1.1 mysql 架构

1.1 Mysql逻辑架构

mysql各组件协同工作的架构图



最上层的服务并不是mysql所独有,大多数基于网络的客户端/服务器的工具或者服务都有类似的架构。

大多数mysql的核心服务功能都在第二层,包括查询解析、分析、优化、缓存以及所有的内置函数,所有的跨存储引擎的功能都在这一层实现:存储过程、触发器、视图等。

第三层包含存储引擎。存储引擎负责mysql中数据的存储和提取。

1.21 读写锁

读锁(read lock)也叫共享锁(shared lock),该锁是共享的,多个客户可以在同一时刻同时读取一个资源,不互相干扰

写锁(write lock)也叫排他锁(exclusive lock),写锁会阻塞其他的写锁和读锁,在确定的时间里,只有一个用户能执行写入

1.2.2 锁粒度

一种提高共享资资源并发行的方式是让锁定的对象更有选择性,即是锁定整张表还是锁定某行。

表锁,mysql最基本策略,开销最小,写锁可以插入到锁队列中读锁的前面

行级锁,最大程度的支持并发处理

1.3 事务

一组原子性的sql查询。如果数据库能成功的对数据库应用该组查询的全部语句,则执行该组语句,如果有一条崩溃,则全部不执行。

ACID测试

原子性atomicity、一致性consisitency、隔离性isolation、持久性durability。

原子性

一个事物必须被视为一个不可分割的最小工作单元。要么全部执行,要么全不执行。

一致性

从一个一致性的状态转换到另外一个一致性的状态。

隔离性

一个事务提交之前对其他的事务是不可见的。

持久性

一旦事物提交,对数据库的修改是永久性的。

1.3.1 隔离级别


1.3.2 死锁

死锁是指两个或者多个事务在同一资源上相互占用,并请求锁定对方占用的资源,导致恶性循环。多个事务试图以不同的顺序锁定资源时,也可能产生死锁。


1.3.3 事务日志

事务日志可以帮助事务提高效率。使用事务日志,存储引擎在修改表数据的时候只需要修改其内存拷贝,当事务日志持久以后,内存中被修改的数据以及行为再被记录到持久在硬盘上的事务日志中。

Mysql提供两种事务型的存储引擎:InnoDB和NDB Cluster。

通过 SHOW VARTABLES LIKE 'AUTOCOMMIT';获取数据库的自动提交默认值。

通过SET AUTOCOMMIT = 1/0;来设置事务的提交模式       1或者ON : 启用, 0或者OFF : 禁用。 

通过SET SESSION TRANSACTION ISOLATION LEVEL READ COMMITED; 来设置隔离级别,mysql支持4个ANSI级别。

1.4 多版本并发控制

MVCC行级锁的一个变种,大都实现非阻塞读操作,很多情况下避免加锁操作,开销低,写操作只锁定必要的行。 

在每行记录最后都有两行隐藏的版本号,行版本号和行删除标识。

1.5 mysql的存储引擎

使用SHOW TABLE STATUS 显示表的相关信息。


Name: 表名。

Engine: 存储引擎类型。

Row_format:行的格式,MyISAM:Dynamic、Fixed、Compressed。Dynamic的行长度是可变的,varchar(),Fixed的行长度固定,char,Commpressed压缩表中存在

Rows: 表中行数。MyISAM固定值,InnoDB是估计值

Avg_row_length:平均每行包含的字节数

Data_length:表数据的大小(字节为单位)

Max_data_length:表数据最大容量,和存储引擎有关

Index_length:索引的大小

Data_free:表已分配但没有使用的空间

1.5.1 InnoDB 存储引擎

Mysql的默认事务引擎,也是最重要、使用最广泛的存储引擎。用来处理大量的短期(short-lived)事务,短期事务大部分情况下是正常提交的,很少回滚。

数据存储在表空间(tablespace)中

采用MVCC来支持高并发,实现4个标准的隔离级别

基于聚簇索引建立的,对主键查询有很高的性能。

1.5.2 MyISAM存储引擎

mysql5.1及之前的版本,MyISAM是默认的存储引擎,MyISAM提供了大量的特性,包括全文索引、压缩、空间函数(GIS)等,但MyISAM不支持事务很行级锁,最大的缺陷是崩溃后无法安全修复。对于只读的数据可以使用MyISAM存储引擎。

MyISAM将表存储在两个文件中:数据文件和索引文件,分别以.MYD和.MYI为扩展名。MyISAM表可以包含动态或者静态行。

加锁与并发: MyISAM对整张表加锁。但是在表有读取查询的同时,允许插入新的记录。

修复: 可以手工或者自动执行检查和修复操作,和事务恢复,崩溃恢复不是同一个概念。

索引特性: BLOB和Text等长字段,也可以基于前500个字符创建索引,支持全文检索

延迟更新索引键(delayed key write): 创建MyISAM表的时候,如果指定了DELAY_KEY_WRITE选项,在执行修改完成时,不会立刻修改索引数据到磁盘,存到内存中的键缓冲区(in-memory key buffer),在清理键缓冲区的时候才将对应的索引块写入到磁盘,崩溃时索引损坏,可以全局设置,也可以单表设置。

MyISAM压缩表

创建表之后不再进行修改操作,适合采用压缩表。

MyISAM性能

MyISAM引擎设计简单,数据以紧密格式存储,在某些场景下性能很好。有一些服务器级别的性能扩展限制,对索引键缓冲区的Mutex锁,最大的性能问题是表锁的问题。


1.5.6 转换表的引擎

ALTER TABLE

ALTER TABLE mytable ENGINE = InnoDB;

执行时间长,Mysql会将数据从原表复制到一张新表中。

InnoDB -- > MyISAM -- > InnoDB 原InnoDB表上所有的外键消失。

导入与导出

使用mysqldump,容易数据丢失

创建与查询


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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 、2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、资 5源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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