oracle 优化5

Oracle 的分页查询语句基本上可以按照本文给出的格式来进行套用
分页查询格式:
SELECT * FROM (
SELECT A.*, ROWNUM RN
FROM (SELECT * FROM TABLE_NAME) A
WHERE ROWNUM <= 40
)
WHERE RN >= 21
其中最内层的查询 SELECT * FROM TABLE_NAME 表示不进行翻页的原始查询语句. ROWNUM <= 40 和 RN >= 21 控制分页查询的每页的范围.
上面给出的这个分页查询语句, 在大多数情况拥有较高的效率. 分页的目的就是控制输出结果集大小, 将结果尽快的返回. 在上面的分页查询语句中, 这种考虑主要体现在 WHERE ROWNUM <= 40 这句上.
选择第 21 到 40 条记录存在两种方法, 一种是上例中展示的在查询的第二层通过 ROWNUM <= 40 来控制最大值, 在查询的最外层控制最小值. 而另一种方式是去掉查询第二层的 WHERE ROWNUM <= 40 语句, 在查询的最外层控制分页的最小值和最大值. 查询语句如下:
SELECT * FROM (
SELECT A.*, ROWNUM RN
FROM (SELECT * FROM TABLE_NAME) A
)
WHERE RN BETWEEN 21 AND 40
对比这两种写法, 绝大多数的情况下, 第一个查询的效率比第二个高得多.
这是由于 CBO 优化模式下, Oracle 可以将外层的查询条件推到内层查询中, 以提高内层查询的执行效率. 对于第一个查询语句, 第二层的查询条件 WHERE ROWNUM <= 40 就可以被 Oracle 推入到内层查询中, 这样 Oracle 查询的结果一旦超过了 ROWNUM 限制条件, 就终止查询将结果返回了.
而第二个查询语句, 由于查询条件 BETWEEN 21 AND 40 是存在于查询的第三层, 而 Oracle 无法将第三层的查询条件推到最内层(即使推到最内层也没有意义, 因为最内层查询不知道 RN 代表什么). 因此, 对于第二个查询语句, Oracle 最内层返回给中间层的是所有满足条件的数据, 而中间层返回给最外层的也是所有数据. 数据的过滤在最外层完成, 显然这个效率要比第一个查询低得多.
上面分析的查询不仅仅是针对单表的简单查询, 对于最内层查询是复杂的多表联合查询或最内层查询包含排序的情况一样有效.
这里就不对包含排序的查询进行说明了, 下面会通过例子来详细说明. 下面简单讨论一下多表联合的情况. 对于最常见的等值表连接查询, CBO 一般可能会采用两种连接方式 NESTED LOOP 和 HASH JOIN(MERGE JOIN 效率比 HASH JOIN 效率低, 一般 CBO 不会考虑). 在这里, 由于使用了分页, 因此指定了一个返回的最大记录数, NESTED LOOP 在返回记录数超过最大值时可以马上停止并将结果返回给中间层, 而 HASH JOIN 必须处理完所有结果集(MERGE JOIN 也是). 那么在大部分的情况下, 对于分页查询选择 NESTED LOOP 作为查询的连接方法具有较高的效率(分页查询的时候绝大部分的情况是查询前几页的数据, 越靠后面的页数访问几率越小).
因此, 如果不介意在系统中使用 HINT 的话, 可以将分页的查询语句改写为:
SELECT /*+ FIRST_ROWS */ * FROM (
SELECT A.*, ROWNUM RN
FROM (SELECT * FROM TABLE_NAME) A
WHERE ROWNUM <= 40
)
WHERE RN >= 21
  • 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:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 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