<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xiangjiaopinxing的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xiangjiaopinxing</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xiangjiaopinxing]]></copyright><item><title><![CDATA[Mysql命令操作大全（三）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/101542609</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/101542609</guid><author>xiangjiaopinxing</author><pubDate>Fri, 27 Sep 2019 16:35:56 +0800</pubDate><description><![CDATA[内连接
（1）形式一
select 字段列表
from A表 inner join B表
on 关联条件
【where 其他筛选条件】
说明：
如果不写关联条件，会出现一种现象：笛卡尔积
关联条件的个数 = n - 1，n是几张表关联
on只能和join一起用
（2） 形式二
select 字段列表
from A表 , B表
where 关联条件 【and 其他筛选条件】
#查询所有的员工的姓名和...]]></description><category></category></item><item><title><![CDATA[Mysql操作命令大全（二）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/101518121</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/101518121</guid><author>xiangjiaopinxing</author><pubDate>Fri, 27 Sep 2019 10:50:07 +0800</pubDate><description><![CDATA[/*

ClassName: TestMysql 
Description:

Mysql的约束：

目的：
使得数据更准确，更完整
1、键约束

 （1）主键约束



 （2）唯一键约束



 （3）外键约束


2、非空约束
3、默认值约束
4、自增约束
5、检查约束



三、主键约束：
1、关键字：primary key
2、特点：增加主键约束的列（字段）的值必须是非空的+唯一的
3、...]]></description><category></category></item><item><title><![CDATA[Mysql 操作命令大全(一)]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/101470764</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/101470764</guid><author>xiangjiaopinxing</author><pubDate>Thu, 26 Sep 2019 20:27:50 +0800</pubDate><description><![CDATA[DDL：

1、操作数据库的语句
（1）查看当前DBMS中的所有的数据
show databases;

(2)、创建一个数据库
create database 数据库名;

(3)、删除一个数据库
drop database 数据库名;

(4)、使用指定数据库
use 数据库名;


2、操作表格的语句

（1）查看数据库的所有的表格
show tables;
show tables from...]]></description><category></category></item><item><title><![CDATA[tensorflow入门学习（七）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/89194968</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/89194968</guid><author>xiangjiaopinxing</author><pubDate>Wed, 10 Apr 2019 21:11:41 +0800</pubDate><description><![CDATA[tensorboard使用方法
1、先把tensorboard的所在位置添加到环境变量里面，如xxx/Scripts
2、cd 到 程序保存盘
3、tensorboard --logdir=‘xxxx/logs/’
4、浏览器打开网址
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorf...]]></description><category></category></item><item><title><![CDATA[tensorflow入门学习（六）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/89159741</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/89159741</guid><author>xiangjiaopinxing</author><pubDate>Tue, 09 Apr 2019 19:47:22 +0800</pubDate><description><![CDATA[Dropout，防止过拟合
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import time

start = time.clock()
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

batch_...]]></description><category></category></item><item><title><![CDATA[tensorflow入门学习（五）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/89110876</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/89110876</guid><author>xiangjiaopinxing</author><pubDate>Mon, 08 Apr 2019 21:52:09 +0800</pubDate><description><![CDATA[神经网络搭建的一般步骤
第一步：类别预测
我们把向量化后的图片x和权重矩阵W相乘，加上偏置b，然后计算每个分类的softmax概率值。
predict = tf.nn.softmax(tf.matmul( x,W) + b)
第二步：计算损失
训练过程指定最小化误差用的损失函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_logits(lab...]]></description><category></category></item><item><title><![CDATA[tensorflow入门学习（四）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88694668</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88694668</guid><author>xiangjiaopinxing</author><pubDate>Wed, 20 Mar 2019 17:35:27 +0800</pubDate><description><![CDATA[#MNIST数据集的分类简单版本

案例：

import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data", one_hot = True)

#每个批次的大小
batch_size ...]]></description><category></category></item><item><title><![CDATA[tensorflow入门学习（三）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88673010</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88673010</guid><author>xiangjiaopinxing</author><pubDate>Tue, 19 Mar 2019 20:57:49 +0800</pubDate><description><![CDATA[#线性回归案例
import tensorflow as tf    
import numpy as np    
import matplotlib.pyplot as plt

#使用np生成200个随机点
x_data = np.linspace(-0.5, 0.5, 200)[:,np.newaxis]#增加一个维度，200*1
noise = np.random.normal(0,0....]]></description><category></category></item><item><title><![CDATA[tensorflow入门学习（二）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88672918</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88672918</guid><author>xiangjiaopinxing</author><pubDate>Tue, 19 Mar 2019 20:54:26 +0800</pubDate><description><![CDATA[前言：TensorFlow用张量这种数据结构来表示所有的数据。用一阶张量来表示向量，如：v = [1.2, 2.3, 3.5] ，如二阶张量表示矩阵，如：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，可以看成是方括号嵌套的层数。
（一）、fetch的用法：
会话运行完成之后，如果我们想查看会话运行的结果，就需要使用fetch来实现
`在这里插入
import tens...]]></description><category></category></item><item><title><![CDATA[tensorflow入门学习（一）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88553615</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/88553615</guid><author>xiangjiaopinxing</author><pubDate>Thu, 14 Mar 2019 15:20:23 +0800</pubDate><description><![CDATA[一、预测两组数据之间的关系
[-40,-10,0,8,15,22,38]
[-40,14,32,46,59,72,100]
二、代码：
import tensorflow as tf
tf.logging.set_verbosity(tf.logging.ERROR) #仅仅输出错误语句
import numpy as np


celsius_q = np.array([-40,-10,0,8,...]]></description><category></category></item><item><title><![CDATA[嵩天视频pandas库学习笔记（-）]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/83927394</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/83927394</guid><author>xiangjiaopinxing</author><pubDate>Sat, 10 Nov 2018 10:53:19 +0800</pubDate><description><![CDATA[import pandas as pd
1、
d1 = {
‘城市’:[‘北京’,‘上海’,‘广州’,‘深圳’,‘沈阳’],
‘环比’:[101.5,101.2,101.3,102.0,100.1],
‘同比’:[120.5,127.2,119.3,140.0,101.1],
‘定基’:[121.5,127.2,120.3,145.0,101.1]}
d = pd.DataFrame(d1, in...]]></description><category></category></item><item><title><![CDATA[制作Scrapy爬虫得四步]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/83189086</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/83189086</guid><author>xiangjiaopinxing</author><pubDate>Fri, 19 Oct 2018 22:48:29 +0800</pubDate><description><![CDATA[第一步：新建项目（scrapy startproject xxx）:新建一个新的爬虫项目；
第二步：明确目标（编写item.py）:明确想要抓取得目标；
第三步：制作爬虫（spider/xxspider.py）:制作爬虫开始爬取网页；
第四步：存储内容（pipelines.py）:设计管道存储爬取内容。

...]]></description><category></category></item><item><title><![CDATA[scrpay笔记]]></title><link>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/83177662</link><guid>https://blog.youkuaiyun.com/xiangjiaopinxing/article/details/83177662</guid><author>xiangjiaopinxing</author><pubDate>Fri, 19 Oct 2018 10:35:04 +0800</pubDate><description><![CDATA[Scrapy流程
1、引擎： Hi spider ,你要处理一个网站。
2、spider: 老大要处理 http:.//xxx.com网站。
3、引擎：你给我第一个URL来处理
4、spider：给你，第一个网址http:.//xxx.com。
5、引擎：嗨！调度器，我有请求的请求，请帮我整理和加入队列。
6、调度器：好的，正在处理，你等一下。
7、引擎：嗨！调度器，把处理过的请求发给我。
8、调...]]></description><category></category></item></channel></rss>