java之动态代理

分类:jdk动态代理和cglib动态代理

    jdk动态代理是由java内部的反射机制来实现的,cglib动态代理底层则是借助asm来实现的。反射机制在生成类的过程中比较高效,而asm在生成类之后的相关执行过

程中比较高效(可以通过将asm生成的类进行缓存,这样解决asm生成类过程低效问题)。jdk动态代理的应用前提,必须是目标类基于统一的接口。


例子:

接口:HelloWorldService

/**
 * Description:
 * User: lc
 * Date: 2017/10/16 0016
 * Time: 上午 9:29
 */
public interface HelloWorldService {
    String sayHelloWorld(String str);
}


实现:HelloWorldServiceImpl

/**
 * Description:
 * User: lc
 * Date: 2017/10/16 0016
 * Time: 上午 9:32
 */
public class HelloWorldServiceImpl implements HelloWorldService {
    public String sayHelloWorld(String str) {
        System.out.println(str);
        return str;
    }
}

代理类:MyInvocationHandler

/**
 * Description:
 * User: lc
 * Date: 2017/10/16 0016
 * Time: 上午 9:42
 */
public class MyInvocationHandler implements InvocationHandler {

    private Object object;

    MyInvocationHandler() {
        super();
    }

    MyInvocationHandler(Object object) {
        this.object = object;
    }

    public Object invoke(Object proxy, Method method, Object[] args) throws Throwable {
        System.out.println("object.getClass()...."+object.getClass());
        System.out.println("proxy.getClass()...."+proxy.getClass());
        System.out.println("各位准备开始......");
        method.invoke(object, args);
        System.out.println("各位准备结束......");
        return null;
    }

    public static void main(String[] args) {
        HelloWorldService hws = new HelloWorldServiceImpl();
        InvocationHandler ih = new MyInvocationHandler(hws);
        HelloWorldService hwsProxy = (HelloWorldService) Proxy.newProxyInstance(hws.getClass().getClassLoader(), hws.getClass().getInterfaces(), ih);
        hwsProxy.sayHelloWorld("动态代理......");

    }
}


测试结果:
object.getClass()....class HelloWorldServiceImpl
proxy.getClass()....class com.sun.proxy.$Proxy0
各位准备开始......
动态代理......
各位准备结束......




深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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