TeaFramework——IOC容器实现(一)

    Spring的IOC/DI让层与层之间解耦,让接口和实现类不必强依赖,提高程序的扩展性和对需求的适应性。TeaFramework也提供了一个IOC容器,帮我们来生成实例,那么具体设计是什么样的呢?请往下看。

    纯注解以其简单的优势迅速得到广大程序员的青睐,那么这里还是以注解的方式来标示bean和注入bean。TeaFramework中标示bean的注解有两种:@Component、@TeaDao。

    @Component用于控制层和service层.

    @TeaDao用于数据访问层

    @Component包含两个属性,分别标示bean的name、生成对象的模式(单例、原型,默认是单例),代码如下:

@Target({ ElementType.TYPE })
@Retention(RetentionPolicy.RUNTIME)
public @interface Component {

	public String value() default "";

	public Scope scope() default Scope.singleton;
}

    接下来是注入了,注入又分两种:ByName和ByType,那么注解里只需要一个参数即可搞定,当传入beanName时是按ByName注入,否则按ByType注入。

@Target({ ElementType.FIELD })
@Retention(RetentionPolicy.RUNTIME)
public @interface Inject {
	public String value() default "";
}

    那么这样一来我们的代码变得很简洁,控制层代码可以这样写

@Component
public class UserController {

	@Inject
	private UserService userService;
}

    service层代码可以这样写

@Component
public class UserServiceImpl implements UserService {
	@Inject
	private UserDao userDao;

	@Override
	public User addUser(User user) {
		userDao.addUser(user);
		return userDao.getUserById(user.getId());
	}

}

    数据访问层代码可以这样写

@TeaDao
public interface UserDao {

	@GetPrimaryKey(sql = "select s_users.nextval from dual", primaryKeyProperty = "id")
	@SQL("insert into users(id,username,password) values(#id#,#username#,#password#)")
	public void addUser(User user);

	@SQL("select * from users where id=#id#")
	public User getUserById(Long id);
}

    接下来看第二个问题,怎么把bean装进Bean容器呢?这里需要定义两个Map,一个是beanName和对象之间的映射,另一个是beanType和bean List的映射,具体代码如下:

public class BeanContainer {
	private static BeanContainer instance;

	private static Map<Class<?>, List<Object>> CLASS_BEAN_MAPPING = new ConcurrentHashMap<Class<?>, List<Object>>(200);

	private static Map<String, Object> NAME_BEAN_MAPPING = new ConcurrentHashMap<String, Object>(200);

	private BeanContainer() {
	}

	public synchronized static BeanContainer getInstance() {
		if (instance == null) {
			instance = new BeanContainer();
		}
		return instance;
	}

	public boolean contains(String beanName) {
		return NAME_BEAN_MAPPING.containsKey(beanName);
	}

	public void putBean(Class<?> beanClass, Object object) {
		if (CLASS_BEAN_MAPPING.get(beanClass) == null) {
			List<Object> list = new ArrayList<Object>();
			list.add(object);
			CLASS_BEAN_MAPPING.put(beanClass, list);
		} else {
			CLASS_BEAN_MAPPING.get(beanClass).add(object);
		}
	}

	public void putBean(String beanName, Object object) {
		NAME_BEAN_MAPPING.put(beanName, object);
	}

	public <T> T getBeanByName(String beanName) {
		return (T) NAME_BEAN_MAPPING.get(beanName);
	}

	public <T> List<T> getBeansByType(Class<?> beanClass) {
		return (List<T>) CLASS_BEAN_MAPPING.get(beanClass);
	}

	public void inject() {
		for (Map.Entry<String, Object> entry : NAME_BEAN_MAPPING.entrySet()) {
			injectProperties(entry.getValue());
		}
	}

	private void injectProperties(Object bean) {
		List<Field> result = new ArrayList<Field>();
		findAllField(bean.getClass(), result);
		for (Field field : result) {
			Inject inject = field.getAnnotation(Inject.class);
			if (inject != null) {
				field.setAccessible(true);
				Object object = null;
				if (!"".equals(inject.value())) {// id注入
					object = NAME_BEAN_MAPPING.get(inject.value());
					if (object == null) {
						throw new TeaInjectException("没找到beanName为" + inject.value() + "的Bean");
					}
				} else {
					List<Object> list = CLASS_BEAN_MAPPING.get(field.getGenericType());// 类型注入
					if (list == null || list.size() == 0) {
						throw new TeaInjectException("没找到类型为" + field.getGenericType().getTypeName() + "的Bean");
					} else if (list.size() > 1) {
						throw new TeaInjectException("存在多个类型为" + field.getGenericType().getTypeName() + "的Bean");
					}
					object = list.get(0);
				}
				if (object == null) {
					throw new TeaInjectException("没找到对应bean");
				}
				try {
					field.set(bean, object);
				} catch (Exception e) {
					throw new TeaInjectException(e);
				}
			}
		}
	}

	private void findAllField(Class<?> clazz, List<Field> result) {
		Field[] fields = clazz.getDeclaredFields();
		if (fields != null && fields.length > 0) {
			for (int i = 0; i < fields.length; i++) {
				result.add(fields[i]);
			}
		}
		Class<?> superclass = clazz.getSuperclass();
		if (superclass != null && !java.lang.Object.class.equals(superclass)) {
			findAllField(superclass, result);
		}
	}
}

    上面有个重载的putBean方法,一个是把<beanName,对象>放进Map<String, Object>,另一个是对象按照类型映射到List,即Map<Class<?>, List<Object>>。

    injectProperties则是注入属性的具体实现了,如果@Inject的value不为空串,则是根据beanName注入,否则则是根据type注入,ByType注入做了一个特殊处理,就是如果一个Type下有很多实例,拿第一个注入,这里有两个功能是没有实现的属性为集合时注入的场景、原型模式下产生实例的场景,后期可以补上。

    这样就很简易了的实现了IOC容器和依赖注入,那么容器在启动时要扫描哪些包、对象是怎么实例化放进Map的?请关注TeaFramework——IOC容器实现(二)

     项目地址:https://git.oschina.net/lxkm/teaframework
     博客:https://blog.csdn.net/dong_lxkm

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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