面向方面编程(AOP)和JBoss(二)

来自:matrix开源技术 作者:neo译 [2003/09/27]
访问Metadata
  为了用元数据,它在运行时间必须是可达的。类的元数据是通过Invocation对象可达的。为了在我们的例子使用它,TracingInterceptor必须要修改一点点。
         
         
          
          public class TracingInterceptor implements Interceptor
{
   public String getName() { return TracingInterceptor; }
   public InvocationResponse invoke(Invocation invocation) 
       throws Throwable
   {
      String filter=(String)invocation.getMetaData(tracing, filter);
      if (filter != null && filter.equals(true))
    return invocation.invokeNext();

      String message = null;

      if (invocation.getType() == InvocationType.METHOD)
      {
         Method method = MethodInvocation.getMethod(invocation);
         message       = method:  + method.getName();
      }
      else if (invocation.getType() == InvocationType.CONSTRUCTOR)
      {
         Constructor c = ConstructorInvocation
	  .getConstructor(invocation);
         message       = constructor:  + c.toString();
      }
      else
      {
         // Do nothing for fields.  Just too verbose.
         return invocation.invokeNext();
      }

      System.out.println(Entering  + message);

      // Continue on.  Invoke the real method or constructor.
      InvocationResponse rsp = invocation.invokeNext();
      System.out.println(Leaving  + message);
      return rsp;
   }
}
         
         
运行例子2: POJO类将扩展一点,增加get()和set()方法。
         
         
          
          public class POJO
{
   public POJO() {}
   public void helloWorld() { System.out.println(Hello World!); }

   private int counter = 0;

   public int getCounter() { return counter; }
   public void setCounter(int val) { counter = val; }
   public static void main(String[] args)
   {
      POJO pojo = new POJO();
      pojo.helloWorld();
      pojo.setCounter(32);
      System.out.println(counter is:  + pojo.getCounter());
   }
}
         
         
TracingInterceptor将拦截对main(),POJO()和helloWorld()调用。输出应该看起来如下:
         
         
          
          Entering constructor: public POJO()
Leaving constructor: public POJO()
Entering method: helloWorld
Hello World!
Leaving method: helloWorld
         
         
你能够在这里下载JBoss AOP和离子代码。编译和执行:
         
         
          
          $ cd oreilly-aop/example2
$ export CLASSPATH=.;jboss-common.jar;jboss-aop.jar;javassist.jar
$ javac *.java
$ java -Djava.system.class.loader=org.jboss.aop.standalone.
  SystemClassLoader POJO
         
         
例子3.使用导言
  如果我们能够为特定的实例关闭和打开,那将很酷。JBoss AOP有一个API,他绑定元数据到一个对象实例,但是让我们伪装一个实际的跟踪API是一个更好的方案。在这例子中,我们通过用一个导言,将改变POJO类的本身的定义。我们将强制POJO类去实现一个跟踪借口和提供混合类,这个混合类处理新的跟踪API。这将是跟踪借口:
         
         
          
          public interface Tracing
{
   public void enableTracing();
   public void disableTracing();
}
         
         
定义一个混合的类
  Tracing接口将在混合类中实现。当一个POJO是实例时,一个混合对象混合类将绑定到POJO类。下面是实现:
         
         
          
          import org.jboss.aop.Advised;

public class TracingMixin implements Tracing
{
   Advised advised;

   Public TracingMixin(Object obj)
   {
      this.advised = (Advised)obj;
   }

   public void enableTracing()
   {
      advised._getInstanceAdvisor().getMetaData().addMetaData(
    "tracing", "filter", true);
   }

   public void disableTracing()
   {
      advised._getInstanceAdvisor().getMetaData().addMetaData(
    "tracing", "filter", false);
   }
}
         
         
enableTracing()方法绑定filter属性到对象实例。在disableTracing()方法作同样的事,但是制定filter属性为false。这两个方法是元数据能够怎么样用于超过一个类级别。元数据也能够实例级的应用。元数据应用在实例级别。
绑定一个导言
  好了,所以我们定义跟踪接口,并且实现这个混合类。下一步是应用导言到POJO类。像拦截器,我们必须在XML中定义一个ponitcut。让我们看一下这项什么。
         
         
          
          <?xml version="1.0" encoding="UTF-8">
<aop>
   <introduction-pointcut class="POJO">
      <mixin>
         <interfaces>Tracing</interfaces>
         <class>TracingMixin</class>
         <construction>new TracingMixin(this)</construction>
      </mixin>
   </introduction-pointcut>
</aop>
         
         
  上面的pointcuts将强制POJO类实现Tracing接口。现在,当一个POJO实例被初始化,一个TracingMixin也将被实例化。TracingMixin被初始化的途径被定义在标签中。你能够把想要的任一行Java代码放入在标签中。
运行例子3
  POJO类为了显示TracingAPI怎么被访问,它已经被扩展了一点。TracingInterceptor仍然和例子2一样。
         
         
          
          public class POJO
{
   public POJO() {}
   public void helloWorld() { System.out.println(Hello World!); }

   public static void main(String[] args)
   {
      POJO pojo     = new POJO();
      Tracing trace = (Tracing)this;
      pojo.helloWorld();

      System.out.println("Turn off tracing.");

      trace.disableTracing();
      pojo.helloWorld();

      System.out.println("Turn on tracing.");

      trace.enableTracing();
      pojo.helloWorld();
   }
}
         
         
注意我们转换POJO到Tracing接口。输出应该看起来这样:
         
         
          
          Entering constructor: POJO()
Leaving constructor: POJO()
Entering method: helloWorld
Hello World!
Leaving method: helloWorld
Turn off tracing.
Entering method: disableTracing
Leaving method: disableTracing
Hello World!
Turn on tracing.
Entering method: helloWorld
Hello World!
Leaving method: helloWorld
         
         
注意被增加到TracingInterceptor 中的interceptor-pointcut也应用到那些通过Tracing 导言导入的方法中。为了编译和运行这个例子:
         
         
          
          $ cd oreilly-aop/example3
$ export CLASSPATH=.;jboss-common.jar;jboss-aop.jar;javassist.jar
$ javac *.java
$ java -Djava.system.class.loader=org.jboss.aop.standalone.
  SystemClassLoader POJO
         
         
结论
  面向方面编程对于软件开发是一个强有力的新工具。为了使你的软件开发过程更加动态和流畅,用JBoss4.0,你能够实现你自己的拦截器,元数据和导言。更详细的文档参见站点www.jboss.org。
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