Hibernate二级缓存

二级缓存为了提高数据的效率,但是频繁修改的数据建议不要使用二级缓存,在不适用缓存提供商的情况下使用缓存:
首先session中有一级缓存,在两个session访问数据的时候需要查询两次数据库,这样并不会提高效率,所以需要给hibernate配置二级缓存提高效率
配置项:

    <property name="hibernate.cache.provider_class">
        org.hibernate.cache.HashtableCacheProvider
    </property>
    <!-- 需要缓存的实体类的全限定名 -->
    <mapping resource=.../>
    <class-cache usage="read-write" class="com.heying.query.Department"/>

测试:

    @Test
    public void testGet()throws Exception{

        Session session = sessionFactory.openSession();
        Transaction tx1 = session.beginTransaction();

        Department employee = (Department) session.get(Department.class, 1);
        System.out.println(employee.getName());

        tx1.commit();
        session.close();

        Session session2 = sessionFactory.openSession();
        Transaction tx2 = session2.beginTransaction();

        Department employee2 = (Department) session2.get(Department.class, 1);
        System.out.println(employee2.getName());

        tx2.commit();
        session2.close();
    }

使用两个事务模拟两次访问,先测试没有使用二级缓存时候:
一次事务执行一次查询语句,可以看到两次查询:

这里写图片描述

使用耳机缓存后:
第一次访问直接访二级缓存,发现没有找到,就会从数据库中查找,然后把对象放入到二级缓存中,在第二次访问来时,就会直接在二级缓存中找到这个对象,不需要查找数据库。
值得注意的是配置文件中属性的先后顺序,class-cache在mapping之后

这里写图片描述

如果在实体类里面有一个集合,需要使用到集合缓存,这个集合对应的实体也需要打开缓存

    <class-cache usage="read-write" class="com.heying.query.Department"/>
    <class-cache usage="read-write" class="com.heying.query.Employee"/>
    <collection-cache usage="read-write" collection="com.heying.query.Department.employees"/>

使用HQL查询二级缓存:需要开启查询缓存,按照查询条件缓存
执行了update语句后会让二级缓存对应的数据自动失效,第二次使用数据会重新获取(更新时间戳缓存)

<property name="hibernate.cache.use_query_cache">true</property>

使用厂商推荐的缓存:
EHCache,OSCache,SwarmCache,Jobss Cache等
EhCache:可作为进程范围的缓存,存放数据的物理介质可以是内存或硬盘,对Hibernate的查询缓存提供了支持。
OSCache:可作为进程范围的缓存,存放数据的物理介质可以是内存或硬盘,提供了丰富的缓存数据过期策略,对Hibernate的查询缓存提供了支持。
SwarmCache:可作为群集范围内的缓存,但不支持Hibernate的查询缓存。
JBossCache:可作为群集范围内的缓存,支持事务型并发访问策略,对Hibernate的查询缓存提供了支持。
介绍EhCache:
使用EhCache缓存必须添加几个jar包:
这里写图片描述
然后就能和之前的一样,也可以配置ehcache.xml,模版在文档中
基本配置项参考:
这里写图片描述

<?xml version="1.0"?>
<ehcache>
    <!-- 超过后写入硬盘位置 -->
    <diskStore path="c:/cache/"/>

    <!-- 
        maxElementsInMemory 最大元素个数
        eternal 对象是否永远不变,一般为false
        timeToIdleSeconds 缓存创建以后,最后一次访问缓存的日期至失效之时的时间间隔
        timeToLiveSeconds 缓存自创建日期起至失效时的间隔时间
        overflowToDisk 超出了是否写入硬盘
     -->
    <defaultCache
        maxElementsInMemory="1000" 
        eternal="false"
        timeToIdleSeconds="120"
        timeToLiveSeconds="120"
        overflowToDisk="true"
        />

</ehcache>

其他的可以参考官方文档类似

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