数据访问:JPA关联&MyBatis

在Java开发中,数据访问层(DAO层)是连接应用程序与数据库的关键部分。JPA(Java Persistence API)和MyBatis是两种流行的数据访问技术,它们各自有不同的特点和适用场景。下面将分别介绍JPA关联映射和MyBatis的基本使用,并比较它们之间的区别。

JPA关联映射

JPA是一种对象关系映射(ORM)技术,它允许开发者以面向对象的方式操作数据库。在JPA中,实体之间的关联关系可以通过注解来定义,如@OneToOne@OneToMany@ManyToOne@ManyToMany

示例

假设有两个实体:StudentCourse,一个学生可以选修多门课程,而一门课程可以被多个学生选修,这是一个典型的@ManyToMany关系。

@Entity  
public class Student {  
    @Id  
    @GeneratedValue(strategy = GenerationType.IDENTITY)  
    private Long id;  
    private String name;  
  
    @ManyToMany(fetch = FetchType.LAZY, cascade = CascadeType.ALL)  
    @JoinTable(  
        name = "student_course",  
        joinColumns = @JoinColumn(name = "student_id"),  
        inverseJoinColumns = @JoinColumn(name = "course_id")  
    )  
    private Set<Course> courses = new HashSet<>();  
  
    // getters and setters  
}  
  
@Entity  
public class Course {  
    @Id  
    @GeneratedValue(strategy = GenerationType.IDENTITY)  
    private Long id;  
    private String name;  
  
    @ManyToMany(mappedBy = "courses", fetch = FetchType.LAZY)  
    private Set<Student> students = new HashSet<>();  
  
    // getters and setters  
}

在这个例子中,@JoinTable注解用于定义多对多关系的连接表student_course

MyBatis

MyBatis是一个支持普通SQL查询、存储过程和高级映射的持久层框架。MyBatis避免了几乎所有的JDBC代码和手动设置参数以及获取结果集。MyBatis可以使用简单的XML或注解用于配置和原始映射,将接口和Java的POJOs(Plain Old Java Objects,普通的Java对象)映射成数据库中的记录。

示例

在MyBatis中,你需要编写SQL语句来定义如何查询和更新数据。对于关联查询,你可能需要编写复杂的SQL语句或使用MyBatis提供的映射功能来映射结果到复杂的对象结构。

<!-- 查询学生及其选修的课程 -->  
<select id="selectStudentWithCourses" resultMap="studentCourseMap">  
    SELECT s.id, s.name, c.id AS "course.id", c.name AS "course.name"  
    FROM student s  
    JOIN student_course sc ON s.id = sc.student_id  
    JOIN course c ON sc.course_id = c.id  
</select>  
  
<resultMap id="studentCourseMap" type="Student">  
    <id property="id" column="id" />  
    <result property="name" column="name" />  
    <collection property="courses" ofType="Course">  
        <id property="id" column="course.id" />  
        <result property="name" column="course.name" />  
    </collection>  
</resultMap>

JPA vs MyBatis

  • 开发效率:JPA提供了更高级别的抽象,减少了编写SQL的需要,提高了开发效率。MyBatis则需要开发者编写SQL语句,但提供了更灵活的数据访问能力。
  • 性能:在复杂查询和性能调优方面,MyBatis可能更具优势,因为它允许直接控制SQL语句。
  • 灵活性:MyBatis提供了更灵活的SQL编写能力,适合复杂查询和动态SQL。JPA在复杂关联和继承映射方面提供了强大的支持。
  • 学习曲线:JPA的学习曲线可能更陡峭,因为它引入了ORM的概念和一系列注解。MyBatis则更接近于传统的JDBC操作,对于熟悉SQL的开发者来说可能更容易上手。

选择JPA还是MyBatis取决于项目的具体需求、团队的技能集以及开发效率与性能之间的权衡。

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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