hibernate入门三(常用注解)

@Entity
标注这是一个实体类
@Table(name = “Person”)
标注当前实体类与表的映关系
@Id
标注当前属性为表的主键
@GeneratedValue
为一个实体生成一个唯一标识的主键,有两个属性,分别是strategy和generator。
其中generator属性的值是一个字符串,默认为”“,其声明了主键生成器的名称。
其中strategy为四种主键生成策略,其被定义在枚举类GenerationType中存在,其中有四种值
GenerationType.SEQUENCE 代表序列(sequence)增长,适用Oracle
GenerationType.IDENTITY 代表主键自增长,适用Mysql
GenerationType.AUTO 主键生成交给持久化引擎
.GenerationType.TABLE 具体请见 详情

@column
标记表示所持久化属性所映射表中的字段
该注释的属性定义如下:

@Target({METHOD, FIELD}) @Retention(RUNTIME)

public @interface Column {

String name() default “”; //字段名

boolean unique() default false; //是否唯一

boolean nullable() default true; //是否为空

boolean insertable() default true;//是否需要插入该字段的值。

boolean updatable() default true;//是否需要更新该字段的值

String columnDefinition() default “”;//

String table() default “”;

int length() default 255;

int precision() default 0;

int scale() default 0;

}
用法见详情

@OneToOne
配置一对一
常用属性cascade(级联)常用值CascadeType.ALL,级联的新建,删除,刷新,更新,四个值
使用详情

@JoinColumn
配置关联的时候常用,通常配置在主动关系的那一方

@OrderBy
value排序元素的语法orderby_list如下所示:

    orderby_list :: = orderby_item [,orderby_item] *
    orderby_item :: = [property_or_field_name] [ASC | DESC]

具体使用见详情
注意@OrderBy是在内存中排序,在db中不见得是有序的,@OrderColumn是数据在db中就是有序的

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