9.MyBatis笔记

第三天的mybatis
    1.mybatis中的连接池以及事务控制(原理部分了解,应用部分会用)
        mybatis中的连接池使用及分析
        mybatis事务控制的分析
    2.mybatis基于xml配置的动态SQL语句使用(会用即可)
        mapper配置文件中的几个标签
            <if>
            <where>
            <foreach>
            <sql>
    3.mybatis中的多表操作(掌握应用)
        一对多
        一对一
        多对多
-------------------------------------------------
1.连接池:
        我们在开发中都会使用连接池
        因为它可以减少我们获取连接所消耗的时间
2mybatis连接池:
            主配置文件中的dataSource标签,type属性(指定连接池的防水)
            POOLED:采用传统的DataSource规范的连接池(还入池)
            UNPOOLED:采用传统的获取连接的方式,没有池的思想(直接断开 不还池)
            JNDI:采用服务器提供的JNDI技术实现,获取DataSource对象
3.mybatis中事务的连接
    (面试常问)
           什么是事务:所谓事务就是用户定义的一个数据库操作系列,这些操作要么全不做要么全做,是一个不可分割的工作单位

           事务的四大特性:原子性、一致性、隔离性、持续性

           不考虑隔离性会产生的3个问题:
           1、脏读:脏读是指在一个事务处理过程里读取了另一个未提交的事务中的数据。
           2、不可重复读:一个事务两次读取同一行的数据,结果得到不同状态的结果,中间正好另一个事务更新了该数据,
                两次结果相异,不可被信任。通俗来讲就是:事务T1在读取某一数据,而事务T2立马修改了这个数据并且提交事务给数据库,事务T1再次读取该数据就得到了不同的结果,发送了不可重复读。
           3、幻读(虚读):一个事务执行两次查询,第二次结果集包含第一次中没有或某些行已经被删除的数据,造成两次结果不一致,
                只是另一个事务在这两次查询中间插入或删除了数据造成的。通俗来讲就是:例如事务T1对一个表中所有的行的某个数据项做了从“1”修改为“2”的操作,这时事务T2又对这个表中插入了一行数据项,而这个数据项的数值还是为“1”并且提交给数据库。而操作事务T1的用户如果再查看刚刚修改的数据,会发现还有一行没有修改,
                其实这行是从事务T2中添加的,就好像产生幻觉一样,这就是发生了幻读

           解决办法:四种隔离级别
           1.Read Uncommited(读取未提交内容)
                介绍:读未提交,顾名思义,就是一个事务可以读取另一个未提交事务的数据。但是,读未提交产生了脏读,采用读提交可以解决脏读问题
           2.Read Commited(读取提交内容)
                介绍:读提交,顾名思义,就是一个事务要等另一个事务提交后才能读取数据。
                        读提交,若有事务对数据进行更新(UPDATE)操作时,读操作事务要等待这个更新操作事务提交后才能读取数据,可以解决脏读问题。但在这个事例中,出现了一个事务范围内两个相同的查询却返回了不同数据,这就是不可重复读。
                        但是,读提交两次查询会产生不同的查询结果,就会造成不可重复读问题,采用重复读可以解决此问题。
           3.Repeatable Read(重复读)
                介绍:重复读,就是在开始读取数据(事务开启)时,不再允许修改操作。重复读可以解决不可重复读问题。应该明白的一点就是,不可重复读对应的是修改,即UPDATE操作。但是可能还会有幻读问题。
                      因为幻读问题对应的是插入INSERT操作,而不是UPDATE操作。采用Serializable可以解决幻读问题
           4.Serializable(可串行化)
                介绍:Serializable 是最高的事务隔离级别,在该级别下,事务串行化顺序执行,可以避免脏读、不可重复读与幻读。但是这种事务隔离级别效率低下,比较耗数据库性能,一般不使用。

           它是通过sqlSession对象的commit方法和rollback方法实现事务的提交和回滚
4.mybatis中的多表查询
        表之间的关系
            一对一
            多对一
            一对多
            多对多
        举例:
            一个用户可以下多个订单
            多个订单属于同一个用户
        特例:
            如果拿出每一个订单,他都只能属于一个用户。
            所以mybatis就把多对一看成了一对一
         mybatis中的多表查询:
            示例:用户和账户
                    一个用户可以有多个账户
                    一个账户只能属于一个用户(多个账户也可以属于同一个用户)
            步骤:
                    1、建立两张表:用户表,账户表
                            让用户表和账户表之间具备一对多的关系:需要使用外键在账户表中添加
                    2、建立两个实体类:用户实体类和账户实体类
                            让用户和账户的实体类能体现出一对多的关系
                    3、建立两个配置文件
                            用户的配置文件
                            账户的配置文件
                    4、实现配置:
                            当我们查询用户时,可以同时得到用户下所包含的账号信息
                             当我们查询账户时,可以同时得到账户的所属的用户信息
                             (关联的id列名需要有一致的参数数据)

 

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