Fast Query

class System::FastQuery
  def self.sub_join_str(model)
    Util.is_submodel(model) ? " AND #{model.table_name}.#{model.inheritance_column} = '#{model.name.demodulize}'" : ""
  end
  class Conditions
    attr_reader :conditions
    def initialize(model)
      @model = model
      @conditions={}
    end

    def method_missing(method_id)
      name = method_id.id2name
      condition = Condition.new(@model,name.to_sym)
      @conditions[name] = condition
      condition
    end
  end
  
  class Relation
    def initialize(parent_model,child_model,belongs_to=false)
      @parent_model = parent_model
      @child_model = child_model
      @join_model = belongs_to ? parent_model : child_model
      @block_conditions = Conditions.new(@join_model)
      @foreign_key = parent_model.class_name.underscore + '_id'
      @model = Model.new(@join_model)
      @conditions = {}
    end
    
    def model
      @model
    end
    
    def and_conditions(conditions)
      @conditions = conditions
      self
    end
    
    def should()
      yield(@block_conditions)
    end
    
    def through(key)
      @foreign_key = key.to_s
      self
    end
    
    def join_str
      join_type = model.is_nil ? "LEFT JOIN" : "JOIN" 

      join = " #{join_type} #{@join_model.table_name} ON #{@parent_model.table_name}.id = #{@child_model.table_name}.#{@foreign_key} "
      join << System::FastQuery.sub_join_str(@child_model)
      join << System::FastQuery.sub_join_str(@parent_model)
      
      @conditions.each do |k,v|
        join << " AND #{@join_model.table_name}.#{k} = #{Util.get_value(v)}" 
      end
      
      @block_conditions.conditions.each do |k,v|
        join << v.to_s
      end
      join
    end
  end
  
  class Model
    attr_reader :is_nil
    attr_reader :table_name
    attr_reader :relations
    attr_reader :model
    attr_reader :conditions
    def initialize(model)
      @model,@table_name = model, model.table_name
      @relations = {}
      @is_nil = false
      @conditions = []
    end
    
    def have(child_model)
      unless @relations.has_key? child_model
        relation = Relation.new(@model,child_model)
        @relations[child_model] = relation
        instance_eval("def #{child_model.name.demodulize.underscore}\n @relations[#{child_model}].model() \n end")
      end
      @relations[child_model]
    end
    
    def belongs_to(parent_model)
      unless @relations.has_key? parent_model
        relation = Relation.new(parent_model,@model,true)
        @relations[parent_model] = relation
        instance_eval("def #{parent_model.name.demodulize.underscore}\n @relations[#{parent_model}].model() \n end")
      end
      @relations[parent_model]      
    end
    
    def should(attr)
      operator = @conditions.empty? ? :NIL : :AND
      create_condition(attr,operator)
    end
    
    def and(attr)
      raise 1 if @conditions.empty?
      create_condition(attr,:AND)
    end
    
    def or(attr)
      raise 1 if @conditions.empty?
      create_condition(attr,:OR)
    end

    def nil
      @is_nil = true
      self.should(:id).nil
    end
    
    def find_all(query_model = @model,&block)
      self.find({:type=>:all,:model=>query_model},&block)
    end
    
    def find_first(query_model = @model,&block)
      self.find({:type=>:first,:model=>query_model},&block)
    end
    
    def find(options={},&block)
      query_model = options[:model] || @model
      type = options[:type] || :all
      
      sql = generate_sql(query_model,type)
      
      all = query_model.find_by_sql(sql)
      if block
        all.find_all(&block)
      end
      if type == :first
        all.empty? ? nil : all[0]
      else
        all
      end
    end
    
    def order_by(order)
      @order_by = " ORDER BY #{order}"
    end    
    
    def generate_sql(query_model=@model,type=:all)
      table = query_model.table_name
      sql = "SELECT DISTINCT #{table}.* FROM #{@model.table_name}"
      conditions,joins = " WHERE 1=1 ",""
      generate_joins(joins,self)
      generate_conditions(conditions,self)
      sql << joins << conditions
      sql << @order_by if @order_by
      sql << " LIMIT 1 " if type == :first
      sql
    end

    private
    def create_condition(attr,operator)
      condition = Condition.new(self,attr,operator)
      @conditions << condition
      condition      
    end

    def generate_joins(joins,model)
      model.relations.each do |k,v|
        joins << v.join_str
        generate_joins(joins,v.model)
      end
    end   
    
    def generate_conditions(conditions,model)
      conditions << ' AND (' unless model.conditions.empty?
      model.conditions.each_with_index do |c,i|
        conditions << c.to_s
      end
      #      conditions << System::FastQuery.sub_join_str(model.model)
      conditions << ") " unless model.conditions.empty?
      
      model.relations.each do |k,v|
        generate_conditions(conditions,v.model)
      end
    end
  end
  
  class Condition
    def initialize(model,attr,operator=:AND)
      @model = model
      @table_name = model.table_name
      @attr = attr
      @operator = operator
    end
    
    def equal(value)
      internal_compare('=',value)
      @model
    end
    
    def not_equal(value)
      internal_compare('<>',value)
      @model
    end
    
    def between(range)
      @str = " #{@table_name}.#{@attr.to_s} BETWEEN #{Util.get_value(range.begin)} AND #{Util.get_value(range.end)} "
      @model    
    end
    
    def ==(value)
      self.equal(value)
    end
    
    def <(value)
      internal_compare('<',value)
    end    
 
    def <=(value)
      internal_compare('<=',value)
    end
    
    def >(value)
      internal_compare('>',value)
    end
    
    def >=(value)
      internal_compare('>=',value)
    end
    
    def like(value)
      @str = " #{@table_name}.#{@attr.to_s} like '%#{value}%' "
      @model
    end
    
    def in(value)
      internal_in(value,"IN")
    end
    
    def not_in(value)
      internal_in(value,"NOT IN")
    end    
    
    def nil
      @str = " #{@table_name}.#{@attr.to_s} IS NULL "
      @model
    end
    
    def to_s
      operator = (@operator==:NIL) ? ' ' : " #{@operator.to_s} "
      operator + @str
    end   
    
    private
    def internal_in(value,type)
      if value.empty?
        if type == "IN"
          @str = " 1=0 " 
        else
          @str = " 1=1 "
        end
      else
        @str = " #{@table_name}.#{@attr.to_s} #{type} ("
        @str << value.collect{|v| Util.get_value(v)}.join(',') << ') '
      end
      @model
    end
    
    def internal_compare(operator,value)
      @str = " #{@table_name}.#{@attr.to_s} #{operator} #{Util.get_value(value)} "
      @model
    end
  end  
end

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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