Mysql数学函数不求人_MySQL
MySQL教程是:Mysql数学函数不求人。所有的数学函数在一个出错的情况下返回NULL。
-
单目减。改变参数的符号。
mysql> select - 2;
注意,如果这个操作符与一个BIGINT使用,返回值是一个BIGINT!这意味着你应该避免在整数上使用-,那可能有值-2^63!
ABS(X)
返回X的绝对值。
mysql> select ABS(2);
-> 2
mysql> select ABS(-32);
-> 32
该功能可安全用于BIGINT值。
SIGN(X)
返回参数的符号,为-1、0或1,取决于X是否是负数、零或正数。
mysql> select SIGN(-32);
-> -1
mysql> select SIGN(0);
-> 0
mysql> select SIGN(234);
-> 1
MOD(N,M)
%
模 (类似C中的%操作符)。返回N被M除的余数。
mysql> select MOD(234, 10);
-> 4
mysql> select 253 % 7;
-> 1
mysql> select MOD(29,9);
-> 2
这个函数可安全用于BIGINT值。
FLOOR(X)
返回不大于X的最大整数值。
mysql> select FLOOR(1.23);
-> 1
mysql> select FLOOR(-1.23);
-> -2
注意返回值被变换为一个BIGINT!
CEILING(X)
返回不小于X的最小整数值。
mysql> select CEILING(1.23);
-> 2
mysql> select CEILING(-1.23);
-> -1
注意返回值被变换为一个BIGINT!
ROUND(X)
返回参数X的四舍五入的一个整数。
mysql> select ROUND(-1.23);
-> -1
mysql> select ROUND(-1.58);
-> -2
mysql> select ROUND(1.58);
-> 2

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



KI verändert tatsächlich die Mathematik. Vor kurzem hat Tao Zhexuan, der diesem Thema große Aufmerksamkeit gewidmet hat, die neueste Ausgabe des „Bulletin of the American Mathematical Society“ (Bulletin der American Mathematical Society) weitergeleitet. Zum Thema „Werden Maschinen die Mathematik verändern?“ äußerten viele Mathematiker ihre Meinung. Der gesamte Prozess war voller Funken, knallhart und aufregend. Der Autor verfügt über eine starke Besetzung, darunter der Fields-Medaillengewinner Akshay Venkatesh, der chinesische Mathematiker Zheng Lejun, der NYU-Informatiker Ernest Davis und viele andere bekannte Wissenschaftler der Branche. Die Welt der KI hat sich dramatisch verändert. Viele dieser Artikel wurden vor einem Jahr eingereicht.

Eine siebeneckige Zahl ist eine Zahl, die als ein Siebeneck dargestellt werden kann. daher,

Zählen klingt einfach, ist aber in der Praxis sehr schwierig. Stellen Sie sich vor, Sie werden in einen unberührten Regenwald transportiert, um eine Wildtierzählung durchzuführen. Wenn Sie ein Tier sehen, machen Sie ein Foto. Digitalkameras zeichnen nur die Gesamtzahl der verfolgten Tiere auf, Sie interessieren sich jedoch für die Anzahl der einzelnen Tiere, es gibt jedoch keine Statistiken. Wie erhält man also am besten Zugang zu dieser einzigartigen Tierpopulation? An diesem Punkt müssen Sie sagen: Beginnen Sie jetzt mit dem Zählen und vergleichen Sie schließlich jede neue Art vom Foto mit der Liste. Für Informationsmengen bis zu mehreren Milliarden Einträgen ist diese gängige Zählmethode jedoch teilweise nicht geeignet. Informatiker des Indian Statistical Institute (UNL) und der National University of Singapore haben einen neuen Algorithmus vorgeschlagen – CVM. Es kann die Berechnung verschiedener Elemente in einer langen Liste annähern.

Über Nacht wird sich das Paradigma des maschinellen Lernens ändern! Heutzutage ist die Infrastruktur, die den Bereich des Deep Learning dominiert, das Multilayer Perceptron (MLP), das Aktivierungsfunktionen auf Neuronen überträgt. Gibt es darüber hinaus irgendwelche neuen Wege, die wir einschlagen können? Erst heute haben Teams vom MIT, Caltech, der Northeastern University und anderen Institutionen eine neue neuronale Netzwerkstruktur veröffentlicht – Kolmogorov-Arnold Networks (KAN). Die Forscher haben eine einfache Änderung am MLP vorgenommen, indem sie die lernbare Aktivierungsfunktion von den Knoten (Neuronen) zu den Kanten (Gewichten) verschoben haben! Papieradresse: https://arxiv.org/pdf/2404.19756 Diese Änderung scheint auf den ersten Blick unbegründet

Vision Mit der Entwicklung der Technologie der künstlichen Intelligenz ist die KI-Malerei derzeit zu einem heißen Thema geworden. Durch den Einsatz von Deep-Learning-Algorithmen kann künstliche Intelligenz realistische Bilder erzeugen, um atemberaubende Kunstwerke zu schaffen. Hinter diesen erstaunlichen Werken steckt untrennbar die Unterstützung durch mathematisches Wissen. Mathematische Modelle spielen in der KI-Malerei eine entscheidende Rolle. Einerseits werden mathematische Modelle zur Beschreibung und Darstellung von Bildinformationen verwendet, die es Computern ermöglichen, Bilder zu verstehen und zu verarbeiten. Andererseits werden mathematische Modelle auch verwendet, um Deep-Learning-Modelle zu trainieren, um eine automatische Generierung von Bildern zu erreichen. Das Deep-Learning-Modell ermöglicht eine qualitativ hochwertige Bilderzeugung. Das Deep-Learning-Modell ist der Kernbestandteil der KI-Malerei. Es identifiziert und simuliert Bildmerkmale durch das Erlernen einer großen Menge an Bilddaten und durch mehrstufige Datenverarbeitung

In letzter Zeit erfreut sich die KI-Malerei großer Beliebtheit. Während Sie über die Malfähigkeiten der KI staunen, wissen Sie vielleicht nicht, dass das Diffusionsmodell dabei eine große Rolle spielt. Nehmen Sie als Beispiel das beliebte Modell DALL·E 2 von OpenAI. Geben Sie einfach einen einfachen Text (Eingabeaufforderung) ein und es können mehrere hochauflösende Bilder mit 1024 * 1024 generiert werden. Nicht lange nach der Ankündigung von DALL·E 2 veröffentlichte Google anschließend Imagen, ein Text-zu-Bild-KI-Modell, das aus einer vorgegebenen Textbeschreibung realistische Bilder der Szene generieren kann. Erst vor wenigen Tagen hat Stability.Ai das Textgenerierungs-Bildmodell Stable Diffusi öffentlich veröffentlicht

ChatGPT versteht auch menschliche Tricks, wenn es um die Generierung von Zufallszahlen geht. ChatGPT ist vielleicht ein Bullshit-Künstler und Verbreiter von Fehlinformationen, aber es ist kein „Mathematiker“! Kürzlich entdeckte Colin Fraser, ein Metadatenwissenschaftler, dass ChatGPT keine echten Zufallszahlen generieren kann, sondern eher „menschlichen Zufallszahlen“ ähnelt. Durch Experimente kam Fraser zu dem Schluss: „ChatGPT mag die Zahlen 42 und 7 sehr.“ Netizens sagten, dass dies bedeutet, dass Menschen diese Zahlen sehr mögen. ChatGPT liebt auch „Die ultimative Antwort auf das Universum“. In seinem Test lautet die Eingabeaufforderung von Fraser wie folgt: „Wählen Sie eine Zufallszahl.“

Mitte Oktober 2022 flog Justin Gilmer von Kalifornien nach New York, um seinen ehemaligen Mentor Michael Saks, einen Mathematiker an der Rutgers University, an der Ostküste zu besuchen. Während der Erinnerung sprachen sie nicht über Mathematik. Tatsächlich hat Gilmer seit seiner Promotion an der Rutgers University im Jahr 2015 nicht mehr ernsthaft über Mathematik nachgedacht. Zu diesem Zeitpunkt entschied er sich gegen eine akademische Laufbahn und begann, sich selbst das Programmieren beizubringen. Beim Abendessen mit Saks erzählte Gilmer seinem Mentor von seiner Arbeit bei Google: maschinelles Lernen und künstliche Intelligenz. Als er den Weg auf dem Campus entlangging, erinnerte sich Gilmer, dass er 2013 mehr als ein Jahr damit verbracht hatte, diesen Weg zu gehen.
