Maven实战笔记

最近在搭建一个多模块的项目,发现以前的Maven知识实在不够了,所以还是得去补充一下这方面的知识啊。

通常大家都知道的东西我就不说了,挑点重要的记一下

1.依赖的配置

<groupId><artifactId><version>:这三个标签是基本的坐标信息,用来定位依赖
<type>:依赖的类型,对应项目坐标定义的packaging。大部分情况下,该元素不用自己声明,默认为jar。
<scope>:依赖的范围。
<optional>:标记依赖是否可选
<exclusions>:用来排除传递性依赖

1.1 Scope详解

  1. compile (编译范围):compile是默认的范围;如果没有提供一个范围,那该依赖的范围就是编译范围。编译范围依赖在所有的classpath 中可用,同时它们也会被打包。
  2. provided (已提供范围):provided 依赖只有在当JDK 或者一个容器已提供该依赖之后才使用。例如, 如果你开发了一个web 应用,你可能在编译 classpath 中需要可用的Servlet API 来编译一个servlet,但是你不会想要在打包好的WAR 中包含这个Servlet API;这个Servlet API JAR 由你的应用服务器或者servlet 容器提供。已提供范围的依赖在编译classpath (不是运行时)可用。它们不是传递性的,也不会被打包。
  3. runtime (运行时范围):runtime 依赖在运行和测试系统的时候需要,但在编译的时候不需要。比如,你可能在编译的时候只需要JDBC API JAR,而只有在运行的时候才需要JDBC
  4. 驱动实现。
  5. test (测试范围):test范围依赖 在一般的编译和运行时都不需要,它们只有在测试编译和测试运行阶段可用。
  6. system (系统范围):system范围依赖与provided 类似,但是你必须显式的提供一个对于本地系统中JAR 文件的路径。这么做是为了允许基于本地对象编译,而这些对象是系统类库的一部分。这样的构件应该是一直可用的,Maven 也不会在仓库中去寻找它。如果你将一个依赖范围设置成系统范围,你必须同时提供一个 systemPath 元素。注意该范围是不推荐使用的(你应该一直尽量去从公共或定制的 Maven 仓库中引用依赖)。
    <dependency>
        <groupid>org.hamcrest</groupid>
        <artifactid>hamcrest-core</artifactid>
        <version>1.5</version>
        <scope>system</scope>
        <systempath>${basedir}/WebContent/WEB-INF/lib/hamcrest-core-1.3.jar</systempath>
    </dependency>

     

  7. import(导入依赖范围):该依赖不会对三种classpath产生实际的影响。

1

 

2.依赖的传递性

这个在多模块项目的开发中就比较重要了。所以开发人员有必要去了解Maven传递性的机制。

Maven会直接去解析各个直接依赖的POM,将那些必要的间接依赖,以传递性的形式引入当前项目。意思是说他会直接去解析每个模块的pom文件,并且识别作用域<scope>把必要的(例如scope为compile)依赖引进当前的项目。

附一个传递性的表格,第一列为第一直接依赖(A),第一行为第二直接依赖(B),A->B;

3.依赖调解

例如一个项目里有这样两个jar包的依赖引用A->B->C->X(1.0),A->D->X(2.0)。X在两个地方都有引用,但是版本却不一致。

Maven会通过两个原则来取舍:第一条是就近原则,X(1.0)的路劲为3,X(2.0)的路劲为2,所以X(2.0)会被引用。第二条原则是依赖在POM定义的顺序。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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

打赏作者

我是一个有理想的程序员

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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