spring

spring的好处:
1. spring能消除在许多工程中常见的对singleton的过多使用
2. spring能消除各种各样自定义格式的属性文件的需要,是配置信息一元化
3. spring能够帮助我们真正意义上实现针对接口编程
4. 使用spring构建的应用程序易于单元测试
5. spring支持JDBC和O/R Mapping产品(Hibernate)
6. MVC Web框架,提供一种清晰,无侵略性的MVC实现方式
7. spring能使用AOP提供声明性事务管理,可以不直接操作JTA也能够对事物进行管理
spring的IoC/DI
IoC(Inversion of Control 控制反转):不创建对象,但是描述创建他们的方式,在代码中不直接与对象和服务连接,但在配置文件中描述哪一个组件需要服务那一项,容器(在spring框架中是IOC容器)负责将这些联系在一起
IOC组件注入的方式
1. 接口注入
2. 通过set方法注入(设置注入)
3. 通过构造方法注入
DI
 spring 容器:bean工厂与应用上下文ApplicationCountext
**bean工厂&ApplicationCountext联系**
- ApplicationCountext扩展bean工厂接口
- ApplicationCountext提供附加功能
- bean工厂延迟加载所有的bean,直到getBean被调用
- ApplicationCountext则在初始化自身时检验,为立即加载,这样有利于检查所依赖属性是否注入,所以通常情况下我们选择使用ApplicationCountext
- spring容器中的bean缺省状态下是单列模式
常用实现:
- ClassPathXmlApplicationContext spring配置文件必须放在src目录下
- FileSystemXMLApplicationContext 配置文件放在工程下
- XmlWwbApplicationContext 根据布署路径查找,webroot列如:
- ApplicationContext = new ClassPathXmlApplicationContext("app*.xml")
bean中id和name的区别
- id是唯一标示bean,不能用特殊字符:x#@,不能用数字开头,在bean引用的时只能有id指向你需要的bean
- name可以用特殊字符,并且一个bean可以用多个名称:name="bean1,bean2,bean3,bean4",用逗号隔开,如果没有id,则name的第一个名称默认是id
代理(Proxy)模式:在目标方法执行前或执行后,附加非功能性的逻辑
AOP术语:
- 切面(Aspect):就是你要实现的交叉的非核心业务功能
- 通知(Advice):通知切面的实际实现代码
- 切入点(Pointcut):定义通知应用在那些连接点
- 目标对象(Rarget):被通知的对象
- 代理(Proxy):将通知应用到目标对象后创建的对象
通知类型:
- 环绕通知(Around):目标方法执行前、后都调用
- 前置通知(Before):目标方法调用前被调用
- 后通知(After):目标方法调用后调用
- 抛出异常通知(Throws):目标方法抛出异常时调用
ProxyFactoryBean:产生代理对象
@After 为后通知,表示目标方法执行后,无论是否有异常都会执行
@AfterReturning 为返回后通知,表示目标方法正常执行后,会执行该方法,但如果目标方法有异常抛出,则不执行。

  • 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
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