -v /home/wjt:/home/wjt nvidia/cuda  /bin/bash
2.更新源以及安装各种依赖库
apt-get update  （apt-get upgrade）
apt-get install build-essential   wget   unzip
apt-get insta...]]></description><category></category></item></channel></rss>