ado.net_导入数据优化

 static void Main(string[] args)
        {
            int count = 0;
            string sql = "insert into Exe3.newStudent(stuName, stuSex, stuBirthdate, stuStudydate, stuAddress, stuEmail, stuPhone, stuIsDel, stuInputtime, classId) values(@stuName, @stuSex, @stuBirthdate, @stuStudydate, @stuAddress, @stuEmail, @stuPhone, @stuIsDel, @stuInputtime, @classId);";
            string connStr = @"server=.\sqlexpress;database=HeiMa8;uid=sa;pwd=123;";


            // 准备参数模板
            SqlParameter[] ps = 
            {
                new SqlParameter("@stuName", SqlDbType.NVarChar, 5), // 0
                new SqlParameter("@stuSex", SqlDbType.Char, 1),      // 1
                new SqlParameter("@stuBirthdate", SqlDbType.DateTime),
                new SqlParameter("@stuStudydate", SqlDbType.DateTime),
                new SqlParameter("@stuAddress", SqlDbType.NVarChar, 50),
                new SqlParameter("@stuEmail", SqlDbType.NVarChar, 50),
                new SqlParameter("@stuPhone", SqlDbType.NVarChar, 20),
                new SqlParameter("@stuIsDel", SqlDbType.Bit),
                new SqlParameter("@stuInputtime", SqlDbType.DateTime),
                new SqlParameter("@classId", SqlDbType.Int)
            };


            // string[] colNames = "stuName,stuSex,stuBirthdate,stuStudydate,stuAddress,stuEmail,stuPhone,stuIsDel,stuInputtime,classId".Split(',');




            using (SqlConnection conn = new SqlConnection(connStr))
            {
                using (SqlCommand cmd = new SqlCommand(sql, conn))
                {
                    cmd.Parameters.AddRange(ps);
                    conn.Open();


                    using (StreamReader reader = new StreamReader("student.txt", Encoding.Default))
                    {
                        string temp = null;
                        while ((temp = reader.ReadLine()) != null)
                        {
                            string[] temps = temp.Split(new char[] { ',' }, StringSplitOptions.RemoveEmptyEntries);
                            // 用for循环,将结果的第1项与数组的第0项赋值
                            for (int i = 1; i < temps.Length; i++)
                            {
                                ps[i - 1].Value = temps[i];
                            }
                            
                            
                            count += cmd.ExecuteNonQuery();


                        }
                    }


                }
            }
            Console.WriteLine("{0}行受影响", count);
            Console.ReadKey();




        }
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