如何在GWT中使用反射机制?

在GWT中,Java的很多机制都是不支持的,比如:
      不支持类的动态加载
      不支持Java的反射机制
      不支持标准Java序列化
      不支持WEB模式下的Java对象清理
      不支持strictfp关键字,要避免在客户端代码中进行精确精度的计算
      ......

 

如果我们想让GWT支持反射机制,可以使用GWT Reflection框架扩展实现。以下简单介绍其实现步骤:

 

1、到http://gwtreflection.sourceforge.net/网站下载GWT Reflection框架文件,将ant.jar、antlr-2.7.7.jar、commons-cli-1.0.jar、gwtr-core.jar、gwtr-emule.jar、stringtemplate.jar这些jar文件拷贝到工程的lib目录下。

 

2、修改gwtr-emule.jar的JavaToJSArrayUtil.java源文件,将包含long和Long的代码段去掉,重新编译后覆盖gwtr-emule.jar里面对应的class文件和java文件。

      如果不这样做的话,在启动工程时会抛出以下异常信息:
           [ERROR] Errors in 'jar:file:/E:/gwtext/web/WEB-INF/lib/gwtr-emule.jar!/pl/rmalinowski/gwtreflect/client/utils/JavaToJSArrayUtil.java'
                  [ERROR] Line 90: Parameter 'value': type 'long' is not safe to access in JSNI code

 

      那是因为:
           在GWT1.5中,现在Java long类型可以正确的工作,允许你给一个64位的整数一个完全适当的范围。然而,由于JavaScript缺少真正的64位整型,long 被视为一对32位整型,使用JavaScript的标准数学符号不能很好的工作。

           如果你给JSNI传入一个long型值,GWT1.5编译器会产生错误,此时在你不完全需要long范围的地方,推荐方式是把类型改为double 。事实上,如果你使用long返回System.currentTimeMillis(),我们推荐你使用新建的Duration类来作为替换方式。对于JSNI 方法来说,它使用派生对象(opaque objects 不能进行任何数学计算)来处理long 值,你可以使用UnsafeNativeLong  annotation 来欺瞒编译器。但是我们强烈建议您避免这种方式,因为很容易忘掉JSNI方法中该值是一个非数值型的。 

 

 

     修改pl.rmalinowski.gwtreflect.tool.AntAttributeStrategy类的源码为:

public class AntAttributeStrategy implements ClassFindingStrategy {
	public boolean isClassReflectable(Class clazz) {
		Class[] classes = clazz.getInterfaces();
		if(classes!=null && classes.length>0){
			for(int i=0;i<classes.length;i++){
				if(classes[i].getSimpleName().equals("Reflectable")){
					return true;
				}
			}
		}
		return false;
	}
} 

    ,这样,只有实现了Reflectable接口的类才会生成其反射代理类。

 

 

3、如果要让一个类支持通过反射机制进行实例化,该类必须实现GWT Reflection框架中的Reflectable接口,其范例如下:

public class TicketRecievePanel extends BasePanel implements Reflectable{
	public TicketRecievePanel(){
		setTitle("票证领取:TicketRecievePanel");
		setClosable(true);
	}
	
	@Override
	public void onLoad() {
		MessageBox.setMinWidth(150);
		MessageBox.alert(this.getTitle());
	}
}

 

    通过反射实例化一个类的方法是:调用GWT Reflection框架中的Class类的forName方法。其范例如下:

String panelName = "com.cjm.client.ticket.TicketRecievePanel";
BasePanel panel = (BasePanel)pl.rmalinowski.gwtreflect.client.reflect.Class.forName(panelName).newInstance();

 

4、生成类的反射代理类和反射代理类的注册器类

     一个类在能够支持通过反射进行实例化之前,必须要用GWT Reflection框架提供的ant命令 GWTReflect 来生成该类的反射代理类和反射代理类的注册器类,然后调用注册器类的registerAll方法注册反射代理类之后,才能使反射机制生效。

     注册反射代理类的范例代码:

ClassRegistrator.registerAll();

 

     先注册反射代理类,再调用Class类的forName方法。

     在调用ant命令 GWTReflect 生成类的反射代理类之前,必须先将类打包成一个jar文件

 

    ant任务定义文件源码如下:

<?xml version="1.0" encoding="UTF-8"?>
<!--
	主要功能:
		1、清除之前生成的文件
		2、将类打包成jar文件
		3、生成反射代理类
		4、将反射代理类复制到java源码目录
-->
<project default="main" basedir=".">
	<property name="path.webinf" value="${basedir}/web/WEB-INF"/>

	<path id="lib.path">
		<fileset dir="${path.webinf}/lib" includes="*.jar"/>
	</path>
	
	<!-- 将类打包成jar文件 -->
	<target name="buildJar">
		<jar destfile="ticket.jar">
			<fileset dir="${basedir}/build/classes/">
            	<exclude name="com/cjm/client/gwtr/**"/> <!-- 排除反射代理类 -->
				<exclude name="com/cjm/public/**"/>
				<exclude name="com/cjm/server"/>
			</fileset>
		</jar>
	</target>

	<target name="clean">
		<delete file="${basedir}/ticket.jar"/>
		
		<!-- 删除java源码目录中的反射代理类 -->
		<delete dir="${basedir}/src/com/cjm/client/gwtr"/>

		<delete dir="${basedir}/gwtr_src"/>
		<mkdir dir="${basedir}/gwtr_src"/>
	</target>

	<!-- 用于生成反射代理类的task -->
	<taskdef name="gwtreflect" classname="pl.rmalinowski.gwtreflect.ant.GWTReflect" classpathref="lib.path" />
	
	<!--
		outdir:生成类的输出目录
		source:需要生成反射代理类的目标类的jar文件及其依赖jar文件
		packagein:目标类的包路径
		packageout:反射代理类的包路径
		templatepath:模板所在路径
	-->
	<target name="main" depends="clean,buildJar">
		<gwtreflect 
			outdir="${basedir}/gwtr_src" 
			source="${basedir}/ticket.jar;${path.webinf}/lib/gwtext.jar;${path.webinf}/lib/gwt-user.jar;${path.webinf}/lib/gwtr-core.jar;${path.webinf}/lib/gwtr-emule.jar" 
			packagein="com.cjm.client"
			packageout="com.cjm.client.gwtr"
			templatepath="${basedir}/st">
		</gwtreflect>
		
		<!-- 将反射代理类复制到java源码目录 -->
		<copy todir="${basedir}/src">
            <fileset dir="${basedir}/gwtr_src"/>
        </copy>
		
		<delete dir="${basedir}/gwtr_src"/>

	</target>
</project>

  

   对于范例中的TicketRecievePanel类,将生成以下两个Java类:

        TicketRecievePanel__GWTR    反射代理类

        ClassRegistrator   反射代理类的注册类。一个包下有一个注册类

 

5、需要在模块配置文件增加以下信息: 

<inherits name="pl.rmalinowski.gwtreflect.GWTReflect"/>

 

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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