理解MySQL的事务

事务解决的问题:转账问题。

甲向乙转账1000元

执行步骤:1、甲的账户 - 1000      2、乙的账户 + 1000

如果执行第一步之后,第二步出现问题,此时数据就发生了错误。

事务就是把一组操作打包在一起,执行的时候能够保证这些操作之间满足一定的特性,避免出现上面的问题。

事务的特性:

1、原子性:一个事务是一个不可分割的单位。要么全部执行,要么全都不执行。(本质上是通过回滚方式来实现)。

2、一致性:事务处于执行前后,数据处于合法状态。

3、持久性:事务执行完毕之后,数据就被持久修改了。(写到磁盘里了)

4、隔离性:多个事务并发执行时,事务之间不能相互干扰。(本质上是线程安全问题)

隔离性和并发是相悖的,如果多个事务之间,隔离性越强,并发程度就越低;隔离性越弱,并发程度就越高,效率就越高。

隔离是为了保证数据的准确,并发是为了提高效率。

并发执行事务时产生的问题。

1、脏读。

如果一个事务A正在修改数据(还未提交),事务B事务读取了这里的修改内容,此时这样的事务B读操作就是脏读。因为事务A在提交数据之前,随时可能修改刚才的数据。

解决方案:写操作加锁,写的时候,不能读。事务A在修改数据的过程中(提交之前),事务B尝试读,就会阻塞,一直阻塞到事务A提交数据之后,事务B才能读到数据。

引入写加锁,事务的并发程度和效率降低,隔离性提高。

2、不可重复读。

事务A内部两次读取同一个数据,发现数据不一样(读的数据过程中另一事务修改了数据),就叫不可重复读。

解决方案:读也加锁。之前写加锁是指修改数据的时候,不能读取数据,但事务B读取数据的时候,事务A还可以修改数据。读加锁:事务B读取数据的时候,事务A不能修改数据。

引入读加锁,事务的并发程度就更低了,效率也更低了,隔离性更高。

3、幻读

一次事务执行过程中,两次读取到的结果集不一样(具体的数据结果不一样)。

解决方案:串行化,让修改操作与读操作彻底穿行执行,A修改时B不可以读,B读时A不可以修改。

此时的并发程度最低,效率也最低,但是数据的可靠性最高。

只要是并发编程,都会有这些问题。

MySQL的隔离级别。

1、read uncommitted:允许读取未提交的数据(隔离程度最低,并发性最高,有脏读)。

2、read committed:只允许读取已经提交的数据,相当于写加锁(隔离性提高一些,并发性降低,解决脏读,有不可重复读)。

3、repeatable read:MySQL默认级别,给读也加锁(隔离性又提高,并发性降低,解决不可重复读,会有幻读问题)。

4、serializable:严格串行化执行(隔离性最高,并发最低,解决幻读)。

  

 

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