Spring+Hibernate下配置Ehcache

Spring+Hibernate下配置Ehcache

 

1. 编写ehcache.xml文件,将该文件放置于classpath路径下。代码如下:

<?xml version="1.0" encoding="UTF-8"?>

<ehcache>

    <!-- 缓存文件生成之后所放置的路径 -->
    <diskStore path="D:/Develop/tomcat-6.0.18/temp/cache" />

    <!-- maxElementsInMemory 缓存最大数目
         eternal 缓存是否持久
         overflowToDisk 是否保存到磁盘,当系统宕机时
         timeToIdleSeconds 当缓存闲置n秒后销毁
         timeToLiveSeconds 当缓存存活n秒后销毁
         diskPersistent 是否在磁盘上持久化
         diskExpiryThreadIntervalSeconds 对象检测线程运行时间间隔 -->
    <defaultCache maxElementsInMemory="10000" eternal="false"
        overflowToDisk="true" timeToIdleSeconds="120" timeToLiveSeconds="120"
        diskPersistent="false" diskExpiryThreadIntervalSeconds="120" />
</ehcache>

 

2. 配置hibernate核心xml文件,代码如下:

<property name="hibernateProperties">
            <props>

                   ...

                <prop   key="hibernate.cache.provider_class">net.sf.ehcache.hibernate.EhCacheProvider</prop>
                <prop key="hibernate.cache.use_second_level_cache">true</prop>
                <prop key="hibernate.cache.use_structured_entries">true</prop>
                <prop key="hibernate.cache.use_query_cache">true</prop>

           </props>

</property>

添加上述几项关于缓存的配置

 

3. 配置需要加入缓存的实体hbm文件,代码如下:

在hbm文件的上端配置<cache usage="read-write"/>

 

4. 导入ehcache.jar文件,并将其加入到buildpath下。

 

 

完成上述4个步骤操作之后,即可启动tomcat,打开log跟踪器查看自己配置的缓存是否已达到效果。

 

(同样我们也可以将步骤2中"hibernate.cache.provider_class"的值替换为”org.hibernate.cache.EhCacheProvider“ 使用Hibernate自身所带的缓存支持类,那么这个时候就可以略去步骤4了。即无需再导入ehcache jar包。)

 

 

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 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
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