Oracle Database 10g：课堂练习II - 学生指南

oracle,官方，内部，文档
需积分: 4 2 下载量 109 浏览量 更新于2024-07-30 收藏 5.36MB PDF 举报
"OracleDatabase10g - 数据库管理 - 课堂练习II 学生指南第1册" 本资料是Oracle数据库10g的内部培训教材，由Oracle公司出版，适用于那些希望深入理解Oracle数据库管理的专业人士。这个部分是系列教材的第三部分，旨在通过实践练习帮助学员巩固和深化对Oracle数据库管理的理解。 该文档涵盖了数据库管理的关键概念，包括但不限于数据库创建、数据存储、备份与恢复、性能优化、安全性管理和故障排除等方面。这些内容对于数据库管理员（DBA）来说至关重要，因为它们直接关系到数据库的稳定运行和高效性能。 文档的结构可能包括一系列逐步的练习，每个练习都设计有特定的学习目标，使学员能够亲手操作并体验Oracle数据库的各项功能。例如，可能会涉及到如何使用SQL*Plus进行查询，如何管理表空间以优化存储，如何执行RMAN备份，以及如何设置用户权限和角色等。 此外，文档中可能还包含了一些高级主题，如数据库架构、数据泵导出导入、归档日志模式以及数据库的高可用性解决方案，如Real Application Clusters (RAC)。这些深入的专题讨论有助于学员全面掌握Oracle数据库的复杂性。 请注意，由于这是Oracle的官方内部培训教材，其内容可能包含了一些非公开的技术细节和最佳实践，这些通常不会在公开的文档中提供。使用这份教材时，学员应严格遵守版权规定，仅限于Oracle培训课程内使用，且不得用于商业目的或未经许可的分发。 文档最后指出，Oracle不保证文档中信息的准确性，任何问题应书面通知Oracle University。此外，对于美国政府用户，其使用、修改、复制等权利受到Oracle相应许可协议和/或政府合同条款的约束。 文档中的作者和审稿人是一组经验丰富的Oracle专家，他们的贡献确保了内容的专业性和质量。这些专家包括Tom Best、Maria Billings、Herbert Bradbury等，他们都在Oracle数据库领域有深厚的专业知识。 这份“D17090CN31_SG1_课堂练习2”是Oracle数据库专业人士的一份宝贵学习资源，它不仅提供了理论知识，更强调了实践操作，有助于提升数据库管理技能。

D79027GC10_sg1

2018-04-18 上传
Oracle Database 12c :Admin, ... D79027GC10_sg1.pdf 链接地址 https://download.csdn.net/download/snuff_914/10357720 D79027GC10_sg2.pdf 链接地址 https://download.csdn.net/download/snuff_914/10357723

self.weight_sg1 = nn.Conv2d(32, 640, (3, 3), (1, 1), (1, 1), bias=False) self.weight_sg2 = nn.Conv2d(32, 640, (3, 3), (1, 1), (1, 1), bias=False) self.weight_sg11 = nn.Conv2d(48, 960, (3, 3), (1, 1), (1, 1), bias=False) self.weight_sg12 = nn.Conv2d(48, 960, (3, 3), (1, 1), (1, 1), bias=False) self.weight_lg1 = nn.Sequential(BasicConv(16, 16, kernel_size=3, padding=1), nn.Conv2d(16, 75, (3, 3), (1, 1), (1, 1) ,bias=False)) self.weight_lg2 = nn.Sequential(BasicConv(16, 16, kernel_size=3, padding=1), nn.Conv2d(16, 75, (3, 3), (1, 1), (1, 1) ,bias=False)

2023-06-04 上传
- `self.weight_sg1`：输入通道数为 32，输出通道数为 640，卷积核大小为 (3, 3)，步长为 (1, 1)，填充为 (1, 1)，没有偏置项。 - `self.weight_sg2`：输入通道数为 32，输出通道数为 640，卷积核大小为 (3, 3)，...

slidar_sg_filter

2024-01-09 上传
slidar_sg_filter是一种用于雷达数据滤波的算法，主要用于去除噪声和平滑雷达数据。该算法基于斯芬特-戈兹曼滤波器（Savitzky-Golay filter），通过对雷达数据进行卷积操作来实现滤波。 斯芬特-戈兹曼滤波器是一种...

import pandas as pd import numpy as np import matplotlib.pyplot as plt import math data = np.load('dataset_em.npy') mu0 = np.array([np.mean(data) - 1, np.mean(data) + 1]) sg0 = np.array([1.0, 1.0]) w0 = [0.5, 0.5] ary_mu = [mu0] ary_sg = [sg0] ary_w = [w0] x = np.arange(-10, 15, 0.1) def pdf_gauss(x, mu, sg): c = 1 / np.sqrt(2 * np.pi) p = c / sg * np.exp(-0.5 * ((x - mu) / sg) ** 2) return p def gauss_mix_pdf(w, x, mu, sg): p = w[0] * pdf_gauss(x, mu[0], sg[0]) + w[1] * pdf_gauss(x, mu[1], sg[1]) return p for j in range(0, 100): mu = ary_mu[j] sg = ary_sg[j] w = ary_w[j] gama = [] for i in (0, 1): b = w[i] * pdf_gauss(data, mu[i], sg[i]) c = gauss_mix_pdf(w, data, mu, sg) gama.append(b / c) gama_sum0 = np.sum(gama[0]) gama_sum1 = np.sum(gama[1]) new_mu = [np.sum(data * gama[0]) / gama_sum0, np.sum(data * gama[1]) / gama_sum1] new_sg = [np.sqrt(np.sum(gama[0] * np.power(data - new_mu[0], 2)) / gama_sum0), np.sqrt(np.sum(gama[1] * np.power(data - new_mu[1], 2)) / gama_sum1)] # 第二个数太大了 new_w = [gama_sum0 / data.shape[0], gama_sum1 / data.shape[0]] ary_mu.extend([new_mu]) ary_sg.extend([new_sg]) ary_w.extend([new_w]) del gama y = gauss_mix_pdf(ary_w[100], x, ary_mu[100], ary_sg[100]) plt.figure() plt.hist(data, bins=100, facecolor="blue", edgecolor="black", alpha=0.7, density=True) plt.plot(x, y) plt.show() 请逐句详细解释这段代码

2023-05-24 上传
p = w[0] * pdf_gauss(x, mu[0], sg[0]) + w[1] * pdf_gauss(x, mu[1], sg[1]) return p ``` 定义高斯混合分布的概率密度函数，其中 w 为权重，x、mu、sg 分别为 X 轴、均值和标准差。 ```python for j in range...

详细解释一下这段代码，每一句给出详细注解：for idx, image_size in enumerate(image_sizes): mkpts1_, mkpts2_ = superglue_inference(model, cache, fname1, fname2, image_size) if idx == 0: # first size -> ref, #1280 num_sg_matches = len(mkpts1_) if max(cache[fname1][image_size]['h'], cache[fname1][image_size]['w']) != image_size: mkpts1_[:,0] *= cache[fname1][image_size]['w']/cache[fname1][image_size]['w_r'] mkpts1_[:,1] *= cache[fname1][image_size]['h']/cache[fname1][image_size]['h_r'] if max(cache[fname2][image_size]['h'], cache[fname2][image_size]['w']) != image_size: mkpts2_[:,0] *= cache[fname2][image_size]['w']/cache[fname2][image_size]['w_r'] mkpts2_[:,1] *= cache[fname2][image_size]['h']/cache[fname2][image_size]['h_r'] mkpts1, mkpts2 = np.vstack([mkpts1, mkpts1_]), np.vstack([mkpts2, mkpts2_]) if num_sg_matches < n_matches: # return early, no extra matches needed return mkpts1, mkpts2, num_sg_matches for idx, image_size in enumerate(extra_image_sizes): if extra_matcher == 'GS': mkpts1_, mkpts2_ = run_gs(fname1, fname2, image_size) mkpts1, mkpts2 = np.vstack([mkpts1, mkpts1_]), np.vstack([mkpts2, mkpts2_]) if USE_ROI: cropped_img1, cropped_img2, shift_xy1, shift_xy2 = \ extract_crops_via_cluster(fname1, fname2, mkpts1, mkpts2) mkpts_crop1, mkpts_crop2 = superglue_inference(model, cache, fname1, fname2, image_size) x1_min, y1_min = shift_xy1 x2_min, y2_min = shift_xy2 mkpts_crop1[:,0] += x1_min mkpts_crop1[:,1] += y1_min mkpts_crop2[:,0] += x2_min mkpts_crop2[:,1] += y2_min mkpts1, mkpts2 = np.vstack([mkpts1, mkpts_crop1]), np.vstack([mkpts2, mkpts_crop2]) return mkpts1, mkpts2, num_sg_matches

2023-06-09 上传
return mkpts1, mkpts2, num_sg_matches ``` 如果超级点匹配结果的数量已经达到所需数量，则直接返回结果。 ```python for idx, image_size in enumerate(extra_image_sizes): ``` 使用enumerate函数遍历extra_...

dma_sg_fifo.zip

2023-09-01 上传
dma_sg_fifo.zip 是一个压缩文件，其中包含了一个名为 dma_sg_fifo 的代码项目。这个代码项目很可能是一个用于实现 DMA（Direct Memory Access，直接内存访问）的环形缓冲区（FIFO）的程序。 DMA 是一种计算机系统...

usb_sg_wait调用出错

2023-06-13 上传
usb_sg_wait是一个函数，用于等待USB设备读写操作的完成。当usb_sg_wait调用出错时，可能是由于以下原因之一： 1. USB设备出现了故障或异常，导致无法完成读写操作。 2. USB设备的驱动程序出现了错误，导致无法完成...

function [x_sg]= savgol(x,width,order,deriv)

2023-04-04 上传
% Initialize parameters halfwidth = floor(width/2); if halfwidth == 0 halfwidth = 1; end % Initialize matrices A = zeros(width,order+1);...b = zeros(width,1);...x_sg = conv(x,c(end:-1:1),'same'); end

C C.utf8 POSIX zh_CN.utf8 zh_SG.utf8

2024-10-02 上传
4. **zh_CN.utf8** 和 **zh_SG.utf8**: 这里分别代表简体中文（China，CN）和新加坡华文（Singapore，SG）的UTF-8编码。`utf8`表明这两种都是基于Unicode的UTF-8格式，用于存储汉字、标点等字符。 简而言之，这些...

if num_sg_matches < n_matches: # return early, no extra matches needed return mkpts1, mkpts2, num_sg_matches,n_matches怎么设置可以提高精度

2023-06-11 上传
1. 调整匹配算法的参数。例如，在计算特征点时，可以调整特征点的数量、特征点的质量阈值、描述符的维度等参数，以达到更好的匹配效果。 2. 使用更高级的特征点检测和描述算法。例如，可以使用SIFT、SURF、ORB等...
jayklx
  • 粉丝: 0
  • 资源: 11
上传资源 快速赚钱

最新资源