【MySQL】存储引擎

西南交通大学车辆工程专业大四上车辆综合实训ame仿真部分 西南交通大学车辆工程专业大四上车辆综合实训ame仿真建模部分 阅读详情

1. 前言

存储引擎是 MySQL 的核心组件之一,负责数据的存储和管理。存储引擎的选择对 MySQL 的性能和可靠性有重要影响.

2. MySQL的体系结构

MySQL 的体系结构可以划分为四层,包括:

  1. 连接层:也称为客户端层,负责处理连接请求、身份验证、权限管理等工作。MySQL 支持多种客户端连接方式,包括 TCP/IP 连接、本地连接、命名管道连接等。

  2. 服务层:也称为服务器层,负责解析 SQL 查询、生成查询执行计划、执行查询操作等工作。服务层中包含查询缓存、查询分析器、查询优化器等组件。

  3. 存储引擎层:MySQL 支持多种存储引擎,存储引擎层负责存储和管理数据。不同的存储引擎具有不同的特点和适用场景,常用的存储引擎包括 InnoDB、MyISAM、Memory 等。

  4. 文件系统层(存储层):MySQL 存储数据时使用文件系统,文件系统层负责管理数据库文件,包括数据文件、索引文件、日志文件等。MySQL 支持多种文件系统,包括 Ext4、XFS 等。
    在这里插入图片描述
    注意: 1. 索引(index)是位于存储引擎层的. 不同的存储引擎索引的结构是不一样的 2.InnoDB引擎是MySQL5.5版本后默认的引擎

3. 存储引擎简介

存储引擎就是存储数据、建立索引、更新/查询数据等技术的实现方式。存储引擎是基于表的,而不是基于库的,所以存储引擎也可被称为表类型。

例如这里有一张表

create table account(
    username varchar(10),
    balance int
);

我们来查看一下创建表时候的SQL语句

# 查询建表语句
show create table 表名;

在这里插入图片描述
可以看到默认存储引擎是InnoDB.
关于存储引擎的SQL语句
在创建表的时候指定存储引擎.

create table 表名(
	字段1 数据类型,
	字段2 数据类型,
	...
)ENGINE=存储引擎;

查询当前数据库支持的存储引擎

show engines;

以下是Mysql支持的存储引擎.会详细介绍InnoDB, MyISAM以及MEMORY这三个存储引擎.
在这里插入图片描述

4. InnoDB介绍

lnnoDB是一种兼顾高可靠性和高性能的通用存储引擎,

InnoDB的特点:

  1. 支持事务:InnoDB支持ACID事务,确保了数据的完整性和一致性。
  2. 支持行级锁定:InnoDB使用行级锁定,使并发访问和修改数据变得更加高效。
  3. 支持外键约束:InnoDB支持外键约束,使数据之间的联系更加严密和规范。
  4. 支持快照读取:InnoDB支持快照读取,使读取操作不会被写入操作所阻塞,提高了数据库的并发性能。
  5. 支持多版本并发控制:InnoDB使用多版本并发控制(MVCC)来处理并发访问,使读写操作可以同时进行,提高了数据库的并发性能。
  6. 支持自适应哈希索引:InnoDB可以自动创建和管理哈希索引,提高了查询性能。

文件: xxx.ibd: xxx代表的是表名,innoDB引擎的每张表都会对应这样一个表空间文件,存储该表的表结构(frm、 sdi)、数据和索引。

InnoDB的逻辑存储结构有以下部分组成: 行,页,区,段和表空间

  1. 行:行是InnoDB存储数据的基本单位,每行表示一条记录。每个表都有一个对应的行格式,行格式规定了行的存储方式,包括数据类型、长度、空间等。

  2. 表空间:表空间是InnoDB的存储文件,每个表都有一个对应的表空间,用于存储该表的数据和索引。InnoDB支持多个表共享一个表空间,这样可以更好地利用存储资源。

  3. 段:段是表空间中的一个逻辑结构,用于存储数据和索引。InnoDB中有两种类型的段:数据段和索引段。数据段用于存储表中的数据,索引段用于存储索引。

  4. 区:区是段的逻辑子结构,用于管理段中的数据和索引。InnoDB中有多个不同类型的区,包括B树节点、自适应哈希索引和插入缓冲区等。

  5. 页:页是区的逻辑子结构,是InnoDB存储数据和索引的最小单位。每个页的大小默认为16KB,可以通过配置文件进行修改。

5. MyISAM介绍

MyISAM是MySQL数据库管理系统的一种存储引擎,是MySQL早期的存储引擎。与InnoDB存储引擎相比,MyISAM的特点是速度快、易于管理、支持全文搜索等特性,但不支持事务、行级锁和高并发等高级特性。

  1. 支持全文搜索:MyISAM支持全文搜索,可以对文本数据进行全文检索,极大地提高了查询效率。

  2. 速度快:MyISAM的读写速度很快,因为它不支持事务、行级锁等高级特性,所以在高并发的情况下性能表现优越。

  3. 易于管理:MyISAM的管理和维护比较简单,因为它不支持事务和行级锁等高级特性,所以在数据恢复和备份等方面更加方便。

  4. 数据表结构缓存:MyISAM可以缓存数据表的定义和元数据,从而提高查询效率。

  5. 不支持事务和行级锁:MyISAM不支持事务和行级锁定,这意味着它不能保证数据的一致性和完整性,因此在高并发和数据安全性要求较高的应用场景下不适用。

6. Memory

Memory(内存存储引擎)是MySQL数据库管理系统的一种存储引擎,也被称为HEAP存储引擎。与其他存储引擎不同,Memory存储引擎将数据直接存储在内存中,而不是在磁盘上,因此查询速度相对较快。但由于内存有限,Memory存储引擎不适合存储大量数据。

特点:

  1. 查询速度快:由于Memory存储引擎将数据直接存储在内存中,查询速度相对较快。

  2. 不支持事务:Memory存储引擎不支持事务,因此不能保证数据的一致性和完整性。

  3. 支持表锁:Memory存储引擎支持表锁,因此在高并发的情况下可能会产生锁等待。

  4. 不支持BLOB和TEXT类型:Memory存储引擎不支持BLOB和TEXT类型的数据,仅支持较小的数据类型。

  5. 数据存储在内存中:Memory存储引擎将数据直接存储在内存中,因此数据丢失的风险较高,需要进行定期备份。

7. 存储引擎的选择

在选择存储引擎时,应该根据应用系统的特点选择合适的存储引擎。对于复杂的应用系统,还可以根据实际情况选择多种存储引擎进行组合。

  • InnoDB∶是Mysql的默认存储引擎,支持事务、外键。如果应用对事务的完整性有比较高的要求,在并发条件下要求数据的一致性,数据操作除了插入和查询之外,还包含很多的更新、删除操作,那么InnoDB存储引擎是比较合适的选择。
  • MyISAM:如果应用是以读操作和插入操作为主,只有很少的更新和删除操作,并且对事务的完整性、并发性要求不是很高,那么选择这个存储引擎是非常合适的。
  • MEMORY:将所有数据保存在内存中,访问速度快,通常用于临时表及缓存。MEMORY的缺陷就是对表的大小有限制,太大的表
    无法缓存在内存中,而且无法保障数据的安全性。

小结: 如果需要高并发、事务支持和数据安全性,建议选择InnoDB存储引擎;如果需要性能更快,但不需要支持事务和数据安全性,建议选择MyISAM存储引擎;如果需要快速查询小规模数据,可以选择Memory存储引擎。同时,还可以根据具体的数据类型、数据量和磁盘空间占用等因素来选择合适的存储引擎。

8. 总结

本文主要讲解MySQL的体系结构(连接层,服务层,存储引擎层和存储层):存储引擎(InnoDB, MyISAM以及MEMORY的特点)以及存储引擎的选择.不同的存储引擎在数据存储方式、读写效率、可靠性、安全性、功能特性等方面有所差异,因此在选择存储引擎时需根据具体需求进行综合考虑。

感谢你的观看!希望这篇文章能帮到你!
专栏:《速通MySQL》在不断更新中,欢迎订阅!
“愿与君共勉,携手共进!”
在这里插入图片描述

2026年中科曙光嵌入式软件岗位面试题库(附参考答案) 嵌入式系统与C/C++基础摘要 硬件与外设总线 SPI总线:高速全双工同步串行接口,采用SCLK、MOSI、MISO和CS信号线,支持一主多从架构,典型应用于Flash存储、传感器等高速外设。 I2C总线:两线制低速串行总线(SDA/SCL),支持多主多从,需注意地址冲突和信号完整性。 时序约束:包括建立时间、保持时间、时钟周期等,是保障电路稳定运行的关键。 AD转换:将模拟信号转换为数字信号,应用于传感器采集、音频处理等场景。 PC寄存器:存储下一条指令地址,控制程序执行流,在跳转和中断时自动更新。 C/ 阅读详情

相关推荐

LWIP协议栈在STM32H7上的内存优化实战:如何用32KB RAM实现稳定千兆以太网通信

本文深入探讨了在STM32H7微控制器上,如何通过内存优化策略,在仅32KB的D2 SRAM中稳定运行LWIP协议栈以实现千兆以太网通信。文章详细分析了STM32H7的内存架构、LWIP的内存消耗瓶颈,并提供了从描述符表与PBUF池精确分配、链接脚本修改到MPU区域划分的一整套实战优化方案,旨在解决大数据量传输卡死等常见配置问题。

gg901的博客 608

MySQL数据库---存储引擎(MyISAM与InnoDB)

数据库存储引擎是数据库底层软件组织,数据库管理系统(DBMS)使用数据引擎进行创建、查询、更新和删除数据。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能,使用不同的存储引擎,还可以 获得特定的功能。现在许多不同的数据库管理系统都支持多种不同的数据引擎。MySQL的核心就是存储引擎。MySQL中的数据用各种不同的技术存储在文件中,每一种技术都使用不同的存储机制、索引技巧、锁定水平并最终提供不同的功能和能力,这些不同的技术以及配套的功能在MySQL中称为存储引擎。

weixin_60917414的博客 8114

Docker版OnlyOffice中文字体配置全攻略:从字号调整到字体添加

本文详细介绍了在Docker版OnlyOffice中配置中文字体和调整字号的完整方案。通过容器内操作和配置文件修改,实现中文标准字号映射及思源、阿里巴巴等优质字体的集成,提升文档排版的规范性和专业性。特别针对企业级部署提供了性能优化建议和常见问题解决方案。

weixin_28309571的博客 138

MySQL的存储引擎

• MyISAM不支持事务,也不支持外键约束,只支持全文索引,数据文件和索引文件是分开保存的• 访问速度快,对事务完整性没有要求• MyISAM适合查询、插入为主的应用• MyISAM在磁盘上存储成三个文件,文件名和表名都相同,但是扩展名分别为:▷ .frm文件存储表结构的定义▷ 数据文件的扩展名为.MYD (MYData)▷ 索引文件的扩展名是.MYI (MYIndex)• 表级锁定形式,数据在更新时锁定整个表• 数据库在读写过程中相互阻塞▷ 会在数据写入的过程阻塞用户数据的读取。

小小byg 1809

springcloud教程 -- 1.快速搭建入门级demo,看这一篇就够了

废话不多讲,跟紧我,开启你的SpringCloud初体验 首先回顾微服务的基本组成: [图片 here] 生产者:提供服务 消费者:消费服务 服务注册/发现中心:服务注册,发现,监控 所以,首先明白springcloud微服务的架构基础:生产者(client),消费者(client),服务注册/发现中心(server)

叶巨岩的博客 8万+

dToF直方图之美

上面视频里如果你能看懂,那么就能理解对于dToF单点的测距问题,对于大部分的描述在AMS和ST里的手册都非常的详细,有疑问的可以后台来找我探讨,今天我们单纯从上层讨论成像的问题。作为dToF算法工程师,应该是对直方图敏感的,直方图的每个Count峰都会表征出问题,因为dToF的输出只有直方图,观察直方图能够逆推出dToF的很多东西,这也是大多数公司不愿意开放直方图和Raw data的缘故。以上是一个小面阵的分辨率,第一张是直方图,后面是基于直方图寻峰出来的成像ToF图,Peak图,以及噪声Noise图。

dream it possible 3000

MySQL数据库之存储引擎

MylSAM不支持事务,也不支持外键约束,只支持全文索引,数据文件和索引文件是分开保存的。访问速度快,对事务完整性没有要求。MylSAM适合查询、插入为主的应用。.frm文件存储表结构的定义数据文件的扩展名为.MYD (MYData)索引文件的扩展名是.MYI (MYIndex)支持事务,支持4个事务隔离级别MySQL从5.5.5版本开始,默认的存储引擎为InnoDB读写阻塞与事务隔离级别相关能非常高效的缓存索引和数据表与主键以簇的方式存储 BTREE。

Yuzhang2046的博客 3807

ESP32基于Arduino环境开发128*160 TFT_LCD屏幕显示照片

ESP32基于Arduino环境开发128*160 TFT_LCD屏幕显示照片

weixin_42854045的博客 2061

MySQL 存储引擎详解

MySQL 是一个关系数据库管理系统,它的一个显著特性是支持多种存储引擎。每种存储引擎都有其独特的功能、优点和限制。选择合适的存储引擎对于数据库性能、可靠性和可维护性至关重要。下面详细介绍几种常见的 MySQL 存储引擎,包括 InnoDB、MyISAM、MEMORY、CSV、ARCHIVE 和 NDB。

微笑听雨 4792

铭飞MCMS源码部署

文章目录前言一、下载铭飞源码二、部署源码1.使用IDEA打开源码2.配置tomcat环境2.1下载tomcat并测试是否可以成功启动(此处不赘述)2.2在IDEA中安装tomcat环境并配置3.添加数据库,并配置3.1新建数据库3.2 导入sql配置三、启动测试 前言 铭飞MCMS基于IDEA、tomcat和mysql的环境搭建。 提示:以下是本篇文章正文内容,下面案例可供参考 一、下载铭飞源码 gitee:https://gitee.com/mingSoft/MCMS/releases(各种版本按需下

MARS_ZORO的博客 4071

RTT Studio和Cubemx联合开发

1. RTT studio创建工程 创建工程 ## 创建完成以后的目录结构 2. 配置CubuMx 双击cubumx的图标打开CubeMx 配置时钟 生成代码 构建后的代码结构 编译代码满屏错误:不要慌 3. 新增脚本 新建scons脚本文件 SConscript 脚本内容如下 import os from building import * cwd = GetCurrentDir() src = Glob('*.c') # add cubemx drivers src = Split('''

Car12 1572

【MySQL系列】- 常用MySQL存储引擎

数据库存储引擎是数据库底层软件组织,数据库管理系统使用数据引擎进行创建、查询、更新和删除数据。不同的存储引擎提供不同的存储机制、索引机制、锁定水平等功能。不同的存储引擎,都有其特定的功能及特定应用场景。

记录总结工作过往 5318

Qt入门教程【高级控件篇】QModelIndex索引

QModelIndex索引

小鱼酱的博客 4466

MySQL 存储引擎

MySQL 存储引擎

weixin_68840588的博客 1567

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

MySQL存储引擎

1.存储引擎 1.1什么是存储引擎 MySQL中的数据用各种不同的技术存储在文件中,每一种技术都使用不同的存储机制、索引技巧、锁定水平并最终提供不同的功能和能力,这些不同的技术以及配套的功能在MySQL中称为存储引擎存储引擎是MySQL将数据存储在文件系统中的存储方式或者存储格式 MySQL数据库中的组件,负责执行实际的数据I/O操作 MySQL系统中,存储引擎处于文件系统之上,在数据保存到数据文件之前会传输到存储引擎,之后按照各个存储引擎的存储格式进行存储 存储引擎是MySQL将数据存储在文件系

kid00013的博客 1372

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

MySQL:存储引擎

在MySQL数据库中选择存储引擎时,应该根据应用系统的特点选择合适的存储引擎。存储引擎是基于表的,而不是基于库的,也就是说,同一个数据库的不同表,可以选择不同的存储引擎,所以存储引擎也可被称为“表类型”Memory引擎的表,表数据存储在内存中,由于受到硬件问题、断电问题的影响,只能将这些表作为临时表、缓存。因此,不同的引擎,有不同的应用场景,而没有好坏之分,我们只需要在合适的场景选择使用合适的引擎就可以了。引擎层:主要关注一点,即索引是在存储引擎层实现的,也就意味着不同的存储引擎,他们的存储结构是不同的。

casually的博客 1320

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

[存储引擎] MySQL的存储引擎介绍

前言 数据库存储引擎是数据库底层软件组织,数据库管理系统(DBMS)使用数据引擎进行创建、查询、更新和删除数据。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能,使用不同的存储引擎,还可以 获得特定的功能。现在许多不同的数据库管理系统都支持多种不同的数据引擎。MySql的核心就是存储引擎。 存储引擎查看 MySQL给开发者提供了查询存储引擎的功能,我这里使用的是MySQL8.1,可以使用: SHOW ENGINES; 看到MySQL给用户提供了这么多存储引擎,包括处理事务安全表的.

GSON的博客 9812

【MYSQL】存储引擎

存储引擎专题1、InnoDB存储引擎2、MyISAM存储引擎3、MySQL内建其他存储引擎1、Archive引擎。2、CSV引擎3、Blackhole引擎4、Federated引擎5、Memory引擎6、Merge引擎7、NDB集群引擎4、第三方存储引擎 1、InnoDB存储引擎   InnoDB是MySQL的默认事务型引擎,也是最重要最广泛的存储引擎。被设计用来处理大量的短期(short-lived)事务,大部分短期事务正常提交,很少被回滚。InnoDB的性能和自动崩溃恢复特性,在非事务型存储需求中也很流

王富贵的博客 702

mysql外键的存储引擎_10.mysql存储引擎

2.1 存储引擎概述和大多数的数据库不同, MySQL中有一个存储引擎的概念, 针对不同的存储需求可以选择最优的存储引擎。存储引擎就是存储数据,建立索引,更新查询数据等等技术的实现方式 。存储引擎是基于表的,而不是基于库的。所以存储引擎也可被称为表类型。Oracle,SqlServer等数据库只有一种存储引擎。MySQL提供了插件式的存储引擎架构。所以MySQL存在多种存储引擎,可以根据需要使用相...

weixin_32476639的博客 2502
上一篇: 【Java|基础篇】详解static关键字和代码块
下一篇: 【Java|基础篇】内部类
比奇堡的天没有云
比奇堡的天没有云 新星创作者: Java技术领域 新星创作者: Java技术领域
博客等级 码龄5年 6189粉丝 176原创
评论 69
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

比奇堡的天没有云

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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
⌂ 换网址