诡异的SPRING IOC容器

SPRING已经几乎成为我们日常开发必不可少的框架了,它对IOC以及AOP思想的实现得到了广泛的认可和推崇。
IOC作为一个容器,管控了大部分运行期的JAVA对象,由于IOC的高可配置性,使得传统的JAVA工厂模式,单例模式几乎不再出现于代码中。

然而本文的标题何故冠以诡异二字,这还得从一次项目组遇到的问题说起。

这个项目不无例外地使用了SPRING框架。然而在应用启动一段时间后,原本运行中没问题的一些对象,会忽然“无故”地报错找不到,出现Spring容器getBean失败。而这些对象在应用重启以后又是可以找到的!这使得项目组的同事百思不得其解。而且出现这些对象不见的时机也很蹊跷,时而隔天出现,时而隔一小时就报错。
此时,传说中的神器SPRING仿佛成了一个难以捉摸的幽灵,IOC容器则成了一个黑洞,时不时地把对象给吞了,不得不说诡异二字。真的是这样么,我们展开了一番排摸。

我们发现,当出现对象找不到的情况时,去获取这些对象用的是一个ApplicationContextUtil工具类,这个工具类继承实现了Spring的ApplicationContextAware,并且注册到IOC的配置XML里,按照SPRING的加载机制,会自动把ApplicationContext交到ApplicationContextUtil手里。而这次,这个工具好像出问题了。
同时我们又发现,在这种情况下,使用WebApplicationContextUtils.getWebApplicationContext(ServletContext sc)来获取ApplicationContext的时候,这些丢失的类都还在里面!

至此,问题是不是变得更为扑朔迷离?还是渐渐有了头绪?

这种情况下,感觉可能是运行期存在了多个IOC容器。经过代码排查,果然发现在这个项目引用JAR包的一个工具类里,存在这样的写法:
private static final String CONTEXT_FILE_NAME = "/applicationContext-service.xml";

private static ApplicationContext fac=null;

public AdapterServiceFactory(String str) {
fac = new ClassPathXmlApplicationContext(
CONTEXT_FILE_NAME);
((AbstractApplicationContext) fac).registerShutdownHook();
this.serviseName=str;
}
也就是说,一旦利用这个工具获取对象,就会产生一个额外的IOC容器。
如此这个问题就变得很明了了,IOC容器没有错,错的是运行期产生了多个IOC容器。
新容器产生的同时,将实现了ApplicationContextAware的工具类ApplicationContextUtil中的ApplicationContext给覆盖了,因此ApplicationContextUtil只能读到applicationContext-service.xml这个文件中的配置类,而其他对象都丢失了。但在使用WebApplicationContextUtils这个方法的时候,取得的IOC容器是另一个,这个时候,其他的对象都还在!而这一切都是要看这个新的IOC容器何时产生,因此出现问题的时间是随机的。在出现问题后重启应用,则暂时只会存在一个IOC容器,看似一切正常。

终于,诡异的疑云消散了。之后就是对于这个问题的改造了。
改造就很简单了,将在代码中生成IOC容器new ClassPathXmlApplicationContext()的代码去掉,将该类改为实现ApplicationContextAware,通过Spring自身的web加载机制来获的。
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