4.训练篇2-毕设篇
resnet
# 1. 从 torchvision 中加载预训练的 ResNet18 模型
# pretrained=True 表示使用在 ImageNet 上预训练过的参数，学习效果更好
base_model_resnet18 = models.resnet18(pretrained=True)# 2. 获取 ResNet18 模型中全连接层（fc）的输入特征数
# 这是为了方便替换成我们自己任务的输出类别数
num_ftrs = base_model_resnet18.fc.in_features# 3. 替换原来的全连接层
# 原本的 fc 层是用来预测 1000 类（ImageNet），现在我们改成自己项目的 num_classes 类
# 比如 ASL 手势识别是 29 类，就写 nn.Linear(num_ftrs, 29)
base_model_resnet18.fc = nn.Linear(num_ftrs, num_classes)# 4. 把模型移动到 GPU 或 CPU 上进行训练
# device 变量一般是提前设置好的，比如：device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
base_model_resnet18 = base_model_resnet18.to(device)# 5. 使用模型对一批图像做预测
# 假设 b_img_rgb 是一个 batch 的图像张量（例如大小为 [64, 3, 224, 224]），表示 64 张 RGB 图
# .to(device) 表示把图像也放到和模型相同的设备上（GPU/CPU）
# 调用模型，相当于做前向传播，输出每张图片在 29 个类别上的得分（logits）
base_model_resnet18(b_img_rgb.to(device)).shape
输出torch.Size([64, 29])
表示：模型为每张图像输出了一个 长度为 29 的向量，每个数字代表这张图在某一类上的预测得分（不是概率，还没 softmax）。
base_model_resnet18 = models.resnet18(pretrained=True)
创建一个基于 ResNet18 的图像分类模型，并加载预训练参数，把它存到变量 base_model_resnet18中
loss_fn = nn.CrossEntropyLoss()
# 定义一个“交叉熵损失函数”（Cross Entropy Loss）
# 这个函数专门用于“分类问题”（比如手势识别有 29 个类别）
# 它会比较：
# - 模型输出的预测结果（如：[0.1, 0.2, ..., 0.05]）
# - 和真实的标签（如：第 3 类）
# 然后计算两者差距，差距越小越好，模型就越准确。
optimizer = torch.optim.SGD(base_model_resnet18.parameters(), lr=1e-3)
# 定义一个优化器，用来更新模型参数，让 loss 更小
# 使用的是 “随机梯度下降（SGD）” 优化方法
# 参数解释：
# base_model_resnet18.parameters()：告诉优化器要优化哪些参数（就是模型的全部参数）
# lr=1e-3：学习率（learning rate），表示每次更新的步子有多大，这里是 0.001
loss_fn = nn.CrossEntropyLoss() | 定义分类任务用的损失函数，用来衡量“模型预测”和“真实标签”的差距 |
optimizer = torch.optim.SGD(...) | 定义优化器，训练过程中帮你更新模型参数，让模型学得更好 |
# 设置训练轮数（epoch 表示：把整个训练集过一遍）
epochs = 25 # 一共训练 25 轮# 创建空列表，用来保存每一轮的训练/测试损失和准确率（后面可以画图）
train_loss_list = [] # 存每一轮训练集的 loss
train_acc_list = [] # 存每一轮训练集的准确率
test_loss_list = [] # 存每一轮测试集的 loss
test_acc_list = [] # 存每一轮测试集的准确率# 开始训练循环，共执行 epochs 次
for t in range(epochs):print(f"Epoch {t+1}\n-------------------------------") # 打印当前是第几轮训练# ---------- 训练模型 ----------# 调用你自定义的 train() 函数，执行一轮训练# 它会对 base_model_resnet18 模型进行训练，使用指定的 loss 函数和优化器train(train_dataloader, base_model_resnet18, loss_fn, optimizer)# ---------- 评估模型 ----------# 在训练集上测试模型效果，获取当前的 loss 和 正确率train_loss, train_correct = test(train_dataloader, base_model_resnet18, loss_fn)# 在测试集（验证集）上测试模型效果，获取 loss 和 正确率test_loss, test_correct = test(test_dataloader, base_model_resnet18, loss_fn)# ---------- 保存数据 ----------# 把每一轮的损失和准确率保存到列表中，后面可以画图分析训练效果train_loss_list.append(train_loss)train_acc_list.append(train_correct)test_loss_list.append(test_loss)test_acc_list.append(test_correct)# 所有训练轮次完成
print("Done!")
# 把训练集准确率记录保存为 acc
acc = train_acc_list# 把测试集准确率记录保存为 val_acc（val 表示 validation）
val_acc = test_acc_list# 把训练集损失记录保存为 loss
loss = train_loss_list# 把测试集损失记录保存为 val_loss
val_loss = test_loss_list# 创建一个迭代次数（epoch）的范围，比如 range(25) 表示从 0 到 24
epochs_range = range(epochs)# 设置画布大小为 8x8 英寸
plt.figure(figsize=(8, 8))# 画第一个子图（1行2列的第1个图）：准确率曲线
plt.subplot(1, 2, 1) # 行数=1，列数=2，这是第1个图
plt.plot(epochs_range, acc, label='Training Accuracy') # 训练集准确率折线图
plt.plot(epochs_range, val_acc, label='Validation Accuracy') # 验证集准确率折线图
plt.legend(loc='lower right') # 设置图例显示在右下角
plt.title('Training and Validation Accuracy') # 设置标题# 画第二个子图（1行2列的第2个图）：损失曲线
plt.subplot(1, 2, 2) # 行数=1，列数=2，这是第2个图
plt.plot(epochs_range, loss, label='Training Loss') # 训练集损失折线图
plt.plot(epochs_range, val_loss, label='Validation Loss') # 验证集损失折线图
plt.legend(loc='upper right') # 图例显示在右上角
plt.title('Training and Validation Loss') # 设置标题# 显示整个图像
plt.show()
# 创建空列表：用于保存最终的预测标签、真实标签、预测概率
predict_list = [] # 保存预测标签（整数类编号）
label_list = [] # 保存真实标签（整数类编号）
predict_pro_list = [] # 保存预测概率（softmax 后的概率）# 创建 softmax 层，将模型的输出 logits 转换为概率分布（每一类的可能性）
m_softmax = nn.Softmax(dim=1) # dim=1 表示在每一行上做 softmax（对每张图片的输出做 softmax）# 遍历测试数据集中的每一个 batch（图像+真实标签）
for (img_rgb, y) in test_dataloader:# 把图像和标签送到和模型一样的设备上（CPU 或 GPU）img_rgb = img_rgb.to(device)y = y.to(device)# 模型对图像进行预测，输出的是“原始得分”（logits）predict_score = base_model_resnet18(img_rgb)# 将原始得分用 softmax 转换为概率predict_pro = m_softmax(predict_score) # 每张图会得到一个 shape=[num_classes] 的概率向量# 使用 numpy 的 argmax，取概率最大值对应的类别编号作为“预测标签”predict_label = np.argmax(predict_score.detach().cpu().numpy(), axis=1)# 把每个 batch 的 softmax 概率保存到列表中predict_pro_list.append(predict_pro.detach().cpu().numpy())# 把预测标签保存到列表中predict_list.append(predict_label)# 把真实标签也保存到列表中（用于后面比较准确率等）label_list.append(y.detach().cpu().numpy())# 将预测的概率拼接成一个大矩阵（np.vstack 是垂直拼接）
# 然后取第 2 列（[:,1]），表示预测为“第2类（index=1）”的概率 —— 适用于二分类
predict_pro_array = np.vstack(predict_pro_list)[:, 1]# 将预测标签列表拼接成一维数组（从多个 batch 拼起来）
predict_array = np.hstack(predict_list)# 将真实标签列表也拼接成一维数组
label_array = np.hstack(label_list)# 打印前 5 个预测概率、预测标签、真实标签，看看模型表现
predict_pro_array[:5], predict_array[:5], label_array[:5]
相关文章：
4.训练篇2-毕设篇
resnet # 1. 从 torchvision 中加载预训练的 ResNet18 模型 # pretrainedTrue 表示使用在 ImageNet 上预训练过的参数，学习效果更好 base_model_resnet18 models.resnet18(pretrainedTrue)# 2. 获取 ResNet18 模型中全连接层（fc）的输入特征…...
Ubuntu 系统中，每日健康检查
一、手动检查命令（基础项） 1. 系统资源监控 内存使用： free -h # 查看内存和交换空间使用情况 cat /proc/meminfo | grep -i "memavailable" # 查看可用内存CPU 负载： top -n 1 -b | grep "load ave…...
#CX# UVM中的virtual sequence 和 virtual sequencer 的用途
在UVM中，Virtual Sequence（虚拟序列） 的核心用途是协调多个物理Sequencer上的Sequence执行，以实现跨接口、跨组件的复杂事务同步和场景控制。 1. 核心用途 多接口协同测试 当验证场景需要多个接口（如DUT的AXI、I2C、UART接口）同时或按特定顺序发送事务时，Virtual Seque…...
vue：突然发现onok无法使用
const that this;this.$confirm({title: "修改商品提示",content: "如果当前商品存在于商品活动库，则在商品活动库的状态会下架",onOk: function () {that.submitForm();}}); 突然发现 this.$confirm无法进入onok 最终发现是主题冲突&#x…...
开发过程中需要安装的浏览器插件
Vue.js devtools https://chromewebstore.google.com/detail/vuejs-devtools/nhdogjmejiglipccpnnnanhbledajbpd?hlzh-CN&utm_sourceext_sidebar ModHeader https://chromewebstore.google.com/detail/modheader-modify-http-hea/idgpnmonknjnojddfkpgkljpfnnfcklj?utm…...
基于javaweb的SpringBoot房屋出租系统设计与实现(源码+文档+部署讲解）
技术范围：SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等设计与开发。 主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论文…...
小程序某点餐平台全自动化实现思路
某德基全自动化实现 一、实现思路二、具体步骤1、分析接口2、破解接口3、解决自动支付4、获取订单 三、其他 以下内容仅供学习交流使用 粗略讲解一下思路，要完全实现只靠以下这些内容还是不够的。 一、实现思路 全自动化实现用的是小程序版本。我们首先要分析整个…...
红宝书第二十讲：详解JavaScript的Proxy与Reflect
红宝书第二十讲：详解JavaScript的Proxy与Reflect 资料取自《JavaScript高级程序设计（第5版）》。 查看总目录：红宝书学习大纲 一、Proxy的作用：给对象戴上“监听耳机” Proxy（代理）允许你为对象…...
Contactile三轴触觉传感器：多维力感赋能机器人抓取
在非结构化环境中，机器人对物体的精准抓取与操作始终面临巨大挑战。传统传感器因无法全面感知触觉参数（如三维力、位移、摩擦），难以适应复杂多变的场景。Contactile推出的三轴触觉力传感器，通过仿生设计与创新光学技术…...
18-动规-子序列中的 k 种字母（中等）
题目 来源 28. 子序列中的 k 种字母（第一期模拟笔试） 思路 基本分析 子序列的定义 子序列是从原序列中选取部分元素，同时保持这些元素在原序列中的相对顺序所形成的新序列。也就是说，子序列中的元素不需要在原序列中连续出现…...
Lua 数组
Lua 数组 引言 Lua 是一种轻量级、高效的脚本语言，广泛应用于游戏开发、服务器端编程等领域。在 Lua 中，数组是一种非常重要的数据结构，它允许开发者以高效的方式存储和操作一系列数据。本文将详细介绍 Lua 数组的相关知识，包括…...
C 语言的未来：在变革中坚守核心价值
一、从 “古老” 到 “长青”：C 语言的不可替代性 诞生于 20 世纪 70 年代的 C 语言，历经半个世纪的技术浪潮，至今仍是编程世界的 “基石语言”。尽管 Python、Java 等高级语言在应用层开发中占据主流，但 C 语言在系统级编程和资…...
springboot3 基于 logback
1.配置 logging:level:root: ${ROOT_LOG_LEVEL:debug}web: ${ROOT_WEB_LEVEL:info}org.hibernate.orm.jdbc.bind: ${ROOT_SQL_PARAM_LEVEL:info} #打印SQL参数2.基于 logback-spring.xml配置 <?xml version="1.0" encoding="UTF-8"?> <configu…...
网络相关的知识总结1
1.设备可以通过以太网电缆（如双绞线）连接到交换机的端口，交换机也通过以太网电缆连接到路由器。但是如果距离过远，比如跨国路由器如何连接？ 1.专用通信线路（如 MPLS、光纤专线）：租用…...
)
Rust vs. Go: 性能测试(2025)
本内容是对知名性能评测博主 Anton Putra Rust vs. Go (Golang): Performance 2025 内容的翻译与整理, 有适当删减, 相关数据和结论以原作结论为准。 再次对比 Rust 和 Go，但这次我们使用的是最具性能优势的 HTTP 服务器库---Hyper，它基于 Tokio 异步运…...
如何使用postman调用多参数接口（包含文件上传）
🤟致敬读者 🟩感谢阅读🟦笑口常开🟪生日快乐⬛早点睡觉 📘博主相关 🟧博主信息🟨博客首页🟫专栏推荐🟥活动信息 文章目录 如何使用postman调用包含文件参数的多参数接…...
无人机助力道路智能养护，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建无人机航拍道路交通场景下水泥路面缺陷智能检测识别系统
道路养护是保障交通命脉安全的隐形防线，其重要性不亚于道路建设本身。我国每年因道路病害引发的交通事故占比高达12%，及时修复1平方米的早期裂缝可避免后续数万元的修复成本。在这场与道路病害赛跑的战役中，传统养护模式正遭遇前所未有的挑战…...
28_跨域
目录 promise promise的基本语法 async await try catch promise 静态方法 跨域 跨域的解决方案 1-cors 编辑 2-jsonp方案 3-代理服务器 promise promise 是一个es6新增的语法 承诺的意思 作用:是专门用来解决回调地狱!!!! promise的基本语法 // 基本语法:// Pr…...
【C#.NET】VS2022创建Web API项目
C# Web API 是一种基于 .NET 平台（包括但不限于.NET Framework 和 .NET Core）构建 HTTP 服务的框架，用于创建 RESTful Web 服务。REST（Representational State Transfer）是一种软件架构风格，它利用HTTP协议…...
注意力蒸馏技术
文章目录 摘要abstract论文摘要简介方法预备知识注意力蒸馏损失注意力引导采样 实验结论总结参考文献 摘要 本周阅读了一篇25年二月份发表于CVPR 的论文《Attention Distillation: A Unified Approach to Visual Characteristics Transfer》,论文开发了Attention Distillation…...
Day17 -实例：利用不同语言不同框架的特征 进行识别
前置：我们所需的web站点，都可以利用fofa去搜索，例如：app"flask"这样的语句去找对应的站点，找到后，我们模拟不知道是什么框架，再根据特征去判断它的框架。 ***利用工具可以再去结合大…...
Centos7 安装 TDengine
Centos7 安装 TDengine 1、简介 官网： https://www.taosdata.com TDengine 是一款开源、高性能、云原生的时序数据库（Time Series Database, TSDB）, 它专为物联网、车联网、工业互联网、金融、IT 运维等场景优化设计。同时它还带有内建的缓…...
DeepSeek调用API访问，使用AnythingLLM建立本地知识库后开放API调用，ApiFox/PostMan调用本地DeepSeek
上篇文章中我们使用AnythingLLM成功在本地部署了DeepSeek的本地知识库，并且上传了几个文件让DeepSeek学习，可点击查看： 本地部署DeepSeek并使用AnythingLLM建立本地知识库全流程，DeepSeek-R1:7b本地安装部署,DeepSeek-R1本地部署…...
SQL语句---DDL
文章目录 1、SQL语句2、DDL2.1 数据库的操作显示当前的数据库创建数据库指定编码删除数据库切换当前数据库 2.2 数据表的操作显示表创建表显示表结构修改表添加新的字段删除原有字段 修改原有字段删除数据表 2.3 Mysql数据库中常用的数据类型 1、SQL语句 结构化查询语句&#…...
Java实战：实现用户的登录注册功能
系列文章目录 Java文件 I/O流的操作实战和高级UI组件和事件监听的综合 文章目录 系列文章目录前言一、大致流程思路分析：二、定义用户类：三、服务层的实现： 1.保护用户数据功能的实现2.登录操作的实现 四、实现用户的注册界面： 大…...
用LLama factory时报类似Process 2504721 got signal: 1的解决方法
之前用nohup来远程跑LLama factory微调脚本，是没有问题的，但今天发现运行类似下面这个命令时， nohup llamafactory-cli train examples/train_qlora/qwen_lora.yaml 只要一关闭ssh session，就会终止训练，报类似&…...
WPF ContentTemplate
ContentTemplate 是一个非常重要的属性，用于定义 ContentPresenter 中内容的显示样式。通过设置 ContentTemplate，你可以控制 ContentPresenter 如何呈现其绑定的内容。 下面是对 ContentTemplate 的详细解释以及它的作用和用法。 1. ContentTemplate 的…...
powershell7.5.0不支持conda的问题
经历：这周手欠使用vscode的powershell时提示我更新，我就更新了，更新完激活不了conda环境了，查询了半天是powershell最新版7.5.0与目前conda25.1.1以前的版本不支持的问题。 问题环境：powershell版本>7.5.0ÿ…...
 触发的处理逻辑)
SSE SseEmitter.completeWithError(e) 触发的处理逻辑
在 Java 客户端使用 OkHttp 监听 SSE（Server-Sent Events） 的情况下，当服务端调用 SseEmitter.completeWithError(e)，客户端会触发 EventSourceListener 的 onFailure() 方法（而不是 onError）。 1. 服务端&…...
JAVA反序列化深入学习（八）：CommonsCollections6
与CC5相似： 在 CC5 中使用了 TiedMapEntry#toString 来触发 LazyMap#get在 CC6 中是通过 TiedMapEntry#hashCode 来触发 LazyMap#get 之前看到了 hashcode 方法也会调用 getValue() 方法然后调用到其中 map 的 get 方法触发 LazyMap，那重点就在于如何在反…...
科技快讯 | 韩国科学家研发出全球首款仿生液态机器人；OpenAI推出GPT-4o图像生成功能
韩国科学家研发出全球首款仿生液态机器人，自由变形穿越金属栅栏 韩国首尔大学等研究团队开发出一种基于液体的下一代软体机器人，具有细胞仿生特性，能自由变形、分裂融合，并执行物质运输任务。该机器人采用“颗粒装甲”设计&#x…...
[Vue2]v-model用于表单
之前我们讲到过v-model用于双向绑定一个数据，通常用于表单提交数据。而之前的演示里只演示了文本输入栏，这里详细演示一下其他表单输入时使用v-model。 文本输入 文本输入数据就是经典的type"text"： <input type"text&qu…...
【机器学习】imagenet2012 数据预处理数据预处理
【机器学习】数据预处理 1. 下载/解压数据2. 数据预处理3. 加载以及训练代码3.1 使用PIL等加载代码3.2 使用OpenCV的方式来一张张加载代码3.3 h5的方式来加载大文件 最后总结 这个数据大约 140个G,128w的训练集 1. 下载/解压数据 首先需要下载数据： 数据最后处理…...
基于pycatia的CATIA零部件激活状态管理技术解析
一、问题背景：CATIA激活状态管理的痛点 在CATIA V5/V6的装配设计过程中，工程师经常使用激活状态控制（Activation）来管理大型装配体的显示性能。但实际使用中存在一个典型问题：当零部件被取消激活（Deac…...
基于javaweb的SpringBoot水果生鲜商城系统设计与实现(源码+文档+部署讲解）
技术范围：SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等设计与开发。 主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论…...
JVM 内存模型（JDK8+）
1. 内存模型结构图解 JVM 内存模型（JDK 8） ├── **线程私有区** │ ├── 程序计数器（Program Counter Register） │ ├── 虚拟机栈（VM Stack） │ │ └── 栈帧（局…...
基于飞腾FT2000/4的全国产标准6U VPX板卡，支持银河麒麟
1 功能 高可靠性的基于飞腾公司FT2000/4的处理器以及 X100 芯片组的标准6U VPX板卡，具有以太网、SATA、PCIE，以及显示等接口，产品功能框图如图1所示： 图 1 功能框图 2 技术指标 本产品功能和性能指标，见表 1。 表1 产品…...
【从零实现Json-Rpc框架】- 项目实现 - Dispatcher模块实现篇
📢博客主页：https://blog.csdn.net/2301_779549673 📢博客仓库：https://gitee.com/JohnKingW/linux_test/tree/master/lesson 📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正！ &…...
WPS宏开发手册——JSA语法练习
目录 系列文章3、JSA语法练习3.1、运算练习3.2、比较练习3.3、if else练习3.4、for 练习3.5、字符串、数组方法练习3.6、语义转编程练习题 系列文章 使用、工程、模块介绍 JSA语法 JSA语法练习题 Excel常用Api 后续EXCEL实战、常见问题、颜色附录，持…...
【自学笔记】Go语言基础知识点总览-持续更新
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 1. Go 语言简介2. 基本语法变量声明与赋值常量数据类型运算符 3. 控制结构条件语句循环语句 4. 函数函数定义与调用多返回值匿名函数与闭包 5. 并发编程goroutinech…...
PyQt6实例_批量下载pdf工具_主线程停止线程池
目录 前置： 代码： 视频： 前置： 1 本系列将以 “PyQt6实例_批量下载pdf工具”开头，放在 【PyQt6实例】 专栏 2 本系列涉及到的PyQt6知识点： 线程池：QThreadPool,QRunnable； 信号与…...
在 Vue 项目中，登录成功后是否存储 token 与用户信息到本地
答案：不安全 举例：直接使用localStorage存储，本地存储可能会被 XSS 攻击窃取 localStorage.setItem(token, response.token)localStorage.setItem(userInfo, JSON.stringify({username: response.username,email: response.email})) 推荐方…...
【加密社】做一个展示币种价格的组件
具体的代码是以下,可以看到 <div id"crypto-price-widget"><p class"loading">Loading cryptocurrency prices... <span class"spinner"></span></p> </div><script> document.addEventListener(DOM…...
CANoe入门——CANoe的诊断模块，调用CAPL进行uds诊断
目录 一、诊断窗口介绍 二、诊断数据库文件管理 三、添加基础诊断描述文件（若没有CDD/ODX/PDX文件）并使用对应的诊断功能进行UDS诊断 3.1、添加基础诊断描述文件 3.2、基于基础诊断，使用诊断控制台进行UDS诊断 3.2.1、生成基础诊断 3.…...
AI日报 - 2025年3月30日
🌟 今日概览（60秒速览） ▎🤖 模型进展 | Qwen2.5-Omni多模态实时交互，Gemini 2.5 Pro/GPT-4o低调升级，Claude内部思考过程揭秘。 新模型和升级持续涌现，多模态与内部机制理解成焦点。 ▎&#x…...
)
蓝桥刷题note11(好数)
1，好数 一个整数如果按从低位到高位的顺序，奇数位 (个位、百位、万位 ⋯⋯ ) 上的数字是奇数，偶数位 (十位、千位、十万位 ⋯⋯ ) 上的数字是偶数，我们就称之为 “好数”。 给定一个正整数 NN，请计算从 1 到 NN 一共…...
Go常用的设计模式
Go常用的设计模式 常见的设计模式，如 单例模式、工厂模式、策略模式、观察者模式、代理模式、装饰器模式 和 适配器模式 都可以在 Go 中实现，适用于不同的开发需求。 这些设计模式不仅能帮助你编写结构清晰、可维护的代码，还能让你更好地应…...
复现文献中的三维重建图像生成，包括训练、推理和可视化
要复现《One - 2 - 3 - 45 Fast Single Image to 3D Objects with Consistent Multi - View Generation and 3D Diffusion (CVPR)2024》文献中的三维重建图像生成，包括训练、推理和可视化，并且确保代码能正常运行，下面是基本的实现步骤和示例…...
day17 学习笔记
文章目录 前言一、数组的增删改查1.resize函数2.append函数3.insert函数4.delete函数5.argwhere函数6.unique函数 二、统计函数1.amax，amin函数2.ptp函数3.median函数4.mean函数5.average函数6.var，std函数 前言 通过今天的学习，我掌握了num…...
Mysql练习题
先创建对应数据表 #先创建表 #学生表 Student create table Student(SId varchar(10),Sname varchar(10),Sage datetime,Ssex varchar(10)); insert into Student values(01 , 赵雷 , 1990-01-01 , 男); insert into Student values(02 , 钱电 , 1990-12-21 , 男); insert int…...