MySQL 事务隔离级别

事务隔离级别
  • 脏读
      脏读就是指当事务A对数据进行了修改,而这种修改还没有提交到数据库中,这时,另外一个事务B也访问这个数据,然后使用了这个数据。
      例如: 有A、B两个事务,A 事务更新了一份数据,B 事务在此时读取了同一份数据,由于某些原因,A 事务执行了rollback操作,则 B 读取数据就会出现不正确的数据。

  • 不可重复读
      不可重复读是指在事务1内,读取了一条数据,事务1还没有结束时,事务2也访问了这条数据,修改了这条数据,并提交。紧接着,事务1又读这条数据。由于事务2的修改,那么事务1两次读到的数据可能是不一样的,因此称为是不可重复读

  • 幻读
      所谓幻读,指的是当某个事务在读取某个范围内的记录时,另外一个事务又在该范围内插入了新的记录,当之前的事务再次读取该范围的记录时,会产生幻行。
      例如: 有一个事务查询了几列数据,而另一个事务却在此时插入了几列新的数据,先前事务在接下来的查询中,就会发现有几列数据,先前的事务在接下来的查询中,就会发现有几列数据是它先前所没有的。

  • 注意
    不可重复读幻读的区别是, 前者是指读到了已经提交的事务的 更改数据(修改或删除) ,后者是指读到了其他已经提交事务的 新增数据
      对于这两种问题解决采用不同的办法,防止读到更改数据,只需对操作的数据添加
    行级锁 ,防止操作中的数据发生变化;而防止读到新增数据,往往需要添加 表级锁 ,将整张表锁定,防止新增数据


SQL 标准定义了四个隔离级别

隔离级别 IsolationLevel隔离级别 IsolationLevel脏写 DirtyWrite脏读 DirtyRead不可重复读 FuzzyRead幻读 Phantom解释
读未提交READ-UNCOMMITTED×最低的隔离级别,允许读取尚未提交的数据变更,可能会导致脏读、幻读或不可重复读
读已提交READ-COMMITTED××允许读取并发事务已经提交的数据,可以阻止脏读,但是幻读或不可重复读仍有可能发生
可重复读REPEATABLE-READ×××对同一字段的多次读取结果都是一致的,除非数据是被本身事务自己所修改,可以阻止脏读和不可重复读,但幻读仍有可能发生
串行化SERIALIZABLE××××最高的隔离级别,完全服从ACID的隔离级别。所有的事务依次逐个执行,这样事务之间就完全不可能产生干扰,也就是说,该级别可以防止脏读、不可重复读以及幻读。

MySQL InnoDB 存储引擎的默认支持的隔离级别是 REPEATABLE-READ(可重复读), 我们可以通过命令来查看。

查看全局 事务隔离级别
SELECT @@GLOBAL.tx_isolation;
+-----------------------+
| @@GLOBAL.tx_isolation |
+-----------------------+
| REPEATABLE-READ       |
+-----------------------+
1 row in set (0.01 sec)
查看会话级别 事务隔离级别
SELECT @@tx_isolation;
+-----------------+
| @@tx_isolation  |
+-----------------+
| REPEATABLE-READ |
+-----------------+
1 row in set (0.00 sec)
设置全局 事务隔离级别
SET GLOBAL transaction isolation level REPEATABLE READ;
Execute success (0.01 sec)
设置会话级别 事务隔离级别
SET transaction isolation level REPEATABLE READ;
Execute success (0.01 sec)
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