Spring. 处理自动装配的歧义性

在使用 @Autowired 注解的时候,如果有多个 bean 都能满足依赖关系,Spring 将抛出一个异常,这时,我们有必要处理自动装配的歧义性,来唯一确定一个要使用的 bean。

1.标示首选的 bean

在声明 bean 的时候,可通过将其中一个可选的 bean 设为首选( primary ) 来避免自动装配的歧义性,当遇到歧义性的时候,Spring 将使用首选的 bean,而不是其他可选的 bean,如下方式将声明一个首选的 bean:

@Component
@Primary
public class IceCream implements Dessert{
    ...
}

或者,使用如果你是用 Java 配置显式地声明,那么 @Bean 方法应该如下所示:

@Bean
@Primary
public Dessert iceCream(){
    return new IceCream();
}

如果你是用 XML 配置的话,同样可以实现这样的功能:<bean>元素有一个 primary 属性用来指定首选的 bean

<bean id="iceCream" class="com.dessertdater.IceCream"
      primary="true" />

不管你选用哪种方式,效果都是相同的,都是在告诉 Spring 在遇到歧义性的时候要选择首选的 bean。

但是,如果你标示了两个或更多的首选 bean,那么它就无法正常工作了,这带来了新的歧义性问题:就像 Spring 无法从多个可选的 bean 中做出选择一样,它也无法从多个首选 bean 中做出选择。限定符是一种更加强大的机制。


2.限定自动装配的 bean

@Qualifier 注解是使用限定符的主要方式,它可以与 @Autowired 和 @Inject 协同使用,在注入的时候指定想要注入进去的是哪个 bean。

@Autowired
@Qualifier("iceCream")
public void setDessert(Dessert dessert){
    this.dessert = dessert;
}

这是使用限定符的最简单的例子。为 @Qualifier 注解所设置的参数就是想要注入的 bean 的 ID。

以上示例,Spring 会将 ID 为 iceCream 的 bean 注入到 方法中。

实际上,还有一点需要补充。更准确的讲,@Qualifier("iceCream") 所引用的 bean 要具有 String 类型的 “iceCream” 作为限定符。如果没有指定其他的限定符的话,所有的 bean 都会给定一个默认的限定符,这个限定符与 bean 的 ID 相同。因此,框架会将具有 “iceCream” 限定符的 bean 注入到 setDessert() 方法中。这恰巧就是 ID 为 iceCream 的 bean ,它是 IceCream 类在组件扫描的时候创建的。

基于默认的 bean ID 作为限定符是非常简单的,但这有时候会引入一些问题。

如果你重构了 IceCream 类,将其命名为 Gelato 的话,bean 的 ID 和默认的限定符会变成 gelato,这就无法匹配 setDessert() 方法中的限定符。自动装配会失败。

这里的问题在于 setDessert() 方法上所指定的限定符与要注入的 bean 的名称是紧耦合的。对类名称的任意改动都会导致限定符失效。

创建自定义的限定符

我们可以为 bean 设置自己的限定符,而不是依赖于将 bean ID 作为限定符。所需要做的就是在 bean 声明上添加 @Qualifier 注解:

@Component
@Qualifier("cold")
public class IceCream implements Dessert{
    
}

以上,“cold” 限定符和被它修饰的类(这里是 IceCream)做绑定,因为它没有耦合类名,因此你可以随意重构 IceCream 的类名,而不必担心会破坏自动装配。在注入的地方,只要引用 ”cold“ 限定符就可以了:

@Bean
@Qualifier("cold")
public Dessert iceCream(){
    return new IceCream();
}

问题到这里看似已经完美解决,但是真的没有问题了吗?

在使用自定义的 @Qualifier 值时,最佳实践是为 bean 选择特征性或描述性的术语,而不是使用随意的名字

试想,如果两个 bean 都具有相同的特性,而你为两个 bean 都配置了相同的限定符,例如:

@Component
@Qualifier("cold")
public class Popsicle implements Dessert{

}
@Component
@Qualifier("cold")
public class IceCream implements Dessert{
    
}

这时,再次出现了歧义性问题。

可能想到的解决办法是在注入点和 bean 定义的地方同时再添加另外一个 @Qualifier 注解,IceCream 类大概就会如下所示:

@Component
@Qualifier("cold")
@Qualifier("creamy")
public class IceCream implements Dessert{
    
}

然而,Java 不允许在同一个条目上重复出现相同类型的多个注解(也不是完全不允许:Java 8 允许出现重复的注解,只要这个注解本身在定义的时候带有 @Repeatable 注解就可以。不过,Spring 的 @Qualifier 注解并没有在定义时添加 @Repeatable 注解),如果你试图这样做,编译器会提示错误。

所以,在这里,使用 @Qualifier 注解并没有办法将自动装配的可选 bean 缩小范围到仅有一个可选的 bean。

但是,我们可以创建自定义的限定符注解,当自定义的限定符注解被修饰到多个类上,注入 bean 仍然具有歧义性的时候,我们只需要再创建一个自定义注解,如此就能绕过 @Qualifier 注解不能重复出现的规则,却又能达到如上例所示的效果。

首先我们需要创建注解,它本身要用 @Qualifier 注解来标注,这样它便具有了 @Qualifier 注解的特性,它本身实际上就成为了限定符注解。

定义 @Cold 注解如下:

@Target({ElementType.CONSTRUCTOR, ElementType.FIELD,
         ElementType.METHOD, ElementType.TYPE})
@Retention(RetentionPolicy.RUNTIME)
@Qualifier
public @interface Cold{

}

定义 @Creamy 注解如下:

@Target({ElementType.CONSTRUCTOR, ElementType.FIELD,
         ElementType.METHOD, ElementType.TYPE})
@Retention(RetentionPolicy.RUNTIME)
@Qualifier
public @interface Creamy{

}

现在,我们来看一下 IceCream ,并为其添加 @Cold 和 @Creamy 注解:

@Component
@Cold
@Creamy
public class IceCream implements Dessert{

}

由于是不同的注解,这种方式完全合法。

到此,已经完全解决了自动装配 bean 所遇到的歧义性问题。


 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统能做出一定的优化。.zip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。 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。 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,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