墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
263平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
一、使用指定的值替换替换 NULL。（如将数据库中空的字段置0）
语法
ISNULL ( check_expression , replacement_value )
参数
check_expression
将被检查是否为 NULL的表达式。check_expression 可以是任何类型的。
replacement_value
在 check_expression 为 NULL时将返回的表达式。replacement_value 必须与 check_expresssion 具有相同的类型。
返回类型
返回与 check_expression 相同的类型。
注释
如果 check_expression 不为 NULL，那么返回该表达式的值；否则返回 replacement_value。
如：isnull(sum(InCIQGoodsFNum),0)
用法：select UserName,isnull(sum(InCIQGoodsFNum),0) from Table
新手必看：SMIC 0.18um PDK安装保姆级教程（附Cadence IC617环境配置）
本文提供SMIC 0.18um PDK在Cadence IC617环境下的详细安装教程，涵盖环境准备、文件解压、安装脚本运行、环境变量配置及Cadence集成验证等关键步骤，特别针对初学者常见问题提供解决方案，助力快速掌握芯片设计工具配置。
SQL2000 中常用的函数收集（持续更新）
------------------------------------------------------分拆函数：---------------------------------------------- Create function F_splitstring ( @str varchar(8000) --要分拆的字符串 ,@spli va
手把手教你解锁TI MSPM0G3507开发板（2025新版，附XDS110接线图）
本文详细解析了2025版TI MSPM0G3507开发板的解锁方法，针对新版硬件中BSL引脚的电路设计变化提供了精准接线方案和UniFlash软件配置步骤。通过实测数据和专业指导，帮助开发者解决芯片锁定问题，确保调试接口正常响应。
mysql优秀sql语句收集，mysql常用日常操作及mysql常见报错解决方案，持续更新！
1、计算MySQL中各个数据库的占用大小 SELECT TABLE_SCHEMA, CONCAT(TRUNCATE(SUM(data_length)/1024/1024,2),' MB') AS data_size, CONCAT(TRUNCATE(SUM(index_length)/1024/1024,2),'MB') AS index_size FROM information_sch...
MSTAR数据集下载地址及处理方法
首先感谢博主冯子材提供下载的百度网盘地址。 在这里为了防止侵权，特此鸣谢，并给出其博客地址。 地址中有MSTAR百度网盘下载地址和需要使用的数据介绍，其中百度网盘中有数据转换工具 https://blog.youkuaiyun.com/taifengzikai/article/details/80600355 工具使用 因为下载得到的数据是二进制文件，需要使用官方提供的工具进行转换，可将其转换为jpeg。 有...
H3C交换机Console口连接全攻略：从接线到PuTTY配置（附常见问题排查）
本文详细介绍了H3C交换机Console口的连接与配置方法，包括硬件线缆选择、驱动安装、PuTTY参数设置及常见问题排查。特别针对Console转USB线缆的兼容性和驱动安装难点提供实用建议，帮助网络工程师快速掌握串联调试技巧，解决连接中的黑屏、乱码等典型问题。
更新操作报错mysql_mysql优秀sql语句收集，mysql常用日常操作及mysql常见报错解决方案，持续更新！...
mysql常见报错解决方案删除带外键的表【foreign key constraint fails】报错SET foreign_key_checks = 0; // 先设置外键约束检查关闭drop table table1; // 删除表，如果要删除视图，也是如此SET foreign_key_checks = 1; // 开启外键约束检查，以保持表结构完整性mysql常用日常操作生成所有tr...
基于JeecgBoot 3.9.0 开源项目的企业管理平台
基于JeecgBoot 3.9.0 开源项目的企业管理平台
sql优化的N种方法_持续更新
当你访问网站的时候,有的时候会慢的想让你砸电脑,这个时候服务器要背锅了吗? 不,要背锅的不仅仅是服务器,数据库也有很大责任,不负责任的sql开发者更会让你崩溃的.为了提高sql响应速度,还是好好了解下sql的优化吧 sql优化的方式 1: explain关键字 :使用explain关键字来查看当前sql语句的执行情况,来对症下药.因为内容较多,放在最后进行讲解 2: 正确的建立索引:索引的建立对sql的影响是非常大的,如果对索引不太理解的可以看我另一篇文章: ............
C#上位机与西门子PLC全链路通信实战教程：数据采集+SQL存储+数据库报表查询+报警历史完整实现
在工业自动化领域，西门子PLC（S7-200Smart/1200/1500）凭借稳定的性能、强大的功能、完善的生态，稳居工业控制器的主流地位；而凭借开发效率高、界面美观、兼容性强、数据库操作便捷的优势，成为工业上位机开发的首选编程语言。二者的组合，是目前制造业、自动化产线、智能仓储、暖通自控等场景的绝对主流方案，也是工业上位机工程师必须吃透的核心技术栈。
RH850从0搭建Autosar开发环境【6】- Davinci Configurator之CanIf模块配置详解(下)
RH850从0搭建Autosar开发环境【6】- Davinci Configurator之CanIf模块配置详解(下)
【MySQL】常用SQL--持续更新ing
输出的就是表的ddl。
【Python机器学习】主成分分析(PCA)：高维数据的“瘦身术“
主成分分析（PCA）的历史可以追溯到1901年，当时Karl Pearson首次提出了这个概念。在计算机还不存在的年代，PCA是一个纯粹的数学构想，用来简化多变量数据的分析。几十年后，当计算机出现时，PCA成为了数据分析中最早实现的算法之一。从那时起，超过一个世纪的发展中，PCA一直保持着其核心的理论框架和实用价值，这本身就是对这个方法深刻科学性的证明。在现代深度学习时代，许多人可能会认为PCA已经过时了。但事实恰好相反。
【Oracle】常用、实用的SQL脚本（持续更新）
【Oracle】常用、实用的SQL脚本（持续更新） 受到一篇知乎文章启发，决定将之前用到和看过的一些SQL脚本收集下，这些脚本在工作中都比较实用，并且也常用到。脚本都是针对Oracle的。 先创建几个用来举例的表，并插入些数据 CREATE table sqltest (id int,name varchar(20),quarter int,cum int) insert into sqltest...
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
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');```[](https://bitdeli.com/free "Bitdeli Badge")
python常用英语词汇（持续更新）
一直有人问我，自己英语不好能否学python,答案肯定是可以的，只需要记住下面这些词汇就行啦（可根据首字母找单词全网独一份）
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
HANA常用语法（持续更新）
HANA常用语法梳理
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
SQL持续更新中
问: 什么是SQL？答:结构化查询语言；其实就是定义了操作所有关系型数据库的规则。每一种数据库操作的方式存在不一样的地方，称为方言。通用语法-- 注释内容/* 注释 */SQL分类。
常用sql规范（持续更新）
本文是关于sql开发的常规规范，涵盖命名、格式、性能与安全等关键方面
【Mybatis】xml常用总结（持续更新）
SELECT-- 加序号 @i := @i + 1 AS row,( SELECT @i := 0 ) rCASEWHEN NOW() = su.effective_start_time AND NOW() < su.effective_end_time THEN "生效中"WHEN NOW() >= su.effective_end_time THEN "已过期"ELSE NULL。
【Mysql】常用SQL总结（持续更新）
另外，如果要修改的表中已经有数据，而修改会导致数据被截断的话，需要注意保存数据，以免数据丢失。注意，这个命令只能修改字段的长度，并带有备注，不能修改字段的类型和约束。字段的长度为3，并且为每个字段添加了相应的备注。连接到mysql服务器并选择要修改的数据库。语句来修改表中的多个字段长度并带有备注。字段的长度从50修改为100，将。字段的长度为100，
常用SQL（持续更新）
常用SQL（持续更新） 1.去重 SELECT DISTINCT 字段名 FROM 表名; 2.+和CONCAT() SQL中的 + 只能作为运算符使用，不能拼接字符 拼接字符使用：SELECT CONCAT('a','b','c')； ps：这里要注意拼接的字符如果有null，那结果都是null 3.模糊查询LIKE 占位符使用时 % 能表示0到多个字符； _ 表示一个字符（可以连续多个使用） 举例：查询第三个字符为a，第五个字符为b的记录： SELECT 字段名 FROM 表名 WHERE 字段名 LI
常用SQL查询语句整理笔记【持续更新】
常用SQL查询语句整理笔记 查询表所有数据 SELECT * FROM myTable 查询指定学号学生的信息 SELECT * FROM myTable WHERE studentId=‘001’ IN关键字查询 SELECT name,age,height FROM myTable WHERE studentId in (‘001’,‘002’,‘003’) LIKE关键词模糊查询 ...
【php】sql 常用语句（持续更新）
1、判断登录相等 2、注册 3、查询数据表 A 中 一列与 4、同时删除两个表中相同的数据
常用SQL语句练习【持续更新】
mysql启动关闭 -- 启动/关闭Mysql数据库服务 net start mysql net stop mysql -- 登录/退出mysql服务器软件 mysql -uroot -p123 -- 连接他人的mysql mysql -hip地址 -u用户名 -p密码 mysql -host=127.0.0.1 -user=root -password=123456 -- mysql的退出 -- exit或者quit都可以在命令行退出mysql服务器软件，而不是关闭mysql服务。 DDL:数
原创MySQL运维脚本跟一些常用SQL的分享--持续更新
数据库状态收集脚本： 该脚本动态收集实例状态数据，可前端展示，也可收集到后台日志，该脚本目前还处于完善阶段，还有很多状态可以收集，中途忙其他事情去了，后面有时间了继续更新。脚本效果展示： 前端展示 收集到后台日志： 帮助信息： 脚本内容： vi dbck.sh #!/bin/bash db_host= db_port= db_user= db_pwd= dbexec=“mysql -h ${...
Oracle常用sql语句记录 持续更新
常规表空间使用率查询 select to_char(sysdate,'yyyy-mm-dd hh24:mi:ss' ) from dual ; prompt ##########TABLESPACE set linesize 120 set pagesize 10000 col TABLESPACE format a20 SELECT A.TABLESPACE,A.tota...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
493
扫一扫
