在ASP.NET MVC3中使用EFCodeFirst 1.0

1. 新建项目

  打开VS2010,选择 文件>新建>项目,新建ASP.NET MVC3 Web 应用程序,我这里把它命名为Blog。

image

  2. 编写实体类

  对于一个博客,一下几个类应该是必须的吧:

  • Post                             博客文章类
  • Comment                     文章评论类,和Post是一对多的关系
  • Category                     目录类,和Post是一对多的关系
  • Tag                             标签类,和Post是多对多的关系
  • FriendLink                  友情链接类

  先不考虑管理员之类的东西。 在Model中依次添加上面的类。

image

  
  
namespace Blog.Models { public class Post { public int ID { get ; set ; } public int CategoryID { get ; set ; } public string Title { get ; set ; } public string Summary { get ; set ; } public string Alias { get ; set ; } public string Content { get ; set ; } public DateTime CreateTime { get ; set ; } public Category Category { get ; set ; } public ICollection < Tag > Tags { get ; set ; } public ICollection < Comment > Coments { get ; set ; } } } namespace Blog.Models { public class Comment { public int ID { get ; set ; } public int PostID { get ; set ; } public int Level { get ; set ; } public int ReplyTo { get ; set ; } public string UserName { get ; set ; } public string Email { get ; set ; } public string Website { get ; set ; } public string Content { get ; set ; } public DateTime CreateTime { get ; set ; } } } namespace Blog.Models { public class Category { public int ID { get ; set ; } public string Name { get ; set ; } public string Alias { get ; set ; } public string Description { get ; set ; } public DateTime CreateTime { get ; set ; } public ICollection < Post > Posts { get ; set ; } } } namespace Blog.Models { public class Tag { public int ID { get ; set ; } public string Name { get ; set ; } public string Alias { get ; set ; } public DateTime CreateTime { get ; set ; } public ICollection < Post > Posts { get ; set ; } } } namespace Blog.Models { public class FriendLink { public int ID { get ; set ; } public string Name { get ; set ; } public string URL { get ; set ; } public string Description { get ; set ; } public DateTime CreateTime { get ; set ; } } }

  3. 添加EFCodeFirst

  选择菜单栏的 工具 > Library Package Magager > Package Manager Console。

image

  在Package Manager Console中输入以下命令安装EFCodeFirst。

PM> install-package efcodefirst 。

image  安装成功后,VS会自动在你的项目中添加对EntityFramework的引用。

  4. 配置

  EFCodeFirst的配置是相当的简单,我们向Model中添加BlogDB类。

  
  
using System.Data.Entity; namespace Blog.Models { public class BlogDB : DbContext { public DbSet < Post > Posts { get ; set ; } public DbSet < Tag > Tags { get ; set ; } public DbSet < Category > Categories { get ; set ; } public DbSet < Comment > Comments { get ; set ; } public DbSet < FriendLink > FriendLinks { get ; set ; } } }

  打开web.config文件,添加链接字符串:

  
  
< connectionStrings > < add name ="BlogDB" connectionString ="Server=.\; Database=Blog;Trusted_Connection=true" providerName ="System.Data.SqlClient" /> <!-- <add name="BlogDB" connectionString="Server=.\EXPRESS; Database=Blog;Trusted_Connection=true" providerName="System.Data.SqlClient" /> --> </ connectionStrings >

  注意,name属性的值为“BlogDB”这里和BlogDB这个类的类名保持一致。数据库名称为Blog(这个数据库现在并不存在)。

  5. 小试牛刀

  新建一个HomeController,添加如下代码。

  
  
using Blog.Models; namespace Blog.Controllers { public class HomeController : Controller { BlogDB _db = new BlogDB(); // // GET: /Home/ public ActionResult Index() { var posts = _db.Posts; return View(posts); } } }

  给Index Action创建一个View,如下图示:

image

  添加完后就迫不及待的果断的奋力的按下F5吧,让我们看看都发生了什么!

image

  网页显示了如下信息,不过这不是今天的重点,今天的重点是数据库。让我们打开数据库看看,里面发生了什么。

image

  看吧,EF自动的为我们创建了数据库。

image

  而且,EF足够聪明的为我们完成了Posts到Tags的多对多联系!!!我们程序中并没有和TagPosts表对应的Model,有的只是如下的两行代码:

  在Post类中:public ICollection<Tag> Tags { get; set; }

  在Tag类中:public ICollection<Post> Posts { get; set; }

  我们可以简单的使用如下的代码来获得标签“CSharp”中的所有文章。

  
  
var posts = _db.Tags .Where(t => t.Name == " CSharp " ) .Single() .Posts;

  6. 修改Model后,自动更新数据表

  当我们修改了Model后,运行网站时,会报错,因为EF现在不能把更新后的Model和旧数据表对应起来。为了使数据库随着Model的更新而更新,我们还要做以下的工作。

  打开根目录下的Global.asax文件。

  添加如下命名空间(注意:EFCodeFirst 1.0 和 0.8 对于 DataBase 类所在的命名空间不同)

  
  
using System.Data.Entity; using Blog.Models;

  新建一个BlogDBInitializer类,使他继承DropCreateDatabaseIfModelChanges<BlogDB>,重写Seed函数。

  
  
public class BlogDBInitializer : DropCreateDatabaseIfModelChanges < BlogDB > { protected override void Seed(BlogDB context) { base .Seed(context); var links = new List < FriendLink > { new FriendLink{ Name = " NinoFocus.com " , URL = @" http://ninofocus.com " , Description = " NinoFocus的个人博客 " }, new FriendLink{ Name = " NinoFocus at CNBlogs " , URL = @" http://www.cnblogs.com/nizhuguo " , Description = " NinoFocus在博客园的博客 " } }; links.ForEach(l => context.FriendLinks.Add(l)); context.SaveChanges(); } }

  向Application_Start()中,添加如下代码:

image

  每次重建数据库后,数据库中的数据都是被清空。而Seed()函数的作用就是向新的数据库中添加以下初始化数据。

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