weixin_39489903的博客

关系数据库是指一些相关的表和其他数据库对象的集合。对于关系数据库来说，关系就是表的同义词。 表是由行和列组成（类似二维数组的结构）结构化查询语言（SQL)对数据库操作的普通话， 不区分大小写结构化查询语言(Structured Query Language)简称SQL, 是操作和检索关系型数据库的标准语言，目前应用于各种关系型数据库。结构化查询语言分类数据查询语言（DQL:Data Query Language）：语句主要包括SELECT，用于从表中检索数据。数据操作语言（DML：Data

代码与编程题135、写一个Singleton出来Singleton模式主要作用是保证在Java应用程序中，一个类Class只有一个实例存在。详解：单例模式（Singleton Pattern）是 Java 中最简单的设计模式之一。这种类型的设计模式属于创建型模式，它提供了一种创建对象的最佳方式。特点：类构造器私有持有自己类型的属性对外提供获取实例的静态方法要求：1、单例类只能有一个实例。2、单例类必须自己创建自己的唯一实例。3、单例类必须给所有其他对象提供这一实例。意图：保证一个类

今日内容JDBC：概念：Java DataBase Connectivity Java 数据库连接， Java语言操作数据库JDBC本质：其实是官方（sun公司）定义的一套操作所有关系型数据库的规则，即接口。各个数据库厂商去实现这套接口，提供数据库驱动jar包。我们可以使用这套接口（JDBC）编程，真正执行的代码是驱动jar包中的实现类。快速入门：步骤：导入驱动jar包 mysql-connector-java-5.1.37-bin.jar1.复制mysql-connector-java-

MySQL数据库基础第四章 高级查询一、单元概述通过本章的学习能够理解MySQL数据库中分组查询的含义，掌握常用分组函数的使用，掌握GROUP BY子句的使用规则，掌握分组后数据结果的条件过滤，掌握SELECT语句执行过程，理解子查询的含义，掌握单行子查询和多行子查询的使用二、教学重点与难点重点：掌握常用分组函数的使用掌握GROUP BY子句的使用规则掌握HAVING子句的使用规则掌握子查询的使用规则难点：SELECT语句执行过程HAVING和WHERE的区别单行子查询和多行子查询

MySQL数据库基础第三章 多表查询一、单元概述通过本章的学习能够了解MySQL数据库中多表查询的含义，掌握多表查询的基本写法，掌握特殊的多表查询的写法，掌握内连接和外连接的区别二、教学重点与难点重点：掌握多表查询的基本写法掌握内连接和外连接的区别难点：外连接的用法和写法特殊的多表查询的写法：自连接、非等值连接等3.1 多表查询3.1.1 什么是多表查询从多个表中获取数据思考如下问题？写一条查询语句，查询员工姓名、部门名称、工作地点？[外链图片转存失败,源站可能有

MySQL数据库基础第二章 简单查询一、单元概述通过本章的学习能够了解MySQL结构查询语言的概念，掌握SELECT查询语句的基本语法，掌握SELECT查询语句中过滤条件的使用，掌握过滤条件中比较运算符和逻辑运算符的使用，掌握查询结果的排序等二、教学重点与难点重点：SELECT查询语句的基本语法难点：SELECT查询语句中过滤条件中逻辑运算符的混合使用SELECT查询语句中过滤条件中特殊比较运算符的使用排序语法的应用2.1结构化查询语言2.1.1 结构化查询语言简介结构化

泛型、异常、lambda表达式泛型可以在类和方法中预支地使用未知的类型，一般在创建对象时，将位置类型确定为具体类型，当没有指定泛型时候， 默认类型是Obj类型。使用泛型的好处将运行时时期的异常，转移到了编译时期变成了编译失败避免了类型强转的麻烦public class GenericDemo { public static void main(String[] args) { Collection<String> list = new ArrayList&

7.1　整体结构7.2　卷积层7.2.1　全连接层存在的问题7.2.2　卷积运算7.2.3　填充7.2.4　步幅7.2.5　3 维数据的卷积运算7.2.6　结合方块思考7.2.7　批处理7.3　池化层池化层的特征7.4　卷积层和池化层的实现7.4.1　4 维数组7.4.2　基于 im2col 的展开7.4.3　卷积层的实现7.4.4　池化层的实现7.5　CNN 的实现7.6　CNN 的可视化7.6.1　第 1 层权重的可视化7.6....

6.1　参数的更新6.1.1　探险家的故事6.1.2　SGD6.1.3　SGD 的缺点6.1.4　Momentum6.1.5　AdaGrad6.1.6　Adam6.1.7　使用哪种更新方法呢6.1.8　基于 MNIST 数据集的更新方法的比较6.2　权重的初始值6.2.1　可以将权重初始值设为 0 吗6.2.2　隐藏层的激活值的分布6.2.3　ReLU的权重初始值6.2.4　基于 MNIST 数据集的权重初始值的比较6.3　Batch Normalizati...

我们介绍了神经网络的学习，并通过数值微分计算了神经网络的权重参数的梯度（严格来说，是损失函数关于权重参数的梯度）。数值微分虽然简单，也容易实现，但缺点是计算上比较费时间。我们将学习一个能够高效计算权重参数的梯度的方法——误差反向传播法。5.1　计算图计算图将计算过程用图形表示出来。这里说的图形是数据结构图，通过多个节点和边表示（连接节点的直线称为“边”）。为了让大家熟悉计算图，本节先用计算图解一些简单的问题。从这些简单的问题开始，逐步深入，最终抵达误差反向传播法。5.1.1　用计算图求解现在，我们尝

Python 这一编程语言已经问世 20 多年了，在这期间，Python 不仅完成了自身的进化，还获得了大量的用户。现在，Python 作为最具人气的编程语言，受到了许多人的喜爱。接下来我们将使用 Python 实现深度学习系统。不过在这之前，本章将简单地介绍一下 Python，看一下它的使用方法。已经掌握了 Python、NumPy、Matplotlib 等知识的读者，可以跳过本章，直接阅读后面的章节。1.1　Python 是什么Python 是一个简单、易读、易记的编程语言，而且是开源的，可以免费

4.1　从数据中学习神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。感知机的例子中，我们对照着真值表，人工设定了参数的值，但是那时的参数只有 3 个。而在实际的神经网络中，参数的数量成千上万，在层数更深的深度学习中，参数的数量甚至可以上亿，想要人工决定这些参数的值是不可能的。4.1.1　数据驱动数据是机器学习的命根子。从数据中寻找答案、从数据中发现模式、根据数据讲故事……这些机器学习所做的事情，如果没有数据的话，就无从谈起。因此，数据是机器学习的核心。现

3.1.1　神经网络的例子用图来表示神经网络的话，如图 3-1 所示。我们把最左边的一列称为输入层，最右边的一列称为输出层，中间的一列称为中间层。中间层有时也称为隐藏层。“隐藏”一词的意思是，隐藏层的神经元（和输入层、输出层不同）肉眼看不见。另外，本书中把输入层到输出层依次称为第 0 层、第 1 层、第 2 层（层号之所以从 0 开始，是为了方便后面基于 Python 进行实现）。图 3-1 中，第 0 层对应输入层，第 1 层对应中间层，第 2 层对应输出层。图 3-1　神经网络的例子3.1.2　

2.1　感知机是什么感知机接收多个输入信号，输出一个信号。这里所说的“信号”可以想象成电流或河流那样具备“流动性”的东西。像电流流过导线，向前方输送电子一样，感知机的信号也会形成流，向前方输送信息。但是，和实际的电流不同的是，感知机的信号只有“流 / 不流”（1/0）两种取值。0 对应“不传递信号”，1 对应“传递信号”。图 2-1 是一个接收两个输入信号的感知机的例子。_x_1、_x_2 是输入信号，y 是输出信号，_w_1、_w_2 是权重（w 是 weight 的首字母）。图中的○称为“神经元”或

train.pyimport osfrom keras.callbacks import EarlyStopping, ModelCheckpoint, CSVLoggerfrom keras.optimizers import SGDfrom models import simple_CNNfrom utils import load_data, preprocess_inputimport keras.backend as Kimport tensorflow as tfdata_p

深度学习模式可能需要几个小时，几天甚至几周的时间来训练。如果运行意外停止，你可能就白干了。现在使用Keras库的Python训练过程中，学习如何检查你的深度学习模型。Checkpoint神经网络模型应用程序Checkpoint是为长时间运行进程准备的容错技术。这是一种在系统故障的情况下拍摄系统状态快照的方法。一旦出现问题不会让进度全部丢失。Checkpoint可以直接使用，也可以作为从它停止的地方重新运行的起点。训练深度学习模型时，Checkpoint是模型的权重。他们可以用来作预测，或作持续训

model.pyfrom keras.layers import Activation, Convolution2D, Dropout, Dense, Flattenfrom keras.layers.advanced_activations import PReLUfrom keras.layers import AveragePooling2D, BatchNormalizationfrom keras.models import Sequentialdef simple_CNN(input

utils.pyimport matplotlib.pyplot as pltimport numpy as npimport pandas as pddef load_data(data_file): """ loads fer2013.csv dataset # Arguments: data_file fer2013.csv # Returns: faces and emotions faces: shape (35887,48,48,1)

fer2013人脸表情数据集简介fer2013人脸表情数据集由35886张人脸表情图片组成，其中，测试图（Training）28708张，公共验证图（PublicTest）和私有验证图（PrivateTest）各3589张，每张图片是由大小固定为48×48的灰度图像组成，共有7种表情，分别对应于数字标签0-6，具体表情对应的标签和中英文如下：0 anger 生气； 1 disgust 厌恶； 2 fear 恐惧； 3