Myeclipse 10使用hibernate生成注解(annotation)实体类

这篇博客介绍了如何在MyEclipse 10中配置数据库连接,创建Hibernate配置文件及SessionFactory类,并通过Hibernate逆向工程生成注解实体类。步骤包括设置数据库连接、选择Hibernate Capabilities、指定源码包和实体类存储位置,以及配置ID生成策略。
摘要由CSDN通过智能技术生成

以MySQL数据库为例,请在数据库里面建好对应的表。

1.配置数据库链接

打开Myelipse Database Explorer视图

Window-->Open Perspective-->MyEclipse Database Explorer


在DB Browser栏中右键新建连接:New...


填写相关信息:记得导入包,否则会报错

Driver name:在MyEclipse里面显示的名称;

Connection URL:链接数据库的URL,这里以MySQL为例;

User name:数据库用户名;

Password:数据库密码;

点击Add IARs,选择驱动包,

加完jar包以后,注意查看Driver classname的驱动名是否正确,


点击Test Driver,弹出窗口:

输入数据库密码,弹出如下窗口,数据库链接正常;

点击finish,在MyEclipse的DB Browser窗口就可以看见刚刚添加的数据库


双击hebradio_record,找到对应的数据库表:


2.生成Hibernate配置文件及SersionFactory类

调整Myeclipse视图,在MyEclipse的右上角,选择MyEclipse Java Enterprise视图:


新建一个web项目,建好相关的包结构:

选中项目右键-->MyEclipse-->add Hibernate Capabilities 


如果选择Hibernate4.1,Enable Hibernate Annotations Support 会直接被勾选上,如果Hibernate3.3,这一项默认没有勾选,这一项勾选上就是以注解的方式生成实体类


点击next

点击next,如图:


在DB Driver选择我们上面配置好的数据库信息,点击next


选择存放HibernateSessionFactory类的包,这里我就放到model下面,点击Finish,生成hibernate配置文件及SeeionFactory类,如图:


3.生成实体类

MyEclipse右上角切换到MyEclipse Database Explorer视图:


到DB Brower中找到要反向的表选中并且点击右键--->Hibernate Reverse Enginnering


java src folder 源码包,不用多解释,java package——存放将要反转出来的实体类,选择目录(就是之前建好的com.xxx.model之类的包);

Create pojo<>db。。。这个选项选中,就是我们建立从表到简单java 对象(即pojo)的配置,把下面的add hibernate mapping annotations to pojo的选上,其它不管,这个选项用来“添加映射注解到pojo对象上”,它上面的那个选项用来创建xml的;

Java Data Object(POJO <> DB Table),去掉Create abstract class 这项,否则会为每个实体类生成一个抽象的类


点击 next,如图:

type Mapping要选上hibernatetypes,这样这些注解都是来自 javax.persistence.*了;

id generator 看下拉列表就知道是配置id生成策略的;

那两个enable 是说映射关系发现(detection)


点击next,如图:

Class name:对应的表的实体类名称;

id generator:ID生成策略;


点击完成,就可以生成对应的实体类。

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