Duwamish学习笔记

           前一段时间,项目做完了,有点时间学习一下Duwamish7.0,做了一些笔记,现在拿出来与大伙共享,其中参考了微软中国社区的MVP卢彦的文章、博客园-Rickie Lee's blog-Duwamish系列文章
一:表示层
   Web 层为客户端提供对应用程序的访问。这一层是作为 Duwamish.sln 解决方案文件中的
Web 项目实现的。Web 层由 ASP.NET Web 窗体和代码隐藏文件组成。Web 窗体只是用 HTML
提供用户操作,而代码隐藏文件实现各种控件的事件处理。

二: 业务外观层(Businessfacade)
   调用业务外观层,业务外观层将界面与业务功能的实现隔离开,除了一些特殊操作之外,
对数据服务器的所有调用都是通过此程序集进行的
主要功能如下:
1.实现一些简单的业务逻辑,比如:密码的格式转换\数据转换
2.实现一些简单的数据验证(但数据验证(数据合法性)主要是在业务规则层进行)
3.当需要(简单的从数据库根据条件提取数据,不需要经过任何处理,而直接将数据显
示到网页上)时,则直接调用数据访问层(DataAccess);而另外一些操作,比如计算
定单中图书的总价并根据顾客的级别计算回扣等等,这部分往往有许多不同的功能的类,
操作起来也比较复杂,此时则通过调用业务规则层(验证数据合法性),然后调用数据访问
层(DataAccess)

三:业务规则层(Businessrules)
   包括各种业务规则和逻辑的实现,并且用这些规则和逻辑验证数据的合法性
各种业务规则和逻辑的实现:1.规则表达式
                         2.数据合法性,长度...

四:数据访问层(DataAccess)
   数据访问层为业务规则层提供数据服务。这一层是作为 Duwamish.sln 解决方案文件中的
DataAccess 项目实现的。

五:问题:
   比较令人困惑的是其中的业务外观层和业务规则层,很多人在学习N层结构开发的时候,听得
最多的是三层结构,分别为:表示层,中间层和数据层。Duwamish的WEB层和数据访问层比较好
理解,也就是传统意义上的表示层和数据层,那么业务外观层和业务规则层和我们熟悉的中间层
有什么联系呢?
   为了解释这个问题我们先来理解一下传统的三层架构的表示层:(表示层只负责接受用户的输
入并返回结果):
   有部分操作只是简单的从数据库根据条件提取数据,不需要经过任何处理,而直接将数据显
示到网页上,比如查询某类别的图书列表。而另外一些操作,比如计算定单中图书的总价并根据
顾客的级别计算回扣等等,这部分往往有许多不同的功能的类,操作起来也比较复杂。我们可以
先想象一下,如果我们采用三层结构,这些商业逻辑一般是会放在中间层,那么对内部的这些大
量种类繁多,使用方法也各异的不同的类的调用任务,就完全落到了表示层。这样势必会增加表
示层的代码量,将表示层的任务复杂化,和表示层只负责接受用户的输入并返回结果的任务不太
相称,并增加了层与层之间的耦合程度
         以上有些可能本人理解的不是太准确,希望大家多多指教

转载于:https://www.cnblogs.com/kuailewangzi1212/archive/2005/07/28/201604.html

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