年前最后一节课的代码

create procedure usp_getPageList
@pageIndex int,
@pageSize int,
@totalRecords int out,
@totalPages int out
as 
select * from
(
select *,ROW_NUMBER() over(order by studentno) as myid
from student
)as temp
where myid between (@pageIndex-1)*@pageSize+1 and @pageIndex*@pageSize

--求出总记录数
select @totalRecords=COUNT(1) from student

--优化方案

set @totalPages=ceiling(@totalRecords*0.1/@pageSize)

declare @record int
declare @page int
exec usp_getPageList 2,3,@record out,@page out
print @record
print @page



---------------------------------------------------
-------------------------存储过程--------------
--系统存储过程 说明
--sp_databases --  列出说明上是所有服务器
                                     exec sp_databases 
--sp_helpdb  报告有关指定数据库或所有数据库的信息
                                     sp_helpdb 
--sp_renamedb 更改数据库名称
                                     sp_renamedb MySchool,School      
--sp_tables 返回当前环境下可查询的对象的列表
                                     sp_tables
--sp_help 查看某个表的所有信息
                                     sp_help subject 
--sp_helpconstraint  查看某个表的约束
                                     sp_helpconstraint student
--sp_helpindex  查看某个表的索引
                                     sp_helpindex student
--sp_stored_procedures 列出当前环境中的所有存储过程
                                     sp_stored_procedures 
--sp_password  添加或修改登录账户的密码
                                     sp_password  null,'000000','ss'
--sp_helptext 显示默认值,未加密的存储过程,用户定义的存储过程,触发器或视图的实际文本
                                     sp_helptext vw_student

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