php 静态数据库类,用静态成员定义数据库操作类

使用静态成员,定义数据库操作类

* 类中的静态成员:静态属性与静态方法

* 作用域: 静态成员属于类所有,必须用类进行调用,不能使用对象调用

* 该类的静态成员,被该类的所有实例对象所共享

* 静态成员的引用: 在类中使用 self::, 在类外部使用 类名::

* 类成员静态化,是面向对象编程的一种趋势,有很多的模拟手段,请格外重视

* 类成中静态化使用关键字:static来实现

* 静态技术的另一个使用场景是: 静态延迟绑定技术,后面我们会详细学习

实例

//使用静态成员,定义数据库操作类

class Db

{

public static $dbType = 'MySQL';

protected static $db = null;

public function __construct($user,$password,$database,$host='localhost',$port=3306)

{

self::$db = mysqli_connect($host, $user, $password, $database, $port);

if (mysqli_connect_errno(self::$db)) {

exit('连接失败:'.mysqli_connect_error(self::$db));

}

}

//获取所有满足条件的记录:这是一个静态方法,该方法中只允许使用静态属性,不允许使用$this

//想想这是为什么?对,静态成员属于所有对象,与具体的对象无关,所以不能使用$this伪变量

public static function select($table,$fields='*',$where='',$order='')

{

$sql = "SELECT {$fields} FROM {$table} {$where} {$order};";

$res = mysqli_query(self::$db, $sql);

$rows = [];

while ($row = mysqli_fetch_assoc($res)) {

$rows[] = $row;

}

return $rows;

}

//数据库连接查询器

public static function getDb()

{

//如果初始化成功则返回mysqli连接对象,否则返回null

return self::$db ?: null;

}

}

运行实例 »

点击 "运行实例" 按钮查看在线实例连接测试

实例

require './class/Db.php';

$db = new Db('root','root','php');

//在类外部访问类静态方法select,可以直接使用类的实例引用

$table = 'staff';

//echo '

'.print_r($db->select($table),true).'
';

//给出条件与排序规则

$fields = 'name, age';

$where = 'WHERE age<25 ';

$order = 'ORDER BY age DESC';

//带上条件进行查询

//echo '

'.print_r($db->select('staff',$fields,$where,$order),true).'
';

//但强烈推荐在类的外部,使用类名来引用类中的静态成员

echo '

'.print_r(Db::select($table,$fields,$where,$order),true).'
';

//在类外部访问类中的静态属性,因为要访问的是受保护的,所以通过查询器来访问

var_dump(Db::getDb()) ;

//类中的公共静态属性,可以直接用类进行访问,不过,静态属性名必须要加$

echo '数据库的类型是: '.Db::$dbType;

运行实例 »

点击 "运行实例" 按钮查看在线实例

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的别。由于各物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分问题:判断图像中的目标属于哪个别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分 基于深度学习的目标检测算法主要分为两大: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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