Mysql查询结果按指定顺序排序

最新推荐文章于 2025-03-17 22:05:04 发布

silhouette_WY

最新推荐文章于 2025-03-17 22:05:04 发布

阅读量279

点赞数 1

文章标签： mysql

本文链接：https://blog.youkuaiyun.com/silhouette_WY/article/details/104636406

版权

本文介绍了一种在Mysql中实现自定义排序的方法，通过使用CASE WHEN语句配合ORDER BY，可以按照预设的顺序对查询结果进行排序，避免了默认的升序排列，适用于需要特定排序顺序的场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Mysql查询结果按指定顺序排序

查询条件:

where org_id IN ('P294', 'P902', 'P549', 'P13748', 'P4550')

出来的顺序却默认按org_id升序排了,如果要保持上面的顺序,加上下面的:

ORDER BY 
	case
	WHEN org_id='P294' THEN 1
	WHEN org_id='P902' THEN 2
	WHEN org_id='P549' THEN 3
	WHEN org_id='P13748' THEN 4
	WHEN org_id='P4550' THEN 5
	END

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

silhouette_WY

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【多模态大模型实战】搭建DeepSeek Janus-Pro 7B 多模态模型，以及推理微调，推理后的模型融合

m0_47867638的博客

02-07

2396

Janus-Pro是DeepSeek最新开源的多模态模型，是一种新颖的自回归框架，统一了多模态理解和生成。通过将视觉编码解耦为独立的路径，同时仍然使用单一的、统一的变压器架构进行处理，该框架解决了先前方法的局限性。这种解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，还增强了框架的灵活性。Janus-Pro 超过了以前的统一模型，并且匹配或超过了特定任务模型的性能。

DeepSeek JanusPro-7B本地安装-唯一正确版

打造全国最全的AI Agent开发知识领域的博客

02-09

2864

搜遍Janus Pro git issues、谷哥、国内网络，教程全都是错的。因此还是决定写一部全网唯一正确的教程。目前网上的教程包括外网的教程都是“缺斤少量”，按照那些教程操作下来不是装不起来，就是装起来只能CPU运行，或者运行起来了Janus的Web前端老是转啊转不出内容。

参与评论您还未登录，请先登录后发表或查看评论

DeepSeek 多模态大模型Janus-Pro本地部署教程

m0_38082271的博客

02-12

1278

DeepSeek 多模态大模型Janus-Pro本地部署教程

DeepSeek 创新力作—— Janus-Pro 本地部署教程，解锁多模态 AI 新境界！

SJJS_1的博客

02-28

2009

Janus-Pro 是由 DeepSeek 推出的一种新颖的自回归框架，它将多模态理解和生成统一起来。通过将视觉编码解耦为单独的路径来解决以前方法的局限性，同时使用单一、统一的转换器架构进行处理。这种解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，还增强了框架的灵活性。Janus-Pro 超越了之前的统一模型，并且达到或超过了特定任务模型的性能。凭借简单性、高灵活性和有效性，Janus-Pro 有望成为下一代统一多模态模型的有力候选者。

本地部署 DeepSeek Janus Pro 文生图大模型

热门推荐

weixin_44626085的博客

02-01

1万+

Janus-Pro-7B 是由 DeepSeek 开发的多模态 AI 模型，它在理解和生成方面取得了显著的进步。这意味着它不仅可以处理文本，还可以处理图像等其他模态的信息。模型主要特点:Permalink统一的架构: Janus-Pro 采用单一 transformer 架构来处理文本和图像信息，实现了真正的多模态理解和生成。解耦的视觉编码: 为了更好地平衡理解和生成任务，Janus-Pro 将视觉编码解耦为独立的路径，提高了模型的灵活性和性能。

政安晨【零基础玩转各类开源AI项目】DeepSeek 多模态大模型Janus-Pro-7B，本地部署！支持图像识别和图像生成

政安晨——致力于AI人工智能数字互动领域

02-22

438

以后铁子们玩开源大模型就朝着多模态的方面进发吧，未来开源的多模态大模型不在多模态领域整出点花花儿，都不好意思说自己是搞开源的。🤭🤭🤭 今天我们一起部署一下这个Janus-Pro-7B的模型，正好手头缺一款轻量级自由出图助手！嘻嘻。

DeepSeek开源多模态模型Janus-Pro的ComfyUI使用教程

wjianwei666的专栏

02-07

690

这个工作流节点包含了图像描述和图像生成。

【DS】Janus-Pro技术报告以及Janus-Pro模型本地部署使用

静谧、淡雅

03-14

1095

Janus-Pro技术报告以及Janus-Pro模型本地部署使用

如何获取 DeepSeek 多模态大模型 Janus-Pro-7B

Debug yourself!

01-29

7018

DeepSeek 团队近期开源了新一代多模态模型 Janus-Pro-7B，该模型在图像生成和多模态理解方面表现卓越，超越了OpenAI的DALL-E 3，并在基准测试中取得了优异成绩。Janus-Pro-7B 的代码和模型参数已经分别在 github 和 huggingface 上开源，我们拉取到本地后就能运行使用了。由于模型比较大，约为15G，下载比较耗时，请耐心等待。下载成功后就可以进行下一步使用了，将在下一期分享。

保姆级教程：本地部署多模态大模型，携手Open-WebUI与Dify打造智能对话新体验！

2401_85375151的博客

01-20

1万+

Ollama是一个开源框架，专为在本地机器上便捷部署和运行大型语言模型（LLM）而设计。Open WebUI（前身为Ollama WebUI）是一个专为大型语言模型（LLM）设计的可扩展、功能丰富且用户友好的自托管Web管理工具，旨在为用户提供直观、高效的大模型交互体验。本文主要介绍了如何在本地安装Ollama、Open-WebUI，并介绍了Open-WebUI、Dify结合Ollama的一些玩法，还有更多高阶功能等待你去探索。

DeepSeek发布开源多模态大模型Janus-Pro-7B！本地部署+Colab部署！支持图像识别和图像生成！基准测试得分超越OpenAI的DALL·E 3 + Stable Diffusion

m0_71165399的博客

01-28

1414

超越 DALL-E 3 和 Stable Diffusion: 在 GenEval 和 DPG-Bench 等基准测试中，Janus-Pro-7B 的性能优于 OpenAI 的 DALL-E 3 和 Stability AI 的 Stable Diffusion。基于 DeepSeek-LLM: Janus-Pro 建立在 DeepSeek-LLM-1.5b-base/DeepSeek-LLM-7b-base 的基础上，并对其进行了多模态扩展。图像理解: 能够准确地识别和理解图像中的对象、场景和关系。

【DeepSeek】本地快速搭建多模态理解和文生图 Janus-Pro-7B模型

从善若水的博客

02-02

2211

Janus-Pro是一种新的自回归框架，将多模态理解和生成统一起来。它通过将视觉编码解耦到单独的路径中，同时仍然使用单一、统一的transformer架构进行处理，解决了以前方法的局限性。解耦不仅缓解了视觉编码器在理解和生成方面的角色冲突，而且增强了框架的灵活性。Janus-Pro超越了以前的统一模型，并匹配或超过特定任务模型的性能。Janus-Pro的简单性、高灵活性和有效性使其成为下一代统一多模态模型的有力候选者。

半小时在本地部署DeepSeek的Janus Pro，进行图片分析和文生图

冀辉的博客

02-11

4732

测试印象：整体模型体积较小，个人可以部署并使用。图像识别效果不错，不但可以识别一般的图片，也可以识别一些图纸类的内容。显存占用不高，24G显存即可以运行图片识别和图像生成。部署相对简单，如果不考虑模型下载时间，半小时就可以进行简单测试。图片识别时，如果图片是格式复杂的文本类（如试卷），在OCR时，会出现较严重的问题。生成图片时，必须用英文。生成图片时，当提示词过于简单时，会出现物品不完整的现象。总体来说，在开源的多模态大模型中，还是一个非常不错的产品。

DeepSeek Janus-Pro 7B 和 DeepSeek-R1-Distill-Qwen-7B比较

02-12

### 比较DeepSeek Janus-Pro 7B与DeepSeek-R1-Distill-Qwen-7B #### 特点对比对于 **DeepSeek Janus-Pro 7B** 而言，这款模型代表了多模态AI领域的重大进展。其设计初衷是为了增强跨不同数据类型的处理能力，特别是文本和图像之间的交互。通过将视觉编码器与大型语言模型（LLM）解耦并扩展至7亿参数量级，Janus-Pro不仅加速了多模态理解和视觉生成过程中的损失收敛速度，还在多个基准测试中取得了优异成绩[^1]。另一方面，关于 **DeepSeek-R1-Distill-Qwen-7B**, 这款基于Qwen架构并通过蒸馏技术优化得到的版本，则专注于提高计算效率的同时保持较高的预测准确性。尽管具体细节未完全公开，但从名称可以推测此模型可能更侧重于轻量化部署以及针对特定场景下的性能优化。 #### 性能表现在实际应用方面： - 对于 **Janus-Pro 7B**, 实验结果显示，在处理大规模多模态任务集时，相较于前代产品(如1.5B)，训练时间减少了约40%；而在多模态理解基准测试中，得分平均提升了10%，特别是在视觉生成评估环节，图像质量评分更是提高了15%。这些改进表明该方法具有较强的可扩展性和更高的资源利用效率[^3]。 - 关于 **R1-Distill-Qwen-7B**, 尽管官方文档并未提供详尽的数据支持直接比较两者间的优劣差异，但考虑到这是经过专门调校后的产物，预计会在某些特定应用场景下展现出更好的性价比优势——即以较低的成本实现接近甚至超越原版的效果。综上所述，如果项目需求涉及到复杂的图文融合分析或是追求极致的艺术创作效果，那么显然 **Janus-Pro 7B** 是更为理想的选择；而对于那些希望快速迭代原型、降低硬件门槛的应用来说，**R1-Distill-Qwen-7B** 可能会成为更具吸引力的选项。