oracle 打开游标for 20,Oracle数据库-SQL+PLSQL-Less20-高级显式游标整理.ppt

高级显式游标

项目目标

1.使用游标从dept表中依次取出部门的代号和名称。将这两个参数传送到另外一个游标当中,取出emp表当中工作在该部门的雇员姓名、工作、雇佣日期、工资信息。其输出如下:

Department Number : 10 Department Name : ACCOUNTING

KING PRESIDENT 17-NOV-81 5000

CLARK MANAGER 09-JUN-81 2450

MILLER CLERK 23-JAN-82 1300

Department Number : 20 Department Name : RESEARCH

JONES MANAGER 02-APR-81 2975

FORD ANALYST 03-DEC-81 3000

SMITH CLERK 17-DEC-80 800

SCOTT ANALYST 09-DEC-82 3000

ADAMS CLERK 12-JAN-83 1100

项目目标

2.使用游标来修改emp表中雇员的工资,使得工资等于或者超过1500的雇员工资增加%20,没有超过1500的增加%30

所需知识点

使用带参数的游标

判断什么时候在游标中使用 FOR UPDATE 子句

判断什么时候在游标中使用 WHERE CURRENT OF 子句

写出一个使用子查询的游标

带参数的游标

语法:

当打开游标时,向游标传递参数,并执行查询.

每次可以用不同的参数来打开一个游标.

CURSOR cursor_name

[(parameter_name datatype, ...)]

IS

select_statement;

带参数的游标

向 WHERE 子句中传递部门号和工作这两个参数.

例子:

DECLARE

CURSOR emp_cursor

(p_deptno NUMBER, p_job VARCHAR2) IS

SELECT empno, ename

FROM emp

WHERE deptno = p_deptno

AND job = p_job;

p_emp_cursor emp_cursor%ROWTYPE;

BEGIN

OPEN emp_cursor(10, 'CLERK');

loop

fetch emp_cursor into p_emp_cursor ;

exit when emp_cursor%NOTFOUND;

dbms_output.put_line(p_emp_cursor.empno);

dbms_output.put_line(p_emp_cursor.ename);

end loop;

close emp_cursor;

end;

FOR UPDATE 子句

语法:

使用FOR UPDATE语句使得在事务运行期间,其它事务对同一数据的访问被拒绝。

在update 或者 delete之前,该行数据被加锁。

SELECT...

FROM...

FOR UPDATE [OF column_reference][NOWAIT];

FOR UPDATE 子句

查出在 30号部门工作的所有员工.

例子:

DECLARE

CURSOR emp_cursor IS

SELECT empno, ename, sal

FROM emp

WHERE deptno = 30

FOR UPDATE OF sal NOWAIT;

p_emp_cursor emp_cursor%ROWTYPE;

BEGIN

open emp_cursor;

loop

fetch emp_cursor into p_emp_cursor ;

exit when emp_cursor%NOTFOUND;

dbms_output.put_line(p_emp_cursor.empno);

dbms_output.put_line(p

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