【Hibernate】--实体状体与主键生成策略

一、Hibernate三种状态

(1).瞬时状态(只存在Hibernate容器中,数据库中没有与之对应的记录)

  • A.通过new实例化的实体,在没有执行save方法时。
  • B.持久状态调用delete方法后。

(2).持久状态(数据库中已近存在,而且当前页存在Hibernate容器中)

  • A.瞬时状态调用save方法后,没有提交事务的实体。
  • B.通过hibernate查询进入Hibernate容器中的实体。

(3).脱管状态/游离状态(当实体脱离hibernate容器管理,数据库有与之对应的记录)

  • A.当持久状态对象在事务提交、session执行close、clear、evict。
  • B.通过update、updateOrSave、lock等方法可以变为持久状态。

二、openSession()和getCurrentSession()的区别和优缺点。

1.currentSession在Hibernate.cfg.xml中的配置:
<!-- 
  	将session和当前线程绑定,不用每次都通过sessionFactory获取session,thread使用的是JDBC事务,jta使用全局事务
   -->
  <property name="current_session_context_class">thread</property>

java中测试方法
public void testCurrentSession(){
		//需要在hibernate配置文件中添加current_session_context_class
		//getCurrentSession获取当前线程中的session,并且不用手动打开和关闭,也不需要手动设置事务
		Session s = session.getCurrentSession();
//		Transaction tran = s.beginTransaction();
		Student stu = new Student();
		stu.setSname("张三丰");
		s.save(stu);
//		tran.commit();
		//这里不需要手动关闭,hibernate容器会管理session的状态
//		s.close();
	}

区别及优缺点参考博文: 点击打开链接

三、主键生生成策略

  1. Assigned:有程序生成主键值,在save之前指定,否则会抛出异常。
    特点:主键由用户指定,与顶层数据库无关,用户需要维护主键值,在调用save方法前指定主键,
    注意:有程序指定主键,如果是int类型的属性不指定值默认会自动增长 (Integer等封装类型都需要指定属性值)。
  2. Hilo:使用高地位算法生成主键
    特点:需要二外表支持,能保证同一数据库中主键的唯一性,当不能保证多个数据库之间主键的唯一性,由hibernate维护与底层数据库无关。
    注意:不能手动修改,否则会抛异常。
  3. Increment:对主键采取自增的方式生成新的主键,需要底层数据库支持Sequence,如Oracle、DB2。
    特点:hibernate本身维护,适用于所有数据库。
    注意:不适合于多并发的数据库,适合单一进程访问,不能用于集群环境。
  4. Identity: 根据底层数据库来支持自动增长,不同数据库用不同的增长方式。
    特点:与底层数据库有关,适用MySQL、DB2、MSSQL,适用long、int、short类型生成唯一标识。
    注意:hibernate和用户干涉,适用非常方便,但是程序在不同数据库上移植比较麻烦。
  5. Sequence:需要底层数据库支持Sequence方式,如Oracle数据库等特点:需要底层数据库支持序列,支持的数据库有Oracle、PostgreSql、DB2、SAPDb等。
    注意:在不同数据库之间移植,特别是不支持序列的数据库上,需要修改配置文件。
  6. Native:生成方式会根据底层不同的数据库选择Identity、Sequence、Hilo主键生成方式。
    特点:更具不同的底层数据库采用不同的生成方式,hibernate会更具底层数据库采用不同的映射方式。
    注意:在项目中如果采用多个数据库时,可以使用这种方式,方便程序移植。
  7. uuid:使用128位uuid算法生成主键,保证网络环境下主键唯一,也能保证不同数据库不同服务器下主键唯一。
    特点:能够保证数据库中主键唯一,生成的朱主键占用比较多的存储空间。
    注意:必须是一个字符串类型的,长度必须大于32.

    xml配置即说明如下:
     <id name="sid" type="java.lang.String" length="50">
        <column name="s_id" />
        <!-- assigned 有程序指定主键,如果是int类型的属性不指定值默认会自动增长 
        <generator class="assigned"/>
         -->
         
         <!-- hilo 使用高地位算法生成主键 ,max_lo高位值 
        <generator class="hilo">
    	<param name="table">hi_value</param>
    	<param name="colum">next_hi</param>
    	<param name="max_lo">125</param>
        </generator>
        -->
        <!-- increment适用数据库自增新的主键,如Oracle、DB2 
        <generator class="increment"/>
        -->
        
       <!-- identity根据底层数据库来支持自动增长
        <generator class="identity"/>
         -->
         
        <!-- 需要底层数据库支持Sequence方式 
        <generator class="sequence"/>
        -->
        
        <!-- 根据底层不同的数据库选择Identity、Sequence、Hilo主键生成方式 
        <generator class="native"/>
        -->
        
        <generator class="uuid.hex"/>
    </id>


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
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