14)mysql事务

  • 什么是事务
    事务是数据库执行操作的最小单元
    事务可以有一个sql组成,也可以由多个sql组成
    组成事务的sql要么全执行成功,要么全执行失败
事务的语法

START TRANSACTION / BEGIN
      SELECT ...
      UPDATE ...
      INSERT ...

COMMIT / ROLLBACK

用start transaction 或者 begin 开始一个事务
中间只能是dml语句,增删改查
commit:提交1个事务
rollback:回滚1个事务



  • 为什么要有事务

允许多个人同时操作相同得数据,是为了增强数据库的并发性,并发能带给更大的吞吐量,更优的资源利用率和更好的性能
但并发也会带来问题,比如多个用户同时修改数据时,容易破坏数据的一致性,为了解决并发带来的资源争用和一致性问题,mysql提供了事务功能和基于锁的多版本控制机制

  • persist:修改后对当前的session和所有连接到mysql中的新连接都有效,且在mysql重启后也不会丢失

  • global:修改后只会对新的连接到mysql的连接有效,且mysql重启后,做的修改会丢失

  • session:(对开发人员来说是最常使用的)只会影响到当前的连接,当连接断开后,所做的修改就会失效

####将事务设置为SERIALIZABLE的示例

serializable
如上图示,在串行化事务隔离级别中,只有第一个事务提交或回滚后,第二个事务才能执行。
事务2修改后满足事务1的查询条件,只有等待事务1先执行完。
如果事务2修改后不满足事务1的查询条件,则不会被卡住(如操作的是不同表)

其他的不一一测试


锁的类型
共享锁:其他事务只能对他读取和加共享锁,而无法修改
排他锁:只能由加排他锁的事务读取和修改,其他数据无法读取和修改,也无法加锁
#####加锁就有可能造成阻塞和死锁

  • 什么是阻塞
    由于不同锁之间的兼容关系,造成的一事务需要等待另一事务释放所占资源的现象
'如何发现阻塞,该表记录了所有innodb所有等待事件'
SELECT waiting_pid AS 'block pid',  -- 被阻塞的进程,进程ID
	waiting_query AS 'block SQL',  -- 被阻塞的命令
	blocking_pid AS 'running pid',  -- 谁阻塞了后面,在运行的进程,进程ID
	blocking_query AS 'running SQL',  -- 在运行id的sql
	wait_age AS 'blocked time',  	  -- 阻塞多久了
	sql_kill_blocking_query AS 'info'  -- 如何解决阻塞的建议
FROM sys.innodb_lock_waits
WHERE (UNIX_TIMESTAMP()-UNIX_TIMESTAMP(wait_started))>30  -- 单位秒
  • 如何处理阻塞
    1.终止占用资源的事务
    2.优化占用资源的sql,使其尽快释放资源

  • 什么是死锁
    死锁:并行执行的多个事务之间占有了对方所需要的资源。
    mysql内部会自动监控死锁,主动回滚某个事务,回滚的原则是回滚占用资源少的事务来解死锁,这过程不需要人为干预
    死锁虽然不会卡住,但有时会对业务造成影响,如某个sql,有时执行成功,有时失败,可能就是死锁造成的

set global innodb_print_all_deadlocks=on;
死锁信息记录在mysql的错误日志中的开关

如有2个mysql事务,事务1要修改 id 为10的title,score,事务2要修改 id 为10的 score,title
事务1执行完修改title,score还没执行,此时title资源被事务1占用
事务2执行完修改score,title还没执行,此时score资源被事务2占用
下次事务1和事务要修改的资源被彼此占用,就会形成死锁

如前面的事务1和事务2,让双方修改数据的顺序相同,比如都是先修改title,再修改score,这样这些事务都是按相同的顺序占有资源,后面的事务不会占有前面事务后续要修改的资源,只会产生阻塞,不会产生死锁,只要前面的事务执行够快,就只会阻塞很短的时间

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