DAO中为表增加字段

最新推荐文章于 2026-06-12 07:36:09 发布
原创 最新推荐文章于 2026-06-12 07:36:09 发布 · 941 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文介绍了在DAO中如何为数据库表添加字段。强调CurrentDb.TableDefs方法在使用时需注意其返回的是临时对象，不可直接引用进行后续操作。

本文标签：数据库

在程序里为表增加字段，如下述代码所示即可：

CurrentDb.TableDefs("tblJobsToTidy").Fields.Append _
    CurrentDb.TableDefs("tblJobsToTidy").CreateField("WordNumber", dbInteger)

注意，CurrentDb.TableDefs("tblJobsToTidy") 得用两次，不能这样 

With CurrentDb.TableDefs("tblJobsToTidy")
    .Fields.Append .CreateField("WordNumber", dbInteger)
End With

因为CurrentDb返回的临时对象，不能被后续引用，具体见这里。

标签
#dao #数据库
slowgrace
关注
纯Python从零实现CNN手写数字识别：从理论推导到PyQt5 GUI部署全流程
最新发布
tigerhhzz的博客
07-22 2万+
子集样本数用途训练集60,000模型训练测试集10,000模型评估每张图像是28×28=784像素的灰度图，像素值范围0-255。标签为0-9的整数。"""简单CNN：conv-relu-pool-affine-relu-affine-softmax"""# 提取卷积参数# 计算卷积输出尺寸: (28 - 5 + 2*0)/1 + 1 = 24# 池化后尺寸: 24/2 = 12, 展平: 30*12*12 = 4320# 初始化权重（使用高斯分布）
纯python实现cnn
qq_40415753的博客
08-20 3299
参考：大神代码，自己改的python实现cnn # h,w=map(int,input().split()) # asrray=[] # for i in range(h): # asrray.append(list(map(int,input().split()))) # k=int(input()) # kernel=[] # for i in range(k): # ...
卷积神经网络CNN的Python实现(纯手写)
weixin_45450828的博客
08-26 205
算法的运算速度和代码规范上还有很多问题，但是可正常跑出结果，可供学习参考。本次实现的用例是手写字体的识别，代码和数据都放资源内了，各位可自行下载。未使用相关的机器学习框架，仅用numpy做数据的相关的运算。讲解CNN逻辑的文章已经很多了，这里就不赘述。
零框架依赖的CNN手写实现：纯Python+NumPy跑通MNIST全流程
iii12的专栏
06-12 159
用基础Python和NumPy从零搭建卷积神经网络，不调用TensorFlow、PyTorch等任何深度学习库。完整覆盖卷积层、最大池化、ReLU激活、全连接、Softmax输出及反向传播全部逻辑，每一步计算都手动编码、清晰可查。配套脚本包括MNIST数据加载（analysisMNIST.py）、模型主体定义（myCnn.py）、测试验证流程（myCnnTest.py）和参数统一管理（gParam.py）。数据目录已内置压缩版MNIST测试集（t10k-images-idx3-ubyte.gz 和 t10k
java实现卷积神经网络CNN（附带源码）
欢迎来到我的博客！这里是一个专注于计算机技术的分享平台，涵盖编程开发、算法研究、系统架构、软件工程等多个领域。无论你是初学者还是资深开发者，都能在这里找到有价值的内容。
06-17 1202
java实现卷积神经网络CNN（附带源码）
CNN算法详解（文末附代码）
Poplar_go的博客
06-16 2360
由于MNIST图像是28x28，我们将它们作为输入，不调整大小（因为28x28已经比较小，而且我们的网络会进行两次池化，最后特征图会变小）。一般都是先看这个图片里的局部特征，比如耳朵、胡须、眼睛，然后在大脑里自己组合这些特征，像尖耳朵+胡须+圆脸就是猫了，那CNN的核心思想就是模仿这个过程，只不过是通过数学运算自动完成的。从专业角度来看，CNN主要是从局部到整体，以局部感受入手，先判断局部特征，以参数共享的方式减少计算量，然后通过多种复杂的数学变化，得出目标的整体特征，其中的专业属于详解见下。
纯Python从零实现CNN手写数字识别系统（含Qt绘图板+预训练模型）
algae的博客
06-05 177
这个项目用纯Python一行行写出卷积神经网络核心逻辑，不调用TensorFlow、PyTorch等框架，完整覆盖MNIST数据加载、前向传播、反向传播、梯度计算、参数更新和模型保存。提供两种结构：轻量级单层CNN（simple_convnet.py）和多层深度CNN（deep_convnet.py），都已用标准MNIST训练集完成训练，参数文件（mnist.pkl、deep_convnet_params.pkl等）直接内置。配套基于PyQt5的交互式绘图板（paintboard.py + layout.u
CNN | 02卷积前向计算代码实现
“逛丢一只鞋”的博客
08-07 1266
2 卷积前向计算代码实现 2.1 卷积核的实现 卷积核，实际上和全连接层一样，是权重矩阵加偏移向量的组合，区别在于全连接层中的权重矩阵是二维的，偏移矩阵是列向量，而卷积核的权重矩阵是四维的，偏移矩阵是也是列向量。 class ConvWeightsBias(WeightsBias_2_1): def __init__(self, output_c, input_c, filter_h, filter_w, init_method, optimizer_name, eta): self
CNN卷积神经网络 FPGA加速器实现(小型)CNN FPGA加速器实现(小型) 仿真通过
2502_94431433的博客
01-04 422
最近在研究CNN卷积神经网络的FPGA加速器实现，感觉挺有意思的，所以来分享一下。软件部分基于TensorFlow 2实现，硬件部分则是用Verilog手写代码，整个项目高度参数化配置，可以根据速度或面积要求设置不同的加速效果。通过这个项目，你可以深入理解CNN算法从软件到硬件的部署过程，同时也能学习到如何用FPGA进行深度学习加速。网络软件部分基于tf2实现，通过python导出权值，硬件部分verilog实现，纯手写代码，可读性高，高度参数化配置，可以针对速度或面积要求设置不同加速效果。
智能医疗新纪元：基于3D卷积神经网络的阿尔兹海默病智能诊断Web应用
gitblog_00456的博客
09-14 596
智能医疗新纪元：基于3D卷积神经网络的阿尔兹海默病智能诊断Web应用 项目介绍 在医疗科技飞速发展的今天，人工智能在疾病诊断中的应用越来越广泛。Image_Recognition_WebGUI项目正是这一趋势的杰出代表。该项目基于3D卷积神经网络（3D CNN）和ADNI数据集，开发了一款用于阿尔兹海默病（AD）智能诊断的Web应用。通过结合Pytorch深度学习框架和Pywebio可视化工具，该...
Image-Recognition-system：基于3D CNN的阿尔兹海默智能诊断Web应用
gitblog_00477的博客
06-13 454
Image-Recognition-system：基于3D CNN的阿尔兹海默智能诊断Web应用 项目介绍 Image-Recognition-system 是一个基于3D卷积神经网络（CNN）的阿尔兹海默智能诊断Web应用。该系统采用深度学习技术，通过医学影像识别，帮助医生诊断阿尔兹海默病。项目以Python语言编写，具有高度的可读性和易于部署的特点，旨在为医疗领域提供一个高效、准确的智能诊断工...
LeNet-5实战：用Python从零实现经典CNN网络（附TensorFlow代码对比）
game4的博客
02-14 357
本文详细介绍了如何从零开始用Python实现经典的LeNet-5卷积神经网络，并提供了与TensorFlow实现的对比分析。通过解析LeNet-5的网络结构和核心组件，包括卷积层、池化层和全连接层的实现，帮助读者深入理解CNN的基础原理。文章还包含完整的代码示例和训练技巧，适合深度学习初学者和研究者参考。
给算法工程师的‘降维打击’：用纯NumPy实现CNN，优化内存和计算速度的五个技巧
weixin_29057695的博客
03-23 167
本文为算法工程师提供了用纯NumPy实现CNN的五个高效技巧，包括向量化操作、内存布局优化、即时编译、分块计算和混合精度计算。这些方法不仅能优化内存和计算速度，在某些场景下甚至能超越主流深度学习框架的性能。通过实战对比，展示了NumPy优化方案在小批量数据和边缘设备部署中的显著优势。
卷积神经网络-全面图解-带你了解前向后向传播的所有细节(文末代码)
Willen_的博客
12-06 2144
卷积神经网络-全面图解-带你了解前向后向传播的所有细节 综述 本文将会从基础的前馈神经网络入手，通过bp神经网络，引出卷积神经网络，并把专门的重点放在如何理解和实现卷积神经网络的卷积层、下采样层、全连接层、以及最终的softmax的反向传播的理解。最后实现基于python的车标识别6分类网络 （代码:实现了卷积、全连接、下采样等等前向、反向传播，将6类车标作为输入进行模型训练，不过是CPU...
深度学习实战：使用纯NumPy实现CNN与RNN的完整教程
gitblog_00850的博客
05-24 462
想要掌握深度学习核心算法却苦于复杂的框架依赖？gh_mirrors/machine/MachineLearning项目为你提供了完美的解决方案！这个开源项目使用纯NumPy实现了包括卷积神经网络（CNN）和循环神经网络（RNN）在内的多种机器学习算法，特别适合初学者和教育用途。通过本教程，你将学会如何轻松搭建自己的深度学习模型，无需依赖复杂的深度学习框架。 ## 🚀 项目亮点与核心功能 gh
探索CNN-Numpy：在Numpy中实现深度学习的强大工具
gitblog_00030的博客
03-27 374
探索CNN-Numpy：在Numpy中实现深度学习的强大工具 项目简介 是一个由吴子航开发的开源项目，它允许用户在纯Python和Numpy环境中构建、训练和测试卷积神经网络（Convolutional Neural Networks, CNN）。如果你正在寻找一种无需依赖TensorFlow、PyTorch等大型框架就能进行深度学习的方法，或者希望更深入地理解CNN的工作原理，那么这个项目绝对值...
CNN网络结构实战：用Python手写一个卷积层（附代码）
weixin_29081703的博客
02-28 431
本文通过Python和NumPy从零实现了一个完整的卷积层，深入解析了CNN网络结构的核心原理。文章详细讲解了卷积运算、Padding与Stride等关键参数，并提供了可运行的代码示例，帮助读者亲手构建CNN的“视觉引擎”，从而透彻理解卷积神经网络的工作机制。
手把手教你用Python实现卷积运算：从零开始构建CNN基础层
02-25 312
本文详细介绍了如何使用Python从零开始实现卷积运算，构建CNN基础层。通过代码逐行解析，帮助开发者深入理解卷积神经网络的核心操作，包括单通道和多通道卷积的实现、步长与填充参数的应用，以及性能优化技巧。适合深度学习初学者和希望巩固CNN基础的开发者。
CNN实战：用Python手写一个卷积层（含反向传播推导）
weixin_29053067的博客
03-25 102
本文详细介绍了如何用Python从零实现CNN卷积层，包括前向传播和反向传播的完整推导与代码实现。通过纯Python编写卷积运算核心逻辑，深入解析卷积神经网络的内部工作机制，帮助开发者彻底掌握CNN的核心原理。文章还提供了卷积层优化技巧和实际应用中的性能调优方法，适合希望深入理解卷积神经网络底层实现的开发者学习。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值