当前位置: 首页 > news >正文

生成对抗网络(GAN):让机器学习“创造”新世界

目录

引言

什么是生成对抗网络(GAN)?

GAN的核心原理

GAN的损失函数

GAN的变种

1. 条件生成对抗网络(Conditional GAN, cGAN)

2. 深度卷积生成对抗网络(DCGAN)

3. 生成对抗网络的 Wasserstein 距离(WGAN)

4. CycleGAN

GAN的应用

1. 图像生成与修复

2. 图像风格转换

3. 文本生成与自然语言处理

4. 视频生成与动作捕捉

5. 医学图像分析

6. 数据增强

GAN的挑战与未来发展

结语


引言

在人工智能的快速发展中,生成对抗网络(Generative Adversarial Networks, GANs)无疑是近年来最为引人注目的创新之一。GANs通过一对“对抗”神经网络的竞争学习,成功地让机器学会了生成逼真的图片、音频、视频等数据。自2014年由Ian Goodfellow提出以来,GAN已经成为了生成式模型领域的革命性突破。本文将深入探索GAN的基本原理、工作机制及其应用,揭示它在多个领域中的广泛应用前景。

什么是生成对抗网络(GAN)?

生成对抗网络(GAN)是一种深度学习框架,由两个神经网络模型组成:生成器(Generator)和判别器(Discriminator)。这两个网络以对抗的方式进行训练,生成器的目标是生成尽可能真实的样本,而判别器则尝试区分生成样本和真实样本。

GAN的核心原理

GAN的训练过程可以看作是一个零和博弈(zero-sum game)。生成器和判别器分别是博弈中的两个参与者:

  • 生成器(Generator):通过从随机噪声(通常是高斯分布或均匀分布)中生成数据,尽可能地模仿真实数据。生成器的目标是“欺骗”判别器,让其无法区分生成的假数据和真实数据。

  • 判别器(Discriminator):接受输入数据(真实数据或生成数据),并尝试判断其是否为真实数据。判别器的目标是尽可能地准确区分真假数据。

在训练过程中,生成器和判别器不断进行对抗,生成器通过调整参数生成越来越逼真的数据,而判别器通过训练不断提高分辨真假数据的能力。最终,生成器生成的数据足够真实,判别器无法做出正确判断时,训练完成。

GAN的损失函数

GAN的损失函数是训练过程中两个网络目标的结合,通常采用交叉熵损失(Cross-Entropy Loss)

  • 生成器的目标是最大化判别器错误地认为生成数据为真实数据的概率。

训练过程中,判别器和生成器不断优化自己的损失函数,直到生成的数据难以与真实数据区分。

GAN的变种

自从GAN提出以来,研究人员提出了多种GAN的变种,用于解决原始GAN在训练中的不稳定性问题,或是扩展其应用范围。以下是一些常见的GAN变种:

1. 条件生成对抗网络(Conditional GAN, cGAN)

条件GAN是在传统GAN的基础上加入条件信息,使得生成的样本不仅依赖于随机噪声,还依赖于额外的条件信息(如标签、类别等)。通过这种方式,生成器可以根据特定条件生成特定类型的数据。

例如,在图像生成任务中,条件GAN可以根据输入的标签(如“猫”或“狗”)生成相应的猫或狗的图片。

2. 深度卷积生成对抗网络(DCGAN)

DCGAN采用卷积神经网络(CNN)作为生成器和判别器,用于生成高质量的图像。卷积层可以有效提取图像中的空间特征,从而生成更加真实的图像。DCGAN在图像生成领域的成功为GAN的应用奠定了基础。

3. 生成对抗网络的 Wasserstein 距离(WGAN)

WGAN通过使用Wasserstein距离(地球搬运距离)作为损失函数,解决了传统GAN在训练过程中可能出现的梯度消失或梯度爆炸问题。WGAN通过平滑的损失函数来改进训练稳定性,使得GAN在生成高质量图像时更加稳定。

4. CycleGAN

CycleGAN是一种无需成对数据的图像生成方法,特别适用于图像到图像的转换任务。例如,CycleGAN可以将一个城市的白天图像转换为夜晚图像,或将夏季景象转换为冬季景象。CycleGAN通过引入“循环一致性损失”来确保图像转换的合理性和真实性。

GAN的应用

GAN的强大生成能力使其在多个领域得到了广泛应用,以下是一些典型的应用场景:

1. 图像生成与修复

GAN最广泛的应用之一是在图像生成领域,能够生成高质量的合成图像。在计算机视觉领域,GAN被用来生成写实的艺术作品、虚拟人物,甚至能够修复低质量图像或图像中的缺失部分(图像修复)。例如,DeepFake技术就是基于GAN实现的,它能够生成逼真的面部表情合成视频。

2. 图像风格转换

GAN可用于将一种图像风格转化为另一种风格。例如,神经风格迁移(Neural Style Transfer)技术可以将一张照片转化为某种艺术家的绘画风格。CycleGAN等技术可以完成没有配对数据的图像风格转换任务。

3. 文本生成与自然语言处理

除了图像,GAN也被用于生成文本数据。生成式对抗网络可以在自然语言处理中生成新的文本,进行机器翻译或生成与上下文相关的对话内容。例如,文本生成模型可以用GAN生成逼真的新闻报道、故事等。

4. 视频生成与动作捕捉

GAN也在视频生成领域展现出强大的能力。例如,通过输入一张静态图片,生成连续的视频帧来模拟动态场景;或者利用GAN生成特定人物的动作捕捉数据,应用于动画制作或游戏开发。

5. 医学图像分析

GAN在医学图像分析中的应用正在迅速增长。例如,GAN可以帮助生成医学图像,解决数据稀缺问题,或用来处理低质量的医学图像(如CT或MRI扫描),帮助医生做出更准确的诊断。此外,GAN还可以用于模拟不同的病变图像,进行疾病预测。

6. 数据增强

在深度学习中,GAN可以用于生成合成数据,以增强训练数据集。例如,在医学图像领域,GAN可以通过生成合成的肿瘤影像来扩展现有的医学影像数据集,从而提高模型的训练效果和准确率。

GAN的挑战与未来发展

尽管GAN在各个领域取得了显著进展,但它仍然面临一些挑战:

  1. 训练不稳定性
    GAN的训练过程非常不稳定,生成器和判别器在训练过程中可能陷入“模式崩溃”(mode collapse),即生成器只能生成少数几种样本,缺乏多样性。为了解决这个问题,研究者提出了多种改进方案,但如何确保稳定性和收敛性依然是一个重要挑战。

  2. 评估标准缺乏
    目前,对于GAN生成样本的评估标准仍然较为模糊。常见的评价指标,如Inception Score(IS)和Frechet Inception Distance(FID)等,虽然能够提供一定的参考,但仍然不能完全反映生成样本的质量。

  3. 模式崩溃与多样性问题
    模式崩溃是GAN训练中常见的问题,即生成器只生成少数几种样本,而无法生成多样的样本。如何提高生成样本的多样性并避免模式崩溃,是GAN研究中的一个重要方向。

结语

生成对抗网络(GAN)以其强大的生成能力和灵活性,推动了人工智能领域的革命,特别是在图像生成、数据增强和文本生成等方面展现出了巨大的潜力。尽管GAN在训练稳定性、多样性和评估标准等方面仍然面临一些挑战,但随着技术的不断进步,GAN的应用场景将更加广泛,未来有望为更多行业带来创新和变革。

相关文章:

生成对抗网络(GAN):让机器学习“创造”新世界

目录 引言 什么是生成对抗网络(GAN)? GAN的核心原理 GAN的损失函数 GAN的变种 1. 条件生成对抗网络(Conditional GAN, cGAN) 2. 深度卷积生成对抗网络(DCGAN) 3. 生成对抗网络的 Wassers…...

JavaScript系列(87)--Webpack 高级配置详解

Webpack 高级配置详解 🛠️ Webpack 是前端工程化中最流行的构建工具之一,掌握其高级配置可以帮助我们构建更高效、更优化的应用。本文将深入探讨Webpack的高级配置技巧和最佳实践。 Webpack 核心概念回顾 🌟 💡 小知识&#xf…...

48.日常算法

1.面试题 03.06. 动物收容所 题目来源 动物收容所。有家动物收容所只收容狗与猫,且严格遵守“先进先出”的原则。在收养该收容所的动物时,收养人只能收养所有动物中“最老”(由其进入收容所的时间长短而定)的动物,或…...

MySql数据库运维学习笔记

数据库运维常识 DQL、DML、DCL 和 DDL 是 SQL(结构化查询语言)中的四个重要类别,它们分别用于不同类型的数据库操作,下面为你简单明了地解释这四类语句: 1. DQL(数据查询语言,Data Query Langu…...

Starlink卫星动力学系统仿真建模第十讲-基于SMC和四元数的卫星姿态控制示例及Python实现

基于四元数与滑模控制的卫星姿态控制 一、基本原理 1. 四元数姿态表示 四元数运动学方程: 3. 滑模控制设计 二、代码实现(Python) 1. 四元数运算工具 import numpy as npdef quat_mult(q1, q2):"""四元数乘法""…...

MongoDB学习

MongoDB 是一种流行的 NoSQL 数据库,以文档存储为核心,适用于高灵活性、高扩展性的场景。本文将从基础概念到实际应用,带你快速掌握 MongoDB 的核心操作。 1. MongoDB 简介 什么是 MongoDB? MongoDB 是一个基于分布式文件存储的…...

水利工程安全包括哪几个方面

水利工程安全培训的内容主要包括以下几个方面: 基础知识和技能培训 : 法律法规 :学习水利工程相关的安全生产法律法规,了解安全生产标准及规范。 事故案例 :通过分析事故案例,了解事故原因和教训&#x…...

九、数据治理架构流程

一、总体结构 《数据治理架构流程图》(Data Governance Architecture Flowchart) 水平结构:流程图采用水平组织,显示从数据源到数据应用的进程。 垂直结构:每个水平部分进一步划分为垂直列,代表数据治理的…...

Spring boot中的@ConfigurationProperties注解

Spring boot中的ConfigurationProperties注解 ConfigurationProperties 是 Spring Boot 提供的一个强大注解,用于将配置文件(如 application.properties 或 application.yml)中的配置绑定到一个 Java 对象中。它不仅简化了配置管理&#xff…...

04性能监控与调优篇(D2_JVM调优⼯具)

目录 学习前言 讲解一:理论篇(深入理解JVM第三版) 一、虚拟机性能监控、故障处理工具 1. 基本介绍 2. 基础故障处理工具 jps:虚拟机进程状况工具 jstat:虚拟机统计信息监视工具 jinfo:Java配置信息工…...

DeepSeek 提示词:基础结构

🧑 博主简介:CSDN博客专家,历代文学网(PC端可以访问:https://literature.sinhy.com/#/?__c1000,移动端可微信小程序搜索“历代文学”)总架构师,15年工作经验,精通Java编…...

OkHttp、Retrofit、RxJava:一文讲清楚

一、okHttp的同步和异步请求 Call 是 OkHttp 的核心接口,代表一个已准备好执行的 HTTP 请求。它支持 同步 和 异步 两种模式: enqueue——>okHttp异步 OkHttpClient client new OkHttpClient();Request request new Request.Builder().url("…...

AI前端加速科学研究:ScriptEcho赋能科研新纪元

科学研究正面临前所未有的挑战。数据以前所未有的速度爆炸式增长,研究课题也变得日益复杂。如何高效地处理海量数据、构建复杂模型、并将其转化为有意义的结论,成为摆在科研人员面前的一道难题。传统的科研模式往往需要耗费大量的时间和精力在数据处理、…...

从零到一:如何用阿里云百炼和火山引擎搭建专属 AI 助手(DeepSeek)?

本文首发:从零到一:如何用阿里云百炼和火山引擎搭建专属 AI 助手(DeepSeek)? 阿里云百炼和火山引擎都推出了免费的 DeepSeek 模型体验额度,今天我和大家一起搭建一个本地的专属 AI 助手。  阿里云百炼为 …...

ChatGPT背后的理论基础:从预训练到微调的深度解析

友情提示:本文内容由银河易创(https://ai.eaigx.com)AI创作平台GPT-4o-mini模型生成,仅供参考。请根据具体情况和需求进行适当的调整和验证。 随着人工智能特别是自然语言处理技术的飞速发展,ChatGPT作为一种强大的对话…...

Java八股文(下)

Java八股文下篇 八、JVM高级篇1、JVM的内存模型以及分区介绍一下?2、四种引用方式有什么?3、判断是否为垃圾算法?4、垃圾回收算法介绍一下?5、类的生命周期以及类加载过程6、加载器种类有什么?7、什么是双亲委派模型以…...

软考高级【网络规划设计师】 综合知识

引言:软考高级【网络规划设计师】共分为3个部分,综合知识,案例分析,论文。这里主要讲诉综合知识的相关内容。综合知识一共75道单选,题目跟网工类似,稍难。 第1章 计算机网络基础 考点分析: 本…...

django框架使用

一、app注册: pycharm使用django框架,注意在注册界面时就创建app,如果没有创建app。就在终端中运行 python manage.py startapp [app名] 然后再在settings.py里注册。 格式为: [app名].apps.[首字母大写的app名]Config 二、创…...

Linux主机用户登陆安全配置

Linux主机用户登陆安全配置 在Linux主机上进行用户登录安全配置是一个重要的安全措施,可以防止未经授权的访问。以下是如何创建用户hbu、赋予其sudo权限,以及禁止root用户SSH登录,以及通过ssh key管理主机用户登陆。 创建用户hbu 使用具有…...

MySQL | MySQL库、表的基本操作

MySQL库、表的基本操作01 一、库操作1.1 查看数据库1.2 创建数据库1.3 选择数据库1.4 查看创建数据库的SQL语句1.5 修改数据库1.6 删除数据库 二、表操作2.1 创建数据表2.2 查看表2.3 查看表结构2.4 查看创建数据库的SQL语句2.5 修改表2.6 删除表 ⚠️MySQL版本 8.0 一、库操作…...

【Uniapp-Vue3】在uniapp中使用pinia的基本用法

引入pinia: 在main.js中对pinia进行引入,使用和导出 import * as Pinia from pinia; // 引入pinia app.use(Pinia.createPinia()); // 使用pinia 在项目根目录下创建一个stores文件夹,里面创建一个counter.js文件 我们在counter.js中定义…...

mysql中的计算日期函数 理解、用法

三种计算日期的函数 函数用途示例DATEDIFF()计算两个日期的天数差DATEDIFF(2023-10-05, 2023-10-01) → 4TIMESTAMPDIFF()按指定单位(年、月、小时等)计算差TIMESTAMPDIFF(MONTH, 2023-01-01, 2023-03-01) → 2DATE_ADD()日期加法DATE_ADD(2023-10-01, …...

HTTP实验(ENSP模拟器实现)

目录 HTTP概述 HTTP实验 HTTPS 实验 HTTP概述 HTTP(HyperText Transfer Protocol,超文本传输协议),设计HTTP最初的目的是为了提供一种发布和接收HTML页面的方法。 HTTP定义了多种请求方法,常用的包括: …...

Ubuntu指令(一)

一、终端操作指令 打开终端,有两种便捷方式: 直接点击系统中的终端按钮;使用快捷键ctrl alt T。 关闭终端,同样有多种选择: 在终端输入exit指令;使用快捷键ctrl d;直接点击终端窗口的关闭…...

结构型模式 - 装饰者模式 (Decorator Pattern)

结构型模式 - 装饰者模式 (Decorator Pattern) 在展开讲装饰者模式之前,不得不提一下代理模式,因为这两者在一定的层度上是有相似性的, 通过对比可以让我们更好的理解装饰者. 定义与核心目的 装饰者模式 定义:动态地将责任附加到对象上。若要扩展功能&#xff0c…...

11.Docker 之分布式仓库 Harbor

Docker 之分布式仓库 Harbor Docker 之分布式仓库 Harbor1. Harbor 组成2. 安装 Harbor Docker 之分布式仓库 Harbor Harbor 是一个用于存储和分发 Docker 镜像的企业级 Registry 服务器,由 VMware 开源,其通过添加一些企业必需的功能特性,例…...

vue2使用xlsx依赖导出excel并封装组件

1. 安装 npm install xlsx file-saver --save2. 简单封装 import * as XLSX from xlsx; import { saveAs } from file-saver;export function exportExcel(data, fileName) {return new Promise((resolve, reject) > {if (!data || !data.length) {return reject(new Erro…...

Python入门12:面向对象的三大特征与高级特性详解

面向对象编程(OOP)是Python编程中非常重要的一部分,它通过封装、继承和多态这三大特征,帮助我们更好地组织和管理代码。除此之外,Python还提供了一些其他特性,如类属性、类方法和静态方法,进一步…...

JVM之JVM的组成

Java 虚拟机(JVM)是 Java 程序的运行核心,它主要由类加载系统、运行时数据区、执行引擎和本地方法接口这几个关键部分组成。 类加载系统(Class Loading System) 类加载系统负责在程序运行时动态地将 Java 类加载到 J…...

计算机毕业设计SpringBoot+Vue.js中小型医院网站(源码+文档+PPT+讲解)

温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 作者简介:Java领…...

滑动验证组件-微信小程序

微信小程序-滑动验证组件&#xff0c;直接引用就可以了&#xff0c;效果如下&#xff1a; 组件参数&#xff1a; 1.enable-close&#xff1a;是否允许关闭&#xff0c;默认true 2.bind:onsuccess&#xff1a;验证后回调方法 引用方式&#xff1a; <verification wx:if&qu…...

【DeepSeek问答】QProcess::start是异步的吗?会使UI卡顿吗?

好的&#xff0c;我现在需要回答用户关于QProcess::start是否是异步的&#xff0c;以及它是否会导致UI卡顿的问题。用户之前已经询问过如何开发一个调用7-Zip的Qt应用&#xff0c;并且我给出了示例代码。现在用户可能在使用过程中遇到了问题&#xff0c;或者想更深入了解QProce…...

WebXR教学 01 基础介绍

什么是WebXR&#xff1f; 定义 XR VR AR Web上使用XR技术的API WebXR 是一组用于在 Web 浏览器中实现虚拟现实&#xff08;VR&#xff09;和增强现实&#xff08;AR&#xff09;应用的技术标准。它由 W3C 的 Immersive Web 工作组开发&#xff0c;旨在提供跨设备的沉浸式体验…...

数据开发面试:DQL,

DQL常见面试题 where 和 having 的区别 三个排序开窗函数的区别 left join 用where 筛选 和 用on筛选的区别 ON 子句&#xff1a;用于定义连接条件&#xff0c;不会丢失左表的行。 WHERE 子句&#xff1a;用于过滤连接后的结果集&#xff0c;可能会丢失左表中没有匹配的行 …...

sage-huga改进SITAN

Sage-Husa自适应滤波算法 Sage-Husa自适应滤波算法是一种在递推滤波过程中实时估计和修正系统噪声和观测噪声统计特性的算法,从而降低系统模型误差,提高滤波精度。该算法基于卡尔曼滤波,并通过自适应调整噪声协方差矩阵来优化滤波效果。 算法原理 Sage-Husa滤波器的核心思…...

深入解析React useEffect与useLayoutEffect:区别、原理与实践

&#x1f30c; ‌深入解析React useEffect与useLayoutEffect&#xff1a;区别、原理与实践 在React函数组件中&#xff0c;useEffect和useLayoutEffect是处理副作用的两个核心Hook。它们看似相似&#xff0c;但在执行时机和应用场景上有本质区别。本文将通过‌原理剖析‌、‌对…...

1分钟用DeepSeek编写一个PDF转Word软件

一、引言 如今&#xff0c;在线工具的普及让PDF转Word成为了一个常见需求&#xff0c;常见的pdf转word工具有收费的wps&#xff0c;免费的有pdfgear&#xff0c;见下文&#xff1a; PDFgear:一款免费的PDF编辑、格式转化软件-CSDN博客 还有网上在线的免费pdf转word工具smallp…...

百度觉醒,李彦宏渴望光荣

文 | 大力财经 作者 | 魏力 2025年刚刚开年&#xff0c;被一家名为DeepSeek的初创公司强势改写。在量化交易出身的创始人梁文锋的带领下&#xff0c;这支团队以不到ChatGPT 6%的训练成本&#xff0c;成功推出了性能可与OpenAI媲美的开源大模型。 此成果一经问世&#xff0c;…...

MySQL知识

1.Navicat客户端连接 打开navicat&#xff0c;点击连接&#xff0c;点击MySQL 输入连接名与密码&#xff0c;如果连接的mysql是windows下的mysql主机号就填写localhost 填写好后点击测试连接 点击确定&#xff0c;mysql连接navicat成功 2.MySQL数据定义语言(DDL) DDL用于数据库…...

从零开始用react + tailwindcs + express + mongodb实现一个聊天程序(三) 实现注册 登录接口

1.划分文件夹 在src目录下创建controllers middleware models routes controllers 放具体的方法 signup login middleware 里面是中间件 请求的验证 models 放对象实体 routes 处理访问路径像/signup /login 等等 2. 接口开发 系统的主要 有用户认证 和 消息 2种类型…...

Pytorch实现之浑浊水下图像增强

简介 简介:这也是一篇非常适合GAN小白们上手的架构文章!提出了一种基于GAN的水下图像增强网络。这种网络与其他架构类似,生成器是卷积+激活函数+归一化+残差结构的组成,鉴别器是卷积+激活函数+归一化以及全连接层。损失函数是常用的均方误差、感知损失和对抗损失三部分。 …...

代码异常(js中forEach)NO.3

1. 环境 Vue3&#xff0c;Element Plsu 2. 示例代码 dataList.value.forEach((x) > {if (x.id ids.value[0]) {x { id: ids.value[0], ...form.value }}})3. 情景描述 循环不能正确改变dataList.value里面的值 4. 原因 在 JavaScript 中&#xff0c;forEach 的回调函…...

Vue 报错error:0308010C:digital envelope routines::unsupported 解决方案

Vue 报错error:0308010C:digital envelope routines::unsupported 解决方案 拿了一个比较老的项目部署在本地&#xff0c;然后先安装依赖npm install,最后npm run serve,在run serve的时候报错&#xff1a;报错error:0308010C:digital envelope routines::unsupported&#xff…...

stm32108键C-B全调性_动态可视化乐谱钢琴

108键全调性钢琴 一 基本介绍1 项目简介2 实现方式3 项目构成 二 实现过程0 前置基本外设驱动1 声音控制2 乐谱录入&基础乐理3 点阵屏谱点动态刷新4 项目交互控制5 录入新曲子过程 三 展示&#xff0c;与链接视频地址1 主要功能函数一览2 下载链接3 视频效果 一 基本介绍 …...

OpenIPC开源FPV之Adaptive-Link安装

OpenIPC开源FPV之Adaptive-Link安装 1. 源由2. 介绍2.1 天空端安装2.2 地面端安装 3. 问题汇总3.1 安装脚本问题3.2 网络安装问题3.3 非SSC30KQ/SSC338Q硬件3.4 代码疑问 4. 总结5. 后续 1. 源由 鉴于飞行过程&#xff0c;发现一些马赛克现象&#xff0c;且60FPS桌面30FPS的录…...

2016年下半年试题二:论软件设计模式及其应用

论文库链接&#xff1a;系统架构设计师论文 论文题目 软件设计模式(Software DesignPatter)是一套被反复使用的、多数人知晓的、经过分类编目的代码设计经验的总结。使用设计模式是为了重用代码以提高编码效率增加代码的可理解性、保证代码的可靠性。软件设计模式是软件开发中的…...

UE(虚幻)学习(五)初学创建NPC移动和遇到的问题

最近在学习UE中遇到一些问题&#xff0c;把这些问题记录一下&#xff0c;因为实在废了很大功夫。 在学习了UE5的例子中的第三人称移动Demo&#xff0c;想实现几个NPC在场景内移动。 本来想自己写一个类&#xff0c;遇到一堆问题花费了好几天时间&#xff0c;所以我把问题写下来…...

《Keras 2 :使用 RetinaNet 进行对象检测》:此文为AI自动翻译

《Keras 2 :使用 RetinaNet 进行对象检测》 作者:Srihari Humbarwadi 创建日期:2020/05/17 最后修改日期:2023/07/10 描述:实施 RetinaNet:用于密集对象检测的焦点损失。 (i) 此示例使用 Keras 2 在 Colab 中查看 • 介绍 目标检测是计算机中非常重要的问题 视觉。在…...

mfy学习笔记

创建表并导入数据 CREATE TABLE sales (id INT,salesperson STRING,region STRING,sales_amount INT,sale_date DATE );INSERT INTO sales (id, salesperson, region, sales_amount, sale_date) VALUES (1, Alice, North, 1000, 2023-01-01), (2, Bob, South, 1500, 2023-01-0…...

mysql 学习19 MYSQL管理以及使用工具

系统数据库 常用工具 mysql [rootCentOS7 home]# mysql -h192.168.245.131 -P3306 -uroot -pmimaroot -e "select * from tb_sanguo_user;" centositcast [rootCentOS7 home]# mysql -h192.168.245.131 -P3306 -uroot -pmimaroot centositcast -e "select * fr…...