学习笔记_mysql(三)

MySQL优化(三)

  1. MySQL内置缓存
    1.1 什么是MySQL缓存
    MySQL自己提供缓存技术,能够保存执行过的SQL语句的结果。
    1.2 设置MySQL缓存
    在这里插入图片描述

打开缓存,以上两个变量都要配置:
在这里插入图片描述

修改配置文件:
在这里插入图片描述
在这里插入图片描述

第一次执行SQL:

在这里插入图片描述
第二次执行SQL:
在这里插入图片描述

1.3 缓存失效: 数据表内数据发生变化
修改过数据表之后,缓存会失效。
在这里插入图片描述

修改数据之后,重新执行SQL:
在这里插入图片描述
1.4清空缓存
reset query cache;
在这里插入图片描述
在这里插入图片描述
1.5设置不缓存表
sql_no_cache, 加入到SQL语句当中

Select sql_no_cache * from emp where ename like ‘%ec%’;
在这里插入图片描述
在这里插入图片描述
1.6 查看缓存空间使用情况
在这里插入图片描述
在这里插入图片描述
1.7注意事项:
SQL语句中空格会影响SQL缓存。

Select * from emp limit 0,30; //添加了缓存
Select * from emp limit 0,30; // 因为select和* 之间有了两个空格,那么就不会从缓存中取数据。

  1. 分区(分表)
    2.1 为什么要分区?
    文件尺寸越大访问效率就会越低。
    将大表拆分为若干个小表,能够提高SQL效率。
    2.2 分区的方式(逻辑/水平分表)
    逻辑分表:使用MySQL为我们提供内置分表方法。
    水平分表:横向分表,例如:有一个1亿条数据的表,拆分为10张表,每张1000W条数据
    求余(主键字段):
    key 利用某个字段的值,进行求余,完成分区
    hash 利用某个整型表达式的值,完成分区
    条件:
    range 值在某个范围内的分区
    list 值在指定列表内的分区
    2.3 key分区
    在这里插入图片描述
    在这里插入图片描述
    2.4 hash分区

在这里插入图片描述
在这里插入图片描述分区SQL语句几乎一致,只是在分区方式上有所区别。

2.5 range分区
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.6 list分区
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

注意:使用逻辑分表时,增删改查的操作没有发生改变。

2.7 扩展分区(对现有表增加分区)
Key/hash方式: alter table 表名 add partition partitions 数量;

在这里插入图片描述
在这里插入图片描述
Range方式:在这里插入图片描述

注意:不能再增加80hou之前的分表了。
在这里插入图片描述

2.8 删除分区
Key/hash方式: 删除分区,被删除分区当中数据会自动迁移到其他的分表当中。

User1表:
在这里插入图片描述
在这里插入图片描述

执行删除分区操作:alter table 表名 coalesce partition 数量;

Alter table user1 coalesce partition 2;
在这里插入图片描述

删除分区之后数据依然存在

在这里插入图片描述
在这里插入图片描述
Range/list方式:删除分区时,会丢失原来保存的数据
alter table 表名 drop partition 分区名称;
在这里插入图片描述

2.9 其他分表方式(垂直分表和物理分表)
2.9.1垂直分表
按字段来拆分数据表:
在这里插入图片描述

将tp_user表拆分:
id username password role_id email
tp_user_ext表(用户信息扩展表):
id nickname truename dept_id sex birthday tel address addtime

手动完成。

2.9.2物理分表

手动分表,水平分表方式。

Create table user0(
Uid int priamry key,
Uname varchar(20) not null unique
);
Create table user1(
Uid int priamry key,
Uname varchar(20) not null unique
);
Create table user2(
Uid int priamry key,
Uname varchar(20) not null unique
);

问题: 如何向这三个表中保存数据?

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
查询: 根据$id和进行求余确定要查询的数据表。
在这里插入图片描述
在这里插入图片描述

插入操作: 创建一个tmp表,只有id字段,记录最大的id值。

1)从tmp表中取得当前的最大id
2)对id自增1,就是下一条数据的id值
3)对id求取确定插入哪个数据表
4)执行插入SQL
5)更新tmp将最新的id覆盖

在这里插入图片描述
在这里插入图片描述

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