MySQL笔记-第01章_数据库概述

视频链接：【MySQL数据库入门到大牛，mysql安装到优化，百科全书级，全网天花板】

文章目录

  • 第01章_数据库概述
    • 1. 为什么要使用数据库
    • 2. 数据库与数据库管理系统
      • 2.1 数据库的相关概念
      • 2.2 数据库与数据库管理系统的关系
      • 2.3 常见的数据库管理系统排名(DBMS)
      • 2.4 常见的数据库介绍
    • 3. MySQL介绍
      • 3.1 概述
      • 3.2 MySQL发展史重大事件
      • 1.4 关于MySQL 8.0
      • 1.5 Why choose MySQL?
      • 1.6 Oracle vs MySQL
    • 4. RDBMS 与 非RDBMS
      • 4.1 关系型数据库(RDBMS)
        • 4.1.1 实质
        • 4.1.2 优势
      • 4.2 非关系型数据库(非RDBMS)
        • 4.2.1 介绍
        • 4.2.2 有哪些非关系型数据库
        • 4.2.3 NoSQL的演变
      • 4.3 小结
    • 5. 关系型数据库设计规则
      • 5.1 表、记录、字段
      • 5.2 表的关联关系
        • 5.2.1 一对一关联（one-to-one）
        • 5.2.2 一对多关系（one-to-many）
        • 5.2.3 多对多（many-to-many）
        • 5.3.4 自我引用(Self reference)

第01章_数据库概述

讲师：尚硅谷-宋红康（江湖人称：康师傅）

官网：http://www.atguigu.com

1. 为什么要使用数据库

  • 持久化(persistence)：把数据保存到可掉电式存储设备中以供之后使用。大多数情况下，特别是企业级应用，数据持久化意味着将内存中的数据保存到硬盘上加以”固化”，而持久化的实现过程大多通过各种关系数据库来完成。
  • 持久化的主要作用是将内存中的数据存储在关系型数据库中，当然也可以存储在磁盘文件、XML数据文件中。

2. 数据库与数据库管理系统

2.1 数据库的相关概念

DB：数据库（Database）
即存储数据的“仓库”，其本质是一个文件系统。它保存了一系列有组织的数据。
DBMS：数据库管理系统（Database Management System）
是一种操纵和管理数据库的大型软件，用于建立、使用和维护数据库，对数据库进行统一管理和控制。用户通过数据库管理系统访问数据库中表内的数据。
SQL：结构化查询语言（Structured Query Language）
专门用来与数据库通信的语言。

2.2 数据库与数据库管理系统的关系

数据库管理系统(DBMS)可以管理多个数据库，一般开发人员会针对每一个应用创建一个数据库。为保存应用中实体的数据，一般会在数据库创建多个表，以保存程序中实体用户的数据。

数据库管理系统、数据库和表的关系如图所示：

在这里插入图片描述

在这里插入图片描述

2.3 常见的数据库管理系统排名(DBMS)

目前互联网上常见的数据库管理软件有Oracle、MySQL、MS SQL Server、DB2、PostgreSQL、Access、Sybase、Informix这几种。以下是2021年DB-Engines Ranking 对各数据库受欢迎程度进行调查后的统计结果：（查看数据库最新排名:https://db-engines.com/en/ranking）

在这里插入图片描述
在这里插入图片描述

对应的走势图：（https://db-engines.com/en/ranking_trend）

在这里插入图片描述

2.4 常见的数据库介绍

Oracle

1979 年，Oracle 2 诞生，它是第一个商用的 RDBMS（关系型数据库管理系统）。随着 Oracle 软件的名气越来越大，公司也改名叫 Oracle 公司。

2007年，总计85亿美金收购BEA Systems。

2009年，总计74亿美金收购SUN。此前的2008年，SUN以10亿美金收购MySQL。意味着Oracle 同时拥有了 MySQL 的管理权，至此 Oracle 在数据库领域中成为绝对的领导者。

2013年，甲骨文超越IBM，成为继Microsoft后全球第二大软件公司。

如今 Oracle 的年收入达到了 400 亿美金，足以证明商用（收费）数据库软件的价值。

SQL Server

SQL Server 是微软开发的大型商业数据库，诞生于 1989 年。C#、.net等语言常使用，与WinNT完全集成，也可以很好地与Microsoft BackOffice产品集成。

DB2

IBM公司的数据库产品,收费的。常应用在银行系统中。

PostgreSQL

PostgreSQL 的稳定性极强，最符合SQL标准，开放源码，具备商业级DBMS质量。PG对数据量大的文本以及SQL处理较快。

SyBase

已经淡出历史舞台。提供了一个非常专业数据建模的工具PowerDesigner。

SQLite

嵌入式的小型数据库，应用在手机端。 零配置，SQlite3不用安装，不用配置，不用启动，关闭或者配置数据库实例。当系统崩溃后不用做任何恢复操作，再下次使用数据库的时候自动恢复。

informix

IBM公司出品，取自Information 和Unix的结合，它是第一个被移植到Linux上的商业数据库产品。仅运行于unix/linux平台，命令行操作。 性能较高，支持集群，适应于安全性要求极高的系统，尤其是银行，证券系统的应用。

3. MySQL介绍

3.1 概述

  • MySQL是一个开放源代码的关系型数据库管理系统，由瑞典MySQL AB（创始人Michael Widenius）公司1995年开发，迅速成为开源数据库的 No.1。
  • 2008被Sun收购（10亿美金），2009年Sun被Oracle收购。MariaDB应运而生。（MySQL 的创造者担心 MySQL 有闭源的风险，因此创建了 MySQL 的分支项目 MariaDB）
  • MySQL6.x 版本之后分为社区版和商业版。
  • MySQL是一种关联数据库管理系统，将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这样就增加了速度并提高了灵活性。
  • MySQL是开源的，所以你不需要支付额外的费用。
  • MySQL是可以定制的，采用了GPL（GNU General Public License）协议，你可以修改源码来开发自己的MySQL系统。
  • MySQL支持大型的数据库。可以处理拥有上千万条记录的大型数据库。
  • MySQL支持大型数据库，支持5000万条记录的数据仓库，32位系统表文件最大可支持4GB，64位系统支持最大的表文件为8TB。
  • MySQL使用标准的SQL数据语言形式。
  • MySQL可以允许运行于多个系统上，并且支持多种语言。这些编程语言包括C、C++、Python、Java、Perl、PHP和Ruby等。

3.2 MySQL发展史重大事件

MySQL的历史就是整个互联网的发展史。互联网业务从社交领域、电商领域到金融领域的发展，推动着应用对数据库的需求提升，对传统的数据库服务能力提出了挑战。高并发、高性能、高可用、轻资源、易维护、易扩展的需求，促进了MySQL的长足发展。

在这里插入图片描述

1.4 关于MySQL 8.0

MySQL从5.7版本直接跳跃发布了8.0版本，可见这是一个令人兴奋的里程碑版本。MySQL 8版本在功能上做了显著的改进与增强，开发者对MySQL的源代码进行了重构，最突出的一点是多MySQL Optimizer优化器进行了改进。不仅在速度上得到了改善，还为用户带来了更好的性能和更棒的体验。

1.5 Why choose MySQL?

在这里插入图片描述

为什么如此多的厂商要选用MySQL？大概总结的原因主要有以下几点：

  1. 开放源代码，使用成本低。

  2. 性能卓越，服务稳定。

  3. 软件体积小，使用简单，并且易于维护。

  4. 历史悠久，社区用户非常活跃，遇到问题可以寻求帮助。

  5. 许多互联网公司在用，经过了时间的验证。

1.6 Oracle vs MySQL

Oracle 更适合大型跨国企业的使用，因为他们对费用不敏感，但是对性能要求以及安全性有更高的要求。

MySQL 由于其体积小、速度快、总体拥有成本低，可处理上千万条记录的大型数据库，尤其是开放源码这一特点，使得很多互联网公司、中小型网站选择了MySQL作为网站数据库（Facebook，Twitter，YouTube，阿里巴巴/蚂蚁金服，去哪儿，美团外卖，腾讯）。

4. RDBMS 与 非RDBMS

从排名中我们能看出来，关系型数据库绝对是 DBMS 的主流，其中使用最多的 DBMS 分别是 Oracle、MySQL 和 SQL Server。这些都是关系型数据库（RDBMS）。

4.1 关系型数据库(RDBMS)

4.1.1 实质

  • 这种类型的数据库是最古老的数据库类型，关系型数据库模型是把复杂的数据结构归结为简单的二元关系（即二维表格形式）。

    在这里插入图片描述

  • 关系型数据库以行(row)和列(column)的形式存储数据，以便于用户理解。这一系列的行和列被称为表(table)，一组表组成了一个库(database)。

  • 表与表之间的数据记录有关系(relationship)。现实世界中的各种实体以及实体之间的各种联系均用关系模型来表示。关系型数据库，就是建立在关系模型基础上的数据库。

  • SQL 就是关系型数据库的查询语言。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

4.1.2 优势
  • 复杂查询
    可以用SQL语句方便的在一个表以及多个表之间做非常复杂的数据查询。
  • 事务支持
    使得对于安全性能很高的数据访问要求得以实现。

4.2 非关系型数据库(非RDBMS)

4.2.1 介绍

非关系型数据库，可看成传统关系型数据库的功能阉割版本，基于键值对存储数据，不需要经过SQL层的解析，性能非常高。同时，通过减少不常用的功能，进一步提高性能。

目前基本上大部分主流的非关系型数据库都是免费的。

4.2.2 有哪些非关系型数据库

相比于 SQL，NoSQL 泛指非关系型数据库，包括了榜单上的键值型数据库、文档型数据库、搜索引擎和列存储等，除此以外还包括图形数据库。也只有用 NoSQL 一词才能将这些技术囊括进来。

键值型数据库

键值型数据库通过 Key-Value 键值的方式来存储数据，其中 Key 和 Value 可以是简单的对象，也可以是复杂的对象。Key 作为唯一的标识符，优点是查找速度快，在这方面明显优于关系型数据库，缺点是无法像关系型数据库一样使用条件过滤（比如 WHERE），如果你不知道去哪里找数据，就要遍历所有的键，这就会消耗大量的计算。

键值型数据库典型的使用场景是作为内存缓存。Redis 是最流行的键值型数据库。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

文档型数据库

此类数据库可存放并获取文档，可以是XML、JSON等格式。在数据库中文档作为处理信息的基本单位，一个文档就相当于一条记录。文档数据库所存放的文档，就相当于键值数据库所存放的“值”。MongoDB 是最流行的文档型数据库。此外，还有CouchDB等。

搜索引擎数据库

虽然关系型数据库采用了索引提升检索效率，但是针对全文索引效率却较低。搜索引擎数据库是应用在搜索引擎领域的数据存储形式，由于搜索引擎会爬取大量的数据，并以特定的格式进行存储，这样在检索的时候才能保证性能最优。核心原理是“倒排索引”。

典型产品：Solr、Elasticsearch、Splunk 等。

列式数据库

列式数据库是相对于行式存储的数据库，Oracle、MySQL、SQL Server 等数据库都是采用的行式存储（Row-based），而列式数据库是将数据按照列存储到数据库中，这样做的好处是可以大量降低系统的 I/O，适合于分布式文件系统，不足在于功能相对有限。典型产品：HBase等。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

图形数据库

图形数据库，利用了图这种数据结构存储了实体（对象）之间的关系。图形数据库最典型的例子就是社交网络中人与人的关系，数据模型主要是以节点和边（关系）来实现，特点在于能高效地解决复杂的关系问题。

图形数据库顾名思义，就是一种存储图形关系的数据库。它利用了图这种数据结构存储了实体（对象）之间的关系。关系型数据用于存储明确关系的数据，但对于复杂关系的数据存储却有些力不从心。如社交网络中人物之间的关系，如果用关系型数据库则非常复杂，用图形数据库将非常简单。典型产品：Neo4J、InfoGrid等。

4.2.3 NoSQL的演变

由于 SQL 一直称霸 DBMS，因此许多人在思考是否有一种数据库技术能远离 SQL，于是 NoSQL 诞生了，但是随着发展却发现越来越离不开 SQL。到目前为止 NoSQL 阵营中的 DBMS 都会有实现类似 SQL 的功能。下面是“NoSQL”这个名词在不同时期的诠释，从这些释义的变化中可以看出 NoSQL 功能的演变：

1970：NoSQL = We have no SQL

1980：NoSQL = Know SQL

2000：NoSQL = No SQL!

2005：NoSQL = Not only SQL

2013：NoSQL = No, SQL!

NoSQL 对 SQL 做出了很好的补充，比如实际开发中，有很多业务需求，其实并不需要完整的关系型数据库功能，非关系型数据库的功能就足够使用了。这种情况下，使用性能更高、成本更低的非关系型数据库当然是更明智的选择。比如：日志收集、排行榜、定时器等。

4.3 小结

NoSQL 的分类很多，即便如此，在 DBMS 排名中，还是 SQL 阵营的比重更大，影响力前 5 的 DBMS 中有 4 个是关系型数据库，而排名前 20 的 DBMS 中也有 12 个是关系型数据库。所以说，掌握 SQL 是非常有必要的。整套课程将围绕 SQL 展开。

5. 关系型数据库设计规则

  • 关系型数据库的典型数据结构就是数据表，这些数据表的组成都是结构化的（Structured）。

  • 将数据放到表中，表再放到库中。

  • 一个数据库中可以有多个表，每个表都有一个名字，用来标识自己。表名具有唯一性。

  • 表具有一些特性，这些特性定义了数据在表中如何存储，类似Java和Python中 “类”的设计。

5.1 表、记录、字段

  • E-R（entity-relationship，实体-联系）模型中有三个主要概念是：实体集、属性、联系集。

  • 一个实体集（class）对应于数据库中的一个表（table），一个实体（instance）则对应于数据库表中的一行（row），也称为一条记录（record）。一个属性（attribute）对应于数据库表中的一列（column），也称为一个字段（field）。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

ORM思想 (Object Relational Mapping)体现：
数据库中的一个表  <---> Java或Python中的一个类
表中的一条数据  <---> 类中的一个对象（或实体）
表中的一个列  <----> 类中的一个字段、属性(field)

5.2 表的关联关系

  • 表与表之间的数据记录有关系(relationship)。现实世界中的各种实体以及实体之间的各种联系均用关系模型来表示。

  • 四种：一对一关联、一对多关联、多对多关联、自我引用

5.2.1 一对一关联（one-to-one）
  • 在实际的开发中应用不多，因为一对一可以创建成一张表。
  • 举例：设计学生表：学号、姓名、手机号码、班级、系别、身份证号码、家庭住址、籍贯、紧急联系人、…

    • 拆为两个表：两个表的记录是一一对应关系。

    • 基础信息表（常用信息）：学号、姓名、手机号码、班级、系别

    • 档案信息表（不常用信息）：学号、身份证号码、家庭住址、籍贯、紧急联系人、…

  • 两种建表原则：
    • 外键唯一：主表的主键和从表的外键（唯一），形成主外键关系，外键唯一。
    • 外键是主键：主表的主键和从表的主键，形成主外键关系。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

5.2.2 一对多关系（one-to-many）
  • 常见实例场景：客户表和订单表，分类表和商品表，部门表和员工表。
  • 举例：

    • 员工表：编号、姓名、…、所属部门

    • 部门表：编号、名称、简介

  • 一对多建表原则：在从表(多方)创建一个字段，字段作为外键指向主表(一方)的主键
    在这里插入图片描述

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
在这里插入图片描述

5.2.3 多对多（many-to-many）

要表示多对多关系，必须创建第三个表，该表通常称为联接表，它将多对多关系划分为两个一对多关系。将这两个表的主键都插入到第三个表中。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

  • 举例1：学生-课程

    • 学生信息表：一行代表一个学生的信息（学号、姓名、手机号码、班级、系别…）

    • 课程信息表：一行代表一个课程的信息（课程编号、授课老师、简介…）

    • 选课信息表：一个学生可以选多门课，一门课可以被多个学生选择

      学号     课程编号  
1        1001
2        1001
1        1002

  • 举例2：产品-订单

    “订单”表和“产品”表有一种多对多的关系，这种关系是通过与“订单明细”表建立两个一对多关系来定义的。一个订单可以有多个产品，每个产品可以出现在多个订单中。

    • 产品表：“产品”表中的每条记录表示一个产品。
    • 订单表：“订单”表中的每条记录表示一个订单。
    • 订单明细表：每个产品可以与“订单”表中的多条记录对应，即出现在多个订单中。一个订单可以与“产品”表中的多条记录对应，即包含多个产品。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

  • 举例3：用户-角色
  • 多对多关系建表原则：需要创建第三张表，中间表中至少两个字段，这两个字段分别作为外键指向各自一方的主键。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

5.3.4 自我引用(Self reference)

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

”表中的每条记录表示一个订单。

  • 订单明细表：每个产品可以与“订单”表中的多条记录对应，即出现在多个订单中。一个订单可以与“产品”表中的多条记录对应，即包含多个产品。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/197932.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Linux--网络编程-ftp（TCP）网络通信-文件交互

Linux--网络编程-ftp（TCP）网络通信-文件交互

项目要求&#xff1a;实现以下内容 远程控制&#xff1a; 1、查看服务器当前路径文件 ls 3、进入、退出服务器文件夹 cd 4、上传文件到服务器 put xxx 本地控制&#xff1a; 1、查看本地&#xff08;客户端&#xff09;文件 lls 2、进入客户端文件夹 lcd 3、获取服务器的文件…
阅读更多...
音频录制软件哪个好？帮助你找到最合适的一款

音频录制软件哪个好？帮助你找到最合适的一款

音频录制软件是日常工作、学习和创作中不可或缺的一部分。选择一个适合自己需求的录音软件对于确保音频质量和提高工作效率至关重要。可是您知道音频录制软件哪个好吗&#xff1f;本文将深入探讨两种常见的音频录制软件&#xff0c;通过详细的步骤指南&#xff0c;帮助您了解它…
阅读更多...
编写Java应用程序，输出满足1+2+3+……+n＜8888的最大正整数n。

编写Java应用程序，输出满足1+2+3+……+n＜8888的最大正整数n。

源代码&#xff1a; public class Main { public static void main(String[] args) { int i 1; int sum 0; for(i 1;;i){ sum i; if (sum >8888) break; } System.out.println(i-1); } } 实验运行截图&#xff1a;
阅读更多...
【滑动窗口】LeetCode2953:统计完全子字符串

【滑动窗口】LeetCode2953:统计完全子字符串

作者推荐 [二分查找]LeetCode2040:两个有序数组的第 K 小乘积 本题其它解法 【离散差分】LeetCode2953:统计完全子字符串 题目 给你一个字符串 word 和一个整数 k 。 如果 word 的一个子字符串 s 满足以下条件&#xff0c;我们称它是 完全字符串&#xff1a; s 中每个字符…
阅读更多...
深入理解：指针变量的解引用 与 加法运算

深入理解：指针变量的解引用 与 加法运算

前言 指针变量的解引用和加法运算是非常高频的考点&#xff0c;也是难点&#xff0c;因为对初学者的不友好&#xff0c;这就导致了各大考试都很喜欢在这里出题&#xff0c;通常会伴随着强制类型转换、二维数组、数组指针等一起考查大家对指针的理解。但是不要怕&#xff0c;也许…
阅读更多...
论文解读--PointPillars- Fast Encoders for Object Detection from Point Clouds

论文解读--PointPillars- Fast Encoders for Object Detection from Point Clouds

PointPillars--点云目标检测的快速编码器 摘要 点云中的物体检测是许多机器人应用(如自动驾驶)的重要方面。在本文中&#xff0c;我们考虑将点云编码为适合下游检测流程的格式的问题。最近的文献提出了两种编码器;固定编码器往往很快&#xff0c;但牺牲了准确性&#xff0c;而…
阅读更多...
腾讯视频崩了，年终奖没了。。。

腾讯视频崩了，年终奖没了。。。

最近互联网的瓜可是不少啊&#xff01;最开始阿里云崩了&#xff0c;阿里云崩了之后&#xff0c;没几天滴滴也崩了&#xff0c;滴滴崩了之后&#xff0c;结果昨天腾讯视频也崩了......年底了&#xff0c;都要来刷刷存在感吗&#xff1f; 简直让我想起来一首儿歌&#xff1a; 阿…
阅读更多...
使用autodl服务器，两个3090显卡上运行， Yi-34B-Chat-int4模型，并使用vllm优化加速，显存占用42G，速度23 words/s

使用autodl服务器，两个3090显卡上运行， Yi-34B-Chat-int4模型，并使用vllm优化加速，显存占用42G，速度23 words/s

1&#xff0c;演示视频地址 https://www.bilibili.com/video/BV1Hu4y1L7BH/ 使用autodl服务器&#xff0c;两个3090显卡上运行&#xff0c; Yi-34B-Chat-int4模型&#xff0c;用vllm优化&#xff0c;增加 --num-gpu 2&#xff0c;速度23 words/s 2&#xff0c;使用3090显卡 和…
阅读更多...
25、矩阵乘法的本质

25、矩阵乘法的本质

本来一直在介绍卷积，为什么突然出现一个矩阵乘法呢？ 因为如果我们将卷积运算拆开，其中最核心的部分便是一个矩阵乘法。所以，卷积算法可以看做是带滑窗的矩阵乘法。 这里的滑窗，就是卷积运算中所示意的动图那样，所以，我们把滑窗固定，不看卷积核滑动这个动作，那么就是…
阅读更多...
龙芯loongarch64服务器编译安装tokenizers

龙芯loongarch64服务器编译安装tokenizers

1、简介 Hugging Face 的 Tokenizers 库提供了一种快速和高效的方式来处理（即分词）自然语言文本，用于后续的机器学习模型训练和推理。这个库提供了各种各样的预训练分词器，如 BPE、Byte-Pair Encoding (Byte-Level BPE)、WordPiece 等，这些都是现代 NLP 模型（如 BERT、GP…
阅读更多...
统计学基础至1-3

统计学基础至1-3

阅读更多...
VT-MRPA1-151-1X/V0/0控制2FRE16模块式模拟放大器

VT-MRPA1-151-1X/V0/0控制2FRE16模块式模拟放大器

适用于控制带有电气位置反馈的直动式比例减压阀&#xff08;DBETR- 1X 类型&#xff09;或带有电气位置反馈的比例流量控制阀&#xff08;2FRE... 类型&#xff09;&#xff1b;控制值输入 1 0 V&#xff08;差动输入&#xff09;&#xff1b; 可分别调节“上/下”斜坡时间的斜…
阅读更多...
两种内网穿透的实现方法

两种内网穿透的实现方法

目录 前言&#xff1a; 一、IP和端口的作用 二、公网IP不够用 三、内网穿透实现方法 方法一&#xff1a;设置路由器 方法二&#xff1a;使用某些APP&#xff0c;例如花生壳 前言&#xff1a; 本文会介绍为什么需要使用内网穿透以及实现内网穿透的两种方法 一、IP和端口…
阅读更多...
mac磁盘管理工具 DiskCatalogMaker中文 for Mac

mac磁盘管理工具 DiskCatalogMaker中文 for Mac

磁盘管理工具功能介绍 制作光盘 将您的磁盘图标拖放到目录窗口。 通过Roxio Toast Titanium自动添加刻录光盘。更多 对多张光盘使用批量扫描模式。 您也可以使用生成缩略图图像选项。 并请将其快速编目引擎与其他编目人员比较&#xff01; 下载&#xff1a;DiskCatalogM…
阅读更多...
【华为OD题库-064】最小传输时延I-java

【华为OD题库-064】最小传输时延I-java

题目 某通信网络中有N个网络结点&#xff0c;用1到N进行标识。网络通过一个有向无环图.表示,其中图的边的值表示结点之间的消息传递时延。 现给定相连节点之间的时延列表times[]{u&#xff0c;v&#xff0c; w)&#xff0c;其中u表示源结点&#xff0c;v表示目的结点&#xff0…
阅读更多...
【Linux20.04-qt5.12.4软件安装与初步使用-qt在Linux使用-记录-笔记】

【Linux20.04-qt5.12.4软件安装与初步使用-qt在Linux使用-记录-笔记】

【Linux-qt软件安装与初步使用-qt在Linux使用-记录-笔记】 1、概述2、环境说明3、步骤总结1、了解并选择自己想要安装的版本2、访问 Qt 官方网站3、在 Qt 网站上找到下载部分&#xff08;自己想下载&#xff09;4、下载完成后&#xff0c;给安装程序文件赋予执行权限。5、自动配…
阅读更多...
关于svn如何上传一个完整的项目

关于svn如何上传一个完整的项目

注意&#xff1a;请一定要按照该步骤进行操作&#xff0c;请上传新项目时将项目名称进行规范命名 例如原始文件是arrange_v2 将此项目需要注入新的医院 则命名为 arrange_某医院名称_门诊或者医技或者药房_v2 重新命名文件夹名称快捷键 &#xff08;F12&#xff09; 一 &…
阅读更多...
详解卷积神经网络（Convolutional Neural Networks, CNNs）

详解卷积神经网络（Convolutional Neural Networks, CNNs）

全连接神经网络基础 全连接神经网络&#xff08;Fully Connected Neural Network 或 Multi-Layer Perceptron, MLP&#xff09;是最简单的深度学习模型之一。一个典型的全连接网络由多个层组成&#xff0c;每一层包含多个神经元或节点。每个神经元与上一层的所有神经元相连&am…
阅读更多...
论文阅读[2022sigcomm]GSO-Simulcast Global Stream Orchestration in Simulcast Video

论文阅读[2022sigcomm]GSO-Simulcast Global Stream Orchestration in Simulcast Video

GSO-Simulcast Global Stream Orchestration in Simulcast Video 作者&#xff1a; 1 背景 1视频会议成为全球数十亿人远程协作、学习和个人互动的核心&#xff0c;这些不断增长的虚拟连接需求推动视频会议服务的蓬勃发展 2当前用户越来越希望在低延迟下看到更高质量的视频…
阅读更多...
Milvus 再上新！支持 Upsert、Kafka Connector、集成 Airbyte，助力高效数据流处理

Milvus 再上新！支持 Upsert、Kafka Connector、集成 Airbyte，助力高效数据流处理

Milvus 已支持 Upsert、 Kafka Connector、Airbyte&#xff01; 在上周的文章中《登陆 Azure、发布新版本……Zilliz 昨夜今晨发生了什么&#xff1f;》&#xff0c;我们已经透露过 Milvus&#xff08;Zilliz Cloud&#xff09;为提高数据流处理效率&#xff0c; 先后支持了 Up…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023