- 综合排序
- 最热优先
- 最新优先
- 来自专栏兮动人的博客
flyway适配高斯数据库
flyway适配高斯数据库flyway-core 源码版本：6.2.2 tag由于高斯和postgresql使用的驱动都是一样的，所以基于flyway支持已有的postgresql数据库来改造修改点如下 由于 postgresql 和 高斯 之间对设置 role 语法之间的差异，高斯数据库 set 角色时还需要带上密码，而postgresql则不用，如：postgresql: SET ROLE xxx gaussDB: SET ROLE xxx PASSWORD xxx2、PostgreSQLDatabase 类中的 ensureSupported 方法方法作用：确保数据库与当前使用的Flyway版本兼容 给出升级Flyway的建议 recommendFlywayUpgradeIfNecessaryForMajorVersion("12");}高斯数据库是基于 postgresql 9.2 改造的， SQL脚本字符串，用于存储迁移历史记录，就是生成 flyway_scheme_history 表高斯数据库执行时创建 flyway_scheme_history 表会丢失 checksum 的值，导致最后执行不了指定文件夹的脚本语句
1.3K40编辑于 2023-09-16 - 来自专栏算法channel
机器学习储备（2）：高斯分布
讲解了独立同分布的概念，高斯分布，一维高斯分布。 1 独立同分布 指随机过程中，任何时刻的取值都为随机变量，如果这些随机变量服从同一分布，并且互相独立，那么这些随机变量是独立同分布。 在预测德克萨斯州区域的房屋价值时，房屋样本x1和样本x2之间的预测是相互独立的，它们之间不存在任何关系，这也是接近实际的。 2 高斯分布 高斯分布（Gaussian distribution）， 又称为正态分布（Normal distribution），是一个非常重要在各个领域有广泛应用的概率分布。 若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。 其概率密度函数为正态分布的，期望值μ决定了它的位置，标准差σ^2数据的偏离程度。 当μ = 0,σ = 1时的高斯分布又称为标准正态分布。 3 一维正态分布 若随机变量服从如下的概率密度函数，则表明是一维正态分布。 ? 当然，还有多维正态分布，在此不做详述。
85590发布于 2018-04-02 - 来自专栏又见苍岚
Python 生成 2D 高斯核
本文记录 Python 中二维高斯核的生成方法。 生成思路 使用 cv2.getGaussianKernel(ksize, sigma[, ktype]) 函数 该函数用于生成一维高斯核 生成一维高斯核后乘以自己的转置得到二维高斯核 核心函数 cv2 ，使用时可以是偶数） 正整数 sigma 高斯函数的标准差 正数 ktype 滤波器系数的类型，可以是 cv2.CV_32f 或 cv2.CV_64f，配置参数后生成数据会分别表示为 float32 {i}-(\mathrm{ksize}-1) / 2)^{2} /(2 * \mathrm{sigma})^{2}} 生成方法 生成一维高斯核 import cv2 data = cv2.getGaussianKernel (300, 100, cv2.CV_32F) 计算得到二维高斯核 import cv2 from mtutils import PIS data = cv2.getGaussianKernel(300
3K20编辑于 2022-08-06 - 来自专栏分享学习
高斯数据库与MySQL数据库的区别
高斯数据库与MySQL数据库的区别 在当今数据驱动的时代，选择合适的数据库管理系统（DBMS）对于项目的成功至关重要。 高斯数据库和MySQL作为两款广泛使用的数据库系统，各自具有独特的特点和优势，适用于不同的应用场景。本文将从功能、性能、使用场景等多个方面对高斯数据库与MySQL进行详细比较。 高斯数据库支持多种数据模型，包括关系型、文档型、图形型等，可以满足不同应用场景的需求。此外，高斯数据库还提供了强大的数据压缩技术、数据分片策略以及多种数据备份和恢复策略，确保数据的可靠性和安全性。 例如，在互联网应用中，高斯数据库可以快速处理大规模的用户数据，提供高并发的读写能力；在物联网应用中，高斯数据库可以支持海量设备数据的存储和分析；在金融行业中，高斯数据库可以快速处理金融交易数据，提供高可靠性和高并发的读写能力 综上所述，高斯数据库与MySQL在功能特点、性能表现和使用场景等方面存在显著差异。高斯数据库更适合处理大规模数据和支持高并发的应用场景，而MySQL则更适合于中小型项目以及一些大型系统的后端数据库。
1.3K10编辑于 2025-05-18 - 来自专栏程序员面试小技巧
国产之光高斯数据库使用入门
OpenGauss是什么上一篇文章里我们提到了华为的自研生态以Euler欧拉OS为底座支持服务器、云计算、嵌入式等综合性的平台Gauss 高斯是华为的数据库主打产品同样也用了数学巨匠的名字可以看出创作者团队在数学方面的情怀 Gauss 高斯数学王子每个人都听说过高斯小时候的故事老师上课问到：1+2+3...+100 等于多少？ 9岁的高斯脱口而出：5050每个学计算机的人都学过统计图表著名的高斯分布-正态分布曲线也是以他命名的高斯数据库高斯数据库诞生于PostGreSQL之上基于PGSQL的9.2版进行演变直到今天两个版本的区别也越来越大 就是针对具体的表查询如果不写schema，则默认会去查询public特性很多人都是从MySQL或是SQL Server起步学习这里主要强调一下Gauss的特殊点比如数值型常用的有 integer, decimal(10,2) OpenGauss在国内数据库遍地开花的年代学习高斯的难度还是较低的甚至于它可以直接使用PGSQL的JDBC驱动可以参考很多原有的知识觉得有用的同学可以和我私信交流
2.2K10编辑于 2024-05-31 - 来自专栏GiantPandaCV
SSE图像算法优化系列2-高斯滤波
算法原理 或许大多数人对于高斯滤波的印象都停留在使用一个高斯在图像滑动然后计算结果。这的确没错，但从速度上考虑这种模式是难以优化的。也导致在极大分辨率图像上进行高斯滤波是压根不可行的。 幸运的是，高斯滤波实际上还有另外一种表达方式，那就是递归表达。这最早见于《Recursive implementation of the Gaussian filter》论文中： ? 这个递推公式的意义就是通过forward和backward来完成一维的高斯滤波。而二维的高斯滤波就是先行后列或者先列后行进行一维的高斯滤波。 算法具体过程 1、CalGaussCof 计算高斯模糊中使用到的系数 2、ConvertBGR8U2BGRAF 将字节数据转换为浮点数据 3、GaussBlurFromLeftToRight 水平方向的前向传播 将结果转换为字节数据 朴素代码实现步骤 1、CalGaussCof 计算高斯模糊中使用到的系数 这个工程按照公式来，技巧性不高。
1.3K20发布于 2019-12-04 - 来自专栏图像处理与模式识别研究所
高斯滤波
import cv2 o=cv2.imread("C:/Users/xpp/Desktop/Lena.png")#原始图像 r=cv2.GaussianBlur(o,(5,5),0,0)#高斯滤波 cv2 .imshow("original",o) cv2.imshow("result",r) cv2.waitKey() cv2.destroyAllWindows() 算法：高斯滤波将中心的权重值增加 dst=cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType) dst表示返回值，表示进行高斯滤波后得到的结果 src表示输入图像，图像深度是CV
75620编辑于 2022-05-28 - 来自专栏DeepHub IMBA
高斯函数、高斯积分和正态分布
首先，让我们了解高斯函数实际上是什么。高斯函数是将指数函数 exp(x) 与凹二次函数（例如 -(ax^2+bx+c) 或 -(ax^2+bx) 或只是-ax^2组成的函数。 两个高斯函数的图。第一个高斯(绿色)的λ=1和a=1。第二个(橙色)λ=2和a=1.5。两个函数都不是标准化的。也就是说，曲线下的面积不等于1。 将其与高斯 λ exp(-ax^2) 的一般形式进行比较，我们可以看到： (x - μ)^2表示的是均值μ如何在x轴上左右平移图像，这就是均值要做的。如果μ=0，那么图的中心为0。 这里需要注意的是当我们对积分进行平方时，得到了一个二维的图形化的径向对称的高斯函数。用x和y来表示积分e的指数是- (x^2+y^2)给了我们下一步应该做什么的线索。 概率密度函数的推导 我们将从广义高斯函数f(x)=λ exp(−ax^2)开始，正态分布下的面积必须等于1所以我们首先设置广义高斯函数的值，对整个实数线积分等于1 这里将 -a- 替换为 a^2 稍微修改了高斯分布
2.2K10编辑于 2022-03-12 - 来自专栏数据科学CLUB
高斯过程
高斯过程GaussianProcess ? 高斯过程的理论知识 非参数方法的基本思想 image.png image.png 高斯过程的基本概念 image.png image.png 高斯过程的Python实现 使用Numpy手动实现 定义核函数 image.png print(l_opt, sigma_f_opt) 0.9872536793237083 0.8613778055591963 更高维的高斯过程 image.png #噪音参数 小结 从前面我们可以看出，与常见的机器学习模型不同，用高斯过程做预测的方法是直接生成一个后验预测分布（依然是高斯分布）。 从统计学的角度上来看，利用高斯过程模型做预测具有很高的价值。
2.2K20发布于 2020-07-01 - 来自专栏余林丰
13.高斯消去法（2）——三角矩阵
对于下三角矩阵，如果按照行优先存储，则{a11, a21, a22, a31, a32, a33, a41, a43, a44}，一维数组容量为10，即4 * ( 4 + 1) / 2 => n * ( n + 1 ) / 2，aij所在数组下标为：k = i * ( i - 1 ) / 2 + j - 1。 对于上三角矩阵，如果按照行优先存储，则{a11, a12, a13, a14, a22, a23, a24, a33, a34}，一维数组容量为10，还是4 * ( 4 + 1) / 2 => n * ( n + 1 ) / 2，aij所在数组下标为：k = ( i - 1)(2n - i + 2) / 2 + (j - 1)。
1.4K90发布于 2018-01-12 - 来自专栏全栈程序员必看
混合高斯背景建模原理_高斯图模型
如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值Xt 匹配, 那么混合高斯模型的参数更新规则为: 1)对于不匹配的高斯分布, 它们的均值μ和协方差矩阵 保持不变; 2)匹配的高斯分布Gi 的均值 从以上两种情况可以看出，影响一个分布是否背景分布的重要因素有两个: (1)该分布产生的数据所占的比例大小 (2)该分布的方差大小 基于这两个因素，采取如下的方法进行估计： 首先按ωk / | ), IPL_DEPTH_8U, 1)); CV_CALL( bg_model->storage = cvCreateMemStorage()); //initializing var_init = 2 += (d*d); var_threshold += g_point->g_values[k].variance[m]; } //当前sum_d2为d0,d1,d2的平方和，var_threshold 背景建模(二)——以像素值为特征的方法(1) 混合高斯背景模型及opencv实现 背景建模数据库汇总 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
95210编辑于 2022-11-16 - 来自专栏数据结构笔记
高斯滤波
高斯滤波和均值滤波的原理一样，在均值滤波中所有的像素点的权重都一样，而在高斯滤波中则是越靠近中心的像素点权重远大，权重的分配由二维高斯公式生成的矩阵决定，矩阵的阶和扫描的窗口大小一致。 关于二维高斯公式这里不再赘述，不了解的可以看看这篇文章：高斯函数的详细分析，这里就只给出一个二维高斯分布的产生函数了： //生成高斯核 double* make_kernel(int size, double sigma) { if (size % 2 == 0) { cout << "size必须为奇数" << endl; return NULL; } double* kernel = new double[size * size]; double d_sigma_2 = 2 * sigma * sigma; double c = 1 / 2); kernel[i*size+k] = exp(-(x * x + y * y) / d_sigma_2) * c; sum += kernel
1.1K10发布于 2019-04-21 - 来自专栏SnailTyan
高斯模糊
一、高斯模糊的概念 高斯模糊，也叫高斯平滑，英文为：Gaussian Blur，是图像处理中常用的一种技术，主要用来降低图像的噪声和减少图像的细节。 如图： 第一幅图为原始图像，其中心像素的像素值为2，第二幅图为中心像素进行模糊后的图像，其像素值为周围像素值的和的平均值。 图像模糊在数值上，这是一种”平滑化”。 高斯模糊会减少图像的高频信息，因此是一个低通滤波器。 2、图像模糊后的效果 下图的图像左半部分为原始图像，右半部分为模糊后的图像。 三、高斯模糊的代码及实验结果 在Opencv下使用高斯模糊处理图像 #include <opencv2\core\core.hpp> #include <opencv2\highgui\highgui.hpp url=yNgq8w79SYbS7OT4DQ5zhiwVg-7LyBWUm2vKnbg8KDD0FcPcb2Ok3AFNBvoiubzbrgrNUlk0tYKcRVlpykeI9q 2、阮一峰的博客
6.1K20编辑于 2022-05-09 - 来自专栏全栈程序员必看
opencv高斯金字塔_高斯求和公式
先将原图像扩大一倍之后作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积（其实就是高斯平滑或称高斯滤波）之后作为第1组金字塔的第2层，高斯卷积函数为： 对于参数σ，在Sift算子中取的是固定值 将第1组倒数第三层图像作比例因子为2的降采样，得到的图像作为第2组的第1层，然后对第2组的第1层图像做平滑因子为σ的高斯平滑，得到第2组的第2层，就像步骤2中一样，如此得到第2组的L层图像，同组内它们的尺寸是一样的 ，对应的平滑系数分别为：0，σ，kσ，k^2σ,k^3σ……k^(L-2)σ。 在不同组内，后一组第一个图像是前一组倒数第三个图像的二分之一采样，图像大小是前一组的一半； 高斯金字塔图像效果如下，分别是第1组的4层和第2组的4层： 三、 尺度空间 图像的尺度空间解决的问题是如何对图像在所有尺度下描述的问题 DOG金字塔的第1组第1层是由高斯金字塔的第1组第2层减第1组第1层得到的。以此类推，逐组逐层生成每一个差分图像，所有差分图像构成差分金字塔。
96810编辑于 2022-11-04 - 来自专栏PostgreSQL、金仓、高斯
【赵渝强老师】高斯数据库（openGauss）的体系架构
视频讲解如下：腾讯云提供技术支持播放播放静音0:00/2:38加载完毕:0%0:00进度:0%媒体流类型直播-2:38超高清高清标清流畅240P自动,选择自动返回直播播放速度2x1.5x1.25x1x, 组成数据库集群的这些数据库使用相同的全局配置文件和监听端口、共用数据库的后台线程和内存结构。一个数据库集群可以包括：多个数据库、多个用户以及数据库中的所有对象。 展开代码语言：PowerShellAI代码解释bin/gsql-dpostgres（2）查看OpenGauss中已有的数据库。 展开代码语言：PowerShellAI代码解释bin/gsql-dpostgres（2）查看PostgreSQL中已有的表空间。 ListoftablespacesName|Owner|Location------------+----------+----------pg_default|postgres|pg_global|postgres|(2rows
15910编辑于 2026-03-19 - 来自专栏PawSQL，在线的自动化SQL优化工具！
高斯数据库(GaussDB)中如何获取表的分布策略
高斯表的分布策略 分布式高斯数据库（GaussDB）支持以下分布方式： HASH 分布: 基于某些列的哈希值进行分布。 RANGE 分布: 按范围分布数据。 在高斯数据库（GaussDB）的分布式架构中，可以通过查询pgxc_class和其他相关系统表来查看表的分布信息。pgxc_class是一个系统表，用于存储表的分布相关信息。 2. pgxc_class 表定义 以下是pgxc_class表的定义及其字段解释： \d pgxc_class 输出以下内容： 字段名 数据类型 pcrelid oid pclocatortype char pcattnum int2[] nodeoids oid[] 字段解释 pcrelid 表示表的 OID（对象标识符），对应于pg_class.oid。 在高斯数据库中，分布类型和列是分布式存储和性能优化的重要因素，尤其是 HASH 和 RANGE 分布，需要根据业务场景选择合适的分布方式。
3.6K10编辑于 2024-12-23 - 来自专栏PostgreSQL、金仓、高斯
【赵渝强老师】高斯数据库（openGauss）的逻辑存储结构
视频讲解如下：腾讯云提供技术支持播放播放静音0:00/1:54加载完毕:0%0:00进度:0%媒体流类型直播-1:54超高清高清标清流畅240P自动,选择自动返回直播播放速度2x1.5x1.25x1x, 展开代码语言：PowerShellAI代码解释bin/gsql-dpostgres（2）查看OpenGauss中已有的数据库。 展开代码语言：PowerShellAI代码解释bin/gsql-dpostgres（2）查看PostgreSQL中已有的表空间。 mydemotbsOwner|postgresLocation|/home/postgres/training/mydemotbsAccessprivileges|Description|-[RECORD2] 展开代码语言：SQLAI代码解释openGauss=#createschemamyschema;（2）在该模式下创建一张表。
14610编辑于 2026-03-20 - 来自专栏菜鸟小栈
高斯模糊 Shader
正文 高斯模糊 在我们开始讨论代码之前，我们要先稍微了解以下几点... > 下面的讲解比较笼统，水平不够，请见谅！ 高斯模糊是什么？ 高斯模糊（Gaussian Blur），也叫高斯平滑，是一种生活中比较常见的图像处理效果。 经过高斯模糊处理的图像看起来就像是在一块毛玻璃后面，也就是俗称的“毛玻璃效果”。 高斯模糊也常用于处理噪点过高的图像，使图像看起来更平滑。 ? —▼— 实现原理是什么？ 从数学的角度来看，高斯模糊的处理过程就是图像与其正态分布做卷积。 因正态分布又称高斯分布（Gaussian distribution），所以这种技术就叫做高斯模糊。 vec2 size; }; 2.
2.5K21发布于 2020-07-10 - 来自专栏ACM算法日常
高斯消元
高斯消元 众所周知，高斯消元是线性代数中重要的一课。通过矩阵来解线性方程组。高斯消元最大的用途就是用来解多元一次方程组。 前置技能 1.线性方程组 线性方程组是各个方程关于未知量均为一次的方程组(例如 2 元 1 次方程组） 2.增广矩阵 就是在系数矩阵的右边添上一列，这一列是线性方程组的等号右边的值。 将样例输入化成一个普通的增广矩阵（将系数和值整合到一起) 这样的矩阵我们很难直观的看出它的解 所以我们最终的目的就是要把矩阵化成如下形式 这样我们能非常直观的看出它的解简单来说高斯消元最后就是要搞出这玩意 接着消元我们得到 第三个方程只有一个变量了，我们可以直观的看到它的值 然后再倒着往上消元 我们就得到了我们想要的矩阵 最后总结出算法步骤 1.枚举每一列，找到绝对值最大的一行 2.将该行换为第一行 3. std; const int N=110; const double eps=1e-8; int n; double a[N][N];//增广矩阵 /*void out() {//亲测 本人遇到最好用的高斯消元
91310发布于 2019-11-25 - 来自专栏PawSQL，在线的自动化SQL优化工具！
Oracle到高斯数据库的SQL语法迁移手册（建议收藏）
概述 异构数据库的迁移（譬如从Oracle迁移到openGauss）工作主要包括三个方面， 数据库对象的迁移，包括库、模式、表、索引、视图、触发器、存储过程等等； 数据内容的迁移，主要指的是数据表中数据的迁移 目前对于数据库对象以及数据内容的迁移有很多成熟的工具，而对于应用迁移的工具却很少能够见到。原因是因为DML语句比DDL复杂的多，不同的数据库语法差异也比较大。 PawSQL团队开发的DML语法转换工具Ora2ogSQL，通过PawSQL强大的SQLParser，能够解析几乎所有的Oracle语法，并将其转换为对应的openGauss语法，支持数据库应用的平滑迁移 to_number(c_phone) from customer; select cast(c_phone as numeric) from customer 关于PawSQL PawSQL专注数据库性能优化的自动化和智能化 MySQL，PostgreSQL，openGauss，Oracle等，提供的SQL优化产品包括 PawSQL Cloud，在线自动化SQL优化工具，支持SQL审查，智能查询重写、基于代价的索引推荐，适用于数据库管理员及数据应用开发人员
2.4K11编辑于 2024-08-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号