基于PyTorch3D的GeoAI实现【ESRI】

news2024/11/23 12:22:28

Esri 的 AI 原型团队正在以 PyTorch3D API 的一系列 PR 的形式分享一些功能增强功能。 这些功能支持 obj 格式的网格的输入/输出 (I/O)，该网格具有多个纹理和代表真实世界几何形状的顶点坐标。 对于 GeoAI 任务，这些功能支持跨网格分割管道的任务，例如创建训练数据、提取特征以及在推理过程中将标签应用于网格面。 作为开源贡献，我们希望这些功能能够帮助社区推动 3D 网格分割的发展。

在这里插入图片描述

推荐：用 NSDT编辑器 快速搭建可编程3D场景

我们将功能增强分为 ArcGIS/PyTorch3D 分支中的三个分支，因为它们包含对当前主分支的正交更改。 在这三个分支中，我们建议将分支 3 — multitexture-obj-high- precision 作为主要分支，考虑集成到 PyTorch3D 主分支中，因为它包含分支 1 和 2 中的所有更改以及对浮点 64 中顶点的支持。 树枝可以独立站立。

  • 分叉：github.com/Esri/pytorch3d
  • 分支 1 (PR#1572)：multitexture-obj-io-support
  • 分支 2 (PR#1573)：multitexture-obj-point-sampler
  • 分支 3 (PR#1574)：multitexture-obj-high-precision
  • 演示笔记本：github.com/Esri/pytorch3d/…/tutorials/…

1、Esri AI原型团队简介

在 Esri，我作为 AI 原型团队的数据科学家和产品工程师从事研发工作。 我的关键任务之一是开发一个数据工程管道，使我的队友能够为各种 GeoAI 工作流程操作网格。 例如，在一个工作流程中，我们将点分割模型应用于从网格面采样的点云。 在其他情况下，我们直接在网格上进行操作。 一般来说，我们的目标是生成一个快速、准确和端到端的工作流程来学习模型，帮助我们将城市景观网格划分为语义类别，例如建筑、树木或我们选择关注的任何其他类别。

2、用PyTorch3D实现GeoAI存在的问题

在许多可用于处理 3D 数据结构的开源库中，哪些是最适合的？ 尽管这是我们经常评估的一个主题，但我们发现 PyTorch3D 自然而然地适合，因为我们喜欢使用 PyTorch 和其他库（例如 PyTorch Lightning）。 毕竟，PyTorch3D 简介通过“PyTorch3D 为使用 PyTorch3D 的 3D 计算机视觉研究提供高效、可重用的组件”说明了您需要了解的所有原因。

确实，PyTorch3D 在 3D 应用深度学习方面帮助我们做出了惊人的事情。 然而，尽管有许多很棒的功能，我发现当前的开源库缺乏一些关键功能。 例如，PyTorch3D 不完全支持引用多个纹理文件的网格。 此外，如果使用 PyTorch3D 从网格中采样点云，则很难将每个点链接到从中采样的网格面。

此外，当使用可以跨越多个城市街区或跨区域多个城市的网格时，处理所有可用纹理文件并将点链接到面的能力是关键要求（仅举几例）。
在这里插入图片描述

上面由作者生成并在 ArcGIS Pro 中渲染的图像，代表慕尼黑城市场景的输入网格，该图像将网格中的采样纹理与 Esri 的 PyTorch3D 分支进行比较。 给定输入网格（图 1a），我们应该期望采样点云呈现相似的颜色。 然而，PyTorch3D 并不完全支持多个纹理（图 1b）。 借助 Esri 的 PR 多纹理支持和高精度采样，图 1c 演示了我们如何完整处理网格纹理。

3、Esri AI原型团队的解决方案

首先，我们围绕 PyTorch3D 构建了辅助函数来满足我们处理多个纹理的需求。 后来，我们开始使用自定义函数修补 PyTorch3D，以生成将采样点链接到其原始面的张量。 然而，我们的团队很快意识到，除非我们实现了可以在 PyTorch3D 内部维持的解决方案，否则自定义补丁无法扩展 - 所以这正是我们最终所做的。

本节提供功能增强的详细摘要。

在这里插入图片描述

上图中作者用 Python 生成的图像代表 Hessigheim 城市场景的输入网格，该图像将网格中的采样纹理与 Esri 的 PyTorch3D 分支进行比较。 图 2a 中的点云表示建筑物表面植被的不良纹理采样结果，而图 2b 中的点云表示预期结果。

下面是功能增强的高级摘要：

  • multitexture-obj-io-support：该分支通过修改 pytorch3d.io.obj_io 为 obj 网格建立多纹理支持。 目前，PyTorch3D 不完全支持使用多个纹理文件读取和写入 obj 网格。 在这种情况下，只有许多纹理中的第一个被读入内存。 对于包含不同纹理和多个文件的网格，纹理采样的结果可能会导致不良结果，即植被纹理采样到建筑物表面（图 2a 和 2b）。
    具体来说，我们创建了 pytorch3d.io.obj_io.subset_obj 并修改了 pytorch3d.io.obj_io.save_obj 来实现这些功能。 此外，还以 pytorch3d.utils.obj_utils 的形式提供了一个新的实用函数，它整合了用于支持 obj 子设置和验证操作的多个辅助函数。

此分支和以下分支已更新，以支持 API 的最新更改，从 PyTorch 版本 0.7.4 开始，现在支持面垂直法线的 I/O。 解决了多个现有问题，包括#694、#1017 和#1277。

  • multitexture-obj-point-sampler：此分支包含 multitexture-obj-io-support 中的所有更改，并添加了对直接从 obj 格式的网格采样点的支持。 该分支引入了一个新函数 pytorch3d.ops.sample_points_from_obj，它利用了 pytorch3d.ops.sample_points_from_meshes 中已存在的核心函数。
    直接从具有许多大型纹理文件的 obj 中采样点可能比网格数据结构更有优势，因为网格结构在内存中连接纹理。 有三个关键特征需要强调。

首先，该分支允许sample_points_from_meshes 和sample_points_from_obj 返回一个映射器张量，该张量将每个采样点链接到采样的面。

其次，该分支允许强制sample_points_from_obj从所有面返回至少一个点，无论面面积如何（sample_all_faces=True）。

第三，该分支允许用户使用 min_sampling_factor 而不是固定数量的点来指定所需点云的密度。 链接到问题#1571。

  • multitexture-obj-high- precision：通过以浮点精度 64（即双张量）读取 obj 顶点来添加对 pytorch3d.io.obj_io 和 pytorch3d.ops.sample_points_from_obj 的支持。
    尽管 PyTorch3D 目前允许控制小数位的输出，但如果 obj 中网格的顶点坐标基于真实世界坐标，则顶点值有可能会损失显着的数字精度。 实际上，这意味着网格面的顶点坐标可能会偏移一米或更多。 链接到问题#1570。

4、增强3D解析能力的示例

本部分介绍从带有和不带有 multitexture-obj-high- precision 高精度分支的 obj 文件读取的网格顶点示例。

在下面的代码片段中，我们提供了从同一 obj 文件读取两个张量的示例。 第一个张量显示每个 y 顶点值（中间列舍入到最接近的 0.5 值。第二个张量显示位于或接近其实际位置的相同顶点值，没有舍入。作为参考，源 obj 具有空间 ETRS 1989 UTM Zone 32 的参考（有关更多信息，请参阅developers.arcgis.com 上的空间参考）。

# example obj verts sampled without high-precision fork
tensor([
      [692202.1875, 5336173.5000, 512.4358],     
      [692202.8125, 5336174.0000, 512.1414],
      [692202.1250, 5336174.0000, 512.5216],   
      ...,
      [692324.2500, 5336135.5000, 510.2307],
      [692349.1875, 5336142.0000, 526.5537], 
      [692352.4375, 5336169.5000, 522.2985]]
)
     
# example obj verts sampled with high-precision fork
tensor([
      [692202.1617, 5336173.5623, 512.4358], 
      [692202.7912, 5336174.0104, 512.1414],
      [692202.1285, 5336174.0917, 512.5216], 
      ..., 
      [692324.2332, 5336135.5843, 510.2307], 
      [692349.1590, 5336142.1059, 526.5537], 
      [692352.4089, 5336169.6091, 522.2984]],
      dtype=torch.float64
)

功能增强的详细摘要：

  • pytorch3d.ops.sample_points_from_obj() 是一个新函数，允许用户使用新的自动采样功能从所有面上采样至少一个点，该功能确定要采样的点的数量。
    尽管是一个新函数，sample_points_from_obj 重新封装了 pytorch3d.ops.sample_points_from_meshes() 中的现有 PyTorch3D 功能。 重要的是，sample_points_from_obj 中的增强功能允许使用最小采样因子和点到面索引映射器张量对所有面进行采样，该张量允许将每个点链接到其原始面。

  • pytorch3d.ops.sample_points_from_meshes() 被修改为通过将关键功能分组到可在sample_points_from_obj 中利用的辅助函数中来启用sample_points_from_obj()。
    此外，sample_points_from_meshes 被稍微修改为可选地返回点到面索引映射器，这可以允许用户恢复每个点的面； 但是，对sample_points_from_meshes 的修改保持在最低限度，并且不提供sample_points_from_obj 中的新功能。

  • pytorch3d.io.obj_io.subset_obj() 是一个新函数，允许用户根据选定的面索引对 obj 网格进行子集化。 例如，如果工作流预测每个面的分类，则可以使用此函数仅针对这些面对网格进行子集化。

  • pytorch3d.io.obj_io.save_obj() 和 pytorch3d.io.obj_io.load_obj_as_meshes() 提供集成的多纹理 obj 支持，允许用户读取和处理所有可用纹理； PyTorch3D 以前仅读取具有多个纹理的输入 obj 文件中的第一个纹理，这可能会导致不良的纹理采样和输出。

  • pytorch3d.utils.obj_utils 提供了可在 pytorch3d.ops 和 pytorch3d.io.obj_io 中使用的常用实用程序，例如合并 obj 验证 (_validate_obj) 和用于子集 obj 数据的核心实现。

  • multitexture-obj-high- precision：该分支包含 multitexture-obj-io-support 和 multitexture-point-sampler 的所有功能，并引入了加载 obj 顶点并将 high_ precision 设置为 True 的选项； 这意味着支持真实世界坐标和几何图形的完全精度。

其他实用程序函数经过修改，以支持整个代码库中浮点 32 和 64 的 dtype 期望，以包括 Transform3d 和 Meshes 结构类。 这是一个值得注意的功能，因为默认浮点 32 可能会导致网格中每个顶点的精度显着损失。 由于支持真实世界坐标，我们建议使用此高精度分支而不是其他两个分支。

5、新增API的演示代码

为了快速参考，本部分包含演示 API 的一些关键更改的代码片段。

安装和引入库：

# install direct from our forked repository: https://github.com/Esri/pytorch3d/tree/multitexture-obj-high-precision
!pip install 'git+https://github.com/Esri/pytorch3d.git@multitexture-obj-high-precision'

# import the forked pytorch3d library and new functions
from pytorch3d.io import load_obj
from pytorch3d.ops import sample_points_from_obj
from pytorch3d.io import subset_obj, save_obj
使用 high-precision 加载obj模型：

# install direct from our forked repository: https://github.com/Esri/pytorch3d/tree/multitexture-obj-high-precision
!pip install 'git+https://github.com/Esri/pytorch3d.git@multitexture-obj-high-precision'

from pytorch3d.io import load_obj

# the current pytorch3d API for load_obj
obj = load_obj(
    path_to_obj_file,
    load_textures=True,
)

# the high-precision branch of the forked pytorch3d API for load_obj
obj = load_obj(
    path_to_obj_file,
    load_textures=True,
    high_precision=True, # the resulting vertex tensors are returned as floating point 64 tensors
)

从obj模型采样点云：

# install direct from our forked repository: https://github.com/Esri/pytorch3d/tree/multitexture-obj-high-precision
!pip install 'git+https://github.com/Esri/pytorch3d.git@multitexture-obj-high-precision'

from pytorch3d.ops import sample_points_from_obj

(
    points, # points sampled proportional to face area
    normals, # point normals based on mesh verts
    textures, # point textures sampled from faces
    mappers # an index to each points origin face
) = sample_points_from_obj(
    verts=obj[0],
    faces=obj[1].verts_idx,
    verts_uvs=obj[2].verts_uvs,
    faces_uvs=obj[1].textures_idx,
    texture_images=obj[2].texture_images,
    materials_idx=obj[1].materials_idx,
    texture_atlas=obj[2].texture_atlas,
    sample_all_faces=True, # optionally force sampler to provide at least one point per face
    min_sampling_factor=100, # control how dense the point cloud is where 0 is least dense and 1000 is very dense
    return_mappers=True, # whether to return the point to face mapping
    return_textures=True, # whether to return textures per point
    return_normals=True # whether to return normals per point
)

计算obj模型的子集：

# install direct from our forked repository: https://github.com/Esri/pytorch3d/tree/multitexture-obj-high-precision
!pip install 'git+https://github.com/Esri/pytorch3d.git@multitexture-obj-high-precision'

from pytorch3d.io import subset_obj

faces_to_subset = <a torch tensor of face indices to subset>

# all obj objects are subset to the selected face indices
obj_subset = subset_obj(
    obj=obj,
    faces_to_subset=faces_to_subset,
    device=torch.device("cpu") # specify cpu as the target device to subset and return obj sebset
  )

保存obj模型：

# install direct from our forked repository: https://github.com/Esri/pytorch3d/tree/multitexture-obj-high-precision
!pip install 'git+https://github.com/Esri/pytorch3d.git@multitexture-obj-high-precision'

from pytorch3d.io import save_obj

# save_obj now allows for saving objs with multiple textures and control over the texture outputs
save_obj(
    f=obj_filename,
    verts=obj[0],
    faces=obj[1].verts_idx,
    verts_uvs=obj[2].verts_uvs,
    faces_uvs=obj[1].textures_idx,
    texture_images=obj[2].texture_images,
    materials_idx=obj[1].materials_idx,
    image_format='jpeg', # or 'png'
    normals=face_verts_normals,
    faces_normals_idx=faces_normals_idx,
    image_quality=95, # we can now choose the image quality according to PIL docs
    image_name_kwargs=dict(
        material_name_as_file_name=True, # if false the obj file name is enumerated to save each material file
        reuse_material_files=True # if true, an obj with multiple subsets that reference the same materials are not written of the same file already exists
    )
)

6、Esri AI原型团队的后续计划

借助此 PyTorch3D 分支和其他工作流程，我们的团队正在积极开发应用各种深度学习工作流程来分割网格和点云的方法。 该分支的一个具体应用是为 Hessigheim (H3D) 基准提供的多类分类任务准备数据 - 我们希望很快测试该基准。

7、结束语

支持具有 obj 格式高精度顶点的多纹理网格是在投影到现实世界空间坐标的场景上应用深度学习的关键功能。 对于 Esri 的 AI 原型团队，我们修改了 PyTorch3D 以提供这些功能，并将这些修改开源。

借助我们的 PyTorch3D fork，人们可以将点云分割应用于网格分割问题或操作 obj 数据结构中的多纹理网格和标签。 这些是所有感兴趣的用户的关键功能，从长远来看，这些功能可能作为主要 PyTorch3D 库的一部分得到最好的维持。

原文链接：用PyTorch3D实现GeoAI — BimAnt

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1038346.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

第36节——useDebugValue+React Developer Tools——了解

第36节——useDebugValue+React Developer Tools——了解

一、概念 勾住”React开发调试工具中的自定义hook标签&#xff0c;让useDebugValue勾住的自定义hook可以显示额外的信息。useDebugValue的目的是“在react开发者工具自定义hook标签中显示额外信息”&#xff0c;方便我们“一眼就能找到”对应的自定义hook。useDebugValue(valu…
阅读更多...
信息安全：网络物理隔离技术原理与应用.

信息安全：网络物理隔离技术原理与应用.

信息安全&#xff1a;网络物理隔离技术原理与应用. 随着网络攻击技术不断增强&#xff0c;恶意入侵内部网络的风险性也相应急剧提高。满足内外网信息及数据交换需求&#xff0c;又能防止网络安全事件出现的安全技术就应运而生了&#xff0c;这种技术称为“物理隔离技术” 基本原…
阅读更多...
如何用Postman做接口自动化测试

如何用Postman做接口自动化测试

前言 什么是自动化测试 把人对软件的测试行为转化为由机器执行测试行为的一种实践。 例如GUI自动化测试&#xff0c;模拟人去操作软件界面&#xff0c;把人从简单重复的劳动中解放出来。 本质是用代码去测试另一段代码&#xff0c;属于一种软件开发工作&#xff0c;已经开发完…
阅读更多...
应用开发平台集成工作流系列之12——流程导航功能设计与实现

应用开发平台集成工作流系列之12——流程导航功能设计与实现

背景 流程模板主要是用于流程建模的&#xff0c;对于业务用户而言&#xff0c;需要一个业务流程的导航页&#xff0c;分门别类展示业务流程清单&#xff0c;用于发起新的流程。 并且需要根据当前用户过滤&#xff0c;只显示有权限发起的流程。 业务流程类别的处理 一个企业的…
阅读更多...
OCR -- 文本检测

OCR -- 文本检测

目标检测&#xff1a; 不仅要解决定位问题&#xff0c;还要解决目标分类问题&#xff0c;给定图像或者视频&#xff0c;找出目标的位置&#xff08;box&#xff09;&#xff0c;并给出目标的类别&#xff1b; 文本检测&#xff1a; 给定输入图像或者视频&#xff0c;找出文本的…
阅读更多...
基于 SpringBoot+Vue 的口腔管理平台，附源码，数据库

基于 SpringBoot+Vue 的口腔管理平台，附源码，数据库

第一章 简介 本项目&#xff0c;是基于 Java SpringBoot 开发的&#xff0c;主要功能包括首页、个人中心、病例就诊信息管理、复查提醒管理、预约挂号管理、我的收藏管理、订单管理&#xff0c;前台首页&#xff1b;首页、牙齿保健产品、牙齿保护小知识、留言反馈、个人中心、…
阅读更多...
React（react18）中组件通信05——redux ➕ react-redux（含数据共享）

React（react18）中组件通信05——redux ➕ react-redux（含数据共享）

React&#xff08;react18&#xff09;中组件通信05——redux ➕ react-redux&#xff08;含数据共享&#xff09; 1. 前言1.1 React中组件通信的其他方式1.2 介绍React-Redux1.2.1 简单介绍React-Redux1.2.2 官网 1.3 安装react-redux 2. 简单改写redux的例子2.1 提供store2.2…
阅读更多...
【从0学习Solidity】37. 数字签名 Signature

【从0学习Solidity】37. 数字签名 Signature

【从0学习Solidity】37. 数字签名 Signature 博主简介&#xff1a;不写代码没饭吃&#xff0c;一名全栈领域的创作者&#xff0c;专注于研究互联网产品的解决方案和技术。熟悉云原生、微服务架构&#xff0c;分享一些项目实战经验以及前沿技术的见解。关注我们的主页&#xff0…
阅读更多...
提示计算机丢失msvcp140.dll怎么办，缺少msvcp140.dll一键修复

提示计算机丢失msvcp140.dll怎么办，缺少msvcp140.dll一键修复

在计算机使用过程中&#xff0c;我们可能会遇到各种稀奇古怪的问题。其中&#xff0c;msvcp140.dll 文件丢失算是比较常见的一种。那么&#xff0c;究竟什么是 msvcp140.dll 文件&#xff1f;它为什么会丢失&#xff1f;我们又该如何解决这个问题呢&#xff1f;本文将围绕这些问…
阅读更多...
向量数据库库Milvus Cloud2.3 技术选型中性能、成本、扩展性是重点

向量数据库库Milvus Cloud2.3 技术选型中性能、成本、扩展性是重点

技术选型中性能、成本、扩展性是重点 对于向量数据库来说，用户最关心的莫过于性能、成本和扩展性。 Milvus 2.x 从 Day 1 开始就将扩展性作为设计的第一优先级，在众多用户环境中落地了十亿至百亿级别场景。不止如此，对于 Milvus 来说，扩展性不仅仅意味着支持百亿级别向量，…
阅读更多...
vue指令(代码部分)

vue指令(代码部分)

注&#xff1a;此部分为学习uni-app时接触到的vue <template><view><view>当前标题&#xff1a;{{title}}</view><view> {{num}}</view><view>{{arr[2]}}</view><view>{{obj}}</view><view>{{obj.name}}&l…
阅读更多...
导览软件定制开发方案

导览软件定制开发方案

随着智能手机的普及和人们对文化、旅游等方面的需求不断增加&#xff0c;导览软件市场前景广阔。本文将围绕导览软件定制开发方案展开&#xff0c;包括以下部分&#xff1a; 一、行业现状及市场需求 导览软件市场发展迅速&#xff0c;各类导览软件层出不穷。通过对市场…
阅读更多...
价值1000的情感爆文写作prompt，助你写出10万+阅读微信爆文

价值1000的情感爆文写作prompt，助你写出10万+阅读微信爆文

原文&#xff1a;价值1000的情感爆文写作prompt&#xff0c;助你写出10万阅读微信爆文 - 知乎 是否经常看到一些自媒体晒出这样的图片&#xff1f; 或者是这样的10w的阅读文章 那么这是真实能赚钱的吗&#xff1f;还是自媒体夸大其说&#xff0c;吸引流量。 我们先简单了解什…
阅读更多...
ElementUI之登陆+注册-＞饿了吗完成用户登录界面搭建，axios之get请求，axios之post请求，跨域,注册界面

ElementUI之登陆+注册-＞饿了吗完成用户登录界面搭建，axios之get请求，axios之post请求，跨域,注册界面

饿了吗完成用户注册登录界面搭建axios之get请求axios之post请求跨域 1.饿了吗完成用户注册登录界面搭建 将端口号8080改为8081 导入依赖&#xff0c;在项目根目录使用命令npm install element-ui -S&#xff0c;添加Element-UI模块 -g&#xff1a;将依赖下载node_glodal全局依…
阅读更多...
网络上怎么赚点零花钱

网络上怎么赚点零花钱

现代物质社会中&#xff0c;我们常常会被琐碎的开销困扰。无论是衣食住行还是休闲娱乐&#xff0c;总有一些额外的花费&#xff0c;使我们不得不时常思索如何赚点零花钱。而现如今&#xff0c;随着互联网的飞速发展&#xff0c;我们有了更多的机会通过网络来实现这个目标。现在…
阅读更多...
Centos7做回收站功能-防止误删除

Centos7做回收站功能-防止误删除

Centos7做回收站功能&#xff0c;就算误删了文件&#xff0c;也可以还原回来 小白教程&#xff0c;一看就会&#xff0c;一做就成。 1.先创建一个回收站的目录&#xff08;我在/data下&#xff09; 在大磁盘的目录下创建.trash文件夹 mkdir -p /data/.trash 2.在/root/.bas…
阅读更多...
Vue之ElementUI实现登陆及注册

Vue之ElementUI实现登陆及注册

目录 ​编辑 前言 一、ElementUI简介 1. 什么是ElementUI 2. 使用ElementUI的优势 3. ElementUI的应用场景 二、登陆注册前端界面开发 1. 修改端口号 2. 下载ElementUI所需的js依赖 2.1 添加Element-UI模块 2.2 导入Element-UI模块 2.3 测试Element-UI是否能用 3.编…
阅读更多...
Nodejs基于Vue.js编程语言在线学习平台的设计与实现5y4p2

Nodejs基于Vue.js编程语言在线学习平台的设计与实现5y4p2

本编程语言在线学习平台是为了提高用户查阅信息的效率和管理人员管理信息的工作效率&#xff0c;可以快速存储大量数据&#xff0c;还有信息检索功能&#xff0c;这大大的满足了用户和管理员这二者的需求。操作简单易懂&#xff0c;合理分析各个模块的功能&#xff0c;尽可能优…
阅读更多...
【08】FISCOBCOS一键部署【07+08即可完成一键部署，默认生成两个节点的链】

【08】FISCOBCOS一键部署【07+08即可完成一键部署，默认生成两个节点的链】

官方文档https://webasedoc.readthedocs.io/zh_CN/latest/docs/WeBASE/install.html#id1 一键部署 ​ 一键部署可以在 同机 快速搭建WeBASE管理台环境&#xff0c;方便用户快速体验WeBASE管理平台。 ​ 一键部署会搭建&#xff1a;节点&#xff08;FISCO-BCOS 2.0&#xff09;…
阅读更多...
SQL数据库基础

SQL数据库基础

目录 1.SQL分类 2.SQL-DDL 2.1 数据库操作 查询 创建 删除 使用某个数据库 2.2 数据表操作 创建表 查询表 修改表 3.SQL-DML(增删改) 3.1 插入 3.2 修改 3.3 删除 4.SQL-DQL(查) 4.1 基础查询 4.2 条件查询 4.3 聚合函数查询 4.4 分组查询 4.5 排序查询 …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023