JBPM4 中实现会签

最新推荐文章于 2018-09-06 21:32:33 发布
最新推荐文章于 2018-09-06 21:32:33 发布
阅读量154 收藏
点赞数
分类专栏： jbpm4 文章标签： JBPM QQ Gmail
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/iteye_8444/article/details/81734254
版权

在jbpm3中实现会签时，好像大部分的方案都是通过 动态创建任务来实现的。

那么 在 jbpm4.0 中如何实现对应的功能呢？

其实在 jbpm4 中要实现这个功能 可能要比 在 jbpm3 中实现要来的简单。

在jbpm4 的 taskService 中提供了 newTask(String parentTaskId) 和 saveTask(Task task) 两个接口，通过这两个接口基本可以满足 会签的需要。

在subtask的创建上，刚搜到 小开ye 兄已经提供了一个思路， 就是在 提交到会签后，获取到会签的task，然后针对这个task创建 subtask

重新参考了jbpm4的文档，终于借助于 custome 类型 activity 来 模拟 task 的行为 来实现会签。

下面从头开始描述。

  • 首先定义会签信息的描述对象
public interface CountersignInfo extends Serializable{

    /**
     * 获取会签人员列表
     *
     * @return
     */
    public String[] getUsers();

    /**
     * 获取会签接收人
     *
     * @return
     */
    public String getReceiver();

    /**
     * 获取会签会议结论
     *
     * @return
     */
    public Conclusion getConclusion();

    /**
     * 是否全部人员都已签完
     *
     * @return
     */
    public boolean isAllSign();

    /**
     * 获取特定用户的会签结论
     * @param userId
     * @return
     */
    public Conclusion getUserConclusion(String userId);

    /**
     * 获取所有用户的会签结论
     * @return
     */
    public Map<String, Conclusion> getConclusions();

    /**
     * 设置会签综合结论计算方式
     * @param model
     */
    public void setConclusionCalculator(CountersignCalculator model);

    /**
     * 获取会签结论计算方式
     * @return
     */
    public CountersignCalculator getConclusionCalculator();

    /**
     * 会议结论定义
     *
     * @author phoenix
     */
    public enum Conclusion implements Serializable {
        // 通过
        AGREE,
        // 否决
        DENED,
        // 弃权
        ABSTAIN
    }
}
 


这里定义为接口是为了以后扩展方便。 这里包含了 会签人员、会签结论计算方式、会签接收人(汇总人)，如果如要还可以设置会议组织者等信息。


2.在各种会签模式上(一票否决、半数通过、按比例通过等)的描述上，通过定义会签结论计算器 接口及起不同的实现来处理。

先看接口：

public interface CountersignCalculator extends Serializable {
    /**
     *
     * @param info
     * @return
     */
    public Conclusion calculate(CountersignInfo info);
}
 

一票否决的实现：

public class AllAgreeSign implements CountersignCalculator {
    /**
     *
     */
    private static final long serialVersionUID = 1L;
    private static final Logger LOG = LoggerFactory.getLogger(AllAgreeSign.class);

    @Override
    public Conclusion calculate(CountersignInfo info) {
        // Map<String, Conclusion> conclusions = info.getConclusions();
        for (Map.Entry<String, Conclusion> entry : info.getConclusions().entrySet()) {
            if (entry.getValue() != Conclusion.AGREE) {
                LOG.debug("用户 [{}] 否决，会签未通过", entry.getKey());
                return Conclusion.DENED;
            }
        }
        return Conclusion.AGREE;
    }

}
 


按比例通过的实现：

public class PercentAgreeSign implements CountersignCalculator {
    private static final Logger LOG = LoggerFactory.getLogger(PercentAgreeSign.class);

    public PercentAgreeSign() {
    }

    public PercentAgreeSign(int minAgreeSize) {
        this.minAgreeSize = minAgreeSize;
    }

    /**
     *
     */
    private static final long serialVersionUID = 1L;
    public int minAgreeSize = 0;

    /**
     * @return the minAgreeSize
     */
    public int getMinAgreeSize() {
        return minAgreeSize;
    }

    /**
     * @param minAgreeSize
     *            the minAgreeSize to set
     */
    public void setMinAgreeSize(int minAgreeSize) {
        this.minAgreeSize = minAgreeSize;
    }

    @Override
    public Conclusion calculate(CountersignInfo info) {
        Map<String, Conclusion> conclusions = info.getConclusions();
        int agreeSize = 0;
        for (Conclusion conclusion : conclusions.values()) {
            if (conclusion == Conclusion.AGREE) {
                agreeSize++;
            }
        }
        LOG.debug("同意人数为 [{}] 最少同意人数[{}] 总意见数[{}]", new Object[] { agreeSize, minAgreeSize, conclusions.size() });
        return (agreeSize >= minAgreeSize) ? Conclusion.AGREE : Conclusion.DENED;
    }

}
 


半数通过只是比例的一种，因此不再提供额外的实现，只需要将总人数和最小通过人数设置好就可以了(会签发起前，参会人员应该都已经确定).


会签结论以枚举的形式定义在了会签信息接口中

3.定义custom类型activity节点的处理类。

 

先把代码贴上再予以说明

public class CountersignActivity extends JpdlExternalActivity {
    private static final Logger LOG = LoggerFactory.getLogger(CountersignActivity.class);

    /**
     * 默认的会签信息在上下文中的名字
     */
    public static final String DEFAULT_COUNTERSIGN_VAR_NAME = "COUNTERSIGN";

    /**
     * 
     */
    private String counterignVarName = DEFAULT_COUNTERSIGN_VAR_NAME;

    /**
     * Task的名字，可以不设置，不设置时将采用Activity的名字
     */
    private String name;

    /**
     * @return the name
     */
    public String getName() {
        return name;
    }

    /**
     * @param name
     *            the name to set
     */
    public void setName(String name) {
        this.name = name;
    }

    /**
     * 
     */
    private static final long serialVersionUID = 5125499454447181794L;

    /**
     * (non-Javadoc)
     * 
     * @see org.jbpm.jpdl.internal.activity.TaskActivity#execute(org.jbpm.api.activity.ActivityExecution)
     */
    @Override
    public void execute(ActivityExecution activityExecution) {
        ExecutionImpl execution = (ExecutionImpl) activityExecution;
        String taskName = StringUtils.isEmpty(name) ? execution.getActivityName() : name;

        // LOG.debug("执行 execution[{}]", execution);
        // LOG.debug("是否是 ActivityBehaviour 的实例 [{}]" + (this instanceof ActivityBehaviour));
        // LOG.debug("name 为 [{}]", taskName);
        // LOG.debug("从 execution 中取到的 Activity [{}] 的名字为 [{}]", execution.getActivity(), execution.getActivity()
        // .getName());

        CountersignInfo countersignInfo = getCountersignInfo(execution);

        // 创建主任务
        DbSession dbSession = Environment.getFromCurrent(DbSession.class);
        TaskImpl task = (TaskImpl) dbSession.createTask();
        task.setExecution(execution);
        task.setProcessInstance((ExecutionImpl) execution.getProcessInstance());
        task.setSignalling(true);
        task.setName(taskName);
        dbSession.save(task);
        HistoryEvent.fire(new TaskActivityStart(task), (ExecutionImpl) execution);

        // 创建子任务
        for (String countersigner : countersignInfo.getUsers()) {
            TaskImpl subtask = (TaskImpl) dbSession.createTask();
            LOG.debug("父任务ID为[{}]", task.getDbid());
            // subTask.setSuperTaskDbid(task.getDbid());
            task.addSubTask(subtask);
            subtask.setAssignee(countersigner);
            subtask.setName(taskName + "." + countersigner);
            subtask.setProcessInstance((ExecutionImpl) execution.getProcessInstance());
            // 这里一定设置为false，设置为true时，completeTask 会触发 signal
            // 参见 TaskImpl.complete() 方法
            // subTask.setSignalling(false);
            dbSession.save(subtask);
            // 触发事件
            HistoryEvent.fire(new TaskActivityStart(subtask), (ExecutionImpl) execution);
        }
        execution.waitForSignal();
    }

    /**
     * (non-Javadoc)
     * 
     * @see org.jbpm.jpdl.internal.activity.TaskActivity#signal(org.jbpm.api.activity.ActivityExecution,
     *      java.lang.String, java.util.Map)
     */
    @Override
    public void signal(ActivityExecution activityExecution, String signalName, Map<String, ?> parameters)
            throws Exception {
        ExecutionImpl execution = (ExecutionImpl) activityExecution;
        // LOG.debug("根据会签结论进行跳转");
        CountersignInfo countersignInfo = getCountersignInfo(execution);
        LOG.debug("会签结论为 [{}] 接收人为 [{}]", countersignInfo.getConclusion(), countersignInfo.getReceiver());

        if (parameters != null) {
            execution.setVariables(parameters);
        }
        Activity activity = execution.getActivity();
        execution.fire(signalName, activity);

        Transition transition = null;
        LOG.debug("signalName [{}], outGoingSize [{}]", signalName, activity.getOutgoingTransitions().size());
        if ((signalName == null)
                || ((Task.STATE_COMPLETED.equals(signalName)) && (activity.getOutgoingTransitions() != null) && (activity
                        .getOutgoingTransitions().size() == 1))) {
            LOG.debug("use default transaction for[{}] execution[{}]", activityExecution.getActivityName(), execution);
            transition = activity.getOutgoingTransitions().get(0);
        } else {
            transition = activity.findOutgoingTransition(signalName);
        }
        LOG.debug("执行跳转 [{}]", transition);
        if (transition != null) {
            execution.historyActivityEnd(signalName);
            execution.take(transition);
        } else {
            LOG.error("transition 为null，execution[{}] 继续等待", execution);
            execution.waitForSignal();
        }
    }

    /**
     * 
     * @param execution
     * @return
     */
    protected CountersignInfo getCountersignInfo(ActivityExecution execution) {
        return (CountersignInfo) execution.getVariable(counterignVarName);
    }
}
 

 

明天补充代码说明及如何使用
（待续）

 

iteye_8444
关注
专栏目录
jbpm4.3 会签的实现
07-26
本文将深入探讨jbpm4.3如何实现会签功能，并分享相关的源码和工具使用。 1. jbpm4.3概述： jbpm4.3是jbpm的一个较旧版本，但仍然包含许多工作流管理的核心特性，如流程定义、任务分配、事件处理等。它基于Java平台...
jbpm4实现会签功能（转）
a651944226的专栏
08-18 2261
会签可以分为单步会签（只有一个审批环节），及多步会签（每一个子审批流有多个审批环节）。对于单步会签，可以直接用TaskService来进行动态任务实例的创建，其中的 newTask()方法即可用来动态创建多个任务实例，然后再调用addTaskParticipatingUser()或 addTaskParticipatingGroup()方法实现动态增加任务办理人，此时即实现了单步会签功能。
会签节点—非抢占式
weixin_42638963的博客
09-06 1829
1.实现代码 需求： 流程执行到会签节点，给用户选中的会签人发送待办信息。首先，因为是直接选中的会签人，所以无需弹框根据组织机构再选择会签人；其次，每一个会签人都要处理会签，非抢占式。 分析： 实现ExtendBinder接口需要弹框选择会签人，不符合需求。 实现GroupExtendBinder接口则是抢占式，也不符合需求。 解决方...
JBPM4.4简介（八）-Task与提交(转)
yuanligang12的专栏
07-05 158
Task 在我们上述流程定义中，张三审批这个环节，用的是一个Task类型的Activity来定义的。这种类型的Activity的行为是：创建任务实例 （TaskImpl），并把任务实例与参与者（assignee）相关联。Task是一个接口，而TaskImpl是具体的实现类。   任务实例(Task)这种概念，其实质是用来定义Execution与assignee之间的关联的。从上面我们知道...
huiqian.rar_jbpm4
09-22
在jbpm4中，会签可以通过工作流定义（即流程模型）和工作项处理来实现。 首先，我们需要理解jbpm4的核心组件。jbpm4提供了一个流程建模工具，如jBPM Process Designer，用于创建BPMN 2.0兼容的流程图。这些流程图...
JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip
09-21
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。
省市区数据，完成三级联动，选择地区
09-21
省市区数据，完成三级联动，选择地区
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
09-21
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
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。
基于深度学习的物体识别与抓取方法，六自由度机械臂，python编写程序.zip
09-21
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。
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
09-21
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
基于深度学习的多特征电力负荷预测.zip
09-21
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。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
c#代码介绍23种设计模式-03工厂模式(附代码)
09-21
1. 工厂方法模式之所以可以解决简单工厂的模式： 是因为它的实现把具体产品的创建推迟到子类中，此时工厂类不再负责所有产品的创建，而只是给出具体工厂必须实现的接口， 这样工厂方法模式就可以允许系统不修改工厂类逻辑的情况下来添加新产品，这样也就克服了简单工厂模式中缺点 2. 使用工厂方法实现的系统，如果系统需要添加新产品时： 我们可以利用多态性来完成系统的扩展，对于抽象工厂类和具体工厂中的代码都不需要做任何改动。 例如，我们我们还想点一个“肉末茄子”，此时我们只需要定义一个肉末茄子具体工厂类和肉末茄子类就可以。而不用像简单工厂模式中那样去修改工厂类中的实现 3. 从UML图可以看出，在工厂方法模式中，工厂类与具体产品类具有平行的等级结构，它们之间是一一对应的。针对UML图的解释如下： Creator类：充当抽象工厂角色，任何具体工厂都必须继承该抽象类 TomatoScrambledEggsFactory和ShreddedPorkWithPotatoesFactory类：充当具体工厂角色，用来创建具体产品 Food类：充当抽象产品角色，具体产品的抽象类。任何具体产品都应该继承该类 Tom
基于深度学习对法国租界地黑白照片上色模型.zip
09-21
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。
集团公司战略管理制度.doc
09-21
集团公司战略管理制度.doc
JSP学生网上选课系统设计(源代码+论文+答辩PPT).zip
09-21
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。 、资源5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。 、资源5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。
使用jBPM4应对中国特色业务流程挑战
jBPM4的灵活性和事件监听机制使得实现复杂的会签逻辑成为可能，比如并行会签、顺序会签等，确保了流程的合规性和效率。 jBPM4通过其创新的设计和功能，如PVM、事件监听机制、优化的流程调度以及历史库，为企业提供...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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