关于VS MVC应用程序的环境搭建

     最近要学习VS的MVC web应用程序,学习了简单的Control,Model和View后,希望能连接数据库来继续学习。本组一直使用Oracle,所以,虽然VS自带sql server,我依然选择用Oracle。

     按一般的教程,在数据连接的时候,添加连接,选择Oracle Data Provider for .NET,但是我的机子上么有,原来是我没有装ODAC_11G_RELASE5。于是上Oracle网站,下载了ODAC_11G_RELASE5,安装。安装界面如下:


   安装上以后发现由于之前装了Oracle的客户端,两个在一起时,有点问题。于是卸载原有的Oracle客户端。卸载不够干净,下次安装的时候出现“找不到OracleMTSRecoveryService服务”的错误。于是在注册表中修改OracleMTSRecoveryService的ImagePath键值,将client_2修改为client_1,于是该错误不再出现。再次安装后,发现之前安装的残余还在,于是继续清理注册表。悲剧来了,清理后,使用ODBC配置数据源,提示“使用非管理员权限登录,无法修改……”,各种度娘,后来才知道是自己误删了注册表中的ODBC。总有大神能救命,找到了解决方法,如下:

用odbcconf.exe重新注册ODBC Driver试试在Windows/System32目录下有几个脚本文件,可以来完成驱动程序的注册:
odbcconf.exe /S /Lv odbcconf.log /F %systemroot%\system32\mdaccore.rsp
odbcconf.exe /S /Lv odbcconf.log /F %systemroot%\system32\sqlclnt.rsp
odbcconf.exe /S /Lv odbcconf.log /F %systemroot%\system32\odbcconf.rsp
odbcconf.exe /S /Lv odbcconf.log /F %systemroot%\system32\redist.rsp
依照如上步骤,ODBC就可以用了。但是,此时配置ODBC的时候,看不到Oracle,索性没有配置。但是ODAC_11G_RELASE5的ora文件在那里配置呢?发现/network/admin/sample下有个ora文件,于是,在该处的ora文件中写好配置信息。在VS中配置数据库,提示TNS不正确,在sqlplus下输入用户名登录,也提示TNS不正确。于是,参考之前的数据库ora文件的位置,发现,ora文件需要放在admin文件夹下,于是将ora文件复制一份放在admin文件夹下,sqlplus中的连接问题解决!
再回到VS中,添加连接,写好了数据库名,用户名等,测试连接,还是不成功。最后发现,要在“高级”选项中进行设置,设置完成后,连接数据库ok!
大功告成,过程是如此的曲折~~明天要继续学习Entity的建立,希望能顺利一些~

 



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