并发编程与MyBatis精解

Unity3d游戏开发工程师笔试题学习 提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、学习背景二、错题记录2.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 提示:这里可以. 阅读详情

📕我是廖志伟,一名Java开发工程师、《Java项目实战——深入理解大型互联网企业通用技术》(基础篇)、(进阶篇)、(架构篇)清华大学出版社签约作家、Java领域优质创作者、优快云博客专家、阿里云专家博主、51CTO专家博主、产品软文专业写手、技术文章评审老师、技术类问卷调查设计师、幕后大佬社区创始人、开源项目贡献者。

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。不定期分享高并发、高可用、高性能、微服务、分布式、海量数据、性能调优、云原生、项目管理、产品思维、技术选型、架构设计、求职面试、副业思维、个人成长等内容。

Java程序员廖志伟

🌾阅读前,快速浏览目录和章节概览可帮助了解文章结构、内容和作者的重点。了解自己希望从中获得什么样的知识或经验是非常重要的。建议在阅读时做笔记、思考问题、自我提问,以加深理解和吸收知识。阅读结束后,反思和总结所学内容,并尝试应用到现实中,有助于深化理解和应用知识。与朋友或同事分享所读内容,讨论细节并获得反馈,也有助于加深对知识的理解和吸收。💡在这个美好的时刻,笔者不再啰嗦废话,现在毫不拖延地进入文章所要讨论的主题。接下来,我将为大家呈现正文内容。

优快云

一、并发编程知识体系

并发编程是计算机科学中的一个重要领域,它涉及到如何使多个线程同时执行任务,以提高程序的执行效率和响应速度。以下是对并发编程知识体系的详细解析,并补充其技术实现细节:

线程基础

线程是并发编程的基本单位,它是操作系统能够进行运算调度的最小单位。以下是线程的一些基本概念及其技术实现细节:

  • 线程生命周期:线程从创建到销毁,会经历新建(New)、就绪(Runnable)、运行(Running)、阻塞(Blocked)、等待(Waiting)和终止(Terminated)等状态。在Java中,线程生命周期可以通过Thread类的方法如start()、run()、sleep()、wait()、notify()等来控制。

  • 线程优先级:线程优先级决定了线程在多线程环境中的执行顺序,优先级高的线程有更大的机会被调度执行。在Java中,线程优先级可以通过setPriority(int)方法设置,优先级范围从1(最低)到10(最高)。

  • 守护线程:守护线程是一种特殊的线程,它为其他线程提供服务,当所有非守护线程结束时,守护线程也会自动结束。在Java中,可以通过调用setDaemon(true)方法将线程设置为守护线程。

线程池

线程池是一种管理线程的方式,它可以提高线程的使用效率,避免频繁创建和销毁线程的开销。以下是线程池的相关知识点及其技术实现细节:

  • 核心参数配置:包括核心线程数(Core Pool Size)、最大线程数(Maximum Pool Size)、存活时间(Keep Alive Time)、队列类型(Queue Type)等。在Java中,可以使用Executors工厂类来创建不同类型的线程池,如FixedThreadPool、CachedThreadPool、SingleThreadExecutor等。

  • 拒绝策略:当线程池达到最大线程数时,如何处理新提交的任务。常见的拒绝策略有AbortPolicy(抛出异常)、CallerRunsPolicy(调用者运行)、DiscardPolicy(丢弃任务)和DiscardOldestPolicy(丢弃最旧任务)。

  • 工作队列类型:工作队列用于存储等待执行的任务,常见的有阻塞队列(如ArrayBlockingQueue、LinkedBlockingQueue)和非阻塞队列(如SynchronousQueue)。

同步机制

同步机制是确保多个线程在访问共享资源时不会发生冲突的机制。以下是几种常见的同步机制及其技术实现细节:

  • 悲观锁/乐观锁:悲观锁假设冲突一定会发生,因此在访问共享资源时先加锁;乐观锁假设冲突很少发生,因此采用无锁的方式,通过版本号或时间戳来判断是否发生冲突。在Java中,可以使用synchronized关键字或ReentrantLock来实现悲观锁,使用AtomicInteger等原子类实现乐观锁。

  • 读写锁:读写锁允许多个线程同时读取资源,但只有一个线程可以写入资源。在Java中,可以使用ReadWriteLock接口及其实现类ReentrantReadWriteLock来实现读写锁。

  • 条件变量:条件变量用于线程间的通信,它可以使线程在满足特定条件时进行等待或通知。在Java中,可以使用Object的wait()、notify()和notifyAll()方法来实现条件变量。

并发集合

并发集合是为并发环境设计的集合类,它们提供了线程安全的操作。以下是几种常见的并发集合及其技术实现细节:

  • ConcurrentHashMap:线程安全的HashMap,支持高并发访问。它通过分段锁(Segment Locking)技术实现线程安全,将数据存储在多个段(Segment)中,每个段有自己的锁。

  • CopyOnWrite容器:在写操作时复制整个容器,读操作时访问复制的容器,适用于读多写少的场景。它通过在写操作时复制整个数组来保证线程安全。

  • BlockingQueue:线程安全的队列,支持生产者-消费者模型。它通过内部锁和条件变量来实现线程安全,支持阻塞操作。

并发工具类

以下是一些常用的并发工具类及其技术实现细节:

  • Phaser:一种用于线程间同步的机制,类似于CyclicBarrier,但更灵活。它允许线程在执行到某个点时等待其他线程,然后一起继续执行。

  • Exchanger:允许两个线程交换数据,适用于线程间数据交换的场景。它通过内部锁和条件变量来实现线程安全的数据交换。

  • FutureTask:代表异步计算的结果,可以获取计算结果或等待计算完成。它通过内部线程和Future接口来实现异步计算。

非阻塞算法

非阻塞算法是一种避免使用锁的并发算法。以下是常见的非阻塞算法及其技术实现细节:

  • CAS原理:Compare-And-Swap,用于实现无锁编程。它通过比较内存中的值与预期的值,并在值匹配时更新内存中的值来实现无锁操作。

  • Atomic类:提供原子操作的类,如AtomicInteger、AtomicLong等。它们通过内部锁和volatile关键字来实现原子操作。

  • 无锁队列:基于CAS原理实现的线程安全队列。它通过CAS操作来保证队列操作的原子性。

并发框架

以下是一些常用的并发框架及其技术实现细节:

  • Netty线程模型:Netty采用主从多线程模型,一个Boss线程负责接收客户端连接,多个Worker线程负责处理业务逻辑。它通过Reactor模式来实现非阻塞IO,提高系统吞吐量。

  • Akka Actor模型:Akka是一个基于Actor模型的并发框架,它将每个线程称为一个Actor,通过消息传递实现线程间的通信。它通过Actor系统来模拟异步消息传递,提高系统并发性能。

  • Disruptor环形缓冲区:Disruptor是一个高性能的并发队列,它使用环形缓冲区来存储数据,通过无锁的方式实现高并发。它通过环形缓冲区和序列化机制来提高并发性能。

二、MyBatis知识体系

MyBatis是一个流行的持久层框架,它简化了数据库操作,提高了开发效率。以下是对MyBatis知识体系的详细解析,并补充其技术实现细节:

SQL映射

SQL映射是MyBatis的核心功能,它将Java对象与数据库表进行映射。以下是SQL映射的相关知识点及其技术实现细节:

  • 注解映射:使用注解来定义Java对象与数据库表的映射关系。例如,@Table、@Column、@Id等注解可以用来指定表名、列名、主键等信息。

  • 结果集映射:将数据库查询结果映射到Java对象。MyBatis使用XML配置文件或注解来定义结果集映射,包括字段映射、类型转换等。

  • 关联查询:处理多表之间的关联关系。MyBatis支持一对一、一对多、多对多等关联关系,可以通过@One、@Many等注解来定义。

  • 动态SQL:根据条件动态构建SQL语句。MyBatis使用Ognl表达式来构建动态SQL,支持条件判断、循环等操作。

OGNL表达式

OGNL(Object-Graph Navigation Language)是一种表达式语言,用于在MyBatis中动态获取Java对象的属性值。以下是OGNL表达式的一些应用场景及其技术实现细节:

  • 分支语句:根据条件执行不同的SQL语句。OGNL表达式可以用于条件判断,根据条件动态构建不同的SQL片段。

  • 批量操作:一次性执行多条SQL语句。OGNL表达式可以用于构建批量操作的SQL语句,提高数据库操作效率。

缓存机制

MyBatis提供了两种缓存机制:一级缓存和二级缓存。以下是缓存机制的相关知识点及其技术实现细节:

  • 一级缓存:会话级别的缓存,用于存储当前会话中查询过的数据。它通过SqlSession对象来实现缓存,当会话结束时,缓存数据会自动失效。

  • 二级缓存:全局级别的缓存,用于存储多个会话共享的数据。它通过Cache接口及其实现类(如PerpetualCache、RedisCache等)来实现缓存,支持缓存数据的持久化和过期策略。

自定义缓存

MyBatis允许用户自定义缓存,以下是一些自定义缓存的相关知识点及其技术实现细节:

  • 代理模式:使用代理模式实现缓存的加载和更新。通过创建一个缓存代理类,在访问数据库之前先检查缓存中是否存在数据,如果存在则直接返回缓存数据,否则从数据库中加载并更新缓存。

  • MapperProxy:MyBatis提供的代理类,用于拦截数据库操作。通过实现InvocationHandler接口,可以自定义缓存逻辑,如缓存数据的加载、更新和失效。

插件拦截

MyBatis允许用户自定义插件,以下是一些插件拦截的相关知识点及其技术实现细节:

  • 执行流程:插件在执行数据库操作时进行拦截,可以实现日志记录、性能监控等功能。通过实现Interceptor接口,可以自定义插件的逻辑。

  • SqlSession生命周期:SqlSession是MyBatis的会话对象,它负责管理数据库连接和事务。插件可以在SqlSession的创建、提交、回滚和关闭等生命周期阶段进行拦截。

执行器类型

MyBatis提供了多种执行器类型,以下是一些执行器类型的相关知识点及其技术实现细节:

  • 延迟加载:按需加载关联对象,减少数据库访问次数。MyBatis支持懒加载,通过延迟加载关联对象来提高性能。

  • 类型处理器:将数据库类型转换为Java类型。MyBatis提供了多种类型处理器,如IntegerTypeHandler、StringTypeHandler等,用于处理不同类型的数据库字段。

拦截器链

MyBatis允许用户自定义拦截器,以下是一些拦截器链的相关知识点及其技术实现细节:

  • 拦截器:拦截数据库操作,实现自定义逻辑。通过实现Interceptor接口,可以自定义拦截器的逻辑。

  • 链式调用:拦截器按照定义的顺序进行链式调用。MyBatis使用责任链模式来实现拦截器链,拦截器按照定义的顺序依次执行。

方言支持

MyBatis支持多种数据库方言,以下是一些方言支持的相关知识点及其技术实现细节:

  • 方言:针对不同数据库的SQL语法差异,提供相应的方言支持。MyBatis提供了多种方言,如MySQL方言、Oracle方言等,通过在XML配置文件中指定方言来实现对特定数据库的支持。

总结

本文详细解析了并发编程和MyBatis知识体系,涵盖了线程基础、线程池、同步机制、并发集合、并发工具类、并发框架、SQL映射、OGNL表达式、缓存机制、自定义缓存、插件拦截、执行器类型、拦截器链和方言支持等方面。通过本文的学习,读者可以更好地理解和应用并发编程和MyBatis,提高开发效率和程序性能。

优快云

📥博主的人生感悟和目标

Java程序员廖志伟

希望各位读者大大多多支持用心写文章的博主,现在时代变了,信息爆炸,酒香也怕巷子深,博主真的需要大家的帮助才能在这片海洋中继续发光发热,所以,赶紧动动你的小手,点波关注❤️,点波赞👍,点波收藏⭐,甚至点波评论✍️,都是对博主最好的支持和鼓励!

- 💂 博客主页: Java程序员廖志伟
- 👉 开源项目: Java程序员廖志伟
- 🌥 哔哩哔哩: Java程序员廖志伟
- 🎏 个人社区: Java程序员廖志伟
- 🔖 个人微信号: SeniorRD

Java程序员廖志伟

📙经过多年在优快云创作上千篇文章的经验积累,我已经拥有了不错的写作技巧。同时,我还与清华大学出版社签下了四本书籍的合约,并将陆续出版。这些书籍包括了基础篇、进阶篇、架构篇的📌《Java项目实战—深入理解大型互联网企业通用技术》📌,以及📚《解密程序员的思维密码--沟通、演讲、思考的实践》📚。具体出版计划会根据实际情况进行调整,希望各位读者朋友能够多多支持!

🔔如果您需要转载或者搬运这篇文章的话,非常欢迎您私信我哦~

在WinXP操作系统上安装Tornado2.2详细教程 使用VxWorks的人都想在自己的电脑中装VxWorks的编译器Tornado,然而Win10操作系统对于Tornado并不友好,根本装不成功。而对于Win7操作系统,之前在实验室一台Win7上装Tornado成功过,并且一直在上面进行vx开发,但是过一段时间在其他Win7上装Tornado时又不能成功,由此说明Tornado对于Win7操作系统对Tornado的兼容也不是很好,所以想要长久使用T... 阅读详情

相关推荐

避坑指南:sherpa-onnx中文语音识别模型实测对比(2024最新版)

本文实测对比了sherpa-onnx框架下Paraformer、Zipformer、SenseVoice等主流中文语音识别模型。针对不同应用场景,从准确率、延迟、资源占用等维度提供选型建议,并分享部署避坑指南与最佳实践,帮助开发者高效选择本地语音转文字方案。

xray4的博客 2301

并发编程与MyBatis深度解析

通过实现Cache接口自定义缓存。

JavaCodePro的博客 624

STM32中断实战:用ITR9606红外传感器DIY转速计数器(附完整代码)

本文详细介绍了如何使用STM32中断机制和ITR9606红外传感器DIY高精度转速计数器。从传感器选型、中断配置到抗干扰设计,提供完整的实战指南和优化代码,特别适合嵌入式开发者和硬件工程师快速实现工业级转速检测系统。

weixin_29159613的博客 294

并发编程与MyBatis核心解析

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。

AIHacksCash的博客 945

从冰棍到铸钢:手把手用Fluent融化凝固模型模拟3个不同场景(含案例设置对比)

本文深入探讨了Fluent融化凝固模型在冰棍融化、巧克力涂层凝固和钢铁连铸三个不同场景中的应用。通过详细的参数设置和案例对比,帮助工程师掌握相变模拟的核心技巧,提升工业级CFD分析的精度和效率。

weixin_42522953的博客 471

文档多模态识别工具对比:MinerU、PaddleOCR、Marker

本文对比了三款文档多模态识别工具:MinerU、PaddleOCR和Marker。MinerU专注于中文文档的端到端解析,支持复杂元素提取和结构化输出,适合中文论文和教材解析。PaddleOCR是通用OCR工具包,支持多语言和全流程任务,适用于发票、车牌等图像OCR。Marker则注重多语言支持和轻量化部署,适合英文论文和技术文档的快速转换。三者在核心技术、中文优化、表格处理、输出格式、部署复杂度和适用语言等方面各有优劣。选型建议根据具体需求:MinerU适合高精度中文解析,PaddleOCR适合定制化OC

朴拙科技的博客 4747

并发编程与MyBatis精髓

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。

JavaCodePro的博客 895

微信DAT图片解密全攻略:一键转换JPG/PNG/GIF

本文详细解析了微信电脑版中DAT图片的加密原理与存储路径,并提供了从定位文件到使用专业工具进行一键解密的完整操作指南。通过简单的步骤,用户可将加密的DAT文件无损还原为JPG、PNG或GIF格式,有效解决无法直接查看聊天图片的难题,同时兼顾了隐私清理与磁盘空间管理。

hill8的博客 1369

并发编程与MyBatis解析

MyBatis允许自定义缓存实现,以适应特定的应用场景。自定义缓存可以通过实现Cache接口来实现。

MoneyHacksPro的博客 868

matebookego win11 arm 系统安装安卓子系统

一般的x86电脑如果安装android子系统,运行安卓子系统,由于要将android arm代码转译为x86代码,所以效率不一定高,但是如果电脑是arm架构的,通过安卓子系统运行android的程序执行效率就会 高不少,本文参考,都是在win11 home版本下的。两者跑分在cpu上差不太多了,大约是枭龙855的水平了,这个水平的子系统就有一定的实用性了,玩个一般游戏,刷个抖音都很流畅的。启动子系统后,点击左上角的设置,启用 “开发人员模式”。然后就可以再通运运行华为应用商店来进行安装其它应用了。

babytiger的专栏 1万+

华为OD机试真题:明日之星选举 (Java/Py/C/ C++/JS/GO)

华为OD机试(机考)双机位C卷 【明日之星选举】,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试 - 明日之星选举。

qq_45776114的博客 920

并发编程与MyBatis精要

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。

我是Java程序员廖志伟,感谢朋友们的支持!不定期贡献一篇高品质、过万文字、图文并茂且附有视频解说、满载代码示例注释的良心之作,坚决杜绝粗制乱造。 1032

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

并发编程与MyBatis核心知识

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。

我是Java程序员廖志伟,感谢朋友们的支持!不定期贡献一篇高品质、过万文字、图文并茂且附有视频解说、满载代码示例注释的良心之作,坚决杜绝粗制乱造。 950

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

并发编程与MyBatis精讲

允许开发者自定义缓存实现。例如,使用Ehcache、Redis等缓存框架。

我是Java程序员廖志伟,感谢朋友们的支持!不定期贡献一篇高品质、过万文字、图文并茂且附有视频解说、满载代码示例注释的良心之作,坚决杜绝粗制乱造。 859

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

并发编程与MyBatis详解

并发编程在多核处理器时代显得尤为重要,它允许计算机在多个任务之间快速切换,充分利用硬件资源,提高程序执行效率和响应速度。在操作系统层面,并发编程涉及进程和线程的管理,进程是资源分配的基本单位,而线程是调度和执行的基本单位。MyBatis通过映射文件或注解将SQL语句与Java对象关联,简化了数据库操作,提高了开发效率。MyBatis允许自定义缓存实现,以适应不同的应用场景。

JavaCodePro的博客 551
上一篇: Spring Cloud微服务架构解析
下一篇: 并发编程与MyBatis核心解析
Java廖志伟
博客等级 码龄2年 3609粉丝 1517原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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