SQL Server 2000学习笔记(2)

今天学习的是时间函数 

--日期函数的使用
/*datepart的格式
Datepart          Abbreviations
year                   yy, yyyy
quarter             qq, q
month               mm, m
dayofyear         dy, y
day                   dd, d
week                wk, ww
weekday          dw
hour                 hh
minute            mi, n
second            ss, s
millisecond    ms
*/

--DATEADD(datepart,number,date):在date的值上加上number后,再返回日期(datetime)
select dateadd(dd,3,getdate()) --结果是:2007-03-31 10:48:33.623

--DATEDIFF(datepart,startdate,enddate):startdate,enddate都为日期类型,返回enddate-startdate的日期间隔 (nt)
select getdate(), datediff(dd,getdate(),dateadd(dd,3,getdate())),dateadd(dd,3,getdate()) --返回:3

--DATENAME(datepart,date):返回date的datepart,如果是:yy就返回年,如果是mm就返回月.返回的是:字符串(nvarchar)
select datename(mm,getdate()) --返回今天是几号。
select datename(dy,getdate()) --返回今天是这一年的第几天。

--DATEPART(datepart,date):返回date的datepart,如果是:yy就返回年,如果是mm就返回月。返回的是:数值(int)
select datepart(mm,getdate()) --返回今天是这一年的第几天。
select datename(qq,getdate()) --返回今天所属的季节

--DATE(datetime):返回datetime的日期(int)
select day(getdate())

--GETDATE():返回当前的日期精确到毫秒级(datetime)
select getdate()

--MONTH(datetime):返回datetime的月份(int)
select month(getdate())

--YEAR(datetime):返回datetime的年份(int)
select year(getdate())


--DATENAME()与DATEPART()功能de区别是返回类型不同。前者为nvarchar后者为int

--全局变量的使用
UPDATE authors SET au_lname = 'Jones'
WHERE au_id = '999-888-7777'
IF @@ROWCOUNT = 0
   print 'Warning: No rows were updated'

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