用Proxool来配置连接池

      很想采用opensourc的项目proxool来实现连接池。可它可真要我伤心的呀,测试了很久,也没有成功。不是说没有找到配置文件,就是说没有合适的驱动。真是晕,真是奇怪。我明明按照要求把配置文件和一直用的jdbc驱动程序放在了classpath下,可就是出现了问题,只能说明一点,那就是我还是没有明白它的原理。最后,找了很多的资料,终于测试成功了一种。
  下面说明一下,在web application下用proxool来配置pool:
  1)下载proxool类包
               去http://proxool.sf.net/下最新的proxool。
  2)把proxool类包,jdbc驱动程序放到WEB-INF/LIB下
  3)添加连接信息的配置文件,并放入WEB-INF/LIB下,如protest.xml
None.gif <? xml version="1.0" encoding="ISO-8859-1" ?>
None.gif
<!--  the proxool configuration can be embedded within your own application's.
None.gifAnything outside the "proxool" tag is ignored. 
-->
None.gif
< something-else-entirely >
None.gif  
< proxool >
None.gif    
< alias > dglabour </ alias >
None.gif    
< driver-url > jdbc:microsoft:sqlserver://192.168.1.35:1433;DatabaseName=dg_labour;SelectMethod=cursor; </ driver-url >
None.gif    
< driver-class > com.microsoft.jdbc.sqlserver.SQLServerDriver </ driver-class >
None.gif    
< driver-properties >
None.gif      
< property  name ="user"  value ="sa" />
None.gif      
< property  name ="password"  value ="123" />
None.gif    
</ driver-properties >
None.gif    
< maximum-connection-count > 10 </ maximum-connection-count >
None.gif    
< house-keeping-test-sql > select CURRENT_DATE </ house-keeping-test-sql >
None.gif  
</ proxool >
None.gif
</ something-else-entirely >
   
      4)在web.xml文件中添加如下代码
None.gif   < servlet >
None.gif            
< servlet-name > ServletConfigurator </ servlet-name >
None.gif            
< servlet-class > org.logicalcobwebs.proxool.configuration.ServletConfigurator </ servlet-class >
None.gif            
< init-param >
None.gif                
< param-name > xmlFile </ param-name >
None.gif                
< param-value > WEB-INF/protest.xml </ param-value >
None.gif            
</ init-param >
None.gif        
< load-on-startup > 1 </ load-on-startup >
None.gif          
</ servlet >
None.gif
None.gif        
< servlet >
None.gif          
< servlet-name > Admin </ servlet-name >
None.gif          
< servlet-class >
None.gif          org.logicalcobwebs.proxool.admin.servlet.AdminServlet
None.gif          
</ servlet-class >
None.gif        
</ servlet >
None.gif
None.gif        
< servlet-mapping >
None.gif          
< servlet-name > Admin </ servlet-name >
None.gif          
< url-pattern > /admin </ url-pattern >
None.gif        
</ servlet-mapping >

  5)在程序中用如下代码来调用,
None.gif  connection  =  DriverManager.getConnection( " proxool.dglabour " );
  6)测试页面
     http://localhost:8080/shipment/admin shipment是web applicate名字
       7)相关参考资料请看下载包中的文档,和 http://sentom.net/list.asp?id=3314.gif
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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
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
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