通过数据库中的表,使用 MyEclipse2017的反向生成工具-->hibernate反转引擎引擎(MyEclipse2017自带的插件) 来反转生成实体类和对应的映射文件...

通过数据库中的表,使用 MyEclipse2017的反向生成工具-->hibernate反转引擎引擎(MyEclipse2017自带的插件) 来反转生成实体类和对应的映射文件

 

 


Java视图

1、在MyEclipse中,Java视图下,新建一个普通的java project,新建该项目的目的是:用来接收反转引擎生成的实体类和对应的映射文件。

2、在项目上右键 --> Configure Facets... --> Install Hibernate Facet

  

3、选择Hibernate的版本和运行库

  

4、点击Next

   

5、点击Next

   

6、点next,再点Finish,这时一个hibernate项目创建完成 ,项目的图标有变化,表示的是hibernate项目。如下图所示:

  

7、再创建自己的包结构

  

Hibernate视图

8、我们再切换到 Hibernate视图

9、在DB Browser下的 空白处右键 --> New

填写信息,如下图所示:

  

10、Test Driver 通过后,我们点击Next

  

11、如图选好后,点击Finish,我们看到DB Browser下多了一个conn1。双击打开,我们就会看到需要用到的数据库了。

   

12、选中表, 右键  Heibernate Reverse Engineering...

   

13、选中自己新建的那个 table2hbm项目,以及对应的包结构,勾选上要生成的文件,点击Next

  

14、由于目前我们只是一张表,所以不需要勾选表与表之间的关系,点击Next

  

15、因为默认生成的pojo类名是TUser,不好,我们需要自定义的,如下图所示:

  

16、点击Finish,到此为止,实体类和对应的映射文件就自动生成好了。我们切换至Java视图,可以看到自己想要的,如下图所示:

  

eclipse

17、由于实际开发中,为了响应速度和开发效率,我们一般使用eclipse,而不使用带了很多插件的MyEclipse,我们使用它仅仅是为了使用一下它的插件而已!

所以我们再将我们想要的东西(上图红色框框中的),复制粘贴到我们在Eclipse中的项目里面去,如下图所示:

  

18、我们查看下复制过来的两个文件,发现 User.hbm.xml 文件有一些小问题,需要就行修正

(1)、

  原来使用的.dtd是:

<!DOCTYPE hibernate-mapping PUBLIC 
    "-//Hibernate/Hibernate Mapping DTD 3.0//EN"
    "http://hibernate.sourceforge.net/hibernate-mapping-3.0.dtd">

  我们项目中使用的.dtd是:

<!DOCTYPE hibernate-mapping PUBLIC 
    "-//Hibernate/Hibernate Mapping DTD 3.0//EN"
    "http://www.hibernate.org/dtd/hibernate-mapping-3.0.dtd">

  我们要把原来使用的.dtd换成我们项目中使用的.dtd。

(2)、

  将User.hbm.xml 文件中的属性 catalog="bos19" 删除掉,这样该文件就对数据库名称就没有要求了,数据库名称你爱改成什么都行!

参考链接:https://blog.csdn.net/wt346326775/article/details/41210423

我的GitHub地址: https://github.com/heizemingjun
我的博客园地址: https://www.cnblogs.com/chenmingjun
我的CSDN地址: https://blog.csdn.net/u012990179 
我的蚂蚁笔记博客地址: https://blog.leanote.com/chenmingjun
Copyright ©2018-2019 黑泽明军
【转载文章务必保留出处和署名,谢谢!】

转载于:https://www.cnblogs.com/Jeely/p/11225567.html

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