一、数据库介绍

目录

1、常见的数据库

2、常见的专业术语

3、MySql数据库介绍

3.1、配置环境变量

3.2 登录方法

3.3 用Navicat操作数据库(略)

3.4 MySql存储引擎

3.5 SQL语言

3.5.1 定义:

3.5.2 功能分类

3.5.3 SQL数据类型

4、SQL命令介绍

4.1、DDL【数据库定义】语句:

4.2、DML【数据库表修改】语句:

4.3、DQL【数据库查询】语句:


1、常见的数据库

  1. Oracle:运行稳定,移植性高,功能齐全,性能好,收费
  2. DB2:速度快,性能好,恢复性强
  3. MySQL:开源,体积小,速度快
  4. MySqlServer:全面、效率高、界面友好,操作容易,不跨平台

2、常见的专业术语

  • 表:有固定列数和多个行数组成的数据集合,数据库的直接组成单位
  • 列(字段):Field,表里的每一列代表一个字段
  • 行(记录):Row,表里的每一行都是一条记录
  • 数据库:由N个表组成的集合
  • 主键:唯一不重复的数据组成的列,设置某一列为主键,则该列不存在重复元素
  • 外键:用于关联两个表
  • 索引:
  • 关系型和非关系型数据库:关系型数据库是以表的形式存储,非关系型数据库以Key-Value键值对的形式存储

一个数据库有多个表,如下

3、MySql数据库介绍

        MySQL是一个关系型数据库管理系统,也属于Oracle公司,开源免费,可以处理上千万行数据,使用的语言是SQL语言,并且支持多个系统,多种语言进行开发,安装使用msi方式,它的默认安装端口号是3306

3306

3306

3306!!!

3.1、配置环境变量

3.2 登录方法

mysql -u root -p

  • 创建数据库:create database mydata;
  • 删除数据库:drop database mydata;
  • 使用数据库:use mydata;
  • 查询数据库里多少表:show tables

3.3 用Navicat操作数据库(略)

3.4 MySql存储引擎

3.5 SQL语言

3.5.1 定义:

        SQL是Structure Query Language-----结构化查询语言的缩写,专门用于操作数据库的命令集合

3.5.2 功能分类

  • DDL:数据定义语言,用于定义数据库相关对象,创建库,表,列等
  • DQL:用于查询数据
  • DCL:用于控制数据库访问权限和安全级别,允许哪个用户访问等
  • DML:用于操作数据库表中的记录,例如刷新、删除

3.5.3 SQL数据类型

按照类型分:

  • 数值类型:整数、小数
  • 字符串类型:定长、变长、大文本
  • 日期类型:生日、时间

常用类型:【字符串和日期类都要加单引号!

 

4、SQL命令介绍

4.1、DDL【数据库定义】语句:

  1. 创建数据库
    create database Name character set utf8;
  2. 修改数据库
    alter database Name character set gbk;
  3. 创建表
    CREATE TABLE teacher(
    id int,
    teacher_name VARCHAR(50),
    teacher_age int
    );
  4. 添加一个列
  5. 修改一个表的字段类型
  6. 修改表名
  7. 修改表的字符集为gbk
  8. 修改表的列名
  9. 查看表的字段信息
  10. 查看表的创建细节
  11. 删除一个列

4.2、DML【数据库表修改】语句:

4.3、DQL【数据库查询】语句:

  • 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