MySQL数据库操作

库:
创建数据库:CREATE DATABASE [IF NOT EXISTS] db_name ;
查看数据库:SHOW DATABASES;
显示数据库创建语句:SHOW CREATE DATABASE db_name;
删除数据库:DROP DATABASE db_name ;
表:
CREATE TABLE 表名
(
字段1 数据类型 列的约束,
字段2 数据类型 列的约束,
……
)CHARSET=utf8;

例:
CREATE TABLE card
(
cno INT(11) NOT NULL,
name VARCHAR(20) NOT NULL,
class INT(11) NOT NULL,
CONSTRAINT pk_cno PRIMARY KEY (cno)
)CHARSET=UTF8;
修改表结构:
修改表名:ALTER TABLE 旧表名 RENAME 新表名
例:ALTER TABLE student RENAME stu;
添加新列:ALTER TABLE 表名 ADD 列名,类型
例:ALTER table student ADD Age int
修改字段的数据类型:ALTER TABLE 表名 MODIFY 属性名 数据类型;
例:ALTER TABLE student MODIFY phone char(11);
修改列名:ALTER TABLE 表名CHANGE 原列名 新列名 类型
例:ALTER TABLE student CHANGE Age stuage INT
删除列:ALTER TABLE 表名 DROP 列名
例:ALTER TABLE student DROP stuage;
查看表结构:DESC 表名
删除表:DROP TABLE 表名
添加数据到表中:
INSERT INTO 表名(列1,…… 列n) VALUES(值 1,…… 值 n);
注意:

  1. 值列表的个数必须与列名数目保持一致;
  2. 可以进行多条添加,添加完每条数据后,用逗号隔开即可;可以进行多条添加,添加完每条数据后,用逗号隔开即可;
  3. 值列表中值的数据类型、精度要与对应的列类型保持一致;
  4. 可以不指定列名,但值列表中值的顺序应该与表中字段顺序保持一致;
  5. 字符和日期型数据应包含在单引号中。字符和日期型数据应包含在单引号中。
  6. 值列表中的数据项,应符合对应列的检查约束要求
    修改表中的数据:
    update 表名 set 列1 = 新值1,列2 = 新值2,where expr
    注意:
    1.可以更新主键列数据,但应保证更新后的主键列数据不能出现重复信息,否则将失败!
    2.可以更新表中外键列数据,但应保证新数据在主键表的中应事先存在。

删除表中的数据:
delete from 表名 where expr
注意:
如果不使用where子句,将删除表中所有数据

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征,并利用这些特征进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系、SSD系和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈,将置信度分数小于阈的直接过滤掉 将剩下框的置信度分数从大到小排序,选最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈(一般为0.7),就将框删除(超过设定阈,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小,或重叠度很大,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均平均精度,是评估目标检测模型效果的最重要指标,这个介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈(Confidence Threshold)和IoU阈(一般设置为0.5,也会衡量0.75以及0.9的mAP): 当一个预测边界框被认为是True Positive(TP),需要同满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真有多个预测结果,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比 Recall表示TP与真实边界框数量的比 改变不同的置信度阈,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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