Oracle SQL 查询优化.Part1

一、空值处理:

1. 查找空值 null:
select * from emp where emp.empdesc = null; 


select * from emp where emp.empdesc is null;

2. 空值 null 不能做“加、减、乘、除、比较”等运算:
select * from emp where emp.empsalary >= null;
select * from emp where emp.empsalary <= null;

select * from emp where emp.empsalary is not null;

3. nvl、coalesce 将空值转换为实际值:

nvl 只能接受两个参数,而 coalesce 可以接受多个参数,返回第一个不是 null 的值。例如下边的两个 SQL 是等价的:

/* 数据准备 */
create table coal(
       c1 number(6, 2),
       c2 number(6, 2),
       c3 number(6, 2),
       c4 number(6, 2),
       c5 number(6, 2),
       c6 number(6, 2) 
);
insert into coal values(null, null, 1, null, 2, null);
insert into coal values(null, null, null, 3, null, 2);
/* coal 表数据 */
select * from coal;

下边两句等价,coalesce 函数从第一个参数开始从左到右,依次判断是否为 null, 返回第一不为 null 的值,直至最后一个参数的值。

/* nvl、coalesce 下边两句等价 */
select coalesce(c1, c2, c3, c4, c5, c6) c from coal; 
select nvl(nvl(nvl(nvl(nvl(c1, c2), c3), c4), c5), c6) c from coal;

二、rownum 限制返回的行数:

1. rownum 是返回数据一个排序标识:

rownum 会依次对返回的每一条数据做一个标识,经常在分页的时候会见到。这里红色着重标注“返回”两字,是指 rownum 不是记录的固有标识(比如 rowId 是记录的物理标志),这个下边会举例。先说 rownum 的用法:

select * from emp where rownum <= 2;

2. rownum 不是记录的固有标志:

只有数据返回以后才能用 rownum,只是返回数据的一个标识,例如下边的查询结果就为空:

select * from emp where rownum = 2

而如果想要返回结果集的第二条数据,需要嵌套一层,这也是分页的做法:

select * from (select emp.*, rownum rown from emp) where rown = 2

三、模糊查询的通配符与转义字符:

1. 模糊查询的两个通配符 ‘%’、‘_’:

‘%’ 是替代一个或多个字符,而 ‘_’ 是替代一个字符。‘%’ 都清楚,只举例 ‘_’:

select * from emp where emp.empno like '_mp%';

模糊查询条件改为 ‘_p’ 就查不出结果,‘_’ 只能匹配一个字符:

select * from emp where emp.empno like '_p%';

2. sql 中查询类似 ‘_’、‘%’ 特殊字符的,用 ‘/’ escape ‘/’ 实现:

select * from emp where emp.empdesc like '/_%' escape '/';


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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