安装过程如下
1. 点击setup开始安装。
2. 选择如下的全新安装。
3. 自动生成产品密钥，然后点击下一步。
4. 勾选接受条款，然后点击下一步。
5. 自动更新根据实际情况进行选择，点击下一步。
6. 进入安装规则，点击下一步。
7. 进入设置角色项，选择要安装的SQL Server的类型。
8. 选择SQL Server的功能，勾选相关服务后，根据需要更改安装目录。
9. 验证当前环境。
此步骤可能会出现.net 3.5 sp1验证不通过的情况，参见以下链接进行解决。
https://blog.csdn.net/cuiliwen0319/article/details/116840283
10. 设置实例ID的名称，使用默认值。如果在一台机器里安装多个实例，则实例名不能重复，需要自定义。
11. 进入服务器配置选项，这里账户可以指定用户，也可以按照默认值设置。
12. 进入数据库引擎配置项。选择混合模式并设置sa密码，添加当前用户为SQL Server管理员。
13. 选择SSAS服务配置，选择多维和数据挖掘模式。
14. 选择“安装和配置”。
14. 指定Distributed Replay的访问权限，添加当前用户。
15. 指定控制器的名称并指定相关目录。
16. 设置完成，点击安装。
17. 安装完成后，出现下图界面时点击关闭。
18. 启动并登录SQL Server。
一、表的创建、修改与删除 1、创建一张新表 【设置日期默认值、设置id自增】
【注意有备注添加备注COMMENT】
CREATE TABLE user_info_vip( id int(11) primary key auto_increment comment 自增ID, -- 主键默认不允许为空 uid int(11) unique key not null comment 用户ID, nick_name varchar(64) comment 昵称, achievement int(11) default 0 comment 成就值, level int(11) comment 用户等级, job varchar(32) comment 职业方向, register_time datetime default current_timestamp comment 注册时间 -- current_timestamp表示当前 )DEFAULT CHARSET=UTF8 2、修改表 ALTER TABLE user_info ADD COLUMN school VARCHAR(15) AFTER level; ALTER TABLE user_info RENAME COLUMN job TO profession; ALTER TABLE user_info MODIFY COLUMN profession VARCHAR(10) COMMENT ; ALTER TABLE user_info MODIFY COLUMN achievement INT(11) DEFAULT 0 COMMENT ; 3、删除存在的表 DROP TABLE IF EXISTS exam_record_2011; DROP TABLE IF EXISTS exam_record_2012; DROP TABLE IF EXISTS exam_record_2013; DROP TABLE IF EXISTS exam_record_2014; 二、索引的创建、删除 1、创建普通索引、唯一性索引、全文索引 CREATE INDEX idx_duration ON examination_info(duration); CREATE UNIQUE INDEX uniq_idx_exam_id ON examination_info(exam_id); CREATE FULLTEXT INDEX full_idx_tag ON examination_info(tag); -- ON 表(列) 2、删除索引 DROP INDEX uniq_idx_exam_id ON examination_info; DROP INDEX full_idx_tag ON examination_info;
在 https://www.infoq.cn/video/2vFUBYfxFcoFWmSm5WOj 刷到一个 MLSQL 语言，主页 https://www.mlsql.tech/home ，意思是用一种变种 SQL 编写跨各种机器学习服务的语言，包括 spark 等等，我怀疑它只实现到了类似 d2js 的效果，其它语言操作到的类型应该是结果集。作者很兴奋的写了一个 SLOGAN：“一切都是表”。
这个作者可能不太懂关系理论，导致这个东西有点小聪明，另外他熟悉的主要就是 Java 和 SQL，使他最终找了 SQL 作为突破。但是它的发展也足以证明这个方向的价值了。
正好前几天还在想，我已经不想和 CRUD 过不去了，再高大上的 CRUD 也是 CRUD、分布式的 CRUD、K8s 的CRUD，微服务的 CRUD，都是 CRUD。这两年写的东西软件工程方面较为复杂，回头想想纯用SQL来做怎么可能呢，所以我也逐渐理解那些不愿靠 SQL 为生的程序员，毕竟只有 OO 才能铺张开软件工程，OO 才能做个游戏做个 APP。即使套上一个关系运算的名词，也无法说服有点志气的程序员，这里的问题是现有的 RDBMS 和 SQL 没能把关系理论推进到极致。
但是心里也不等于就完全放弃了，昨晚正好有个新想法，这个想法的要点是将关系运算 OO 化，和过去的 ORDBMS 相比，这是一种更准确更透彻的切入，等回头发一个草稿。
本文介绍了ICASSP2022 DNS Challenge和AEC Challenge第一名百度的技术方案。该方案提出了一种信号处理-深度学习混合式方法(hybrid method)，同时抑制回声、噪声和混响。其中信号处理部分利用线性回声消除算法为深度神经网络提供条件信息(conditional information)；而深度学习部分提出了一种语音密集预测网络(speech dense-prediction backbone)，其中包括麦克风接收信号和参考信号的相位编码器、多尺度时频处理和流式轴向注意力(axial attention)机制等策略。该系统在ICASSP2022年AEC和DNS挑战赛(非个性化赛道)中均排名第一，并扩展到多通道在ICASSP2022 L3DAS22 Challenge中获得第二名
论文题目：Multi-scale temporal frequency convolutional network with axial attention for speech enhancement 作者：Guochang Zhang, Libiao Yu, Chunliang Wang, Jianqiang Wei (百度语音技术部)
欢迎关注公众号[语音智能] 手机即可关注最新推文
背景动机 线性回声消除常用于语音通信中的声学回声抑制，然而，扬声器的非线性失真等效应严重影响线性回声消除的性能。由于深度神经网络相比传统信号处理对于残留回声、噪声和混响具有更强的抑制能力。因此本文结合信号处理和神经网络提出一个同时去噪去混响和回声抑制的系统。其中，信号处理部分包括基于广义互相关的时延对齐模块和基于PNLMS双滤波器结构的线性回声消除模块；而神经网络部分是作者提出的基于轴向自注意力的多尺度时频卷积神经网络(multi-scale temporal frequency convolutional network with axial self-attention, MTFAA-Net)框架，本论文主要有以下两点贡献：
为了消除回声，不同于以往的线性AEC与DNN的直接级联，本文只使用线性AEC输出作为DNN的条件信息，即：除了将线性AEC的输出和参考信号作为网络输入外，还将传声器接收信号作为网络输入，从而避免将线性AEC引起的失真引入到网络输入； 本文提出了一种语音密集预测任务的架构，设计了相位编码器(Phase Encoder, PE)、多尺度时频处理和流式轴向自注意力(Axial Self-attention, ASA)来提高模型性能。经过PE后利用频带合并模块(Band Merging, BM)将STFT域信号转换成等效矩形带宽(Equivalent Rectangular bandwidth, ERB)域以降低全带信号处理时的计算复杂度，并在经过网络学习后使用频带分解(Band Splitting, BS)操作变换回STFT域。 模型框架 下图展示了系统框架，其中MTFAA-Net由PE、BM和BS、掩码估计和应用(masking estimating and applying, MEA)模块和主网络(Main-Net)组成。主网络由频率下采样(Frequency Downsampling, FD)或频率上采样(Frequency Upsamling, FU)、T-F卷积和ASA组成的模块堆叠而成。 相位编码层：实值网络（这里的实值是指相对DCCRN等的复值网络的概念）更容易实现并在许多数据集上取得优异的结果，因此网络的主要部分采用实值网络。相位编码器用于将复数谱特征转换到实数域。在PE模块中，有三个复值卷积层，分别接收传声器接收信号、线性AEC输出和远端参考信号。复值卷积层的卷积核大小和步长分别为(3,1)和(1,1)。此外，PE还包含复值-实值转换层和特征动态范围压缩(feature dynamic range compression, FDRC)层(就是SDD-Net中的功率压缩)，其中FDRC用于压缩语音特征的动态范围，使网络更鲁棒。 频带合并与分解：由于语谱信息在频率维度上分布不均匀，高频段存在大量冗余特征，本文将STFT域转换到ERB域以减少冗余。 时频卷积模块(TFCM)：本文的卷积模块将时序卷积网络(Temporal Convolutional Network, TCN)中的一维空洞卷积代替为二维空洞卷积，卷积核大小为(3,3)，B个空洞率从1到\(2^(B-1)\)的二维卷积形成一个TFCM。依次达到小卷积核下多尺度建模时频信息的目的。 轴向自注意力机制：自注意力机制可以提高网络捕捉远距离特征之间关系的能力，本文提出的ASA可以减少对内存和计算的需求，更适合于语音等长序列信号，如下图所示。ASA的注意得分矩阵分别沿频率轴和时间轴计算，分别称为F-attention和T-attention。分数矩阵可以表示为 其中Mask()保证网络只是用输入矩阵的上三角部分，从而保证系统因果。 频率下采样和上采样：频率下采样(FD)层如下图左图所示，是一个包含二维卷积层、batchnorm 和PReLU的卷积模块；频率上采样(FU)层则是带门控融合的反卷积模块，如下图右图所示(应该是参考了SNNet)。FD和FU用于提取多尺度特征，然后在每个尺度上采用TFCM和ASA进行特征建模，提高了网络对特征的描述能力。二维卷积和反卷积层的卷积核大小为(1,7)，步长为(1,4)，分组数为2。 掩蔽估计和应用：掩蔽估计和应用包含两个阶段，第一阶段是按照DeepFilter的形式将尺寸为(2V+1,2U+1)的实值掩蔽作用在幅度谱上，第二阶段估计复值掩蔽作用在幅度和相位谱上(和PHASEN的形式一样)。 模型参数：帧长32ms、帧移8ms的STFT复谱作为网络输入，因此系统总延迟为40ms。FDRC压缩系数为0.
定义：z[i] 定义为 s[i~n-1] 与 s 的最长公共前缀长度
由 https://www.cnblogs.com/kingbuffalo/p/16186634.html 所讲 设 z[0~i] 已算好 现在求 z[i+1] ,那么，如果z[0~i]有一点x值能覆盖 i+1 ， 则证明 z[i+1] 的值 与 s[i-x] == s[i+1] ，如果范围合理，则：z[i+1] = z[i-x];
应用 匹配所有子串 本质不同子串数 字符串整周期 核心算法 vector<int> z_function(string s) { int n = (int)s.length(); vector<int> z(n); for (int i = 1, l = 0, r = 0; i < n; ++i) { if (i <= r && z[i - l] < r - i + 1) { z[i] = z[i - l]; } else { z[i] = max(0, r - i + 1); while (i + z[i] < n && s[z[i]] == s[i + z[i]]) ++z[i]; } if (i + z[i] - 1 > r) l = i, r = i + z[i] - 1; } return z; } 习题: poj2752 http://poj.
背景 MySQL for Docker测试环境缺少vim工具，通过apt-get安装的时候报错：
[root]# apt-get install vim Reading package lists... Done Building dependency tree Reading state information... Done E: Unable to locate package vim 处理办法 更新包的列表
[root]# apt-get update Get:1 http://deb.debian.org/debian buster InRelease [122 kB] Get:2 http://security.debian.org/debian-security buster/updates InRelease [65.4 kB] Get:3 http://deb.debian.org/debian buster-updates InRelease [51.9 kB] Get:4 http://repo.mysql.com/apt/debian buster InRelease [22.1 kB] Get:5 http://security.debian.org/debian-security buster/updates/main amd64 Packages [318 kB] Get:6 http://deb.debian.org/debian buster/main amd64 Packages [7911 kB] Err:4 http://repo.mysql.com/apt/debian buster InRelease The following signatures couldn't be verified because the public key is not available: NO_PUBKEY 467B942D3A79BD29 Get:7 http://deb.
三 函数 函数 是指一段可以直接被另一段程序调用的程序或代码。 也就意味着，这一段程序或代码在MySQL中已经给我们提供了，我们要做的就是在合适的业务场景调用对应的函数完成对应的业务需求即可。 那么，函数到底在哪儿使用呢？ 我们先来看两个场景： 1). 在企业的OA或其他的人力系统中，经常会提供的有这样一个功能，每一个员工登录上来之后都能够看到当前员工入职的天数。 而在数据库中，存储的都是入职日期，如 2000-11-12，那如果快速计算出天数呢？ 2). 在做报表这类的业务需求中,我们要展示出学员的分数等级分布。而在数据库中，存储的是学生的分数值，如98/75，如何快速判定分数的等级呢？ 其实，上述的这一类的需求呢，我们通过MySQL中的函数都可以很方便的实现 。 MySQL中的函数主要分为以下四类：
字符串函数 数值函数 日期函数 流程函数。 3.1 字符串函数 MySQL中内置了很多字符串函数，常用的几个如下：
函数 功能 CONCAT(S1,S2,...Sn) 字符串拼接，将S1，S2，... Sn拼接成一个字符串 LOWER(str) 将字符串str全部转为小写 UPPER(str) 将字符串str全部转为大写 LPAD(str,n,pad) 左填充，用字符串pad对str的左边进行填充，达到n个字符串长度 RPAD(str,n,pad) 右填充，用字符串pad对str的右边进行填充，达到n个字符串长度 TRIM(str) 去掉字符串头部和尾部的空格 SUBSTRING(str,start,len) 返回从字符串str从start位置起的len个长度的字符串 案例一：
//A. concat : 字符串拼接 select concat('Hello' , ' MySQL'); //B.
思路 他是先选出各边，然后进行排序，从小到大，下面的代码是存储时就进行升序； 使用并查集来进行判断他是否重边，下面代码使用了路径压缩，应该还是比较好懂的； 然后就没了，思路就是这么简单； 点击查看代码 import java.io.IOException; import java.util.Scanner; public class Main { static int[] flag; public static void main(String[] args) throws IOException { LinkNode p; Scanner sc = new Scanner(System.in); String str = sc.nextLine(); int n = str.length(); LinkList list = new LinkList(); for(int i=0;i<n;i++){ for (int j = 0; j < n; j++) { int temp = sc.nextInt(); if (i >= j) { if (temp !
一、机器语言：
特点：计算机能够看懂的0和1去写程序
优点：程序运行速度快
缺点：开发效率低
二、汇编语言：
特点：用一些英文标签代替一串而精致数字去写程序
优点：比机器语言好一点，操作系统内大量使用汇编语言
比如关于进程的调度代码，就是用汇编语言写的
缺点：开发效率低
三、高级语言：
特点：用人能读懂的（英文）字符去写程序
优点：开发效率高
缺点：必须经过翻译才能让计算机识别，导致运行速度慢
按照编译的方式分为：
编译型：一次翻译，拿着编译后的结果直接给机器运行
C语言： 编译器：gcc glibc
开发效率低，运行效率高
解释型
Python语言：
解释器 cpython 开发效率高，运行效率低
总结：
运行效率从高到低
开发效率从低到高
修改mysql 的人root密码时，一直提示语法错误。
我之前的语句是：
set password for root@localhost = password('123')； 就会提示：
You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'password('zll')' at line 1
将命令修改成：
set password for root@localhost= '123'; 就成功了
You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'password('zll')' at line 1