温故而知新·Oracle《四》

using子句
    分组函数:分组函数(聚合)作用于一组数据,并对一组数据返回一个值。
        组函数类型:
    AVG:平均值
    COUNT:计数,查询函数
    MAX:最大值
    MIN:最小值
    SUM:和


    分组函数在使用时注意事项:
        1.AVG, SUM只能针对于数值型的记录,进行数据处理。
2.MAX, MIN能针对任意数值类型进行处理。MAX(MIN)对于字符串类型时,看的是首字母的顺序;处理日期型数据的话,返回大一点的年份。
3.COUNT(字段),COUNT(*):COUNT是忽略空的,即不合计空值,返回表中记录的总数,适用于任意数据类型


DML 数据处理:
    向表当中插入语句
    修改现存数据
    删除现存数据
    事务是有完成若干项工作的DML语句的组成


    INSERT 语句:插入
        全行信息插入:INSERT INTO 表名 VALUES(值.......);
部分行信息插入:INSERT INTO 表名(列,...) VALUES(值......)
注意事项:
    1.采用的是全行信息插入:要求所有字段的值必须加入;如果是部分信息插入插入的值和列名对应即可;如果插入的字段是字符串,严格要求必须是单引号'';
    2.如果我们想插入一个空值:部分行信息插入,插入空值的字段不加;显示的插入一个空值
        注意NULL与''的区别:NULL是没有,''是有,空值。     
    3.如果插入的是日期型数据,而且日期型数据是系统,sysdate;如果不是系统日期。to_date(字符串,格式)转换成日期数据。
    UPDATE 语句:修改
        UPDATE 表名 SET 字段名=修改的值...WHERE ....;
如果不加入条件的话,修改的是全部,修改多行数据。也可以加入子查询。
UPDATE emp SET Sal=Sal*1.1 WHERE empno=7369;
如果想修改多个字段的值,则每个字段之间用逗号隔开。
    DELETE 语句:删除记录:删除多条
        DELETE FROM 表名 WHERE 条件;
DELETE FROM emp WHERE Sal>(SELECT AVG(Sal) FROM emp)
删除中的数据完整性错误
You cannot delete a row that contains a primary key that is used as a foreign key in another table;
删除表的记录在另外一张表中没有被引用。




/*******************************************************************/
事务:一组逻辑操作单元,使数据从一种状态转变到另外一种状态
    数据库事务有以下的语句组成:
        一个或者多个DML语句
一个DCL(Data Definition Language数据定义语句)语句
一个DCL(Data Control Langauge数据控制语句)语句
    事务的特性:
        完整性:
    TCL:事务控制语言:
        COMMIT:提交:事务没有出现错误的情况,将之前所有的操作永久性保存在数据库。在没有进行提交的情况下,数据库的操作并不是真正意义的操作。
    1.COMMIT:手动提交
    2.DDL语句:默认的自动提交
    3.正常关闭:Oracle自动提交
    4.异常终止
ROLLBACK:回滚:一个事务在处理的过程中,如果其中的一个逻辑单元出现了问题,取消之前的操作。
    每次回滚只能到上一个提交点。
 
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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