Entityframework的简单应用

项目中使用EntityFramework

  

项目代码:http://yunpan.cn/cKAw3sSJWQwUX  提取码 871c

文笔不好,技术也差。来这就是来提高自己的,欢迎批评。最后还留下一个小问题,如果你知道的话可以告诉我,谢谢。(邮箱:jin_wangjia@163.com)

 

前言 1

1. 建立解决方案项目结构 1

2. 导入EntityFramework类库 1

3. 编写实体类 1

4. 编辑连接字符串 3

5. 编写BaseBLL类 3

6. 编写业务处理超类 4

7. 编写业务处理类 6

8. 应用 6

9. 疑难杂症 7

  

前言

数据库的使用在软件编程中占有很大的一个比例。尤其是在管理系统中,基本上没有哪个系统能离开数据库而单独存在。在编写数据库访问程序时最让人头疼的就是拼SQL,一般都需要在数据库和VS里颠倒好多次才能写出我们想要的那个语句。ORM的出现很好的解决了这个问题,它可以把SQL相关程序的编写变成类似强类型的语句,方便编写和调试,大大提高了工作效率。下面就把我在项目中如何使用EntiryFramework做一下简单的记录。开发环境:VS2010,SQLServer208,EntityFramework6

 

1. 建立解决方案项目结构

EntityFramework是用来访问数据库的,根工程的类型没有关系,我们可以把它用用C/S的工程当中,也可以把它用到 B/S的工程当中。为了展示EntityFramework的使用方法,我们首先得建立一个例子解决方案。这个解决方案的最基础的普通三层结构,因为数据的访问主要靠EntityFramework来实现,所以数据访问层的实现基本看不出来了,使得整个解决方案好像就是个两层的一样。下面我们通过表格的形式来说明一下这个解决方案中各个工程的类型和做用。

工程名

层次

类型

作用

是否引入EF

JZAPP

展示层

应用程序

应用程序

BLL

业务逻辑层

类库

逻辑运算,数据访问

Model

实体类

类库

数据库表到类的映射

 

2. 导入EntityFramework类库

用Nuget把最新版本的EntityFramework导入到BLL,Model两个项目中。

3. 编写实体类

下面我们以下面图中这个实体类做为样本,来了解一下EntityFramework中的实体类如何定义。实体类是数据库表的映射,所以这个类的名称,属性名称,属性类型都是根我们设计的表有关联了。具体数据库中的类型映射为C#中的什么类型没有做过详细的研究,大概用过的总结如下,如果以后还会用到其他的,还会添加到这里来的。

SqlServer中的类型

C#中的类型

Varchar(N)

string

bit

bool

datetime

DateTime

int

integer


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