工作流学习笔记

[size=large] 这几天学习了一下工作流的东西,现在总结一下,我开始找了不少的视频来看,不过那些视频都不是很好,对我一个入门者来说,那个太难了,后来找到了family168.com的头天JBPM的入门视频看了之后很有感觉,对工作流的工作过程也有了一些了解,加上那里提供了例子,对我们学习也很人帮助。
附件是可运行的例子程序:

1 导入这个例子的时候,它的引用包没有包括进来,所以我们要用的时候就要先将去下载jbmp的包,我是到http://www.jboss.org/jbpm/去下载的,下载了是jbmp-4.3的包,它里面就包括了很多的引用包,我们可以到它的lib包下将所有的引用包都拷过来,放在新建一个文件夹下,我这里命名为lib(建在项目下的文件夹),但这样还不够,还少一个包,这个就是jbmp.jar包,这个包也在我们下载的jbmp-4.3下可以找到,将它们都加入build path就可以了。这样这个项目就可以用了,不会出错,找不到包之类。

2 这里的[color=red]jbpm.cfg.xml[/color] [color=blue]jbpm.hibernate.cfg.xml[/color] [color=red]jbpm.mail.properties [/color][color=blue]jbpm.mail.templates.examples.xml [/color][color=red]logging.properties[/color]配置文件我们都可以直接从jbmp-4.3包里面的src下面拷贝过来,只有流程定义要自己用插件画一下。

3 画流程图的MyEclipse插件可以在jbmp-4.3包下的\jbpm-4.3\install\src\gpd目录里找到jbpm-gpd-site.zip工作流画图插件,安装方式有多种,我用的是MyEclipse8.0可以将插件拷到MyEclipse的安装目录下的\dropins文件夹下就可用用(网上是这么说的),我试过我的MyEclipse不行,所以我又用那一种安装方式就是从MyElcipse的help->Software Updates->Add/Remove Software...可以添加新的插件进来,不过速度是很慢我是每安装一步要等半天。具体安装过程可见http://blog.csdn.net/sabic/archive/2009/12/14/5004604.aspx

4 一个流程定义(即写好的流程xml或流程图形式),可以多次发布,每次发布,工作引擎会给它分配一个新的id(新的id一般只是版本号不同,名字都相同的 ),一个流程定义可以生成多个流程实例,就好比各个登陆用户都要请假都要是一样的请假流程,那么第一个用户可从流程定义里生成新的流程实例,即一个流程定义可以生成多个流程实例。[/size]

5 当我们要将流程图片也发布到工作流引擎中去时,我们要将流程定义文件和由它生成的流程图片手工打包成.zip文件,zip文名最好与流程定义文件的process的名字一样,好识别嘛。对于zip文件的流程定义要发布到工作流中,需要用到下面的方式:

ProcessEngine processEngine = Configuration.getProcessEngine();
RepositoryService repositoryService = processEngine.getRepositoryService();

//repositoryService.createDeployment().addResourceFromClasspath("leave.jpdl.xml").deploy();
ZipInputStream zis = new ZipInputStream(this.getClass().getResourceAsStream("/reimbursement.zip"));
repositoryService.createDeployment().addResourcesFromZipInputStream(zis).deploy();
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