数据库中的数据模型
我学数据库(3)--数据库中的数据模型 本次随笔和随笔（4）、随笔（5）和随笔（6）主要是详细的了解了一下数据模型的相关知识，因为这是数据库系统的核心与基础，所以必须对数据模型有一个清楚的认识，数据模型呢本来就是抽象出来的，所以呢这里面都是些概念的
我学数据库(3)--数据库中的数据模型
本次随笔和随笔（4）、随笔（5）和随笔（6）主要是详细的了解了一下数据模型的相关知识，因为这是数据库系统的核心与基础，所以必须对数据模型有一个清楚的认识，数据模型呢本来就是抽象出来的，所以呢这里面都是些概念的东西，可能有些难以理解，但是也没有办法，既然想学习这门“艺术”，就必须了解这些，而且必须有深刻的认识。不多说了，转入正题吧，开始数据模型的学习 ，fighting！
数据模型，一个是数据一个是模型，所以得先对这两个名词进行了解。
数据是记录信息的按一定规则排列组合的物理符号。可以是数字、文字、图像，也可以是计算机代码。对信息的接收始于对数据的接收，对信息的获取只能通过对数据背景的解读。
模型，像飞机模型等具体模型，对我们来说再熟悉不过了。因为这些我们都见过真实的事物。模型是现实世界中某个对象特征的模拟和抽象，是用以分析问题的概念、数学关系、逻辑关系和算法序列的表示体系。
综上，数据模型（Data Model）是数据特征的抽象，用来分析数据问题的概念、数据之间的各种关系的表示体系，也就是说，是用来描述数据、组织数据和对数据进行操作的。选择一个数据模型不是那么的随便，不能随便的对某数据进行抽象后就拿来当模型，数据模型必须满足一定的要求才行：一是能比较真实的模拟现实世界，这里用的比较一词来形容，是因为模型就是模型，不可能完全真实的模拟世界；而是容易被人们理解才行，晦涩难懂，那就失去了抽象的意义；三是便于在计算机上实现，这一个条件我是这样理解的，如果让人脑去实现，恐怕得是爱因斯坦或者霍金那样的才行啊，人脑毕竟是受限的，这个层次上电脑要比人脑好使多了。但问题又出现了，什么数据模型能很好的全面的满足这三个条件呢？答案是现在还没有,也就是说，这个地方的数据模型可能在那个地方不再适用。所以必须针对不同的对象和应用，也只能采用不同的数据模型去满足要求。在数据库系统中也是这样做的，即在开发实施数据库应用系统的不同阶段使用不同的数据模型：概念模型、逻辑模型和物理模型。其实是首先描述是什么，紧接着是如何表示，最后就是如何实现了。说白了就是发现问题，香港空间，分析问题和解决问题的这么一个过程。
在描述问题的过程中用的是概念数据模型，也叫信息模型，这是面向数据库用户的实现世界的数据模型，主要用来描述世界的概念化结构，它使数据库的设计人员在设计的初始阶段，摆脱计算机系统及DBMS的具体技术问题，集中精力分析数据以及数据之间的联系等，与具体的DBMS无关。此模型是面向现实世界中的真实需求，这个模型构造的是否成功直接决定了相应的数据库应用系统的成败与否。
在如何表示的过程中用的是逻辑数据模型，这是用户从数据库看到的数据模型，是具体的DBMS所支持的数据模型，网站空间，如网状数据模型、层次数据模型、关系模型、面向对象模型和对象关系模型等。此模型既要面向用户，又要面向系统。之所以说面向用户是因为逻辑模型是由概念模型直接转换而来，在转换的过程中还会有更深层次的问题暴露出来，而这些问题是要回归到概念模型再次讨论；之所以面向系统，在前面说了，既然是模型了就要容易被计算机实现，而此模型就是在计算机系统的观点上对数据建模的，主要用于DBMS的实现。
在实现的过程中使用的是物理数据模型，这是描述数据在存储介质上的组织结构的数据模型它不但与具体的DBMS有关，而且还和操作系统以及硬件有关。每一种逻辑数据模型在实现时都有其对应的物理数据模型。DBMS为了保证其独立性与可移植性，大部分物理数据模型的实现工作由系统自动完成，而设计者只设计索引、聚集等特殊结构。此模型纯粹的面向系统的，从计算机的角度来，从最低层次对数据进行抽象。
接下来了解一下数据模型的共性。一般而言，数据模型是一组严格定义的概念的集合。这些概念精确地描述了系统的静态特征（数据结构）、动态特征（数据操作）和完整性约束条件，这就是数据模型的三要素，即数据模型的共性。
数据结构是所研究的对象类型的集合。这些对象是数据库的组成部分，数据结构指对象和对象间联系的表达和实现，是系统静态特征的描述，包括两个方面：一方面是关于数据对象本身的，比如类型、内容、性质；一方面是关于数据之间的联系，服务器空间，关于数据之间是如何相互联系的。
数据操作是对数据库中对象的实例允许执行的操作集合，主要指检索和更新（插入、删除、修改）两类操作。数据模型必须定义这些操作的确切含义、操作符号、操作规则（如优先级）以及实现操作的语言。数据操作是对系统动态特征的描述。
数据完整性约束是一组完整性规则的集合，规定数据库状态及状态变化所应满足的条件，以保证数据的正确性、有效性和相容性。原先也提过为什么文件系统已不能再满足与日递增的要求，其中一条原因就是因为文件系统不能给出完整性规则约束，这也是文件系统不能保证数据的正确性、有效性和一致性的本质原因。
在下一次呢,讨论一下数据模型中的概念模型。
posted on
Powered by:
博客园
Copyright © 满天海晨星
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
1359
52
KAN, qui remplace MLP, a été étendu à la convolution par des projets open source
Jun 01, 2024 pm 10:03 PM
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
Surpassant largement le DPO : l'équipe de Chen Danqi a proposé une optimisation simple des préférences SimPO et a également affiné le modèle open source 8B le plus puissant.
Jun 01, 2024 pm 04:41 PM
Afin d'aligner les grands modèles de langage (LLM) sur les valeurs et les intentions humaines, il est essentiel d'apprendre les commentaires humains pour garantir qu'ils sont utiles, honnêtes et inoffensifs. En termes d'alignement du LLM, une méthode efficace est l'apprentissage par renforcement basé sur le retour humain (RLHF). Bien que les résultats de la méthode RLHF soient excellents, certains défis d’optimisation sont impliqués. Cela implique de former un modèle de récompense, puis d'optimiser un modèle politique pour maximiser cette récompense. Récemment, certains chercheurs ont exploré des algorithmes hors ligne plus simples, dont l’optimisation directe des préférences (DPO). DPO apprend le modèle politique directement sur la base des données de préférence en paramétrant la fonction de récompense dans RLHF, éliminant ainsi le besoin d'un modèle de récompense explicite. Cette méthode est simple et stable
Aucune donnée OpenAI requise, rejoignez la liste des grands modèles de code ! UIUC publie StarCoder-15B-Instruct
Jun 13, 2024 pm 01:59 PM
À la pointe de la technologie logicielle, le groupe de l'UIUC Zhang Lingming, en collaboration avec des chercheurs de l'organisation BigCode, a récemment annoncé le modèle de grand code StarCoder2-15B-Instruct. Cette réalisation innovante a permis une percée significative dans les tâches de génération de code, dépassant avec succès CodeLlama-70B-Instruct et atteignant le sommet de la liste des performances de génération de code. Le caractère unique de StarCoder2-15B-Instruct réside dans sa stratégie d'auto-alignement pur. L'ensemble du processus de formation est ouvert, transparent et complètement autonome et contrôlable. Le modèle génère des milliers d'instructions via StarCoder2-15B en réponse au réglage fin du modèle de base StarCoder-15B sans recourir à des annotations manuelles coûteuses.
Yolov10 : explication détaillée, déploiement et application en un seul endroit !
Jun 07, 2024 pm 12:05 PM
1. Introduction Au cours des dernières années, les YOLO sont devenus le paradigme dominant dans le domaine de la détection d'objets en temps réel en raison de leur équilibre efficace entre le coût de calcul et les performances de détection. Les chercheurs ont exploré la conception architecturale de YOLO, les objectifs d'optimisation, les stratégies d'expansion des données, etc., et ont réalisé des progrès significatifs. Dans le même temps, le recours à la suppression non maximale (NMS) pour le post-traitement entrave le déploiement de bout en bout de YOLO et affecte négativement la latence d'inférence. Dans les YOLO, la conception de divers composants manque d’une inspection complète et approfondie, ce qui entraîne une redondance informatique importante et limite les capacités du modèle. Il offre une efficacité sous-optimale et un potentiel d’amélioration des performances relativement important. Dans ce travail, l'objectif est d'améliorer encore les limites d'efficacité des performances de YOLO à la fois en post-traitement et en architecture de modèle. à cette fin
Li Feifei révèle l'orientation entrepreneuriale de « l'intelligence spatiale » : la visualisation se transforme en aperçu, la vue devient compréhension et la compréhension mène à l'action
Jun 01, 2024 pm 02:55 PM
Stanford Li Feifei a dévoilé pour la première fois le nouveau concept « d'intelligence spatiale » après avoir lancé sa propre entreprise. Ce n'est pas seulement son orientation entrepreneuriale, mais aussi « l'étoile du Nord » qui la guide, elle la considère comme « la pièce clé du puzzle pour résoudre le problème de l'intelligence artificielle ». La visualisation mène à la perspicacité ; la vue mène à la compréhension ; la compréhension mène à l’action. Basé sur la conférence TED de 15 minutes de Li Feifei, il est entièrement révélé, depuis l'origine de l'évolution de la vie il y a des centaines de millions d'années, jusqu'à la façon dont les humains ne sont pas satisfaits de ce que la nature leur a donné et développent l'intelligence artificielle, jusqu'à la façon de construire l'intelligence spatiale dans la prochaine étape. Il y a neuf ans, Li Feifei a présenté au monde le nouveau ImageNet sur la même scène - l'un des points de départ de cette explosion d'apprentissage profond. Elle a elle-même encouragé les internautes : si vous regardez les deux vidéos, vous pourrez comprendre la vision par ordinateur des 10 dernières années.
L'Université Tsinghua a pris le relais et YOLOv10 est sorti : les performances ont été grandement améliorées et il figurait sur la hot list de GitHub
Jun 06, 2024 pm 12:20 PM
La série de référence YOLO de systèmes de détection de cibles a une fois de plus reçu une mise à niveau majeure. Depuis la sortie de YOLOv9 en février de cette année, le relais de la série YOLO (YouOnlyLookOnce) a été passé entre les mains de chercheurs de l'Université Tsinghua. Le week-end dernier, la nouvelle du lancement de YOLOv10 a attiré l'attention de la communauté IA. Il est considéré comme un cadre révolutionnaire dans le domaine de la vision par ordinateur et est connu pour ses capacités de détection d'objets de bout en bout en temps réel, poursuivant l'héritage de la série YOLO en fournissant une solution puissante alliant efficacité et précision. Adresse de l'article : https://arxiv.org/pdf/2405.14458 Adresse du projet : https://github.com/THU-MIG/yo
Les startups d'IA ont collectivement transféré leurs emplois vers OpenAI, et l'équipe de sécurité s'est regroupée après le départ d'Ilya !
Jun 08, 2024 pm 01:00 PM
" sept péchés capitaux" » Dissiper les rumeurs : selon des informations divulguées et des documents obtenus par Vox, la haute direction d'OpenAI, y compris Altman, était bien au courant de ces dispositions de récupération de capitaux propres et les a approuvées. De plus, OpenAI est confronté à un problème grave et urgent : la sécurité de l’IA. Les récents départs de cinq employés liés à la sécurité, dont deux de ses employés les plus en vue, et la dissolution de l'équipe « Super Alignment » ont une nouvelle fois mis les enjeux de sécurité d'OpenAI sur le devant de la scène. Le magazine Fortune a rapporté qu'OpenA
Le modèle 70B génère 1 000 jetons en quelques secondes, la réécriture du code dépasse GPT-4o, de l'équipe Cursor, un artefact de code investi par OpenAI
Jun 13, 2024 pm 03:47 PM
Modèle 70B, 1000 tokens peuvent être générés en quelques secondes, ce qui se traduit par près de 4000 caractères ! Les chercheurs ont affiné Llama3 et introduit un algorithme d'accélération. Par rapport à la version native, la vitesse est 13 fois plus rapide ! Non seulement il est rapide, mais ses performances sur les tâches de réécriture de code dépassent même GPT-4o. Cette réalisation vient d'anysphere, l'équipe derrière le populaire artefact de programmation d'IA Cursor, et OpenAI a également participé à l'investissement. Il faut savoir que sur Groq, un framework d'accélération d'inférence rapide bien connu, la vitesse d'inférence de 70BLlama3 n'est que de plus de 300 jetons par seconde. Avec la vitesse de Cursor, on peut dire qu'il permet une édition complète et quasi instantanée des fichiers de code. Certaines personnes l'appellent un bon gars, si tu mets Curs
