使用Annotation编写Entity减少Spring,hibernate配置。

以前编写实体类Entity的时候,都需要配置映射文件.hbm.xml,同时需要在sessionFactory中配置映射文件或映射目录
使用annotation时需要将sessionFactory定义为:
<bean id="sessionFactory" class="org.springframework.orm.hibernate3.annotation.AnnotationSessionFactoryBean">
【Entity】
文件映射
<property name="mappingResources">
   <list>
    <value> ...hbm.xml </value>
   ....
   </list>
</property>

或者 目录映射
<property name="mappingDirectoryLocations">
    <list>
      <value>classpath:/../hbm/</value>
       ....          
   </list>
</property>

现在可以使用Annotation来简化配置(jdk5 spring2.5 hibernate3.3)
在sessionFactory中配置
<property name="packagesToScan" value="包名.*"/>
然后在Entity中定义类名的地方注释:@MappedSuperclass就可以自动完成载入,不用再配置.

【service】
以前编写service时要先编写Entity,Dao然后进行Dao配置进行自动注入Service
<bean id="mailDao"
  class="com.gzpost.cps.dao.hibernate.MailDaoHibernate">
  <property name="sessionFactory">
   <ref local="sessionFactory" />
  </property>
</bean>
<bean id="mailSearchService"
  class="com.gzpost.cps.service.impl.MailSearchServiceImpl">
  <property name="mailDao">
   <ref local="mailDao" />
  </property>
</bean>
当然也可以在Spring配置中申明按名或按类自动注入,可以少配置属性,但是Bean还是要配置的

现在可以使用SpringSide的SimpleHibernateTemplate范型Dao,直接在Service层创建,同时Service采用@Service注释来自动注册服务,在要注入参数的地方注释:@Autowired,就可以自动注入参数,前提是必须在Spring中配置
<!-- 使用annotation 自动注册bean,并检查@Required,@Autowired的属性已被注入 -->
<context:component-scan base-package="包名" />
这样就搞定了,可以减少好多的配置
【transaction】
<!-- 使用annotation定义事务 -->
<tx:annotation-driven transaction-manager="transactionManager" />
在服务类定义处注释:@Transactional,还可以在具体方法出定义@Transactional(readOnly=true)//使用readOnly可以提高性能
同一个方法里,事务可以传递,可以解决Lazy问题,可以不再使用:openSessionInView,使用此切面(aspect),必须在 实现 类(和/或类里的方法)、而不是类的任何所实现的接口上面进行注解
例如:
    @Transactional
    public class UserManagerInCatche {
    @Transactional(readOnly=true)//使用readOnly可以提高性能
     public void initResourceCache() {
      if (!cacheInitialized) {
       synchronized (this) {
        List<Resource> resources = userManager.getAllResorece();
        for (Resource resource : resources) {
         resourceDetailsInCache(resource);//resourceDetailsInCache方法会使用initResourceCache方法的事务
        }
        cacheInitialized = true;
       }
      }
     }
    private void resourceDetailsInCache(
       Resource resource) {
    //  GrantedAuthority[] authorities = role2authorities(userManager.getRolesByResourceId(resource.getId()));
      GrantedAuthority[] authorities = role2authorities(resource.getRoles());
     
      ResourceDetails rd = new gzpost.security.resourcedetails.Resource(resource
        .getResString(), resource.getResType(), authorities);
      resourceCache.putAuthorityInCache(rd);
     }
    }

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