DB2隐藏列

DB2从9.5以后引入了隐藏列,就是你用select * from table的方式查询不到这个列,但是可以显式的指定列名来看该列的值。
CREATE TABLE CUSTOMER
(
CUSTNO INTEGER NOT NULL,
CUST_NAME VARCHAR(50),
CUST_INFOCHANGE TIMESTAMP NOT NULL IMPLICITLY HIDDEN GENERATED BY DEFAULT FOR EACH ROW ON UPDATE AS ROW CHANGE TIMESTAMP
)

插入数据的时候,不用指定隐藏列
INSERT INTO CUSTOMER VALUES(1,'111')
INSERT INTO CUSTOMER VALUES(2,'222')
INSERT INTO CUSTOMER VALUES(3,'333')
INSERT INTO CUSTOMER VALUES(4,'444')

隐藏列的值在这里是插入的时间戳,如果你更新一行,那么这个时间戳也是相应改变的。

describe 表是可以看到这个隐藏列的
db2 => describe table customer

                                Data type                     Column
Column name                     schema    Data type name      Length     Scale Nulls
------------------------------- --------- ------------------- ---------- ----- ------
CUSTNO                          SYSIBM    INTEGER                      4     0 No    
CUST_NAME                       SYSIBM    VARCHAR                     50     0 Yes   
CUST_INFOCHANGE                 SYSIBM    TIMESTAMP                  
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的 BP 神经网络训练程序,满足你的要求: ```python import numpy as np import pandas as pd # 数据读取 data = pd.read_excel("副本回归模型分析数据(1).xlsx", index_col=0) X = data.iloc[:, 1:7].values y = data.iloc[:, 7].values # 数据预处理 X = (X - np.mean(X, axis=0)) / np.std(X, axis=0) # 均值归一化 y = (y - np.mean(y)) / np.std(y) # 均值归一化 # 划分训练集和测试集 n = len(X) n_train = int(0.8 * n) n_test = n - n_train indices = np.random.permutation(n) X_train, y_train = X[indices[:n_train]], y[indices[:n_train]] X_test, y_test = X[indices[n_train:]], y[indices[n_train:]] # 定义神经网络结构和参数 n_input = 6 n_hidden1 = 3 n_hidden2 = 3 n_output = 1 W1 = np.random.randn(n_input, n_hidden1) / np.sqrt(n_input) b1 = np.zeros(n_hidden1) W2 = np.random.randn(n_hidden1, n_hidden2) / np.sqrt(n_hidden1) b2 = np.zeros(n_hidden2) W3 = np.random.randn(n_hidden2, n_output) / np.sqrt(n_hidden2) b3 = np.zeros(n_output) # 定义激活函数和其导数 def tanh(x): return np.tanh(x) def dtanh(x): return 1 - np.tanh(x) ** 2 # 定义前向传播和反向传播函数 def forward(x): z1 = np.dot(x, W1) + b1 a1 = tanh(z1) z2 = np.dot(a1, W2) + b2 a2 = tanh(z2) z3 = np.dot(a2, W3) + b3 y_pred = z3 return y_pred, (x, z1, a1, z2, a2, z3) def backward(y_pred, y_true, cache): x, z1, a1, z2, a2, z3 = cache delta3 = y_pred - y_true dW3 = np.outer(a2, delta3) db3 = delta3 delta2 = np.dot(delta3, W3.T) * dtanh(z2) dW2 = np.outer(a1, delta2) db2 = delta2 delta1 = np.dot(delta2, W2.T) * dtanh(z1) dW1 = np.outer(x, delta1) db1 = delta1 return dW1, db1, dW2, db2, dW3, db3 # 定义动量 BP 算法函数 def momentum_bp(X, y, n_iter=1000, learning_rate=0.1, momentum=0.9): vW1, vb1 = np.zeros_like(W1), np.zeros_like(b1) vW2, vb2 = np.zeros_like(W2), np.zeros_like(b2) vW3, vb3 = np.zeros_like(W3), np.zeros_like(b3) for i in range(n_iter): y_pred, cache = forward(X) dW1, db1, dW2, db2, dW3, db3 = backward(y_pred, y, cache) vW1 = momentum * vW1 - learning_rate * dW1 vW2 = momentum * vW2 - learning_rate * dW2 vW3 = momentum * vW3 - learning_rate * dW3 vb1 = momentum * vb1 - learning_rate * db1 vb2 = momentum * vb2 - learning_rate * db2 vb3 = momentum * vb3 - learning_rate * db3 W1 += vW1 W2 += vW2 W3 += vW3 b1 += vb1 b2 += vb2 b3 += vb3 return W1, b1, W2, b2, W3, b3 # 训练模型 W1, b1, W2, b2, W3, b3 = momentum_bp(X_train, y_train) # 测试模型 y_pred, _ = forward(X_test) mse = np.mean((y_pred - y_test) ** 2) print("测试集的均方误差为:", mse) ``` 需要注意的几点: - 代码中使用了均值归一化来对输入和输出进行预处理,这是一个常用的技巧,可以加快神经网络的训练速度和提高精度。 - 代码中使用了随机梯度下降的变种——动量 BP 算法来训练神经网络,这是一个常用的优化算法,可以加速收敛并且减少震荡。 - 代码中使用了 80/20 的训练集和测试集划分方式,这也是一个常用的划分方式,可以用来评估模型的泛化能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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