流程实例管理

package com.buyiner.activiti;


import java.util.List;

import org.activiti.engine.ProcessEngine;
import org.activiti.engine.ProcessEngines;
import org.activiti.engine.RuntimeService;
import org.activiti.engine.TaskService;
import org.activiti.engine.runtime.ProcessInstance;
import org.activiti.engine.task.Task;
import org.activiti.engine.task.TaskQuery;
import org.junit.Test;

/**
 * 
 * 流程实例管理
 * 		流程实例永远执行当前活动的节点
 * 	
 * 		私有任务
 * 			直接完成
 * 		共有任务
 * 			先认领任务,后完成
 * 
 * @author Administrator
 *
 */
public class ProcessInstanceTest {
	//创建ProcessEngine
	private ProcessEngine processEngin = ProcessEngines.getDefaultProcessEngine();
	
	/**
	 * 1.启动流程
	 * 		act_ru_execution 	1条
	 * 		act_ru_task			1条
	 * @throws Exception
	 */
	@Test
	public void startProcess() throws Exception {
		//获取运行时服务
		RuntimeService runtimeService = processEngin.getRuntimeService();
		ProcessInstance processInstance = runtimeService.startProcessInstanceByKey("myProcess");
		System.out.println("pid="+processInstance.getId()+"---activityId="+processInstance.getActivityId());
	}
	
	//2.查看任务
	//2.1 	查看私有任务
	@Test
	public void queryMyTask() throws Exception {
		//创建服务对象id
		TaskService taskService = processEngin.getTaskService();
		
		String assignee = "王经理";
		
		//1)创建查询对象
		TaskQuery query = taskService.createTaskQuery();
		//2)配置参数
		TaskQuery taskQuery = query
			.taskAssignee(assignee)
			.orderByTaskCreateTime().desc();
		//3)查询结果
		List<Task> list = taskQuery.list();
		for(Task task:list){
			System.out.println("task  id="+task.getId()+",taskName="+task.getName()+",assignee="+task.getAssignee()+",createTime="+task.getCreateTime());
		}
	}
	//2.2 	查看共有任务
	@Test
	public void queryCommonTask() throws Exception {
		//创建服务对象id
		TaskService taskService = processEngin.getTaskService();
		
		//String assignee = "user";
		
		//1)创建查询对象
		TaskQuery query = taskService.createTaskQuery();
		//String candidateUser = "张三";
		String candidateUser = "王经理";
		
		//2)配置参数
		TaskQuery taskQuery = query
			.taskCandidateUser(candidateUser)
			.orderByTaskCreateTime().desc();
		//3)查询结果
		List<Task> list = taskQuery.list();
		for(Task task:list){
			System.out.println("task  id="+task.getId()+",taskName="+task.getName()+",assignee="+task.getAssignee()+",createTime="+task.getCreateTime());
		}
	}
	//3.认领任务
	@Test
	public void renlinTask() throws Exception {
		TaskService taskService = processEngin.getTaskService();
		
		String taskId = "45002";
		String userId = "王经理";
		taskService.claim(taskId, userId);
		
	}
	//4.完成任务
	@Test
	public void finishTask() throws Exception {
		TaskService taskService = processEngin.getTaskService();
		String taskId = "45002";
		taskService.complete(taskId );
		
	}
	
	//5.查看任务状态
	
	@Test
	public void viewProcessStatus() throws Exception {
		RuntimeService runtimeService  = processEngin.getRuntimeService();
		String processInstanceId = "42501";
		ProcessInstance processInstance = runtimeService.createProcessInstanceQuery().processInstanceId(processInstanceId ).singleResult();
		if(processInstance!=null){
			System.out.println("pid="+processInstance.getId()+"---activityId="+processInstance.getActivityId());
		}else{
			System.out.println("流程已结束");
		}
		//pid=42501---activityId=usertask2
	}
}

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