为含有分区及子分区的模型添加分区。
无详细内容 无 create or replace procedure p_test_gy(v_datacycle_id varchar2, --添加分区的上限值 v_entity_owner varchar2, v_entity_name varchar2, v_retcode out varchar2, v_retinfo out varchar2) is v_cnt1 number; --实体检测 v_cnt2 number; --
create or replace procedure p_test_gy(v_datacycle_id varchar2, --添加分区的上限值 v_entity_owner varchar2, v_entity_name varchar2, v_retcode out varchar2, v_retinfo out varchar2) is v_cnt1 number; --实体检测 v_cnt2 number; --分区是否存在检测 v_cnt3 number; --模板子分区是否存在检测 v_part_type varchar2(30); --分区类型 v_subpart_type varchar2(30); --子分区类型 v_part_value_max varchar2(30); --分区最大值 v_part_style varchar2(30); --分区命名格式 v_part_value varchar2(30); --分区值变量 v_sql varchar2(4000); --动态执行SQL v_sub_template varchar2(4000); --调整模板子分区 v_high_value long; --子分区值变量 v_subpart_value varchar2(30); --子分区值变量 /*v_pkg v_procname */ begin /*--插入日志部分 p_insert_log(v_acct_month, v_pkg, v_procname, v_prov_id, sysdate, '');*/ --检测输入参数是否有误 select count(0) into v_cnt1 from sys.dba_objects where owner = v_entity_owner and object_name = v_entity_name and object_type = 'TABLE'; if v_cnt1 = 0 then v_retcode := 'FAIL'; v_retinfo := '目标表信息输入有误'; else --检测目标表有无分区 select count(0) into v_cnt2 from sys.dba_part_tables t where t.owner = v_entity_owner and t.table_name = v_entity_name; if v_cnt2 = 0 then v_retcode := 'SUCCESS'; v_retinfo := '目标表无分区'; else --检测分区是否已存在 select regexp_replace(max(t.partition_name), '[^0-9]', ''), regexp_replace(max(t.partition_name), '[0-9]', '') into v_part_value_max, v_part_style from sys.dba_tab_partitions t where t.table_owner = v_entity_owner and t.table_name = v_entity_name; select partitioning_type, subpartitioning_type into v_part_type, v_subpart_type from sys.dba_part_tables t where t.owner = v_entity_owner and t.table_name = v_entity_name; --分区已存在&分区是LIST/HASH分区 if v_part_value_max >= v_datacycle_id OR v_part_type <> 'RANGE' then v_retcode := 'SUCCESS'; v_retinfo := '分区已存在'; else select count(0) into v_cnt3 from sys.dba_subpartition_templates where table_name = v_entity_name and user_name = v_entity_owner; --无子分区&有子分区且为模板子分区 if v_part_type = 'RANGE' AND ((v_subpart_type = 'LIST' AND v_cnt3 <> 0) OR nvl(v_subpart_type, '**') = 'NONE') then v_part_value := to_char(add_months(to_date(v_part_value_max, 'yyyymm'), 1), 'yyyymm'); while v_part_value <= v_datacycle_id loop v_sql := 'alter table ' || v_entity_owner || '.' || v_entity_name || ' add partition ' || v_part_style || v_part_value || ' values less than (''' || to_char(add_months(to_date(v_part_value, 'yyyymm'), 1), 'yyyymm') || ''') tablespace '; --日志检索 /*dbms_output.put_line(v_sql);*/ --需要分配分区(或者建表设置默认表空间) execute immediate v_sql; v_part_value := to_char(add_months(to_date(v_part_value, 'yyyymm'), 1), 'yyyymm'); end loop; v_retcode := 'SUCCESS'; v_retinfo := '成功'; else /*--顺序不太好看 select rtrim(wmsys.wm_concat(' subpartition ' || substr(subpartition_name,length(partition_name)+2) || ' values ( ''' || regexp_replace(substr(subpartition_name, length(partition_name)+2),'[^0-9]','') || ''' ) '),',') into v_sub_template from sys.dba_tab_subpartitions where table_owner = v_entity_owner and partition_name = v_part_value_max and table_name = v_entity_name;*/ --有子分区且非模板子分区 v_sub_template := 'alter table ' || v_entity_owner || '.' || v_entity_name || ' set subpartition template('; --''' ||regexp_replace(substr(subpartition_name,length(partition_name) + 2),'[^0-9]','') || ''' for t in (select /*+parallel(sub,4)*/* from sys.dba_tab_subpartitions sub where table_owner = v_entity_owner and partition_name = v_part_style || v_part_value_max and table_name = v_entity_name order by length(regexp_replace(subpartition_name, '[0-9]', '')),subpartition_name) loop v_high_value:=t.high_value; v_subpart_value:=substr(v_high_value,1,4000); /*if v_subpart_value= 'DEFAULT' then v_subpart_value:='''DEFAULT'''; end if;*/ v_sub_template := v_sub_template ||' subpartition ' || substr(t.subpartition_name, length(t.partition_name) + 2) || ' values ( '||v_subpart_value||' ) ,' ; end loop; --日志检索 dbms_output.put_line(rtrim(v_sub_template, ',') || ')'); insert into dm_check_log select rtrim(v_sub_template, ',') || ')', v_datacycle_id, sysdate from dual; commit; execute immediate rtrim(v_sub_template, ',') || ')'; v_part_value := to_char(add_months(to_date(v_part_value_max, 'yyyymm'), 1), 'yyyymm'); while v_part_value <= v_datacycle_id loop v_sql := 'alter table ' || v_entity_owner || '.' || v_entity_name || ' add partition ' || v_part_style || v_part_value || ' values less than (''' || to_char(add_months(to_date(v_part_value, 'yyyymm'), 1), 'yyyymm') || ''') tablespace '; /*dbms_output.put_line(v_sql);*/ execute immediate v_sql; --需要分配分区(或者建表设置默认表空间) v_part_value := to_char(add_months(to_date(v_part_value, 'yyyymm'), 1), 'yyyymm'); end loop; v_retcode := 'SUCCESS'; v_retinfo := '成功'; end if; end if; end if; end if; end;

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale

De nombreux utilisateurs privilégient de plus en plus l'écosystème électronique d'interconnexion de la maison intelligente Xiaomi dans la vie moderne. Après vous être connecté à l'application Mijia, vous pouvez facilement contrôler les appareils connectés avec votre téléphone mobile. Cependant, de nombreux utilisateurs ne savent toujours pas comment ajouter Mijia à. leur application Homes., ce guide didacticiel vous présentera les méthodes et étapes de connexion spécifiques, dans l'espoir d'aider tous ceux qui en ont besoin. 1. Après avoir téléchargé l'application Mijia, créez ou connectez-vous au compte Xiaomi. 2. Méthode d'ajout : Une fois le nouvel appareil allumé, rapprochez le téléphone de l'appareil et allumez le téléviseur Xiaomi. Dans des circonstances normales, une invite de connexion apparaîtra. Sélectionnez « OK » pour entrer dans le processus de connexion de l'appareil. Si aucune invite ne s'affiche, vous pouvez également ajouter l'appareil manuellement. La méthode est la suivante : après avoir accédé à l'application Smart Home, cliquez sur le premier bouton en bas à gauche.

Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a

Boston Dynamics Atlas entre officiellement dans l’ère des robots électriques ! Hier, l'Atlas hydraulique s'est retiré "en larmes" de la scène de l'histoire. Aujourd'hui, Boston Dynamics a annoncé que l'Atlas électrique était au travail. Il semble que dans le domaine des robots humanoïdes commerciaux, Boston Dynamics soit déterminé à concurrencer Tesla. Après la sortie de la nouvelle vidéo, elle a déjà été visionnée par plus d’un million de personnes en seulement dix heures. Les personnes âgées partent et de nouveaux rôles apparaissent. C'est une nécessité historique. Il ne fait aucun doute que cette année est l’année explosive des robots humanoïdes. Les internautes ont commenté : Les progrès des robots ont fait ressembler la cérémonie d'ouverture de cette année à des êtres humains, et le degré de liberté est bien plus grand que celui des humains. Mais n'est-ce vraiment pas un film d'horreur ? Au début de la vidéo, Atlas est allongé calmement sur le sol, apparemment sur le dos. Ce qui suit est à couper le souffle

Les performances de JAX, promu par Google, ont dépassé celles de Pytorch et TensorFlow lors de récents tests de référence, se classant au premier rang sur 7 indicateurs. Et le test n’a pas été fait sur le TPU présentant les meilleures performances JAX. Bien que parmi les développeurs, Pytorch soit toujours plus populaire que Tensorflow. Mais à l’avenir, des modèles plus volumineux seront peut-être formés et exécutés sur la base de la plate-forme JAX. Modèles Récemment, l'équipe Keras a comparé trois backends (TensorFlow, JAX, PyTorch) avec l'implémentation native de PyTorch et Keras2 avec TensorFlow. Premièrement, ils sélectionnent un ensemble de

L’IA change effectivement les mathématiques. Récemment, Tao Zhexuan, qui a prêté une attention particulière à cette question, a transmis le dernier numéro du « Bulletin de l'American Mathematical Society » (Bulletin de l'American Mathematical Society). En se concentrant sur le thème « Les machines changeront-elles les mathématiques ? », de nombreux mathématiciens ont exprimé leurs opinions. L'ensemble du processus a été plein d'étincelles, intense et passionnant. L'auteur dispose d'une équipe solide, comprenant Akshay Venkatesh, lauréat de la médaille Fields, le mathématicien chinois Zheng Lejun, l'informaticien de l'Université de New York Ernest Davis et de nombreux autres universitaires bien connus du secteur. Le monde de l’IA a radicalement changé. Vous savez, bon nombre de ces articles ont été soumis il y a un an.

La dernière vidéo du robot Optimus de Tesla est sortie, et il peut déjà fonctionner en usine. À vitesse normale, il trie les batteries (les batteries 4680 de Tesla) comme ceci : Le responsable a également publié à quoi cela ressemble à une vitesse 20 fois supérieure - sur un petit "poste de travail", en sélectionnant et en sélectionnant et en sélectionnant : Cette fois, il est publié L'un des points forts de la vidéo est qu'Optimus réalise ce travail en usine, de manière totalement autonome, sans intervention humaine tout au long du processus. Et du point de vue d'Optimus, il peut également récupérer et placer la batterie tordue, en se concentrant sur la correction automatique des erreurs : concernant la main d'Optimus, le scientifique de NVIDIA Jim Fan a donné une évaluation élevée : la main d'Optimus est l'un des robots à cinq doigts du monde. le plus adroit. Ses mains ne sont pas seulement tactiles

La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.
