初识Oracle一

物理结构(组织方式,文件结构)

参数文件{控制文件{{数据文件}{日志文件}}}

1.文件系统的文件类型(oradata路径下)

CTL控制文件

管理和控制数据文件和日志文件

DBF数据文件

LOG日志文件(两种)

一种:联级日志文件(非归档方式REDO*.LOG)

二种:归档日志文件(备份时必选日志)

 

2.CMD连接数据库

sqlplus 用户名/密码(scott/tiger)

 

3.查看系统视图(查看控制文件)

sqlplus “sys/tsys as sysdba ” or sqlplus system/system

DESC v$controlfile

SELECT status,name FROM v$controlfile

 

4.查看数据文件

DESC v$datafile

SELECT file#,status ,name FROM v$datafile

 

5.查看日志文件

DESC v$logfile

SELECTmember FROM v$logfile

 

6.参数文件(database路径下)

启动数据库时,参数文件并不直接参与工作,但控制文件是由参数文件寻找的

 

内存结构(SGA 系统全局区[一个大的内存块])

实例的SGA被该实例的所有的后台进程所共享,在整个的SGA区域中包含以下几个缓存池(DB buffer(数据库高速缓存区)、大共享区、共享池Redo buffer(日志缓存区)、固定SGA)

 

数据库高速缓存区(内存中用来频繁访问的数据的区域,SGA中最大的部分)

包含以下缓存池(可以调整缓存池的大小):

默认缓存池:

保持缓存池:对于想对内存中长期保存的、频繁访问的(如代码表),在关闭数据库之前一直保留,并不从内存中释放空间

再生缓存池:想尽快从内存中排出的对象(频繁访问的大表)

 

共享池(重要的缓存区,用于缓存PL/SQL的程序单元和SQL语句的执行版本以及相关的执行计划)

由库缓存区和字典缓存区构成,共享池的规模对数据库的性能有着重要的影响

库缓存区

包括共享SQL区(保留了执行SQL语句的解释版本,目的是使这些SQL语句再次被执行的时候能够提高进程的速度)

PL/SQL区(保存了PL/SQL的过程、函数等程序单元的编译版本,以便于所有的用户能够共享)

字典缓存区(缓存数据字典,用于分析SQL语句来校验表名、列名、数据类型等等信息的时候,Oracle将最频繁使用的数据字典的信息存储到内存中,Oracle减少了SQL语句所引起的一些相关性能上的冲突)

Redo 日志缓存池(用于放置所需要写入磁盘的Redo记录,是Oracle循环地进行先进先出的缓存区池)

 

逻辑结构

块(操作系统块大小的整数倍)

盘区(由块构成)

段(包含多个盘区)

表空间(对应一个或多个数据文件,可以包含多个段,只能指定表存储到表空间中)

数据文件

 

 

SqlPlus命令操作

把数据库的非归档方式改为归档方式,数据库实例启动后是不能修改的.

archive log list 

所以通过以下方式启动,只打开控制文件,不打开数据文件

startup mount(startup nomout 连控制文件都不打开,特别是部分控制文件丢失时)

alert database archivelog-> alert database open

建议使用的(比较理想的退出方式)

shutdown immediate(立即断开连接) abort(强行关闭)

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