图解Spring循环依赖

1. 什么是循环依赖

循环依赖就是循环引用,也就是两个或者两个以上的Bean相互持有对方,行程闭环。比如:对象A依赖对象B,对象B又依赖A。如下图:
在这里插入图片描述

2.Spring中循环依赖代码演示

@Service
public class ProductService {

	@Autowired
	private OrderService orderService;

}
@Service
public class OrderService {

	@Autowired
	private ProductService productService;

}

@ComponentScan("org.springframework.examples.xhyl")
public class XhylAppliactionTests{

	public static void main(String[] args) {
		AnnotationConfigApplicationContext applicationContext = new AnnotationConfigApplicationContext(XhylAppliactionTests.class);

	}
}

3.Spring中循环依赖的解决方案

Spring 中解决循环依赖问题,只能够保证解决单例模式下的Bean创建的属性注入和Set注入时的循环依赖问题。原型或者构造器注入是无法解决的,执行过程中会直接异常。
主要是通过对象提前暴露和Spring中设计的经典三级缓存方式来解决的。
我们看下源码中的三级缓存,很简单,就是三个map:

/** Cache of singleton objects: bean name --> bean instance  真正完整的Bean对象*/
private final Map<String, Object> singletonObjects = new ConcurrentHashMap<String, Object>(256);

/** Cache of singleton factories: bean name --> ObjectFactory bean的延时创建 */
private final Map<String, ObjectFactory<?>> singletonFactories = new HashMap<String, ObjectFactory<?>>(16);

/** Cache of early singleton objects: bean name --> bean instance 主要是用来提前暴露对象 */
private final Map<String, Object> earlySingletonObjects = new HashMap<String, Object>(16);

三级缓存Map解读:
singletonFactories : 单例对象工厂的cache,Bean的延时加载
earlySingletonObjects :提前暴光的单例对象的Cache(不完整)
singletonObjects:单例对象的cache,完成的Bean对象

4. 图解循环依赖的处理流程

Spring循环依赖问题


在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
循环神经网络(Recurrent Neural Network,RNN)是一种具有循环连接的神经网络结构,主要用于处理序列数据。相比于传统的前馈神经网络,RNN能够在处理序列数据时保留过去的信息,并将其传递给下一个时间步骤。 下面是一个简化的RNN图解: ``` x[t] h[t-1] h[t] y[t] │ │ │ │ └──────►┌───┴────┐ │ │ │ RNN │ │ │ └─────────┘ │ │ └──►┌─────┐◄─┘ │ act │ └─────┘ ``` 在这个图中,输入是当前时间步骤(t时刻)的输入x[t]和上一个时间步骤(t-1时刻)的隐藏状态h[t-1]。隐藏状态h[t-1]存储了RNN之前的信息,通过循环连接传递给当前时间步骤的隐藏状态h[t]。h[t]不仅可以传递给下一个时间步骤,也可以作为输出y[t]的一部分。 在RNN中,每个时间步骤都有一个相同的权重参数集合。这意味着RNN在处理不同时间步骤的输入时使用相同的参数。这种共享参数的方式使得RNN能够处理任意长度的序列数据。 RNN可以使用不同的激活函数来控制信息的流动和处理方式。常用的激活函数包括tanh、ReLU等。 RNN的循环连接使得它可以处理时序信息,例如自然语言处理、语音识别、时间序列预测等任务。然而,传统的RNN也存在梯度消失和梯度爆炸的问题,导致长期记忆和长期依赖任务的困难。 相关问题: 1. RNN的梯度消失和梯度爆炸问题是如何产生的? 2. 除了RNN,还有哪些用于处理序列数据的神经网络结构? 3. RNN的隐藏状态有什么作用?它如何影响信息传递和处理过程? 4. 在实际应用中,如何选择合适的激活函数来构建RNN? 5. RNN是否适合处理长序列数据?如何改进RNN来解决长期记忆和长期依赖问题?

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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