大语言模型的token和向量
现在大语言模型火了，像 ChatGPT 什么的，能回答问题、写文章，。但它们为啥这么聪明呢？这就和向量、Token 有关系。那怎么通过向量、Token来理解我们的问题呢。看完这篇文章就知道了
token
Token 就像是语言里的小积木，是文本中最小有意义的部分。
英文里，单词常常就是 Token，不过有时候长单词会被拆成子词，比如“unbelievable”拆成“un”“believ”“able”。
中文呢，因为字词没空格，得用工具分成一个个字词，像“我爱自然语言处理”，可能分成“我”“爱”“自然语言”“处理”这些 Token。
Tokenization 的方法与策略
- 基于空格的分割：这在英文里很好用，比如 “I am a student.”，按空格就能分成 [“I”, “am”, “a”, “student.”] 这些 Token。但遇到像 “don't” 这样的缩写，就不太行了，而且中文没有空格，不能用这个方法。
- 规则基础的分割：按照设定好的规则来分，比如把标点去掉，数字统一处理。像 “Hello, world! 123”，去掉标点就变成 [“Hello”, “world”, “123”]。不过这样可能会丢掉一些重要信息，比如引号里的内容，而且规则得根据具体情况调整。
- 字节对编码（BPE）：它会统计文本里字节对出现的频率，把经常一起出现的字节对合并成新的子词单元。比如 “low lowing lowest”，先发现 “lo” 出现多，就合并，最后可能得到 [“low”, “lowing”, “lowest”]。这个方法能处理没见过的词，但分出来的子词可能不太好理解，而且计算有点复杂。
- 字节级 BPE：在字节级别用 BPE 算法，对多种语言混合的文本或者特殊符号处理得很好，不过计算量更大，需要更多存储空间。
- WordPiece：和 BPE 类似，不过它在合并字节对的时候，会考虑对语言模型有没有帮助，会根据大量文本学习怎么分最好。但需要很多数据来训练，不然可能分不好。
- Unigram Language Model：从很多 Token 开始，慢慢去掉对语言模型不太重要的，留下有用的。这样能根据实际情况调整 Token 集合，但计算成本高，训练时间长。
Token 在模型中的作用与影响
在大语言模型里，文本要先变成 Token 序列，每个 Token 会被编成一个数字编号。比如有个简单的词汇表 {“I”: 1, “love”: 2, “natural”: 3, “language”: 4, “processing”: 5}，那么 “I love natural language processing.” 就会被编成 [1, 2, 3, 4, 5]。接着这些编号会变成向量，模型就能通过向量来理解文本的意思。
模型推理生成文本时，会根据输入的 Token 序列和学过的知识，算出下一个 Token 可能是什么，比如算出 “is” 的概率是 0.1，“a” 的概率是 0.05 等等，然后选概率高的或者用其他方法确定下一个 Token，这样就能生成连贯的文本。
选择不同的 Tokenization 方法对模型性能影响很大。词汇量大，模型能表达的意思就多，但计算也更复杂，要花更多时间和空间。处理没见过的词时，如果 Tokenization 方法好，模型就能把没见过的词拆成认识的部分，从而大概理解意思。而且合理的 Tokenization 还能让输入序列变短，计算更快，比如把 “New York” 当成一个 Token 处理，就比分开处理 “New” 和 “York” 更高效。
向量
从数学来讲，向量有大小和方向。在大语言模型里，向量用来表示单词、句子甚至整篇文档。比如把每个单词变成一个固定长度的向量，语义相近的单词，它们的向量在空间里的距离就会比较近，像 “猫” 和 “狗” 的向量距离就比 “猫” 和 “苹果” 的近。
向量的维度很重要。维度高，能表示的语义信息就多，模型能力就强，像做复杂的文本分类、理解语义、生成自然的文本等都能做得更好，但计算也更难，训练时间长，还可能出现过拟合。维度低，计算简单，但可能没法很好地表示复杂的语义，在遇到有隐含意思或者有歧义的文本时，模型就容易理解错。一般大语言模型里，词向量维度从 256 维到 1024 维甚至更高都有，句子和文档向量维度会根据模型和任务再调整。
向量化的目的与优势
向量化主要是为了让计算机能处理文本这种非数字的数据。计算机处理数字快，把文本变成向量，就能利用计算机的计算能力来分析文本。比如在文本分类任务中，把文本变成向量后，计算机就能通过计算向量快速判断文本属于哪一类，而不是只简单地匹配文字。
向量化还能准确地抓住数据的特征和关系。在词向量空间里，语义相近的词向量距离近，不同的词向量距离远。比如 “国王” 和 “王后” 的向量相似度就比和 “苹果” 的高，模型就能根据这个理解它们的语义联系，在回答问题、生成文本时就能更符合逻辑。而且向量形式的数据做矩阵运算快，能利用高效的矩阵运算库，让模型训练和推理更快，能处理更多文本，满足实际应用中快速处理大量数据的需求。
向量在模型中的应用场景
在大语言模型里，词向量很基础。通过像 Word2Vec、GloVe 这些方法在大量文本上训练，词向量能抓住单词的语义信息。比如在情感分析任务中，模型可以根据词向量判断文本的情感倾向。
句子和文档也能变成向量。句子向量通常是把句子里单词的向量加权求和得到，文档向量也类似。这样得到的向量能用来计算文本相似度、做分类和聚类。比如在信息检索中，通过计算查询语句和文档向量的相似度，能快速找到相关文档；在文本聚类中，根据向量相似性把文本分类，能发现文本的潜在主题和模式。
在模型输入和输出时，向量化也很关键。输入文本要先变成向量，模型处理后输出也是向量，然后再变成文本。比如在文本生成任务中，模型输出的向量要解码成单词序列，才能生成连贯的文本；在机器翻译中，源语言文本变成向量输入，模型输出目标语言文本的向量，再解码成翻译结果。
向量在注意力机制里也很重要。注意力机制通过计算向量之间的相关性，给输入文本的不同部分分配不同权重，让模型能关注重要信息，提高性能。比如在阅读理解中，回答问题时，注意力机制能让模型聚焦在相关文本上，提取关键信息，回答更准确，避免无关信息干扰，让模型能更好地理解复杂文本，输出更有针对性的答案。
那Token 和向量怎么配合
文本被分成 Token 序列后，模型会用一种叫词嵌入的技术把 Token 变成向量。比如 Word2Vec，它通过让神经网络学习大量文本中单词的上下文信息，来调整单词对应的向量值，让语义相近的单词向量距离近。像 “苹果” 和 “香蕉” 如果经常在相似上下文中出现，它们的向量就会接近。
基于 Transformer 架构的模型（像 GPT、BERT 等），在嵌入层直接把 Token 变成向量。模型会给每个 Token 一个固定维度的向量，通过模型的参数矩阵和 Token 的编码（比如独热编码或者整数编码）相乘得到。比如模型嵌入层维度是 512，词汇表大小是 10000，那么一个 Token 的向量就是 512×10000 的参数矩阵和它的编码向量相乘得到的 512 维向量。这样就能快速把 Token 变成模型能处理的向量，而且随着模型训练，向量会不断优化，更好地表示 Token 的语义和语言特征。
向量如何表征 Token 的语义
向量在空间里的位置和数值分布能表示 Token 的语义。语义相近的 Token，向量位置近，某些维度的数值也相似。比如表示颜色的 “红色”“蓝色”“绿色”，它们的向量在和颜色相关的维度上数值可能相似，其他维度有差异。通过计算向量的距离（像欧几里得距离、余弦距离）或者相似度（像余弦相似度），模型能判断 Token 语义的相似程度。
在模型推理和理解语言时，向量的这种语义表示能力很有用。比如在文本分类任务中，模型根据文本中 Token 的向量判断主题类别；在情感分析中，通过分析向量里的情感倾向信息确定文本的情感态度。向量之间的运算也能模拟一些语义关系，像 “国王 - 男人 + 女人 = 王后”，通过向量运算能得到和 “王后” 向量相近的结果，这说明模型能理解一些语义逻辑关系，提升语言理解和处理能力，更好地应对各种复杂的语言情况和任务。
两者协同工作的机制
在大语言模型训练时，Token 和向量紧密配合。输入文本先被分成 Token 序列，然后通过词嵌入层变成向量。模型通过学习大量文本，不断调整向量的权重和参数，让向量更好地表示 Token 的语义和语言结构。比如在基于 Transformer 架构的语言模型训练中，模型通过多头注意力机制对不同位置的 Token 向量加权计算，学习 Token 之间的依赖关系和语义关联。这里 Token 的顺序和组合对模型学习语法和语义规则很重要，向量则是模型计算和推理的基础数据形式，承载 Token 的语义信息，让模型能深入理解和分析文本。
在模型推理阶段，输入文本先变成 Token 序列再变成向量输入模型。模型根据学过的知识，通过对向量的运算处理，生成输出文本的概率分布，然后选合适的 Token 输出，生成连贯文本。比如在问答系统中，模型把用户问题变成 Token 向量，在已有的知识里找相关信息，通过向量运算推理，找到答案的向量表示，再解码成 Token 序列回答用户。Token 和向量的协同工作，让模型能快速准确理解用户问题，生成合理回答，实现自然流畅的人机交互，提高模型的实用性和应用价值。
相关文章：
大语言模型的token和向量
现在大语言模型火了，像 ChatGPT 什么的，能回答问题、写文章，。但它们为啥这么聪明呢？这就和向量、Token 有关系。那怎么通过向量、Token来理解我们的问题呢。看完这篇文章就知道了 token Token 就像是语言里的小积木，…...
Hyperledger Fabric有那些核心技术，和其他区块链对比Hyperledger Fabric有那些优势
Hyperledger Fabric是一个模块化、权限化的企业级区块链平台，与比特币、以太坊等公有链相比，Fabric主要为私有链或联盟链设计，适用于企业应用。它包含多项核心技术，使其在企业级区块链应用中具有独特优势。以下是Fabric的核心技术…...
ThinkPHP 8高效构建Web应用-第一个简单的MVC应用示例
【图书介绍】《ThinkPHP 8高效构建Web应用》-CSDN博客 《2025新书 ThinkPHP 8高效构建Web应用 编程与应用开发丛书 夏磊 清华大学出版社教材书籍 9787302678236 ThinkPHP 8高效构建Web应用》【摘要 书评 试读】- 京东图书 使用VS Code开发ThinkPHP项目-CSDN博客 我们先实现一…...
【Goland】怎么执行 go mod download
1、终端的执行 go mod tidy 2、终端执行不行的话，就可以通过右击go.mod文件来执行； 3、也可以按住Ctrl点击这个包安装；...
SpringBoot入门案例
目录 一、SpringBoot入门 1. Spring Boot 简介（脚手架） 2. 微服务 微服务优点： 微服务缺点： 3. 环境准备 3.1 spring boot项目的创建 3.2 导入spring boot相关的依赖 3.5 编写主程序 3.4 编写相关的controller、service…...
自定义 Celery的logging模块
为什么需要自定义 Celery 日志 默认的 Celery 日志配置虽然满足基本需求，但在以下情况下可能需要进行自定义： 支持日志滚动：原生celery不支持日志滚动。更详细的日志信息：需要包含更多上下文信息，以便更好地理解任务…...
docker-开源nocodb，使用已有数据库
使用已有数据库 创建本地数据库 数据库：nocodb 用户：nocodb 密码：xxxxxx修改docker-compose.yml 默认网关的 IP 地址是 172.17.0.1（适用于 bridge 网络模式）version: "2.1" services:nocodb:environment:…...
【UE5】UnrealEngine源码构建1：tag为5.3.2源码clone
fatal: fetch-pack: invalid index-pack output clone unreal 速度很快，但是很容易失败Cloning into UnrealEngine... remote: Enumerating objects: 6511087, done. remote: Counting objects: 100% (196/196), done. remote: Compressing objects: 100% (50/50), done. erro…...
RoboMIND：多体现基准 机器人操纵的智能规范数据
我们介绍了 RoboMIND，这是机器人操纵的多体现智能规范数据的基准，包括 4 个实施例、279 个不同任务和 61 个不同对象类别的 55k 真实世界演示轨迹。 工业机器人企业 埃斯顿自动化 | 埃夫特机器人 | 节卡机器人 | 珞石机器人 | 法奥机器人 | 非夕科技 | C…...
FPGA自学之路：到底有多崎岖？
FPGA，即现场可编程门阵列，被誉为硬件世界的“瑞士军刀”，其灵活性和可编程性让无数开发者为之倾倒。但谈及FPGA的学习难度，不少人望而却步。那么，FPGA自学之路到底有多崎岖呢？ 几座大山那么高？…...
讲一个自己写的 excel 转 html 的 java 工具
由来 这是一个从开发需求中诞生的工具，在工作中因为有一个 excel 转 html 的任务，又没找到一个专门做这方面的工具（其他工具几乎都是简单的转换，无法还原 excel 样式，而且转换的宽高有点儿差距）࿰…...
打破视障壁垒，百度文心快码无障碍版本助力视障IT从业者就业无“碍”
有AI无碍 钟科：被黑暗卡住的开发梦 提起视障群体的就业，绝大部分人可能只能想到盲人按摩。但你知道吗？视障人士也能写代码。 钟科，一个曾经“被黑暗困住”的人，他的世界，因为一场突如其来的疾病，…...
爆改RagFlow
爆改RagFlow 一、Rag理论概述二、Ragflow解析参数说明三、♥ RagFlow源码解析核心代码流程梳理1、OCR识别2、版面分析3、parser功能3.1 PdfParser3.1.1 首先，初始化3.1.2 **pdf转图片** [来自工业界的知识库 RAG 服务(二)，RagFlow 源码全流程深度解析](h…...
Unity 使用UGUI制作卷轴开启关闭效果
视频效果 代码 using UnityEngine.UI; using System.Collections; using System.Collections.Generic; using UnityEngine; using DG.Tweening; using DG.Tweening.Core; using DG.Tweening.Plugins.Options;public class JuanZhou : MonoBehaviour {[SerializeField]private …...
)
android知识巩固(二.非线性数据结构)
非线性结构:是从逻辑结构上划分,其元素存在一对多或者多对多的相互关系 1.前言 在前一章中,我们了解了数据结构的基本思想,学习了部分基本的线性数据结构,了解了计算机是如何表示和存储数据的,良好的数据结构思想有助于我们写出性能优良的应用 2.目录 目录.png 3.非线性数据结构…...
Kafka中的Topic和Partition有什么关系？
大家好，我是锋哥。今天分享关于【Kafka中的Topic和Partition有什么关系？】面试题。希望对大家有帮助； Kafka中的Topic和Partition有什么关系？ 1000道 互联网大厂Java工程师 精选面试题-Java资源分享网 在 Apache Kafka 中&#…...
CMS漏洞靶场攻略
DeDeCMS 环境搭建 傻瓜式安装 漏洞一：通过文件管理器上传WebShel 步骤⼀:访问目标靶场其思路为 dedecms 后台可以直接上传任意文件，可以通过⽂件管理器上传php文件获取webshell 登陆网站后台 步骤二：登陆到后台点击 【核心】 --》 【文件式…...
PHP高性能webman管理系统EasyAdmin8
介绍 EasyAdmin8-webman 在 EasyAdmin 的基础上使用 webman 最新版重构，PHP 最低版本要求不低于 8.0。基于webman和layui v2.9.x的快速开发的后台管理系统。 项目地址：http://easyadmin8.top 演示地址：http://webman.easyadmin8.top/admin …...
【达梦数据库】64 位操作系统注册 32 位 ODBC 方法
目录 背景思路部署安装64位软件安装包注册32位驱动成功案例其他案例 配置数据源 背景 在使用达梦数据库的过程中，应用需要32位驱动与数据库进行适配 思路 部署32位软件，经过测试，dmmonitor在本地环境及客户环境中前台启动失败报错ÿ…...
渗透学习笔记（十一）Burp Suite 总结
声明！ 学习视频来自B站up主 泷羽sec 有兴趣的师傅可以关注一下，如涉及侵权马上删除文章，笔记只是方便各位师傅的学习和探讨，文章所提到的网站以及内容，只做学习交流，其他均与本人以及泷羽sec团队无关&#…...
数据结构与算法学习笔记----约数
数据结构与算法学习笔记----约数 author: 明月清了个风 first publish time: 2024.12.30 ps⭐️主要是求约数，约数的个数，约数的和，涉及到算术基本定理的相关内容，第三题的讲解合并在第二题的思路里一起了。 Acwing 869. 试除法…...
PyAudio库基本知识详解——为自制PCM音频播放器做准备
前言 结合前段时间我们做的音频编解码器，这样我们就可以将获取到的ADPCM数据，转换成PCM数据，然后播放出来，得到一个完整的音频数据，因此，接下来几篇文章中，我们想做一个播放PCM格式的音频播放器…...
微信小程序 覆盖组件cover-view
wxml 覆盖组件 <video src"../image/1.mp4" controls"{{false}}" event-model"bubble"> <cover-view class"controls"> <cover-view class"play" bind:tap"play"> <cover-image class"…...
实战案例——ZooKeeper集群部署（新手教程超详细）
案例目标 了解ZooKeeper分布式应用程序协调服务使用3台机器搭建ZooKeeper集群使用ZooKeeper集群 案例分析 规划节点 ZooKeeper集群节点规划 Ip 主机名 节点 192.168.110.10 zookeeper1 集群节点 192.168.110.20 zookeeper2 集群节点 192.168.110.30 zookeeper3 …...
LeetCode 326 3的幂
如何判断一个整数是否为 3 的幂次方 在编程中，我们经常会遇到各种有趣的数学问题，今天就来探讨一个看似简单却又很有技巧性的问题：如何判断一个给定的整数是否是 3 的幂次方。 一、问题描述 给定一个整数 n，我们需要编写一个函数…...
智能工厂的设计软件 应用场景的一个例子：为AI聊天工具添加一个知识系统 之5
本文要点 前端 问题描述语言 本文继续完善 “描述” ---现在我们应该可以将它称为 “问题problem描述语言 ”。 它 通过对话框的question 引发 表征的issue 的“涌现” 最终 厘清应用程序的“problem”。即它合并了 ISO七层模型中的上面三层，通过将三层 分别形成…...
flink-1.16 table sql 消费 kafka 数据，指定时间戳位置消费数据报错：Invalid negative offset 问题解决
请移步至最后的：2024-12-27日调整实现方式，26日实现的有bug，但是可以作为参考。 2024-12-27日调整实现方式 1.上边的方案，可以实现topic中每个分区都正常有数据的情况，但是如果部分分区没有数据，或者指定的…...
【服务器】上传文件到服务器并训练深度学习模型下载服务器文件到本地
前言：本文教程为，上传文件到服务器并训练深度学习模型，与下载服务器文件到本地。演示指令输入，完整的上传文件到服务器，并训练模型过程；并演示完整的下载服务器文件到本地的过程。 本文使用的服务器为云服…...
MyBatis如何处理延迟加载？
大家好，我是锋哥。今天分享关于【MyBatis如何处理延迟加载？】面试题。希望对大家有帮助； MyBatis如何处理延迟加载？ 1000道 互联网大厂Java工程师 精选面试题-Java资源分享网 在 MyBatis 中，延迟加载（Laz…...
制造BOM的应用思考
一、制造BOM的作用 制造BOM（Manufacturing BOM，MBOM）在制造过程中的应用非常广泛，具体包括以下几个方面： 1. 生产计划和调度： 制造BOM提供了生产过程中所需的所有输入及输出间的关系，包括材料、部品的数量、结构以及制程等信息。这些信息是生产拉动物料需求计划以及成本…...
基于earthSDK三维地图组件开发
上效果 功能点 测量分析相机位置切换geojson数据加载地图打点，显示信息点击回传数据二三位切换 这里二三维切换通上篇openlayers分享，技术交流V:bloxed <template><div class"h100 w100"><div style"width:100%; heig…...
Mono里运行C#脚本5—mono_file_map_open
前面介绍了mono_jit_init初始化，这个函数非常长，要理解起来还是比较困难。因此改变另外一种方式，先从底层的函数开始，再慢慢来探索mono的底层实现，以及它的实现原理，运行的细节。 Mono要运行exe文件，这里是运行test-embed.exe文件，那么就得认识这个文件，解释这个文件的…...
Node.js使用教程
Node.js使用教程 Node.js是一个基于Chrome V8引擎的JavaScript运行环境，它让JavaScript运行在服务器端。以下是一个简单的Node.js使用教程： 一、 Node.js开发环境和编译 1.1 安装Node.js 访问Node.js官网下载并安装适合您操作系统的Node.js版本。 1…...
UniApp 组件的深度运用
一、引言 在当今的移动应用开发领域，跨平台开发已成为主流趋势，而 UniApp 作为其中的佼佼者，备受开发者青睐。UniApp 的强大之处很大程度上源于其丰富且功能多样的组件体系，这些组件宛如精巧的积木，能够帮助开发者快速…...
期末算法分析程序填空题
目录 5-1 最小生成树（普里姆算法） 5-2 快速排序（分治法） 输入样例： 输出样例： 5-3 归并排序(递归法) 输入样例： 输出样例： 5-4 求解编辑距离问题（动态规划法）…...
)
【机器学习】 卷积神经网络 (CNN)
文章目录 1. 为什么需要 CNN2. CNN 的架构3. 卷积层4. 池化层5. CNN 的应用 1. 为什么需要 CNN 前提：利用前置知识，去掉全连接神经网络中的部分参数，提升学习效率。本质：在 DNN 之前加上 CNN，先去除不必要的参数&…...
LeetCode热题100-字母异位词分组【JavaScript讲解】
题目： 根据题目想思路： 模式识别: 一旦需要根据特征进行归类的，就应该利用散列表。【散列表又叫哈希表】 我们遍历数组中的每一项，将每一项字符串拆分成一个一个的字符，并返回成数组的形式，并且进行排序后…...
面试241228
面试可参考 1、cas的概念 2、AQS的概念 3、redis的数据结构 使用场景 不熟 4、redis list 扩容流程 5、dubbo 怎么进行服务注册和调用，6、dubbo 预热 7如何解决cos上传的安全问题kafka的高并发高吞吐的原因ES倒排索引的原理 spring的 bean的 二级缓存和三级缓存 spr…...
AI界的拼多多：DeepSeek
AI界的拼多多：DeepSeek DeepSeek是一家位于中国杭州的人工智能基础技术研究公司，由杭州幻方量化投资管理合伙企业投资成立于2023年5月，专注于研究人工智能基础技术，其官网为deepseek.com.以下是关于DeepSeek的一些具体介绍及举例： 模型发布 DeepSeek Coder：2023年11月…...
备战春招 | 数字IC FPGA笔试题
在数字电路设计的领域，无论是数字IC（集成电路）还是FPGA（现场可编程门阵列）的设计，都需要对一系列核心概念有深刻的理解和掌握。随着科技的快速发展，这些领域的面试题目也在不断更新，…...
微服务-Sentinel新手入门指南
微服务为什么要使用流控降级组件 为了提高系统运行期间的稳定性和可用性 在微服务环境下，服务之间存在复杂的调用关系，单个服务的故障或过载可能会迅速影响到整个系统，导致服务雪崩效应。流控组件可以限制进入系统的流量，防止系…...
git clone 超时
git clone 超时 参考 https://blog.csdn.net/qq_45906972/article/details/142214187?utm_mediumdistribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-0-142214187-blog-137158358.235v43pc_blog_bottom_relevance_base8&spm1001.2101.3001.…...
java的bio、nio、aio 以及操作系统的select、poll、epoll
在 Java 和其他编程语言中，I/O 模型的选择对网络应用的性能和可扩展性有着重要影响。以下是 BIO（Blocking I/O）、NIO（Non-blocking I/O）、AIO（Asynchronous I/O），以及操作系统级别的…...
Redis——数据过期策略
文章目录 1. 引入2. 数据过期策略2.1 策略一：惰性删除2.1.1 原理2.1.2 优点2.1.3 缺点 2.2 策略二：定期删除2.2.1 原理2.2.2 模式2.2.3 优点2.2.4 缺点 2.3 两种策略的比较 3. 总结 1. 引入 Redis 是一个 高性能 的非关系型数据库，由于 Redi…...
kubernetes Gateway API-1-部署和基础配置
文章目录 1 部署2 最简单的 Gateway3 基于主机名和请求头4 重定向 Redirects4.1 HTTP-to-HTTPS 重定向4.2 路径重定向4.2.1 ReplaceFullPath 替换完整路径4.2.2 ReplacePrefixMatch 替换路径前缀5 重写 Rewrites5.1 重写 主机名5.2 重写 路径5.2.1 重新完整路径5.2.1 重新部分路…...
二、SQL语言，《数据库系统概念》，原书第7版
文章目录 一、概览SQL语言1.1 SQL 语言概述1.1.1 SQL语言的提出和发展1.1.2 SQL 语言的功能概述 1.2 利用SQL语言建立数据库1.2.1 示例1.2.2 SQL-DDL1.2.2.1 CREATE DATABASE1.2.2.2 CREATE TABLE 1.2.3 SQL-DML1.2.3.1 INSERT INTO 1.3 用SQL 语言进行简单查询1.3.1 单表查询 …...
【postgresql 物化视图】自动刷新物化视图2种方法
普通视图就是一个虚拟表，不占内存。而物化视图是存在的，占内存。 物化视图，默认是手动刷新。下面是手动刷新的例子。我们来创建一个物化视图。 create MATERIALIZED VIEW dnh_analasis_view as select cjsj,a,b,c,d from table_1; REFRESH …...
1 数据库（下）：多表设计 、多表查询 + SQL中的with查询语法（MySQL8.0以后版本才支持这种新语法）+ 数据库优化（索引优化）
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言一、多表设计1 多表设计-概述2 三种多表关系一对多（多对一）（1）无外键约束（逻辑外键）&…...
CPT203 Software Engineering 软件工程 Pt.2 敏捷方法和需求工程（中英双语）
文章目录 3. Aglie methods（敏捷方法）3.1 Aglie methods（敏捷方法）3.1.1 特点3.1.2 优点3.1.3 缺点3.1.4 原则3.1.5 计划驱动与敏捷方法的对比 3.2 Scrum3.2.1 Scrum roles3.2.2 Scrum Activities and Artifacts3.2.2.1 Product B…...
【Linux】进度条
本文中，我们来写一个进度条。 本文大纲： 写一个命令行版的进度条。 1.回车换行 2.缓冲区问题（本文不深究） 2.1测试代码 3.写一个什么样的进度条？ version1 version2 回车换行 这俩不是一个概念&…...