Spring事务概述

#1 什么是事务 :逻辑上的一组操作,组成这组操作的各个单元,要么全成功,要么全失败
#2 事务的特性 : 1.原子性:事务不可分割
2.一致性:事务执行前后数据完整性保持一致
3.隔离性:一个事务的执行不应该受到其他事务的干扰
4.持久性:一旦事务结束,数据就持久化到数据库
#3 如果不考虑隔离性引发安全性问题
读问题
Ⅰ. 脏读 :一个事务读到另一个事务未提交的数据
Ⅱ. 不可重复读 :一个事务读到另一个事务已经提交的update的数据,导致一个事务中多次查询结果不一致
Ⅲ. 虚读、幻读 :一个事务读到另一个事务已经提交的insert的数据,导致一个事务中多次查询结果不一致。
写问题
丢失更新
解决读问题
设置事务的隔离级别
Ⅰ. Read uncommitted :未提交读,任何读问题解决不了。
Ⅱ. Read committed :已提交读,解决脏读,但是不可重复读和虚读有可能发生。
Ⅲ. Repeatable read :重复读,解决脏读和不可重复读,但是虚读有可能发生。(常用级别
Ⅳ. Serializable :解决所有读问题。(性能大大降低
#4 Spring的事务的传播行为
什么是传播行为(面试问题
一个业务方法当中,调用另一个业务的方法
Spring中提供了七种事务的传播行为
保证多个操作在同一个事务中
Ⅰ. PROPAGATION_REQUIRED
默认值,如果A中有事务,使用A中的事务,如果A没有,创建一个新的事务,将操作包含进来
Ⅱ. PROPAGATION_SUPPORTS
支持事务,如果A中有事务,使用A中的事务。如果A没有事务,不使用事务。
Ⅲ. PROPAGATION_MANDATORY
如果A中有事务,使用A中的事务。如果A没有事务,抛出异常。
保证多个操作不在同一个事务中
Ⅰ. PROPAGATION_REQUIRES_NEW
如果A中有事务,将A的事务挂起(暂停),创建新事务,只包含自身操作。如果A中没有事务,创建一个新
事务,包含自身操作。
Ⅱ. PROPAGATION_NOT_SUPPORTED
如果A中有事务,将A的事务挂起。不使用事务管理。
Ⅲ. PROPAGATION_NEVER
如果A中有事务,报异常。
嵌套式事务
PROPAGATION_NESTED
嵌套事务,如果A中有事务,按照A的事务执行,执行完成后,设置一个保存点
执行B中的操作,如果没有异常,执行通过,如果有异常,可以选择回滚到最初始位置,也可以回滚到保存点

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