当前位置: 首页 > news >正文

DeepSeek和ChatGPT的优劣或者区别(答案来DeepSeek和ChatGPT)

DeepSeek的答案

DeepSeek与ChatGPT作为当前两大主流AI模型,在架构设计、性能表现、应用场景等方面存在显著差异,以下从多个维度进行对比分析:


一、架构与训练效率

  1. 架构设计

    • DeepSeek:采用混合专家(MoE)框架,总参数达6710亿(活跃参数370亿),通过动态分配专家模块提升任务处理效率,资源消耗较低113。

    • ChatGPT:基于Transformer架构,参数规模估计约1万亿,依赖大规模计算资源,通用性强但训练成本高昂15。

    • 效率对比:DeepSeek的训练成本仅为ChatGPT的十分之一(550万美元 vs 5亿美元),且训练时间缩短50%113。

  2. 推理速度
    DeepSeek通过优化算法和内存管理,平均推理时间缩短至数十毫秒,显著优于传统大模型的数百毫秒,适合实时交互场景13。


二、性能与功能

  1. 任务处理能力

    • DeepSeek:在技术领域(如编程、金融分析)表现突出,LeetCode周赛通过率91%(高于GPT-4的86%),支持复杂SQL优化和专业术语识别14。

    • ChatGPT:擅长通用任务(如创意写作、多轮对话),生成文本更自然,支持多模态功能(如DALL·E3图像生成)514。

  2. 逻辑推理与准确性
    DeepSeek在AGIEval测评中逻辑推理准确率达82.3%(GPT-4为79.1%),数学证明错误率降低37%,且提供分步推导过程14。

  3. 语言处理

    • 中文支持:DeepSeek在文言文翻译、行业黑话理解上更精准(准确率92% vs GPT-4的85%)14。

    • 多语言支持:ChatGPT支持更多语种,适用全球化场景5。


三、成本与可扩展性

  1. 训练与部署成本
    DeepSeek依托轻量化设计和FP8训练技术,硬件成本仅为ChatGPT的1/5,企业级API调用成本更低(每百万token 0.55��0.55vs2.19)413。

  2. 可扩展性
    DeepSeek的MoE架构更易扩展,适合垂直领域定制;ChatGPT因参数规模庞大,扩展需更高资源投入15。


四、应用场景与用户体验

  1. 适用领域

    • DeepSeek:技术研发、金融建模、学术研究等专业场景,尤其适合需要高精度和快速响应的任务114。

    • ChatGPT:内容创作、客户服务、教育等通用领域,强调对话流畅性和创意输出511。

  2. 用户体验

    • 响应速度:DeepSeek因优化资源使用,响应更快113。

    • 多模态支持:ChatGPT整合图像生成、语音交互,功能更全面14。

    • 稳定性:DeepSeek初期曾面临服务崩溃问题,但修复迅速;ChatGPT用户基数大,更新节奏较慢24。


五、市场表现与生态

  1. 用户增长
    DeepSeek上线首月全球下载量达4000万,反超ChatGPT登顶多国应用商店,尤其在印度、美国等新兴市场增速显著4。

  2. 开发者生态
    DeepSeek开源策略吸引大量开发者,GitHub集成项目新增4.2万;ChatGPT依赖OpenAI生态,企业级用户逐渐迁移413。


总结与选择建议

  • 选择DeepSeek:若需求聚焦技术精度、成本控制或中文处理,如编程、金融分析、科研114。

  • 选择ChatGPT:若需多功能、创意内容或多模态支持,如内容生成、多语言服务511。

两者均面临数据偏见和部署挑战,但技术路径的差异使其在不同赛道各具优势。未来随着AI技术迭代,轻量化与专业化可能成为关键趋势113。

ChatGPT的答案

DeepSeekChatGPT 都属于人工智能领域的先进技术,但它们在设计、功能和应用上有显著的区别和优劣。以下是对这两者的比较:

1. 技术背景

  • DeepSeek

    • DeepSeek 是一个专注于信息检索和数据挖掘的技术,通常用于通过大数据分析和深度学习技术来获取更精确的答案。它可能更侧重于从大量信息中提取知识、执行数据查询,或进行高度特定的检索任务。
    • 可能与搜索引擎或数据库查询技术紧密相关,尤其是在处理结构化数据、图谱分析和复杂信息检索方面。
  • ChatGPT

    • ChatGPT 是基于 OpenAI 的 GPT(Generative Pretrained Transformer)模型构建的自然语言处理(NLP)技术。其主要目的是生成连贯的、自然的文本对话。ChatGPT 可以执行对话、文本生成、语言理解、翻译、情感分析等任务,擅长通过上下文理解与用户进行自然的互动。
    • 它基于海量的语料库进行预训练,擅长处理各种自由格式的语言输入,并生成丰富、语境适应的回应。

2. 主要功能

  • DeepSeek

    • 专注于数据检索、知识挖掘和深度分析。它通常会用在大规模数据集中的特定查询,可能对结构化数据、搜索优化以及信息检索效率有较高要求。
    • 更适合用于从特定领域或数据库中提取信息,或者在大数据环境中执行自动化的数据探索。
    • 其优势可能体现在需要高效处理和筛选大量数据时,如大规模的文献检索、市场分析等。
  • ChatGPT

    • ChatGPT 可以进行开放领域的对话,生成文本、回答问题、撰写文章、进行创意写作等。
    • 它能够生成连贯、富有语境的对话内容,适用于多种对话场景,如在线客服、学习助手、内容创作等。
    • ChatGPT 能够理解和生成复杂语言结构,进行语义推理,但其依赖于语言模型的生成能力,且通常会受到模型训练数据的限制。

3. 优缺点

  • DeepSeek

    • 优点
      • 在数据检索方面非常高效,特别适合处理结构化数据。
      • 对于领域特定的查询和信息挖掘有较强的能力。
      • 能够通过深度学习模型在复杂数据中寻找深层次模式。
    • 缺点
      • 主要侧重信息检索,对于自由对话和自然语言生成能力较弱。
      • 需要特定的训练数据集来优化其查询精度,可能不适合开放性对话场景。
  • ChatGPT

    • 优点
      • 在自然语言理解和生成方面非常强大,能够与用户进行自由、流畅的对话。
      • 适用于广泛的应用场景,包括客户服务、教学、娱乐等。
      • 由于其强大的语言能力,能够生成详细且有创意的文本。
    • 缺点
      • 对于需要特定知识和数据的领域问题,可能不能提供精确的答案。
      • 在处理结构化数据、复杂的查询任务时,可能不如专门的数据挖掘技术高效。
      • 生成的内容可能依赖于其训练数据,有时会产生不准确或不完整的答案。

4. 应用领域

  • DeepSeek

    • 适用于需要从大量结构化和非结构化数据中进行检索和分析的应用,如:
      • 大规模文献检索与分析。
      • 企业市场分析与趋势预测。
      • 知识图谱构建和知识管理。
      • 大数据环境下的信息提取。
  • ChatGPT

    • 适用于对话系统、内容生成以及创意写作等应用,如:
      • 客户支持和聊天机器人。
      • 内容创作、写作助手。
      • 教育领域的学习辅助。
      • 健康、法律、技术等领域的咨询和指导。
      • 复杂问题解答和创意讨论。

5. 区别总结

  • 目标与功能

    • DeepSeek 更侧重于高效的信息检索和数据挖掘,适合需要从大量数据中快速筛选信息的任务。
    • ChatGPT 侧重于语言理解和生成,能进行自然的对话和创意写作,适合更开放的、无特定数据查询限制的任务。
  • 适用场景

    • DeepSeek 适合大数据、信息检索、特定领域的知识图谱、数据分析等专业应用。
    • ChatGPT 适用于日常对话、自动化客服、创意写作、个性化推荐等更为开放的任务。

结论:

  • DeepSeek 和 ChatGPT 分别在不同的领域中拥有自己的优势,前者适合结构化数据分析和专业领域的深度挖掘,后者则在自然语言交互和生成文本方面表现出色。它们并不完全相互竞争,而是各自专注于不同的应用场景,未来可能会在某些任务中相互补充。

相关文章:

DeepSeek和ChatGPT的优劣或者区别(答案来DeepSeek和ChatGPT)

DeepSeek的答案 DeepSeek与ChatGPT作为当前两大主流AI模型,在架构设计、性能表现、应用场景等方面存在显著差异,以下从多个维度进行对比分析: 一、架构与训练效率 架构设计 DeepSeek:采用混合专家(MoE)框架…...

1 推荐系统概述

推荐系统概述 1 推荐系统的意义平台方信息生产者(物品)信息消费者(用户)推荐和搜索的区别 2 推荐系统架构系统架构算法架构 3 推荐系统技术栈算法画像层召回/粗排精排重排序 工程 1 推荐系统的意义 信息生产者(平台方…...

JavaEE架构

一.架构选型 1.VM架构 VM架构通常指的是虚拟机(Virtual Machine)的架构。虚拟机是一种软件实现的计算机系统,它模拟了物理计算机的功能,允许在单一物理硬件上运行多个操作系统实例。虚拟机架构主要包括以下几个关键组件&#xff…...

C++ labmbd表达式

文章目录 C++ Lambda 表达式详解1. Lambda 表达式的组成部分:2. Lambda 语法示例(1) 最简单的 Lambda(2) 带参数的 Lambda(3) 指定返回类型的 Lambda3. 捕获外部变量(1) 值捕获(复制)(2) 引用捕获(3) 捕获所有变量4. Lambda 在 STL 中的应用5. Lambda 作为 `std::function`6…...

当Axure遇见DeepSeek:设计工具的革命性进化

从传统的平面设计软件到如今的交互原型工具,设计工具经历了多次革命性的进化。然而,随着人工智能技术的不断发展,设计工具正面临又一次重大的变革。Axure,作为设计界知名的原型设计工具,以其强大的功能和灵活的操作性&…...

[LeetCode] day19 454. 四数相加 II

题目链接 题目描述 给你四个整数数组 nums1、nums2、nums3 和 nums4 &#xff0c;数组长度都是 n &#xff0c;请你计算有多少个元组 (i, j, k, l) 能满足&#xff1a; 0 < i, j, k, l < n nums1[i] nums2[j] nums3[k] nums4[l] 0 示例 1&#xff1a; 输入&…...

FPGA开发技能(10)热电偶测温ADS1118方案

文章目录 1.热电偶原理2.ADS1118方案2.1ADS介绍2.2原理设计2.3实物连接图2.4测温原理 3.误差校准3.1查表法3.2冷端补偿法 4.SPI操作时序5.传送门 1.热电偶原理 两个不同材料的金属线一端在同一结点连接&#xff0c;另一端放在被测温点&#xff0c;则二者会产生一定的压差&…...

CNN-day5-经典神经网络LeNets5

经典神经网络-LeNets5 1998年Yann LeCun等提出的第一个用于手写数字识别问题并产生实际商业&#xff08;邮政行业&#xff09;价值的卷积神经网络 参考&#xff1a;论文笔记&#xff1a;Gradient-Based Learning Applied to Document Recognition-CSDN博客 1 网络模型结构 …...

【DeepSeek学Cuda】NVidia GPU指令集架构-Load和Cache

https://zhuanlan.zhihu.com/p/692445145 当warp内的线程访问同一个constant位置时&#xff0c;其是确定的latency的&#xff08;和访问寄存器一样&#xff09; latency 什么意思 当 warp 内的线程访问同一个 constant 位置时&#xff0c;其是确定的 latency 的&#xff08;和…...

[免费]Springboot+Vue(带推荐算法)网上购物商城系统【论文+源码+SQL脚本】

大家好&#xff0c;我是java1234_小锋老师&#xff0c;看到一个不错的SpringbootVue(带推荐算法)网上购物商城系统&#xff0c;分享下哈。 项目视频演示 【免费】SpringbootVue(带推荐算法)网上购物商城系统 Java毕业设计_哔哩哔哩_bilibili 项目介绍 根据需求分析文档确定的…...

车载测试工具 --- CANoe VH6501 进行Not Acknowledge (NAck) 测试

我是穿拖鞋的汉子,魔都中坚持长期主义的汽车电子工程师。 老规矩,分享一段喜欢的文字,避免自己成为高知识低文化的工程师: 简单,单纯,喜欢独处,独来独往,不易合同频过着接地气的生活,除了生存温饱问题之外,没有什么过多的欲望,表面看起来很高冷,内心热情,如果你身…...

JVM调优参数分类

JVM调优参数分类 一、内存管理参数&#xff08;堆/非堆&#xff09; 1. 堆内存设置 参数格式功能说明典型场景值记忆口诀-Xms初始堆大小-Xms4gXms起始大小-Xmx最大堆大小-Xmx8gXmx最大上限-Xmn年轻代大小-Xmn2gXmn年轻代-XX:NewRatio老年代与年轻代比例-XX:NewRatio2比例老/新…...

高阶C语言|枚举与联合

&#x1f4ac; 欢迎讨论&#xff1a;在阅读过程中有任何疑问&#xff0c;欢迎在评论区留言&#xff0c;我们一起交流学习&#xff01; &#x1f44d; 点赞、收藏与分享&#xff1a;如果你觉得这篇文章对你有帮助&#xff0c;记得点赞、收藏&#xff0c;并分享给更多对C语言感兴…...

通过魔搭社区本地下载大语言模型及API接口调用模型实现

一、背景 在之前的博文:CSDN中&#xff0c;我们已经详细介绍了如何安装Python环境和一些必要的库和访问Transformers库的大模型。然而&#xff0c;在实际操作过程中&#xff0c;我们发现模型的下载或者调用需要访问Hugging Face上的Transformers库&#xff0c;这是一个国外的网…...

2022java面试总结,1000道(集合+JVM+并发编程+Spring+Mybatis)的Java高频面试题

1、面试题模块汇总 面试题包括以下十九个模块&#xff1a; Java 基础、容器、多线程、反射、对象拷贝、Java Web 模块、异常、网络、设计模式、Spring/Spring MVC、Spring Boot/Spring Cloud、Hibernate、Mybatis、RabbitMQ、Kafka、Zookeeper、MySql、Redis、JVM 。如下图所示…...

【CubeMX+STM32】SD卡 文件系统读写 FatFs+SDIO+DMA

本篇&#xff0c;将使用CubeMXKeil&#xff0c;创建一个SD卡的 FatFSSDIODMA 文件系统读写工程。 目录 一、简述 二、CubeMX 配置 FatFSSDIO DMA 三、Keil 编辑代码 四、实验效果 实现效果&#xff0c;如下图&#xff1a; 一、简述 上两篇&#xff0c;已循序渐进讲解了SD、…...

GenAI + 电商:从单张图片生成可动态模拟的3D服装

在当今数字化时代,电子商务和虚拟现实技术的结合正在改变人们的购物体验。特别是在服装行业,消费者越来越期待能够通过虚拟试衣来预览衣服的效果,而无需实际穿戴。Dress-1-to-3 技术框架正是为此而生,它利用生成式AI模型(GenAI)和物理模拟技术,将一张普通的穿衣照片转化…...

1.1 Spring Security 概述

Spring Security 概述 1. 什么是 Spring Security&#xff1f; Spring Security 是 Spring 生态中专注于应用安全的核心框架&#xff0c;为 Java 企业应用提供认证&#xff08;Authentication&#xff09;、授权&#xff08;Authorization&#xff09;以及安全攻击防护&#x…...

新站如何快速被搜索引擎收录?

本文转自&#xff1a;百万收录网 原文链接&#xff1a;https://www.baiwanshoulu.com/106.html 新站快速被搜索引擎收录是一个综合性的任务&#xff0c;涉及多个方面的优化工作。以下是一些关键步骤和策略&#xff0c;有助于新站快速被搜索引擎收录&#xff1a; 一、提交网站…...

<论文>DeepSeek-R1:通过强化学习激励大语言模型的推理能力(深度思考)

一、摘要 本文跟大家来一起阅读DeepSeek团队发表于2025年1月的一篇论文《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning | Papers With Code》&#xff0c;新鲜的DeepSeek-R1推理模型&#xff0c;作者规模属实庞大。如果你正在使用Deep…...

DatePicker 实现:日期范围截止时间为23:59:59

文章目录 需求描述实现逻辑 需求描述 在使用 Element Plus 的 el-date-picker 组件进行日期范围选择时&#xff0c;如果你希望选择的日期范围截止时间为所选时间的23:59:59&#xff0c;你可以通过设置 type 属性为 daterange&#xff0c;并结合使用 value-format 属性来控制时间…...

登录功能login.html

文章目录 前言一、login.html二、getVerify()controllerlogin() 登录功能encodePwd(pwd,key)login.do验证是否异地登录找回账号verifySubmit() 前言 登录login.html&#xff0c;验证码获取verifycode&#xff0c;登陆函数login() 一、login.html <!DOCTYPE html> <h…...

将 AMD Zynq™ RFSoC 扩展到毫米波领域

目录 将 AMD Zynq™ RFSoC 扩展到毫米波领域Avnet XRF RFSoC 系统级模块适用于 MATLAB 的 Avnet RFSoC Explorer 工具箱5G mmWave PAAM 开发平台突破性的宽带毫米波波束成形特征&#xff1a;OTBF103 Mathworks Simulink 模型优化毫米波应用中的射频信号路径 用于宽带毫米波上/下…...

2.10..

#include "widget.h" #include "ui_widget.h" #include <QFontDialog> #include <QFont> #include <QMessageBox> #include <QColorDialog> #include <QColor> // #include <QFileDialog> //文件对话框…...

Struts2 命令执行漏洞 S2-045 复现:深入剖析与实战演练

前言 在当今网络安全形势日益严峻的大环境下&#xff0c;Web 应用框架的安全问题始终是信息安全领域关注的焦点。Struts2 作为一款广泛应用于 Java Web 开发的开源框架&#xff0c;其安全性直接关系到众多 Web 应用的稳定运行。今天&#xff0c;我们将深入探讨并实战复现 Stru…...

Spark 源码 | 脚本分析总结

前言 最初是想学习一下Spark提交流程的源码&#xff0c;比如 Spark On Yarn 、Standalone。之前只是通过网上总结的文章大概了解整体的提交流程&#xff0c;但是每个文章描述的又不太一样&#xff0c;弄不清楚到底哪个说的准确&#xff0c;比如Client 和 CLuster 模式的区别&a…...

2025.2.9 每日学习记录2:技术报告写了一半+一点点读后感

0.近期主任务线 1.完成小论文准备 目标是3月份完成实验点1的全部实验和论文。 2.准备教资笔试 打算留个十多天左右&#xff0c;一次性备考笔试的三个科目 1.实习申请技术准备&#xff1a;微调、Agent、RAG 1.今日完成任务 1.电子斗蛐蛐&#xff08;文本书写领域&am…...

6、使用one-api管理统一管理大模型,并开始使用本地大模型

文章目录 本节内容介绍集中接入&#xff1a;将大模型统一管理起来当使用了大模型代理大模型代理示例 开源模型&#xff1a;如何使用Hugging Face上的模型modelscope使用 pipeline 调用模型用底层实现调用模型流式输出 如何在项目中使用开源模型使用 LangChain使用集中接入开始使…...

DFS+回溯+剪枝(深度优先搜索)——搜索算法

DFS也就是深度优先搜索&#xff0c;比如二叉树的前&#xff0c;中&#xff0c;后序遍历都属于DFS。其本质是递归&#xff0c;要学好DFS首先需要掌握递归。接下来咱们就一起来学习DFS涉及的算法。 一、递归 1.什么是递归&#xff1f; 递归可以这样理解把它拆分出来&#xff0…...

【数据结构】_堆的实现

目录 1. 堆的实现 1.1 Heap.h 1.2 Heap.c 1.3 Test_Heap.c 专栏前文中&#xff0c;已经介绍了入堆及向上调整算法&#xff0c;出堆及向下调整算法&#xff0c;详情见下文&#xff1a; 【数据结构】_堆的结构及向上、向下调整算法-CSDN博客文章浏览阅读352次&#xff0c;点…...

读书笔记《左耳听风》

读书笔记《左耳听风》 从今年开始&#xff0c;打算给自己定一下在看完书后整理成博客的计划。以往很多看完的书仅仅停留在看完&#xff0c;再回顾的时候总感觉已经不甚清晰了&#xff0c;希望能坚持下去。 《左耳听风》是今年我看完的第一本书&#xff0c;内容针对的是程序员…...

Axure原型图怎么通过链接共享

一、进入Axure 二、点击共享 三、弹出下面弹框&#xff0c;点击发布就可以了 发布成功后&#xff0c;会展示链接&#xff0c;复制即可共享给他人 四、发布失败可能的原因 Axure未更新&#xff0c;首页菜单栏点击帮助选择Axure更新&#xff0c;完成更新重复以上步骤即可...

本地部署DeepSeek,并使用UI界面进行快速交互

一.需要本地部署的原因 1.我们在deepseek的官网界面进行交互时&#xff0c;经常会出现如下问题&#xff0c;不能正常交互&#xff0c;很是困扰&#xff1a; 2.本地部署的好处 就是能够很流畅的与deepseek进行交互&#xff1b;也有缺点&#xff0c;现在官网交互的版本更高一点…...

ESP32S3读取数字麦克风INMP441的音频数据

ESP32S3 与 INMP441 麦克风模块的集成通常涉及使用 I2S 接口进行数字音频数据的传输。INMP441 是一款高性能的数字麦克风&#xff0c;它通过 I2S 接口输出音频数据。在 Arduino 环境中&#xff0c;ESP32S3 的开发通常使用 ESP-IDF&#xff08;Espressif IoT Development Framew…...

移动(新)魔百盒刷机教程[M301A_YS]

刚刚成功刷了一个坏的魔百盒&#xff0c;简单记录一下。 刷电视盒子有两种&#xff1a;卡刷和线刷。 线刷 一、线刷准备 1.刷机工具 Amlogic USB Burning Tool 晶晨线刷烧录工具 2.固件 根据盒子的型号、代工等找到对应的固件 二、线刷步骤 电脑打开下好的 Amlogic US…...

15 大 AWS 服务

在不断发展的云计算世界中&#xff0c;Amazon Web Services (AWS) 已成为一股主导力量&#xff0c;提供许多服务以满足各种应用程序开发、部署和管理方面的需求。本文将探讨 15 项 AWS 服务。这些服务对于构建可扩展、可靠且高效的系统至关重要。 1.Amazon EC2&#xff08;弹性…...

【C++】命名空间

&#x1f31f; Hello&#xff0c;我是egoist2023&#xff01; &#x1f30d; 种一棵树最好是十年前&#xff0c;其次是现在&#xff01; 目录 背景知识 命名空间(namespace) 为何引入namespace namespace的定义 namespace的使用 背景知识 C的起源要追溯到1979年&#xff0…...

项目实战(11)-双通道气体压力计V1.0

一. 产品简介&#xff1a; 1、项目背景是在实际应用中需要监控通道内气体的压力&#xff0c;压力计分为两个通道&#xff1b;通道一时实时监控&#xff1b;通道二是保压&#xff0c;设定保压值得上下限后通道内得气体压力值会一直保持在这个范围内。 二. 应用场景&#xff1a…...

python+unity落地方案实现AI 换脸融合

先上效果再说技术结论&#xff0c;使用的是自行搭建的AI人脸融合库&#xff0c;可以离线不受限制无限次生成&#xff0c;有需要的可以后台私信python ai换脸融合。 TODO 未来的方向&#xff1a;3D人脸融合和AI数据训练 这个技术使用的是openvcinsighface&#xff0c;openvc…...

开启对话式智能分析新纪元——Wyn商业智能 BI 携手Deepseek 驱动数据分析变革

2月18号&#xff0c;Wyn 商业智能 V8.0Update1 版本将重磅推出对话式智能分析&#xff0c;集成Deepseek R1大模型&#xff0c;通过AI技术的深度融合&#xff0c;致力于打造"会思考的BI系统"&#xff0c;让数据价值触手可及&#xff0c;助力企业实现从数据洞察到决策执…...

数据结构——【二叉树模版】

#思路 1、二叉树不同于数的构建&#xff0c;在树节点类中&#xff0c;有数据&#xff0c;左子结点&#xff0c;右子节点三个属性&#xff0c;在树类的构造函数中&#xff0c;添加了变量maxNodes&#xff0c;用于后续列表索引的判断 2.GetTreeNode()函数是常用方法&#xff0c;…...

DeepSeek之于心理学的一点思考

模型和硬件参数对应关系参考 模型参数规模 典型用途 CPU建议 GPU建议 最小内存建议 磁盘空间建议 适用场景 1.5b(15亿) 小型推理、轻量级任务 4核以上(Intel i5/AMD Ryzen5) 可选&#xff0c;入门级GPU(如NVIDIA GTX1650 4GB显存) 8GB 10GB以上SSD 小型NLP任务、文…...

mysql 存储过程和自定义函数 详解

首先创建存储过程或者自定义函数时&#xff0c;都要使用use database 切换到目标数据库&#xff0c;因为存储过程和自定义函数都是属于某个数据库的。 存储过程是一种预编译的 SQL 代码集合&#xff0c;封装在数据库对象中。以下是一些常见的存储过程的关键字&#xff1a; 存…...

数据结构:单链表

1.概念&#xff1a; 单链表&#xff08;Singly Linked List&#xff09;是一种常见的数据结构&#xff0c;它由一系列节点&#xff08;Node&#xff09;组成&#xff0c;每个节点包含两个部分&#xff1a; 数据域&#xff08;Data&#xff09;&#xff1a;存储节点的值或数据。…...

部署项目(ubantu服务器,配置jdk,启动项目,及测试)

目录 1、ubantu安装jdk 2、部署项目 ​ 解决 java -jar 报错&#xff1a;xxx.jar 中没有主清单属性 ​ 3、测试 4、查看系统部署的应用 1、ubantu安装jdk #压缩文件jdk文件&#xff1a;tar -czvf jdk17.tar.gz jdk17 #解压jdk文件&#xff1a;tar -xzvf jdk17.tar.gz 参…...

deepseek本地部署教程

第一步&#xff1a;进入Ollama官网 &#xff08;Download Ollama on macOS&#xff09;&#xff0c;下载ollama(注意需要Window10或更高的版本&#xff09;&#xff0c;安装&#xff08;OllamaSetup.exe&#xff09;&#xff0c;默认在c盘 第二步&#xff1a;点击Models,再点击…...

MySQL主从同步+binlog

一、简介 MySQL内建的复制功能是构建大型&#xff0c;高性能应用程序的基础 通过将MySQL的某一台主机&#xff08;master&#xff09;的数据复制到其他主机&#xff08;slaves&#xff09;上&#xff0c;并重新执行一遍来执行 复制过程中一台服务器充当主服务器&#xff0c;而…...

防火墙术语大全( Firewalld Glossary of Terms)

防火墙术语大全 防火墙作为网络安全中不可或缺的设备&#xff0c;在各种网络架构中扮演着至关重要的角色。无论是企业级防火墙、云防火墙还是家用路由器内置的防火墙&#xff0c;它们的工作原理和配置策略都离不开一系列专业术语的支撑。对于网络工程师来说&#xff0c;掌握这…...

LeetCode刷题---数组---697

数组的度 697. 数组的度 - 力扣&#xff08;LeetCode&#xff09; 题目&#xff1a; 给定一个非空且只包含非负数的整数数组 nums&#xff0c;数组的 度 的定义是指数组里任一元素出现频数的最大值。 你的任务是在 nums 中找到与 nums 拥有相同大小的度的最短连续子数组&am…...

C语言基础08:运算符+流程控制总结

运算符 算术运算符 结果&#xff1a;数值 、-、*、\、%、&#xff08;正&#xff09;、-&#xff08;负&#xff09;、、-- i和i 相同点&#xff1a;i自身都会增1 不同点&#xff1a;它们运算的最终结果是不同的。i&#xff1a;先使用&#xff0c;后计算&#xff1b;i&am…...