现在开始学习spring框架学习完一节后总结

我使用的是视频加书的学习方法,使用的书是 spring实战外国人写的那本,视频是佟刚的spring视频。我学习到spring前置通知了,

前面的一些都是在讲spring是干什么的,

什么IoC(控制反转)、DI(依赖注入)和AOP(面向切面编程)啊?

我的理解就是前两个就是想办法把需要的东西准备好让以后更换某个东西的时候直接从配置上换就行了,也就是使用框架的方式把原来一体的事物分成若干个小的事物或者对象,就像积木一样而spring就是积木这个名词,就是一个规定,规定了你需要各种卡槽才能让东西垒起来,而事物就是积木分开的各个小块,如果感觉那个小块不好看就可以拿掉然后换一个别的小块,只要卡槽对就行。

下面的是摘自百度百科的喔感觉说的很对:

IoC最大的好处是什么?因为把对象生成放在了XML里定义,所以当我们需要换一个实现子类将会变成很简单(一般这样的对象都是实现于某种接口的),只要修改XML就可以了,这样我们甚至可以实现对象的热插拔(有点像USB接口和SCSI硬盘了)。
IoC最大的缺点是什么?(1)生成一个对象的步骤变复杂了(事实上操作上还是挺简单的),对于不习惯这种方式的人,会觉得有些别扭和不直观。(2)对象生成因为是使用反射编程,在效率上有些损耗。但相对于IoC提高的维护性和灵活性来说,这点损耗是微不足道的,除非某对象的生成对效率要求特别高。(3)缺少IDE重构操作的支持,如果在Eclipse要对类改名,那么你还需要去XML文件里手工去改了,这似乎是所有XML方式的缺陷所在。

最后一个是使用代理的方式把事物给分开,我的理解是这就是一种方法,你看前面是提出了可以向积木一样来搭和换,现在这个解决的是如何来切这个积木,如果我想向一个完整的积木中添加一个小块该怎么添这个就是来解决这个问题的。使用代理然后让程序最后从代理这个里面出来。

这就是我现在理解的spring,

从这个框架中我想这就是为什么用框架的根本原因,如果是一个很小的程序还会用吗我感觉不会用的。这就是用一个复杂的关系图例来标明了各个东西是干什么的,这样让人们更好的找东西或者是改东西,再或者是添加东西。

想到了这些然后我就知道了我该做什么了,

第一、先得学会这些语法和关键字。

第二、学会如何划分成若干个小的事物。

我想说一点实际上这样就是为了工厂化各个程序的也就是把现在的管理理论和编程联系起来。她实际上并没有解决某个问题(这个问题代表的是狭义上的问题,例如1+1等于几)而是把某个问题给划分的更加的明显等那个问题解决了然后就可以生产那个东西了。

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