Shark中调用外部程序的方法

最近看了一下工作流引擎Shark,感觉还可以,可扩展性和可配置性都很不错。

步骤:

1、  定义流程,主要是relevant date及applications等

2、  编写调用的class文件,见后面

3、  运行Shark,装载TestAppInvoke.xpdl,增加Application Mapping,选择应用程序为TestApp,即在包中定义的应用程序;ToolAgent类型为JavaClassToolAgentApplication Name一栏填入Class名称

4、  Process instantiation management中启动流程,此时会自动执行应用程序

 

注意事项:

1、应用程序中使用到的数据可定义为Workflow Relevant Date;传入类型可为INOUTINOUT;运行应用程序的节点处增加Extended Attribute,名称为VariableToProcess_UPDATEVariableToProcess_VIEWvalue为参数名;

2、程序需要在classpath里面,使用的程序名称为全名,包括包路径(不带.class);

3、编译后的class文件放到repository/ storedprocedures路径下,注意包的路径;

4、有三种类型的活动节点可调用外部程序

l         活动节点为“Tool”类型,执行者为“System”,开始和结束模式为“AUTOMATIC”;

l         活动节点为“Tool”类型,没有执行者,开始和结束模式为“AUTOMATIC”;

l         活动节点为“Tool”类型,执行者为“System”以外的类型,开始模式为MANUAL,结束模式为AUTOMATIC

5、  如果在Shark中未定义程序映射,Shark将调用默认的ToolAgent,在Shark.conf中可定义;

6、  RuntimeApplicationToolAgent可执行其它外部程序,比如notepad等,此时,传入的application mode如果为0,则Shark会等待应用程序的执行结束;如果不为0,则Shark在应用程序开始后会继续流程的处理;

7、  JavaScriptToolAgent可用于执行JavaScriptapplication mode0,则系统将搜索名为applicationName的文件,执行;

TestAppInvoke.java

public class TestAppInvoke {

    public TestAppInvoke() {
    }

    public static void execute(AppParameter p1, AppParameter p2, AppParameter p3) {
        JOptionPane.showMessageDialog(null, "初始值:param1=" + p1.the_value
                + "   param2=" + p2.the_value + "    param3=" + p3.the_value);
       
        //这里可设置获取的参数,注意在包定义中应定义参数类型为OUT或INOUT
        //p1.the_mode可获取参数的权限类型:可读、可写还是可读写
        p1.the_value = new String("ABCDE");
        p2.the_value = new Long(12345); //在Shark中,将Integer类型做为Long类型来处理
        p3.the_value = new Boolean(true);         

        JOptionPane.showMessageDialog(null, "更改后:param1=" +p1.the_mode +p1.the_value
                + "   param2=" + p2.the_value + "    param3=" + p3.the_value);
    }

}
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 3
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