iPhone应用程序开发使用Core Data(三)


接上篇

关于Core Data的使用我在开篇的时候就介绍过他的优点,其中很重要的一点就是通过schema migration工具可以简化应对数据库结构变化的任务,并且可以高效率的数据库原地迁移工作。本篇内容我们介绍如何实现Core Data的数据迁移能力。

         

          假定一个场景,随着业务发展的需求,我们需要调整我们的数据存储结构,还是以之前文章中的例子TestCoreData来做演示。具体步骤如下:

 

1、        新建Model文件(BookModel 2.xcdatamodel)

a)      新增Model版本

 

b)     输入Model名称,点击“Finish”

 

c)      会在工程目录中生成如下所示文件,有绿色对勾图标的是当前正在使用的Model文件

d)     修改新增的Model的结构(BookModel 2.xcdatamodeld)

1)        AuthorEntity中,新增Attribute“married”

2)        BookEntity中,删除Attribute“author”

e)      将新增的Model设置为当前使用的Model,如下图

设置完成后,可以看到绿色对勾图标已经标示在BookModel 2.xcdatamodel文件上了

按照前面文章《iPhone应用程序开发使用Core Data(一)》中介绍的方式,重新生成对应表的Entity类。这里需要指出的是,由于对Entity做的修改,比如增删Attribute后,需要相应调整使用类(如BookManager)中对应的操作代码,否则可能造成编译不过。

                          做完这样的调整之后,我们编译代码运行应用程序发现奔溃退出,可以看到提示错误:reason = "The model used to open the store isincompatible with the one used to create the store"

这是什么原因呢?看下边关于数据迁移的介绍。

 

2、        轻量级迁移数据(Lightweight Migration)

 

轻量迁移的条件:

a)      增加一个字段

b)     删除一个字段

c)      把一个必填字段改为可选字段

d)     把可选字段改为必填字段(但一定要定义默认值)

e)      重命名一个entity或者property

 

Core Data支持我们在少量改动数据结构的情况下,做很少代码的改动,将历史数据迁移到新数据Model中。例如我们上边所做的改动,就适用于轻量级数据迁移。

代码中需要做如下修改:

- (NSPersistentStoreCoordinator *)persistentStoreCoordinator

{

    if (_persistentStoreCoordinator!= nil) {

        return _persistentStoreCoordinator;

    }

    _persistentStoreCoordinator= [[NSPersistentStoreCoordinator alloc] initWithManagedObjectModel: [self managedObjectModel]];

   

    NSURL *storeURL = [[self applicationDocumentsDirectory]URLByAppendingPathComponent:@"BookModel.sqlite"];

   

    // handle db upgrade

    NSDictionary*options = [NSDictionary dictionaryWithObjectsAndKeys:

                             [NSNumber numberWithBool:YES],NSMigratePersistentStoresAutomaticallyOption,

                             [NSNumber numberWithBool:YES],NSInferMappingModelAutomaticallyOption, nil];

   

    NSError *error;

    if (![_persistentStoreCoordinatoraddPersistentStoreWithType:NSSQLiteStoreType configuration:nil URL:storeURL options:optionserror:&error]) {

        NSLog(@"Unresolvederror %@, %@", error, [error userInfo]);

        abort();

    }

    return _persistentStoreCoordinator;

}

         

          按照上面所述修改代码后,我们再编译运行应用程序,会发现可成功启动程序,并且数据库中的历史数据也被迁移过来了。

 

          对于结构复杂的数据库,当我们做了除上边所述的结构调整后,不适用Lightweight Migration方法了,该怎么办呢?Core Data给我们提供了更为强大的功能,我们可以定制数据迁移的过程(Customizing the Migration Process),这就是我们下篇文章要给大家介绍的内容,敬请期待!

 

示例代码:TestCoreData

 

参考文献《Xcode 4.6 doc set》

 

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。
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。
【7层】6900平米左右一字型框架办公楼毕业设计(建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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