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
400+累计阅读
407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
第一范式:属性不可分
第二范式:表中的非主属性必须完全依赖于全部主键，而不是部分主键.
第三范式:表中的非主属性必须完全依赖于全部主键,而不是依赖非主键属性
1、第一范式：元组的分量不可再分；
2、 第二范式：所有分量唯一决定主键码，不允许部分依赖；
3、第三范式：不允许传递依赖。
-- 1NF, 第一范式
字段不能再分，就满足第一范式。
-- 2NF, 第二范式
满足第一范式的前提下，不能出现部分依赖。
消除符合主键就可以避免部分依赖。增加单列关键字。
-- 3NF, 第三范式
满足第二范式的前提下，不能出现传递依赖。
某个字段依赖于主键，而有其他字段依赖于该字段。这就是传递依赖。
将一个实体信息的数据放在一个表内实现。
MySQL三范式
目录第一范式（1NF）第二范式（2NF）第三范式（3NF） 第一范式（1NF） 表的每一列都是不可分割的基本数据项 即表的列的具有原子性,不可再分解，即列的信息，不能分解, 只要数据库是关系型数据库(mysql/oracle/db2/informix/sysbase/sql server)，就自动的满足1NF。数据库表的每一列都是不可分割的原子数据项，而不能是集合，数组，记录等非原子数据项。如果实体中的某个属性有多个值时，必须拆分为不同的属性 。通俗理解即一个字段只存储一项信息。 第二范式（2NF） 满足1NF，并且表中的每行记录必须被唯一区分 第二范式（2NF）是在第一范式（1NF）的基础上
数据库设计的三大范式（通俗易懂）
简单的说， 第一范式就是原子性，字段不可再分割； 第二范式就是完全依赖，没有部分依赖； 第三范式就是没有传递依赖。 具体例子请参考： 数据库设计的三大范式（通俗易懂） 数据库三大范式详解（通俗易懂） ...
DeepL Pro免费使用技巧与API调用优化方案
机器翻译技术通过神经网络模型实现跨语言语义转换，其核心价值在于保持专业术语准确性的同时实现自然语言流畅度。现代翻译工具如DeepL采用注意力机制等深度学习技术，在医疗、法律等专业领域展现出接近人工翻译的质量。针对API调用场景，开发者可通过请求模拟实现小批量自动化处理，而文档预处理和术语库优化则能显著提升免费额度使用效率。本文重点解析如何通过字符计算优化、临时接口调用等工程实践方法，在合规前提下最大化利用免费翻译资源。
区别 2NF 和 3NF
● 第二范式（2NF）：在满足第一范式的基础上，表中的非主键属性必须完全依赖于主键，而不是依赖于主键的一部分。也就是说，一个表只能包含一组主键和属性，每个属性都只与主键相关，而不能与非主键相关。第二范式和第三范式的概念容易混淆，区分它们的关键点在于，2NF：非主键列是否完全依赖于主键，还是依赖于主键的一部分；3NF：非主键列是直接依赖于主键，还是直接依赖于非主键列。也就是说，一个非主键属性只能依赖于主键，而不能依赖于其他非主键属性。
不写代码，Cursor 10分钟开发1个APP！保姆级教程喂饭来了
做出第一个能运行的app，那种成就感真的很棒。虽然过程可能有点折腾，但只要耐心一点，问题都能解决。记住，遇到问题不要慌，现在有AI帮忙，大部分问题都能快速解决。重要的是迈出第一步，开始动手实践。你的第一个app可能很简单，但这是一个很好的开始。随着经验积累，你能做出的东西会越来越酷。现在就开始行动吧，说不定下个月你就能向朋友炫耀你自己做的app了！
COLMAP生成MVSNet数据集
COLMAP生成MVSNet数据集
Mysql - 什么是三大范式（通俗详解）
三大范式的详解
Workbench下列车转向架随机振动疲劳分析
结果中添加功率谱响应工具（Response PSD Tool），可以查看几何体以及远程点上的功率谱密度，如下图11所示，这里查看几何体上某一硬点的加速度功率谱密度响应曲线，如下图12所示。结果中添加疲劳工具（Fatigue Tool），查看列车转向架的疲劳寿命情况，这里采用窄带的寿命假设理论，曝光时间为1s指明计算出的疲劳寿命的基本单位是秒，寿命结果如下图14所示，可以看到最大寿命为1e35s，最小寿命为2.3542e18s，注意单位制，可再次基础上将其转换为小时或天。频域上的统计计算，软件很快计算完成。
【MySQL】数据库中的三大范式
定义 ：要求任何一张表必须有主键，每一个字段原子性不可再分。. 例： 建立一个描述学校教务的数据库，该数据库涉及的对象包括学生的学号（Sno）、所在系(Sdept）、系主任姓名（Mname）、课程号(Cno)和成绩（Grade）。假设用一个单一的关系模式Student来表示，则该关系模式的属性为：U={Sno, Sdept, Mname, Cno, Grade} 得到一个函数依赖F，F={Sno—>Sdept, Sdept—>Mname, (Sno, Cno)—>Grade}
PLC期末速成——顺序功能图转梯形图
一、根据顺序功能图写出梯形图程序 顺序功能图： 梯形图： 1、程序段1，系统运行标志M0.0的启-保-停控制电路。 2、程序段2，PLC上电与逆行，初始化脉冲M1.0激活初始化步M2.0。 3、程序段3，当M2.0初始化步为活动步，并且M0.0系统运行标志位为1时，置位M2.1步，复位M2.0步。 4、当M2.1为活动步，并且I0.3中液位传感器为1时，置位M2.2步，复位M2.1步。 5、程序段5，当M2.2为活动步，并且I0.2高液位传感器为1时，置位M2.3步，复位M2.2步。 6、程序段
Isaac Gym摄像头数据获取全攻略：从CPU到GPU，教你实时显示RGB与深度图
本文详细介绍了在Isaac Gym中获取摄像头数据的两种高效方案：CPU模式与GPU张量模式。通过实战代码示例，展示了从摄像头配置、数据获取到实时可视化RGB与深度图的全流程，帮助开发者优化机器人仿真与计算机视觉应用的性能。特别强调了GPU模式下的零拷贝访问与张量运算优势，适用于需要低延迟处理的场景。
MySQL之数据库三大范式
本文是MySQL的学习，认识了数据库的三大范式，并且可以分辨表属于第几范式。之后的学习内容将持续更新！！！
语言大模型之Tokenization的深入理解
Tokenization（分词）是自然语言处理（NLP）中一个非常重要的步骤，它的目标是将文本转换为模型可以理解的格式。对于像GPT、BERT等大型预训练模型来说，tokenization决定了文本如何转化为数字表示，从而影响模型在不同任务中的表现。接下来我会深入介绍tokenization的过程、不同的tokenization方法，以及它与模型微调（fine-tuning）之间的关系。
MySQL 三范式介绍
MySQL 三范式介绍
AgentScope 2.0 源码解析-工具系统解读：从内置工具到权限管控的完整实践
本文深入解析AgentScope 2.0工具系统的完整架构，覆盖内置工具集（文件读写、命令执行、搜索匹配）、MCP协议集成（STDIO/HTTP双传输、客户端封装、工作空间网关）、工具包管理与动态分组、权限引擎的多级决策机制（危险路径保护、只读识别、模式控制），以及自定义工具开发流程。通过分层架构图和时序图直观展示组件协作关系，结合安全最佳实践与故障排除指南，为开发者提供从工具使用到安全管控的全链路参考。
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")
MySQL设计三范式
MySQL设计三范式是关系型数据库设计中的基本规范，旨在减少数据冗余，确保数据的一致性和完整性。三范式包括第一范式（1NF）、第二范式（2NF）和第三范式（3NF），它们之间具有递进关系，每一范式都是在前一范式的基础上进一步规范化的结果。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
mysql三范式说明
1、mysql三范式： 第一范式（1NF，normal format）：字段不可再分。 例如：字段“用户身份标识”：userType-userId。 这个字段“用户身份表”可以再分为“用户类型”和“用户id标识”。 第二范式（2NF）：主键没有部分依赖。 常规做法：只要给表一个“id”字段，并设置自动增长，其实就是取消掉复合主键。通过另一个单一字段的主键来代替。一句话，没有
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
MySQL八股-[MySQL的三范式？反范式？]
快速复习MySQL中的三范式等知识点与面试可能提问点
【MySQL数据库】视图 + 三范式
MySQL中的视图（View）是一种虚拟的表，其内容是从一个或多个基本表中检索出来的。视图可以简化复杂的查询操作，提高查询效率，同时也可以对敏感数据进行安全性控制。 虽然设计上有三大范式，但是我们要避免过度范化导致性能问题，或者理解上的偏差。三范式的坏处就是查询语句比较复杂时，需要多表查询，多表之间不存在索引对应关系，所以效率上会降低。所以根据实际应用的权衡利弊，我们还有一些反范式化的情况。
MySQL三范式详细解析
目前关系数据库有六种范式：第一范式（1NF）、第二范式（2NF）、第三范式（3NF）、巴斯-科德范式（BCNF）、第四范式(4NF）和第五范式（5NF，又称完美范式）。即在满足第一范式的基础上，还要满足数据表里的每一条数据记录，都是可唯一标识的，而且所有非主键字段，都必须完全依赖主键，不能只依赖主键的一部分。问题：在上述该表中主键为姓名与部门名称组合的复合主键，而部分地址与姓名没有关系，只与部门名称存在关联，即部分依赖。改进：1.创建一个职位表，其中含有职位编号作为主键，职位名称，最低月薪，最高月薪。
Mysql数据库设计思想三范式和反三范式的简介
提示：数据库 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np
MySQL 隔离级别 和 三范式
MySQL事务隔离级别用于控制并发事务的数据一致性，包含四种级别：READ UNCOMMITTED（可能脏读、不可重复读、幻读）、READ COMMITTED（避免脏读）、REPEATABLE READ（避免脏读和不可重复读，默认级别）、SERIALIZABLE（完全隔离）。通过SHOW和SET命令可查看/设置隔离级别。演示了三种并发问题：脏读（读取未提交数据）、不可重复读（同一查询结果不同）、幻读（查询不到但无法插入）。MySQL三范式要求：1）字段原子性；2）非主键完全依赖主键；3）消除非主键间的依赖关
MySQL数据库4：三范式与查询
本文摘要： 数据库设计需遵循三范式：1NF要求属性不可分割；2NF要求非主键完全依赖主键；3NF要求字段与主键直接相关。事务保证操作序列的原子性，可通过begin/commit/rollback控制。查询分为单表和多表查询，多表连接包括交叉连接（笛卡尔积）、内连接（条件过滤）和外连接（左/右连接）。特殊查询包括去重、限行、排序、条件（比较/逻辑运算、模糊）、分组及过滤分组查询。MySQL支持算术、比较（含NULL安全比较）和逻辑运算符，用于构建复杂查询条件。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4345
扫一扫
