spring实战笔记1 spring概览

趁新机器装系统时间,把spring实战翻出来看看。前几天下载的没空看,实际开始写(其实是copy)代码时候经常遇到问题,不清楚代码配置的含义,理论知识用到时才知少。


从头系统的看一遍spring很有必要,配合代码学习应该比较快。


Spring核心:依赖注入  面向切面编程


DI 依赖注入,简化开发,降低耦合。 

MrLi 是BOSS的一个对象,李经理。通过注入quest,可以接受各种任务,然后通过excute去执行这种任务。

只需要注入合适的quest,就能实现各种任务。这样就简化了开发,降低了对象之间的耦合程度。

public class MrLi implements Boss{
	private Quest q;

	public getquest(Quest quest){
		this.q=quest;
	}
	public excutequest(){
		q.excute();
	}
}
public class seecustomer implements Quest(){
	String str;
	public doproject1 (String s){
		this.str=s;
	}
	public excute(){
		System.Out.Println(str);
	}
}

通过构造函数传递进去一串字符,在执行时打印出来。具体装配如下:
<bean id=boss class="com.*.Boss.MrLi" >
<constructor-arg ref="quest" />
</bean>
<bean id=quest class="com.*.Quest.seecustomer" >
<constructor-arg value="Boss has saw the customer!" />
</bean>
如上,可以建立一个quest,然后装入boss内。实现李经理拜访客户的任务。

JAVA配置方式:
@Configuration   表明这是一个配置类
public class bossconf{
@Bean
public Boss boss(){
return new MrLi(quest());
}
@Bean
public Quest quest(){
return new seecustomer("Boss has saw the customer!");
}
}
切面AOP
有个秘书记录经理的行程。
public class MrsZhao implement Secretary{
private String str;
public MrsZhao(String s){
this.str=s;
}
public void recbef(){
System.Out.Println(this.str+"Boss take a quest");
}
public void recaft(){
System.Out.Println(this.str+"Boss excute a quest");
}
}

先配置bean
<bean id="secretary" class="com.*.secretary.MrsZhao" >
<constructor-arg value="MrsZhao record:"/>
</bean>
配置切面工作
<aop:config>
 <aop:aspect ref="secretary">
  <aop:pointcut id="excute" expression="excution().).excute(..))" />  <!--表达式后续研究-->
  <aop:before pointcut-ref="excute" method="recbef" />
  <aop:after pointcut-ref="excute" method="recaft" />
 </aop:aspect>
</aop:config>

spring jdbctemplate利用模板简化代码。后续数据库相关补充

应用上下文。
加载xml    ApplicationContext context=new FileSystemXmlApllicationContext("c:/aaa/a.xml");
ApplicationContext context=new ClassPathXmlApllicationContext("a.xml");classpath路径
ApplicationContext context=new AnnotationConfigApllicationContext(com.*.Boss.bossconf);加载java配置

bean声明周期 了解。







 

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