ThinkPHP アソシエーションモデル動作例分析
通常、ここで説明する関連付けには、次の 3 つのタイプが含まれます。
◇ 1 対 1 の関連付け: ONE_TO_ONE (HAS_ONE および BELONGS_TO を含む)
◇ 1 対多の関連付け: ONE_TO_MANY (HAS_MANY および BELONGS_TO を含む)
◇Many 多くの関連付けの場合: MANY_TO_MANY
Association 定義
データテーブルの連想 CURD 操作 現在サポートされている関連付けには、HAS_ONE、HAS_ONE の 4 つのタイプが含まれます。 BELONGS_TO、HAS_MANY、MANY_TO_MANY。
モデルは、ビジネス モデルの複雑さに応じて同時に複数の関連付けを制限なく定義できます。すべての関連付け定義はモデル クラスの $_link メンバー変数で定義され、動的定義をサポートできます。アソシエーション操作をサポートするには、モデル クラスが RelationModel クラスを継承する必要があります。 アソシエーション定義の形式は次のとおりです。
コードをコピーします コードは次のとおりです。 🎜>
protected $_link = array(
' アソシエーション 1' => array(
' アソシエーション属性 1' => ' 定義',
' アソシエーション属性 N' => ' 定義',
),
' アソシエーション 2' => array(
' アソシエーション属性 1' => ' 定義',
' アソシエーション属性 N' => ' 定義',
),
...
);
コードをコピーします
class UserModel extends RelationModel
{
public $_link = array(
'Profile'=> array(
'mapping_type' => HAS_ONE,
'class_name'=>'Profile',
// さらに関連する属性を定義します
...
) ,
)
mapping_type アソシエーション タイプ。これは、HAS_ONE アソシエーションの HAS_ONE 定数を使用して定義する必要があります。
mapping_name データの取得に使用される関連付けられたマッピング名
foreign_key 関連付けられた外部キーの名前
condition 関連付けられた条件
mapping_fields 関連付けられたフィールドクエリされる
as_fields は、関連付けられたフィールド値をデータ オブジェクトのフィールドに直接マップします
BELONGS_TO 関連付けメソッドの定義:
コードをコピー コードは次のとおりです:
'Dept'=> array('mapping_type'=>BELONGS_TO,
'class_name'=>'Dept',
' external_key'= >'userId',
'mapping_name'=>'dept',
// さらに関連する属性を定義します
...
) ,
class_name 関連付けられるモデル クラス名
foreign_key 関連付けられた外部キー名
mapping_fields クエリされる関連付けられたフィールド
condition 関連付け条件
parent_key 自己参照 関連付けられた関連付けられたフィールド
as_fields は、関連付けられたフィールド値をデータ オブジェクト内の特定のフィールドに直接マッピングします
HAS_MANY 関連付けメソッドの定義:
コードをコピー コードは次のとおりです:
'Article'=> array('mapping_type' =>HAS_MANY,
'class_name'= >'記事',
'foreign_key'=>'userId',
'mapping_name'=>'articles',
'mapping_order'=>'create_time desc',
/ / さらに関連する属性を定義します
....
) ,
class_name 関連付けられるモデル クラス名
foreign_key 関連付けられた外部キー名
parent_key 自己参照関連付け関連フィールド
condition 関連付け条件
mapping_fields 関連付けのためにクエリされるフィールド
mapping_limit 関連付けのために返されるレコードの数
mapping_orderアソシエーションクエリの順序
MANY_TO_MANY アソシエーション メソッドの定義:
コードをコピー コードは次のとおりです:
"グループ"=>array('mapping_type' =>MANY_TO_MANY,
'class_name'=>'グループ',
'mapping_name'=>'グループ',
' foreign_key'=>'userId',
'relation_foreign_key' =>'goupId',
'relation_table'=>'think_gourpUser'
)
class_name モデル関連付けられるクラス名
foreign_key を使用してデータを取得するために使用されます。
relation_foreign_key 関連付けられたテーブルの外部キー名。関連付けによって返されるレコードの数。
mapping_order。テーブル名
関係クエリ
は、関係メソッドを使用します。相関関係を有効にするだけでなく、ローカル相関操作を制御することもできるため、すべての相関操作が制御下に置かれます。
$User = D( "User" );
$user = $User->realtion(true)->find(1);
$user の結果を出力可能これは次のようなデータです:
コードをコピー
コードは次のとおりです: コードをコピー コードは次のとおりです: コードをコピー コードは次のとおりです: $data["account"]= "ThinkPHP";
array(
'id'=>1,
'アカウント'=>'ThinkPHP',
'パスワード'=>'123456',
'プロファイル'=> array(
'メール'=>'liu21st@gmail.com',
'ニックネーム'=>'つかの間',
) ,
)
関連書き込み
$User = D( "User" ) ;
$data = array();
$data["パスワード"]="123456"; ]= array(
'email'=>'liu21st@gmail.com',
'nickname' =>' つかの間の年',
) ;
$result = $User-> ;relation( true)->add($user);
これにより、関連付けられたプロファイル データが自動的に書き込まれます。
関連付けの更新
$data["password"]= "123456";
$data["Profile"]=array(
' email'= >'liu21st@gmail.com',
'nickname' =>'流年',
) ;
$result =$User->where ('id =3')->save($data);
関係の削除
$result =$User->relation(true)->delete( "3" );

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

ThinkPHP には、さまざまな PHP バージョン向けに設計された複数のバージョンがあります。メジャー バージョンには 3.2、5.0、5.1、および 6.0 が含まれますが、マイナー バージョンはバグを修正し、新機能を提供するために使用されます。最新の安定バージョンは ThinkPHP 6.0.16 です。バージョンを選択するときは、PHP バージョン、機能要件、コミュニティ サポートを考慮してください。最高のパフォーマンスとサポートを得るには、最新の安定バージョンを使用することをお勧めします。

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場内で稼働可能となっている。通常の速度では、バッテリー(テスラの4680バッテリー)を次のように分類します:公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング:今回は、それがリリースされたハイライトの1つビデオの内容は、オプティマスが工場内でこの作業を完全に自律的に行い、プロセス全体を通じて人間の介入なしに完了するというものです。そして、オプティマスの観点から見ると、自動エラー修正に重点を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科学者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は触覚だけではありません

FP8 以下の浮動小数点数値化精度は、もはや H100 の「特許」ではありません。 Lao Huang は誰もが INT8/INT4 を使用できるようにしたいと考え、Microsoft DeepSpeed チームは NVIDIA からの公式サポートなしで A100 上で FP6 の実行を開始しました。テスト結果は、A100 での新しい方式 TC-FPx の FP6 量子化が INT4 に近いか、場合によってはそれよりも高速であり、後者よりも精度が高いことを示しています。これに加えて、エンドツーエンドの大規模モデルのサポートもあり、オープンソース化され、DeepSpeed などの深層学習推論フレームワークに統合されています。この結果は、大規模モデルの高速化にも即座に影響します。このフレームワークでは、シングル カードを使用して Llama を実行すると、スループットはデュアル カードのスループットの 2.65 倍になります。 1つ

前に書かれたプロジェクトのリンク: https://nianticlabs.github.io/mickey/ 2 枚の写真が与えられた場合、それらの写真間の対応関係を確立することで、それらの間のカメラのポーズを推定できます。通常、これらの対応は 2D 対 2D であり、推定されたポーズはスケール不定です。いつでもどこでもインスタント拡張現実などの一部のアプリケーションでは、スケール メトリクスの姿勢推定が必要なため、スケールを回復するために外部深度推定器に依存します。この論文では、3D カメラ空間でのメトリックの対応を予測できるキーポイント マッチング プロセスである MicKey を提案します。画像全体の 3D 座標マッチングを学習することで、相対的なメトリックを推測できるようになります。
