MySql基本操作

数据库的几个概念

1、库(数据库最大存储单元,每个库是相互独立的个体)

2、表(表是库中的子单元,一个库中可以存储若干张表)

3、字段(表中的属性)

4、主键(表不可重复的属性)

5、数据类型(每个字段需要存储的类型)

MySql的数据类型


数据类型属性


DDL:数据定义语言(Data Definition Language)

例如:CREATE、DROP、ALTER等语句。

DML:数据操作语言(Data Manipulation Language)

例如:INSERT(插入)、UPDATE(修改)、DELETE(删除)语句。

DRL:数据查询语言(Data Retrieval Language),

例如:SELECT语句。(一般不会单独归于一类,因为只有一个语句)。

TCL:事务控制语句(Transaction Control Language)

例如:COMMIT、ROLLBACK、GRANT、REVOKE等语句。

DDL

显示所有的库

show databases;

创建数据库

create database 库名;

删除指定数据库

drop database 库名;

操作/使用指定数据库

use 库名;

显示所有的表

show tables;

创建表

CREATE  TABLE   表名
(
<列名1> <数据类型> [<列选项>],
<列名2> <数据类型> [<列选项>],

<表选项>
);

查看表结构

desc 表名;

修改表名

alter table 表名 rename to 新表名;

添加字段

alter table 表名 add 列名 字段属性;

修改字段

alter table 表名 change 旧列名 新列名 字段属性;

删除字段

alter table 表名 drop column 列名;

DML

插入一条数据

INSERT INTO <表名>
< (columName ,columName, columName…)>
VALUES<(value1,value2,value3…)>;

删除一条数据

DELETE FROM      <表名> WHERE       <条件>

修改一条数据

UPDATE <表名> SET <列名=新值,列名=新值,……>
WHERE <条件>;


DRL

别称显示插叙出来数据

select  列名1 as 别称1,列名2  as 别称2,…… from 表名

查询所有非重复数据

select distinct  列名  from  表名;

条件语句:
1、非空条件(where  列名 is not null)

2、是空条件(where  列名 is null)

3、范围条件

where 列名(>、<、=)值

where 列名 between 值1 and 值2

4、多条件查询(where  条件1  and/or  条件2  and/or 条件3……)

5、模糊条件查询(where  列名  like(模糊条件))

5.1 以…开始     (‘开始字符%’)

5.2 以…开始,且后面仅一个字符(‘开始字符_’)

5.3 第二个字符为指定字符(‘_指定字符’)

6、升序排序(order by  字段   asc)

      降序排序(order by  字段   desc)






  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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