每天一个比较有文化的sql语句2

这是上一篇博客的改良版,用到了内联视图 

其中  a 就是内联视图的表名

  SELECT attrId, attrCode, attrName,scopeName,sourceIdPart, sourceIdProduct,source,
            (case source
            when '01' THEN CONCAT('部件-',(select partName from pf1002 where partId= sourceIdPart))
            when '02' THEN CONCAT('基础产品-',(select productName from pf1003 where productId= sourceIdProduct))
            ELSE '自定义'
            END) sourceName,
            (CASE WHEN EXISTS(select * from pf1008 WHERE pf1008.attrId = a.attrId AND pf1008.useId =#{useId, jdbcType=VARCHAR} and pf1008.source = source) THEN 1 ELSE 0 END ) isSelected,
            (CASE WHEN EXISTS(select * from pf1008 WHERE pf1008.attrId = a.attrId and instr(#{productStr, jdbcType=VARCHAR},pf1008.useId) > 0 and pf1008.source = source) then 1 else 0 end) isExtend,
            (CASE WHEN EXISTS(select * from pf1008 WHERE pf1008.attrId = a.attrId and instr(#{partIdStr, jdbcType=VARCHAR},pf1008.useId) > 0 and pf1008.source = source) then 1 else 0 end) isInclude,
            (select seqNo from pf1008 where pf1008.useType = "02" AND pf1008.attrId = a.attrId AND pf1008.useId = #{useId, jdbcType=VARCHAR}) seqNo

        FROM (

                SELECT   pf1001.attrId,	attrCode,	attrName,
                (case pf1001.scopeType
                when '04' THEN CONCAT('产品-',(select productName from pf1003 where productId= pf1001.scopeId))
                WHEN '03' THEN CONCAT('产品线-',(select productLineName from pf1004 where productLineId= pf1001.scopeId))
                WHEN '02' THEN CONCAT('模板-',(select templateName from pf1005 where templateId= pf1001.scopeId))
                ELSE '公共'
                END) scopeName,
                (select sourceId from pf1008 where  pf1008.attrId = pf1001.attrId AND pf1008.useId = #{useId, jdbcType=VARCHAR} and pf1008.source="01") sourceIdPart,
                (select sourceId from pf1008 where  pf1008.attrId = pf1001.attrId AND pf1008.useId = #{useId, jdbcType=VARCHAR} and pf1008.source="02") sourceIdProduct,
                 (CASE WHEN EXISTS
                 (select sourceId from pf1008 where  pf1008.attrId = pf1001.attrId AND pf1008.useId = #{useId, jdbcType=VARCHAR} and pf1008.source="01")
                 THEN "01" ELSE
                 (case when EXISTS
                 (select sourceId from pf1008 where  pf1008.attrId = pf1001.attrId AND pf1008.useId = #{useId, jdbcType=VARCHAR} and pf1008.source="02")
                  THEN "02" else "03" END )
                 END ) source
                FROM	pf1001
                WHERE instr(#{scopeIds, jdbcType=VARCHAR},pf1001.scopeId) > 0 OR pf1001.scopeType = "01"
        ) a
        ORDER BY seqNo ASC

1.关于子查询和内联视图介绍的博客

https://www.cnblogs.com/shengulong/p/10217146.html

2.单行子查询

子查询分为单行子查询和多行子查询,但是不管单行多行,都是一个字段,当我们需要多行多个字段,像一个表一样的真正结果集时,就需要内联视图

下图  红框的就是子查询  黄框的就是内联视图

3.多行子查询

返回多行记录,但还是一个字段

需要用in (当然还有其他两种方式  但是目前我没用到)

4.内联视图

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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