9-9笔记/重载和DB一些常规

2015/9/9

1.方法重载

所有的类都是Object的子类,Object[]是Object的子类,参数null都满足两个重载方法,会优先调用子类方法

public class ManTest {
public static void main(String[] args) {
    A a = new A();
    a.test(null);
}
}

class A {
public void test(Object x) {
    System.out.println("***********");
}

public void test(Object[] x) {
    System.out.println("&&&&&&&&&");
}
}

2.关系型数据库

  • 主键:在关系型数据库表中,用唯一的标识符来标识每一行,这个标识符就是主键(Primary Key)

  • 外键:在关系型数据库中,外键(Forergn Key)就是用来表达表和表之间的关联关系。

SQL
是结构化查询语言(Structured Query Language)是一种关于管理关系型数据库,并与数据库中的数据进行通讯的计算机语言,SQL是最普遍实现和应用的数据库语言,并且已经成为数据库管理的标准语言。SQL与RDBMS协同工作,来定义数据库的结构、储存数据、操纵数据、获取数据、控制对数据的访问以及确保数据的完整性。

SQL

  • 数据定义语言(DDL)创建、修改、删除数据库的内部数据结构
  • 数据查询语言(DQL)用于数据库中数据的查询
  • 数据操作语音(DML)用于数据库中数据的修改,包括添加、删除、修改等
  • 数据控制语言(DCL)控制数据库访问权限

3.行列表的意义

  • 表(table):是关系型数据库的核心单元,它是数据存储的地方。
  • 在表内部,数据被分成列(column)和行(row)。填入到表中的每一行,代表一个实体,也就是说表中的每一行代表真实世界的每一个事物。
  • 每个表都包含零到多个行,而行的每一列,代表实体的一个属性。每个表由一到多个列组成,列代表实体的属性,它说明数据的名称,同时也限定了数据的类型,在表中,行与每一列相交。
  • 在关系型数据库的表中,用主键来唯一标识每一行;外键(Forergn Key)用来表达表和表之间的关联关系。
  • 表间关系有一对一,一对多,多对多几种类型

4.DB和DBMS

DB:数据库

DBMS:数据库管理系统

RDBMS:管理、操作关系型数据库的一种软件程序。

5. 数据库中的数据类型

DB中的char和varchar区别:

char类型,长度固定,无论有多少数据都占用固定大小。
char(10)不管输入多少字节的内容,都占用10个字节。

varchar类型,长度会随着内容多少发生变化。
varchar(10)输入一个字节就一个字节,两个就两个

大浮点数 DECIMAL(M,D):M为总位数(有效数字),D为小数位(保留位数),M必须大于D;

日期类型

YEAR 1字节

DATE 3字节 YYYY-MM-DD 范围1000-01-01~9999-12-31

TIMESTAMP 4字节

6.常见DB数据类型

int: 整型;

double/decimal(10,2):浮点;

varchar :可变长度字符串;

date:表示年月日的日期类型;

timestamp:表示年月日 时分秒的日期类型

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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