【第六章：数据库技术考点】

已于 2024-05-04 14:59:36 修改
阅读量982 收藏 8
点赞数 28
分类专栏： 软考 文章标签： 数据库 网络
于 2024-05-04 10:49:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44234953/article/details/138436425
版权

第六章：数据库技术考点

1.基本概念

1.1 几个专有名词

请添加图片描述

1.3 DBMS的特征和分类

请添加图片描述

①数据结构化且统一管理。②有较高的数据独立性。③数据控制功能（数据库的安全性、完整性、并发控制、故障恢复）。

2.三级模式——两级映像

请添加图片描述

2.1 三级模式

请添加图片描述

①模式：也称概念模式，它是数据库中全体数据的逻辑结构和特征的描述。只涉及型的描述，不涉及具体的值。概念模式的一个具体值称为模式的一个实例，同一个模式可以有很多实例。描述模式的数据定义语言为：模式DDL。

②外模式：也称用户模式或子模式，是用户与数据库系统的接口，是用户看到的那部分数据的描述。 描述外模式的数据定义语言为：外模式DDL。

③内模式：也称存储模式，是数据物理结构和存储方式的描述，是数据在数据库内部的表示方法，定义所有的内部记录类型、索引和文件的组织方法，以及数据控制方面的细节。描述内模式的数据定义语言为：内模式DDL。

（一个数据库系统中，外模式可以有多个，而模式和内模式只有有一个！！！）

外模式——模式——内模式 分别对应：视图——基本表——文件

2.2 两级映像

首先，数据的独立性是由DBMS的两级映像功能来保证的。

①模式/内模式映像：存在于概念级和内部级之间，实现了模式和内模式之间的相互转换。保证了数据的物理独立性。

②外模式/模式映像：存在于外部级和概念级之间，实现了外模式和模式之间的相互转换。保证了数据的逻辑独立性。

3.数据库设计过程

请添加图片描述

4.数据模型

请添加图片描述

4.1E-R模型

请添加图片描述

在E-R模型中，实体用矩形表示、属性用椭圆形表示、联系用菱形表示。

在上图中学生和课程都是实体，而学号、姓名、性别、年龄这四个是学生实体的属性，课程号、课程名、任何教师这三个是课程实体的属性，因为一个学生可以选修多门课程、一门课程也可以被多个学生选修，所以学生与课程之间是多对多联系，即选课联系用菱形表示，而成绩是选课联系中对应的属性。

4.2关系模型

请添加图片描述
请添加图片描述
请添加图片描述

B，原因待定

**在E-R模型中，每个实体必须转换为一个关系模式，而联系分为（1：1，1：n，m：n）三种，前两种可以转也可以不转，第三种则是必须转。**所以上面这个例题，A、B、C三个实体为多对多对多联系，所以必须转换，即一共可转换为4个关系模式。具体的转换规则如以下三个表所示：👇👇👇

联系类型联系是否转换属性主键外键
1：1联系转联系自身属性+各实体关键字每个实体的关键字均可作为主键每个实体的关键字均可作为外键
不转任意一端实体中添加联系自身属性以及另一端实体的关键字仍为原关系模式的主键另一端实体的关键字
联系类型联系是否转换属性主键外键
1：n联系转联系自身属性+各实体关键字n端实体的关键字各实体关键字
不转n端实体添加联系自身属性以及1端实体的关键字仍为原关系模式的主键1端实体的关键字
联系类型联系必须转换属性主键外键
m：n联系转各实体关键字+联系自身属性各实体关键字的组合各实体的关键字

5.关系代数

请添加图片描述
请添加图片描述
请添加图片描述

B

7种基本运算

请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

①集合运算符：并、交、差、笛卡儿积。②专门的关系运算符：选择、投影、连接、除。

其中，并、差、笛卡儿积、选择、投影这五种运算是基本的运算。（对于属性列，笛卡儿积不去重，自然连接去重）

请添加图片描述
请添加图片描述

D

优化原则待定

6.数据库完整性约束

请添加图片描述

7.关系型数据库SQL简介

请添加图片描述
请添加图片描述

8.关系型数据库的规范化理论

8.1 函数依赖

请添加图片描述

假设：学号→姓名，表示学号唯一确定一个学生的姓名，也就是说姓名是完全依赖于学号。

假设（学号，课程号）→系名，而根据常识，显然根据一个学生的学号，就已经可以确认这个学生所在系，根本不需要课程号这个属性，所以这就是一个部分函数依赖。

假设：学号→系名，系名→系主任姓名，在这里我们可以直接得出：学号→系主任姓名，所以这就是一个传递函数依赖。

这里还要介绍一下函数依赖的公理系统，设关系模式R（U，F）：👇👇👇

①A1自反律：若Y包含于X包含于U，则X→Y为F所蕴涵。

②A2增广律：若X→Y为F所蕴涵，且Z包含于U，则XZ→YZ为F所蕴涵。

③A3传递律：若X→Y，Y→Z为F所蕴涵，则X→Z为F所蕴涵。

④合并规则：若X→Y，X→Z，则X→YZ为F所蕴涵。

⑤伪传递律：若X→Y，WY→Z，则XW→Z为F所蕴涵。

⑥分解规则：若X→Y，Z包含于Y，则X→Z为F所蕴涵。

8.2 求候选关键字

请添加图片描述

请添加图片描述
答案是B。注意上图中是B只能到C。

8.3 规范化理论

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

8.3.1 范式

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

①1NF（第一范式）：若关系模式R的每一个分量都是不可再分的数据项，则关系模式R∈1NF。

②2NF（第二范式）：若关系模式R∈1NF，且每一个非主属性完全依赖于码，则关系模式R∈2NF。（换句话说，当1NF消除了非主属性对码的部分函数依赖，则称为2NF）

③3NF（第三范式）：若关系模式R（U，F）中不存在这样的码X，属性组Y及非主属性Z（Z不包含于Y）使得X→Y，Y→Z成立，则关系模式R∈3NF。（换句话说，当2NF消除了非主属性对码的传递函数依赖，则称为3NF）

④BCNF（BC范式）：关系模式R（U，F）∈1NF，若X→Y且Y不包含于X时，X必含有码，则R∈BCNF。（换句话说，关系模式R中，若每一个决定因素都包含码，则称为BCNF）

一个满足BCNF的关系模式有：①所有非主属性对每一个码都是完全函数依赖。

​ ②所有主属性对每一个不包含它的码也是完全函数依赖。

​ ③没有任何属性完全函数依赖于非码的任何一组属性。

在这里插入图片描述
先找入度为0的。

8.5 模式分解

在这里插入图片描述

在这里插入图片描述
是无损分解

9.数据库的并发控制

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
D、C
以下了解一下
在这里插入图片描述
在这里插入图片描述

10.大数据（了解）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Transformer+目标检测，这一篇入门就够了
梁瑛平的博客
10-03 6005
Vision Transformer for Object Detection本文作者：Encoder-Decoder 简介：Encoder-Decoder 的缺陷：Attention 机制：Self-Attention 机制：Multi-Head Attention：Transformer 结构：图像分类之ViT：图像分类之Pyramid ViT：目标检测之DETR：目标检测之Deformable DETR： 本文作者： BIT可达鸭 禁止转载 Encoder-Decoder 简介： 机器翻译是序列转换模
下一代视觉Transformer：CNN+Transformer=Better
2401_88556812的博客
11-06 1339
近年来，研究者们开始探索将这两种模型结合起来，以期在视觉任务中取得更好的性能。单分支CNN的设计：提出了一种新颖的单分支实时分割网络SCTNet，通过从Transformer对齐语义信息，实现了Transformer的高精度和轻量级单分支CNN的快速推理速度。语义信息对齐模块（SIAM）：提出了一种有效的对齐模块，通过训练过程中的特征学习，对齐Transformer和CNN的特征。成对特征的增强：通过成对CNN和成对Transformer特征的融合，提出了一种增强的表示方法，优于单独使用任一特征。
arXiv每日学术速递 | 强强联合：CNN与Transformer融合创新提升模型性能！！
最新发布
csdn_xmj的博客
01-28 1932
CNN在图像处理中有着良好的表现，能够处理复杂的图像特征，其在处理局部特征方面表现出色，但是在处理全局信息时表现较弱。而Transformer在NLP领域中具有很好的表现，能够处理序列数据的建模和生成，其在处理全局信息方面具有优势，但是对于局部信息处理能力相对较弱。通过将CNN与Transformer进行结合，可以有效地捕捉与处理图像中的局部和全局信息，从而提高模型的性能和效果。
使用Transformer来做物体检测
AI公园
04-20 3327
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”因公众号更改了推送规则，记得读完点“在看”~下次AI公园的新文章就能及时出现在您的订阅列表中作者：Jacob Briones编译：...
【详细解读DETR，基于transformer的目标检测网络】DETR： End-to-End Object Detection with Transformers
热门推荐
m0_48086806的博客
08-08 5万+
【详细解读DETR，基于transformer的目标检测网络】DETR： End-to-End Object Detection with Transformers
transformer在目标检测中的使用
qq_36136196的博客
05-24 976
Transformer self-attention attention中q,k,v的含义 就拿翻译举例子，q,k,v都是一个个的单词。（这里边需要对每个单词进行embedding）。每个单词都需要考虑其他的单词，q,k就是计算两个单词的相似性的。 q是query的简写，k是key的简写，v是value的简写。 q就是一个向量的搜索，k就是被搜索的向量。特征图中有哪些k向量与q的相似性是高的，q、v进行点积得到α（attention score）。v就是得到的分数会偏向于分数大的那个向量。 v就是对att
transformer目标检测 DETR
Funnyman_Ming的博客
09-20 397
亮点：位置编码，encoder中加了，decoder中也加了；没用NMS，用的匈牙利匹配；两个注意力自注意力+交叉注意，交叉注意在decoder，object queries做的是qurey；object queries是固定100个；（在某些位置上查询有无物体以及类别）
MambaVision：一种混合Mamba-Transformer视觉主干网络
qq_45800507的博客
10-13 1423
摘要我们提出了一种新型的混合Mamba-Transformer主干网络，命名为MambaVision，它专门为视觉应用而设计。我们的核心贡献包括重新设计Mamba公式，以提高其有效建模视觉特征的能力。此外，我们对集成视觉变换器（ViT）与Mamba的可行性进行了全面的消融研究。我们的结果表明，在Mamba架构的最后一层加入多个自注意力模块大大提高了捕获长程空间依赖性的建模能力。基于我们的发现，我们引入了一系列具有分层架构的MambaVision模型，以满足各种设计标准。
Transformer与CNN在目标检测对决：现代视觉识别的较量
2402_85758936的博客
07-06 1181
目标检测技术旨在从图像或视频中识别和定位多个目标对象。
CNN-Transformer的结合模型
qq_62412943的博客
05-14 4148
卷积神经网络（CNN）是一种特殊的深度学习模型，它在图像处理领域取得了巨大的成功，并且在其他领域如自然语言处理、推荐系统和语音识别中也得到了广泛的应用。CNN的设计受到了人类视觉系统的启发，特别关注于如何从图像中自动学习和提取有用的特征。：激活函数在神经网络中起到至关重要的作用，它们增加了模型的非线性，从而使模型能够学习和逼近复杂的函数。：池化层通常用于降低特征映射的维度，减少计算需求，并增加模型的鲁棒性。：在全连接层中，模型会将前面层学习到的空间特征转换为用于分类或回归任务的输出。
理解DETR：使用变换器(Transformers)进行端到端的目标检测
qianggezhishen的专栏
10-28 1371
DETR给我们带来了一种全新的方法来用变换器做目标检测。这个端到端的模型能够一次性完成目标检测和分类，这和以前的多阶段模型，比如RCNN和Faster R-CNN，是不一样的。DETR的直接集合预测方法允许并行处理，这样也简化了整个架构。虽然DETR有不少优点，但它在计算资源消耗和推理速度上还是面临一些挑战。目前，研究人员正在努力解决这些问题，希望能进一步提升DETR的性能。另外，变换器的使用为涉及自然语言处理（NLP）和计算机视觉的双模态任务提供了一个统一的解决方案。
计算机视觉算法——基于Transformer的目标检测（Efficient DETR / Anchor DETR / Conditional DETR / DAB DETR）
weixin_44580210的博客
10-29 1万+
可以看到，代码上的修改并不大，相对于Conditional DETR主要是Cross Attention的过程中加入了长宽对Position Similarity的影响，并在Cross Attention的输出中对Anchor Box的四个参数进行显示的修正。DAB DETR是在Conditional DETR的基础上进行改进的，因此上文在Conditional DETR中介绍的Content Query和Spatial Query在DAB DETR中也是适用的，我们对其中不同的通路打上不同的颜色，其中。
计算机视觉算法——基于Transformer的目标检测（DETR / Deformable DETR / Dynamic DETR / DETR 3D）
weixin_44580210的博客
08-07 1万+
DETR是DEtection TRansformer的缩写，该方法发表于2020年ECCV，原论文名为《End-to-End Object Detection with Transformers》。传统的目标检测是基于Proposal、Anchor或者None Anchor的方法，并且至少需要非极大值抑制来对网络输出的结果进行后处理，涉及到复杂的调参过程。而DETR使用了Transformer Encoder-Decoder的结构，并且通过集合预测损失实现了真正意义上的端到端的目标检测方法。...
利用 Transformer 进行端到端的多目标检测及跟踪（附源代码）
机器学习社区
01-12 1685
现存的用检测跟踪的方法采用简单的heuristics，如空间或外观相似性。这些方法，尽管其共性，但过于简单，不足以建模复杂的变化，如通过遮挡跟踪。01摘要多目标跟踪(MOT)任务的关键挑战是跟踪目标下的时间建模。现存的用检测跟踪的方法采用简单的heuristics，如空间或外观相似性。这些方法，尽管其共性，但过于简单，不足以建模复杂的变化，如通过遮挡跟踪。所以现有的方法缺乏从数据中学习时间变化的能力。在今天分享中，研究者提出了第一个完全端到端多目标跟踪框架MOTR。它学习了模拟目标的长距离时间变化。它隐式地
【目标检测】Transformers在小目标检测中的应用：最新技术的基准测试和调查
weixin_44037500的博客
08-20 1628
介绍了基于 CNN 的目标检测器，如 YOLO、SSD、RetinaNet 等，以及 Transformer 模型的基本架构，包括编码器和解码器。详细阐述了 DETR 和 ViT - FRCNN 这两个开创性的基于 Transformer 的目标检测器，它们在小目标检测和分类中表现欠佳，且存在计算成本高等问题。使用Transformer 的小目标检测和流行的目标检测方法。
目标检测中的视觉Transformer
3D视觉工坊
06-25 261
视觉感知算法的核心在于精准实时地感知周围环境，以便下游更好地进行决策规划，而目标检测任务就是视觉感知的基础。不仅在自动驾驶领域，在机器人导航、工业检测、视频监控等领域，目标检测都有着广泛应用，也是近年来理论研究的热点。作为计算机视觉中的基础算法，目标检测对后续的人脸识别、目标跟踪、实例分割等任务都起着至关重要的作用。基于深度学习的卷积学习网络（CNN）在目标检测任务上取得了优越的性能，例如Fast...
基于视觉Transformer的目标检测
jacke121的专栏
09-27 5638
基于视觉Transformer的目标检测 无卷积骨干网络：金字塔Transformer，提升目标检测/分割等任务精度 https://github.com/whai362/PVT YOLOS： Transformer能否以最少的2D空间结构从纯粹的序列到序列的角度进行2D目标识别呢？ 为回答该问题，我们提出了YOLOS(You Only Look at One Sequence)，一系列基于朴素ViT(即尽可能少的进行修改)的目标检测模型。我们发现：在中等大小数据集ImageNet上预
目标检测文献阅读-DETR：使用Transformer进行端到端目标检测
qq_60040306的博客
01-05 1239
本周阅读的论文题目是《End-to-End Object Detection with Transformers》(使用Transformer进行端到端目标检测)。
Lite-Mono：轻量级CNN与Transformer融合的单目深度估计新架构
Lite-Mono论文提供了一个新的研究视角，即如何在深度学习领域巧妙地融合CNN和Transformer，以创造一个既能有效处理单目深度估计问题，又能在边缘设备上高效运行的轻量级解决方案，这将对未来的自监督深度估计技术...
评论
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