lypのblog

Mysql常用方法简单整理连接数据库1mysql -uroot -p123123 -h127.0.0.1 创建数据库1CREATE DATABASE MyDb; 选择数据库1USE MyDb; 创建表12345CREATE TABLE t_class( id INT PRIMARY KEY, name VARCHAR(32)); 外键约束1CONSTRAINT 外键名 FOREIGN KEY 字段名 REFERENCES 主表名(主键名) 常用约束唯一约束唯一约束（Unique Constraint）要求该列唯一，允许为空，但是只能有一个空值。唯一约束可以确保一列或者几列不出现重复值。 1关键词 UNIQUE 非空约束1关键词 NOT NULL 默认约束默认约束：即给字段一个默认值。 1关键词 DEFAULT 设置表的属性值自动增加1关键词 AUTO_INCREMENT 常用约束总结以下是在 MySQL 中常用的约束。 NOT NULL 约束：确保某列不能有 NULL 值。 DEFAULT 约束：当某列没有指定值时，为该列提供默认值。 U ...

Springboot简单回顾自从入了深度学习的坑，已不学java良久，今日重拾知识 Spring Boot 的主要特点包括： 简化配置: Spring Boot 遵循约定优于配置的原则，减少了传统 Spring 应用中的大量配置。它通过自动配置（auto-configuration）和起步依赖（starter dependencies）来简化项目的配置过程，让开发者可以快速搭建起一个可运行的 Spring 应用。 集成性强: Spring Boot 提供了大量的开箱即用的特性和功能，如内嵌的 Servlet 容器（如Tomcat、Jetty或Undertow）、健康检查、指标监控等。它还整合了诸多常用的库和框架，如Spring Data、Spring Security等，使得开发者可以快速构建出功能完善的应用。 微服务支持: Spring Boot 非常适合用于构建微服务架构。它提供了丰富的支持，如通过Spring Cloud进行微服务架构的开发，集成了服务发现、配置中心、负载均衡等功能，帮助开发者构建可伸缩、高可用的微服务系统。 内嵌服务器: Spring Boot 可以将应用程序打 ...

Flexbox（弹性盒布局）是一种 CSS 布局模型，用于设计和布局复杂的网页布局，尤其是在响应式设计中非常有用。它使得容器中的子元素可以灵活地排列和对齐，即使在不同的屏幕尺寸和容器大小下也能保持一致的布局。 Flexbox 的基本概念 Flex容器（Flex Container）：这是你要应用 Flexbox 布局的父元素。通过设置 display: flex; 或 display: inline-flex;，你将一个元素转变为 Flex 容器。 Flex 项目（Flex Items）：这是 Flex 容器中的子元素，自动成为 Flex 项目。 Flexbox 的主要属性1. Flex 容器的属性 display flex：将元素定义为 Flex 容器，启用 Flexbox 布局。 inline-flex：将元素定义为内联 Flex 容器，和 inline 元素一样在行内显示。 123css复制代码.container { display: flex; /* 或 inline-flex */} flex-direction ：定义主轴的方向（即项目排 ...

tmux常见命令整理tmux是一个强大的终端复用器，允许用户在一个终端窗口中运行多个终端会话，并且可以在这些会话之间自由切换。以下是tmux的一些常见命令及其功能： 会话操作 新建会话 tmux：创建一个新的会话，如果不指定名称，则使用默认名称。 tmux new -s <session_name>：创建一个新的会话，并指定会话名称。 退出会话 Ctrl + b 后接 d：分离当前会话（退出会话界面，但会话仍在后台运行）。 查看所有会话 tmux ls 或 tmux list-sessions：列出所有已存在的会话。 恢复会话 tmux attach -t <session_name> 或 tmux a -t <session_name>：连接到一个已存在的会话。 重命名会话 tmux rename-session -t <old_name> <new_name>：重命名一个已存在的会话。 关闭会话 tmux kill-session -t <session_name>：终止一个已存 ...

Linux命令速查—程序羊

RNN学习笔记—就陆熠鹏自己看得懂

RNN循环神经网络循环神经网络的从零开始实现先读取数据集。 123456789%matplotlib inlineimport mathimport torchfrom torch import nnfrom torch.nn import functional as Ffrom d2l import torch as d2lbatch_size, num_steps = 32, 35train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps) 独热编码回想一下，在train_iter中，每个词元都表示为一个数字索引， 将这些索引直接输入神经网络可能会使学习变得困难。 我们通常将每个词元表示为更具表现力的特征向量。 最简单的表示称为独热编码（one-hot encoding） 简言之，将每个索引映射为相互不同的单位向量： 假设词表中不同词元的数目为𝑁（即len(vocab)）， 词元索引的范围为0到𝑁−1。 如果词元的索引是整数𝑖， 那么我们将创建一个长度为𝑁的全0向量， 并将第𝑖处的元素设置 ...

CNN卷积神经网络全连接网络 VS 卷积网络全连接神经网络之所以不太适合图像识别任务，主要有以下几个方面的问题： 参数数量太多 考虑一个输入10001000像素的图片(一百万像素，现在已经不能算大图了)，输入层有10001000=100万节点。假设第一个隐藏层有100个节点(这个数量并不多)，那么仅这一层就有(1000*1000+1)*100=1亿参数，这实在是太多了！我们看到图像只扩大一点，参数数量就会多很多，因此它的扩展性很差。 没有利用像素之间的位置信息 对于图像识别任务来说，每个像素和其周围像素的联系是比较紧密的，和离得很远的像素的联系可能就很小了。如果一个神经元和上一层所有神经元相连，那么就相当于对于一个像素来说，把图像的所有像素都等同看待，这不符合前面的假设。当我们完成每个连接权重的学习之后，最终可能会发现，有大量的权重，它们的值都是很小的(也就是这些连接其实无关紧要)。努力学习大量并不重要的权重，这样的学习必将是非常低效的。 网络层数限制 我们知道网络层数越多其表达能力越强，但是通过梯度下降方法训练深度全连接神经网络很困难，因为全连接神经网络的梯度很 ...

Java容器用法汇总容器分类 List(对付顺序的好帮手): 存储的元素是有序的、可重复的。 Set (注重独一无二的性质)：存储的元素是无序的、不可重复的。 Queue (实现排队功能的叫号机):按特定的排队规则来确定先后顺序，存储的元素是有序的、可重复的。 Map (用 key 来搜索的专家) :使用键值对（key-value）存储，类似于数学上的函数 y=f(x)，“x” 代表 key，“y” 代表 value，key 是无序的、不可重复的，value 是无序的、可重复的，每个键最多映射到一个值。 CollectionCollection是所有单列集合的父接口，因此在Collection中定义了单列集合(List和Set)通用的一些方法，这些方法可用于操作所有的单列集合。方法如下： 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455import java.util.*;public class CollectionA ...

深度学习计算块和层对于多层感知机而言，整个模型及其组成层都是这种架构。 整个模型接受原始输入（特征），生成输出（预测）， 并包含一些参数（所有组成层的参数集合）。 同样，每个单独的层接收输入（由前一层提供）， 生成输出（到下一层的输入），并且具有一组可调参数， 这些参数根据从下一层反向传播的信号进行更新。 事实证明，研究讨论“比单个层大”但“比整个模型小”的组件更有价值。 例如，在计算机视觉中广泛流行的ResNet-152架构就有数百层， 这些层是由层组（groups of layers）的重复模式组成。 这个ResNet架构赢得了2015年ImageNet和COCO计算机视觉比赛 的识别和检测任务 (He et al., 2016)。 目前ResNet架构仍然是许多视觉任务的首选架构。 在其他的领域，如自然语言处理和语音， 层组以各种重复模式排列的类似架构现在也是普遍存在。 为了实现这些复杂的网络，我们引入了神经网络块的概念。 块（block）可以描述单个层、由多个层组成的组件或整个模型本身。 使用块进行抽象的一个好处是可以将一些块组合成更大的组件， 这一过程通常是递归的，如下图所示 ...