具现化骨牌描述递归方法-递归判断


那么从之前随机生产的数据得到较多量[骨牌存储箱]的数据。
我们将利用这部分数据进行演示关于地递归的利用技巧。
以下注释较多。如果不喜欢的话可以不看,并不影响对递归方法的理解。
  • 递归代码:
 1 /*
 2     1、首先:
 3         假设情形:现在要利用现有的骨牌进行多米诺骨牌游戏。
 4     2、拍列:
 5         我们现在要知道第一骨牌推到的具体是那些(可多骨牌推到-多数据流同时进行就是码SQL的一大优势,所以小弟劝戒大家能不用游标就不用游标),之后往后面继续排序。排序可行的规则可以参照现实。
 6     3、推牌:
 7         我们根据已经排列好的牌,开始推到。在牌进行的过程我们可以在这个过程添加过程标识。
 8     */
 9 
10     WITH 排列 AS (
11     SELECT DENSE_RANK()OVER(ORDER BY 骨牌类型) AS LogoID -- 给骨牌分组,就是要同时进行推到的骨牌组
12     ,ROW_NUMBER()OVER(PARTITION BY 骨牌类型 ORDER BY 骨牌重量) AS OrderID -- 给骨牌排序,这边就是以骨牌重量从轻的骨牌到重的骨牌排序
13     ,[骨牌存储箱].*
14     FROM [骨牌存储箱] WITH(NOLOCK)
15     WHERE 1+1=2
16     )
17     -- DROP TABLE #排列
18     SELECT * INTO #排列
19     FROM 排列 WITH(NOLOCK)
20     CREATE CLUSTERED INDEX PK_LogoID ON #排列(LogoID);
21 
22     WITH 
23     递归 AS(
24         SELECT *
25         ,1 AS NCount -- 我们可以在递归过程给递归的牌子做标记(任意发挥)
26         FROM #排列 初始
27         WHERE 初始.OrderID = 1 -- 第一块推到的
28 
29         UNION ALL
30 
31         SELECT 递归源.*
32         -- 以下:这个这个递归方法最重要的点,就是递归过程要执行的操作。
33             -- 举个现实的例子:当客户存在消费冲突的时候,也许在1天的时间内为客户冲动期,过了1天后至3天内的都为客服成效调解期。那么我们要确定客服成效期是在那个时间段,我们需要从时间上推导,在之前1天无冲动期,或者突然出现新状况投诉。
34         ,CASE 
35             WHEN 递归.NCount <= 3
36             THEN NCount + 1
37             ELSE 1
38          END
39         FROM #排列 递归源
40         JOIN 递归 ON 递归源.LogoID= 递归.LogoID
41         WHERE 递归源.OrderID = 递归.OrderID + 1 
42     )
43     SELECT 递归.*
44     FROM 递归 
45     ORDER BY LogoID,骨牌重量
46     OPTION(MAXRECURSION 0)-- 0表无限递归次数
View Code
  • 执行结果:
 
 

转载于:https://www.cnblogs.com/C-1989/p/5340511.html

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