MYSQL中的事务与锁笔记

一、事务

1.1 、事务特性

事务的四大特性(ACID),分别表示原子性(atomicity)、一致性(consistency)、隔离性(isolation)、持久性(durability)。

  1. 原子性: 整个事务中的操作要么全部提交成功,要么全部失败回滚。整个执行过程不可分割。
  2. 一致性: 数据库总是从一个一致性的状态转换到另外一个一致性的状态。比如转账过程中某个步骤出问题不会导致转账账户转账失败损失金额的情况。
  3. 隔离性: 一个事务所做的修改在提交以前,对其他事务是不可见的。
  4. 持久性: 一旦事务提交成功,则修改会永久保存到数据库中。

1.2、事务的隔离级别

  1. read-uncommitted(未提交读): 即事务可以读取到未提交的数据,即脏读数据。
  2. read-committed (不可重复读):一个事务开始时,只能读取到已经提交的数据,这会导致第一次读取的数据和第二次读取的数据不一致的情况。
  3. repeatable-read(可重复读):可重复读是MSQL默认的隔离级别,可以避免脏读,但是无法避免幻读。所谓幻读是一个事物在读取过程中另外一个事物又插入了数据。从而产生了幻行。
  4. serializable (串行化):避免了幻读,但是serializable会在读取的每一行加锁,导致大量的超时和锁争用的情况。

不可重复读与幻读的区别:
不可重复读:指在修改过程中读取不一致的情况(update)。
幻读:指在新增和删除导致读取的数据行数不一致(insert、delete)。

二、锁

2.1、行锁(Record Locks)

  1. 共享锁(S锁):也称读锁,读锁是共享的,互相不阻塞。事务在请求s锁前,要先获得IS锁。

使用方式: select … in share mode

  1. 排他锁(x锁) : 也称写锁,写锁是排他的,也就是一个写锁会阻塞其他的写锁和读锁。事务在请求x锁前,要先获得IX锁。

使用方式: select … for update

说明:锁是加在索引上面,行锁最终落到聚簇索引上。在获取行锁之前会先获取相关的意向锁的目的是为了提高性能,因为在判断数据行有没有被锁定是根据意向锁进行判断的。

2.2、 表锁

  1. 意向共享锁(IS锁):也称读锁,读锁是共享的,互相不阻塞。
  2. 意向排他锁(IX锁) : 也称写锁,写锁是排他的,也就是一个写锁会阻塞其他的写锁和读锁
  3. 自增锁: 自增锁是MySQL一种特殊的锁,如果表中存在自增字段,MySQL便会自动维护一个自增锁。

2.3、 间隙锁(Gap Locks)

指的是对索引的区间(间隙)加锁。

注:只有在事务隔离级别是repeatable-read(可重复读)和Serializable(串行化)时才会存在间隙锁。

2.4、插入意向锁

(IIX,也属于一种特殊的间隙锁,不同于间隙锁的是,该锁只用于插入操作),但是两个事务不能同一时间内一个拥有间隙锁,一个拥有该间隙区间内的插入意向锁。

2.5、临键锁(Next-Key Locks)

就是(行锁 + 间隙锁)组合锁

具体锁分析案例可以参考如下博客:
https://www.cnblogs.com/rjzheng/p/9950951.html

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda配置好环境,然后直接导入到pycharm,在pycharm运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna安装requirements.txt的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda对应的python导入到pycharm即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm运行train_dual.py开始训练 方式二: 命令行方式,在pycharm的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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