MyBatis foreach用法全解析:轻松掌握Map类型参数的循环处理

第一章:MyBatis foreach 循环 Map 的核心概念

在 MyBatis 中,`foreach` 标签是动态 SQL 的重要组成部分,尤其适用于处理集合类型的参数,如 List、Array 和 Map。当需要对 Map 类型的数据进行遍历操作时,`foreach` 提供了灵活的方式来构建 IN 查询、批量插入等场景所需的 SQL 语句。

Map 遍历的基本结构

使用 `foreach` 遍历 Map 时,可通过 `index` 获取键(key),`item` 获取值(value)。常见的应用场景包括根据多个条件字段查询数据。
<select id="selectByConditions" parameterType="map" resultType="User">
  SELECT * FROM user
  WHERE role_id IN
  <foreach collection="roleIds" item="roleId" open="(" separator="," close=")">
    #{roleId}
  </foreach>
  AND status = #{status}
</select>
上述代码中,`collection` 指向传入 Map 中的键名,`item` 表示当前元素的别名,`open` 和 `close` 定义包裹符号,`separator` 设置分隔符。

关键属性说明

  • collection:指定要遍历的 Map 键名或注解名称
  • index:Map 的 key,在遍历时可用作字段标识
  • item:Map 的 value,即当前迭代的值
  • open:循环开始前添加的前缀
  • close:循环结束后添加的后缀
  • separator:每次迭代之间的分隔符

适用场景对比

场景是否适合 Map 遍历说明
多条件 IN 查询是利用 key 区分不同字段,value 作为值集合
批量插入否通常使用 List 更直观
动态更新字段是key 表示列名,value 表示新值

第二章:Map类型参数的结构与遍历原理

2.1 Map在Java与MyBatis中的映射机制

在Java与MyBatis协作开发中,`Map`作为灵活的数据载体,承担了参数传递与结果映射的重要角色。MyBatis通过`#{key}`语法从`Map`中提取参数值,极大简化了SQL动态拼接过程。
参数映射示例
<select id="getUser" parameterType="map" resultType="User">
  SELECT * FROM user WHERE name = #{username} AND age > #{minAge}
</select>
上述SQL语句中,`#{username}`和`#{minAge}`分别对应`Map`中的键。调用时只需将参数封装为`Map`即可自动绑定。
常用使用场景
  • 动态查询条件组装
  • 多表关联时的复合参数传递
  • 无需创建专门DTO的小规模数据交互
该机制降低了对象耦合度,提升了SQL灵活性,是实现轻量级数据操作的核心手段之一。

2.2 foreach标签处理Map的基本语法解析

在MyBatis中,`foreach`标签用于遍历集合类型参数,当传入参数为Map时,可通过指定key来遍历其值。常用于动态SQL中的IN查询等场景。
基本语法结构
  • collection:指定要遍历的集合属性名,若参数为Map,通常使用传入的key名称;
  • item:循环中每个元素的别名;
  • separator:元素间分隔符,如逗号。
代码示例
<select id="selectByMap" resultMap="BaseResultMap">
  SELECT * FROM user 
  WHERE dept_id IN
  <foreach collection="deptIds" item="id" separator="," open="(" close=")">
    #{id}
  </foreach>
</select>
上述SQL中,`deptIds`是Map中的键,对应一个ID列表。`foreach`将其展开为逗号分隔的参数,并包裹在括号内,构成合法的IN条件语句。

2.3 key与value在循环中的提取方式

在处理字典或映射类型数据时,常需同时获取键(key)和值(value)。Python 中最常用的方式是通过 `items()` 方法实现。
基础用法:使用 items() 方法
data = {'name': 'Alice', 'age': 25, 'city': 'Beijing'}
for key, value in data.items():
    print(f"Key: {key}, Value: {value}")
上述代码中,`data.items()` 返回键值对的可迭代元组。`for` 循环自动解包为 `key` 和 `value`,便于直接使用。
常见应用场景对比
场景推荐方式说明
仅遍历键for k in data简洁高效
同时获取键值for k, v in data.items()标准做法
仅遍历值for v in data.values()避免冗余取键

2.4 Collection、index、item三属性的实际意义

在数据管理结构中,`Collection`、`index` 和 `item` 构成了层级访问的核心机制。`Collection` 代表一组逻辑相关的数据集合,类似于数据库中的表;`index` 是集合内元素的唯一标识,支持快速定位;而 `item` 则是实际存储的数据单元。
层级关系解析
  • Collection:组织相同类型数据的容器
  • Index:为每个 item 提供可检索的路径
  • Item:具体的数据记录,包含字段与值
代码示例:数据结构表示
{
  "collection": "users",
  "index": "user_001",
  "item": {
    "name": "Alice",
    "age": 30
  }
}
上述 JSON 表示在名为 `users` 的集合中,通过索引 `user_001` 可访问一个包含用户信息的数据项。这种设计提升了数据查询效率,并支持大规模数据的结构化管理。

2.5 遍历Map时SQL语句的动态生成逻辑

在数据持久化操作中,常需根据 Map 类型的键值对动态构建 SQL 语句。通过遍历 Map,可将字段名与值映射为 INSERT 或 UPDATE 语句中的列与参数。
动态拼接示例

Map<String, Object> params = new HashMap<>();
params.put("name", "Alice");
params.put("age", 30);

StringBuilder columns = new StringBuilder();
StringBuilder values = new StringBuilder();
for (Map.Entry<String, Object> entry : params.entrySet()) {
    if (columns.length() > 0) {
        columns.append(", ");
        values.append(", ");
    }
    columns.append(entry.getKey());
    values.append("?");
}
String sql = "INSERT INTO users (" + columns + ") VALUES (" + values + ")";
上述代码通过遍历 Map 构建字段和占位符,避免硬编码,提升灵活性。每个键作为列名,值用 ? 占位,防止 SQL 注入。
适用场景
  • 通用数据插入接口
  • 动态条件更新(如部分字段更新)
  • 与 PreparedStatement 配合使用,保障安全性

第三章:实战场景下的Map循环应用

3.1 批量插入:基于Map键值对构建VALUES列表

在处理大量数据写入时,利用Map结构动态构建SQL的VALUES列表可显著提升灵活性。每个Map代表一行数据,键对应字段名,值为待插入内容。
动态拼接VALUES语句
通过遍历Map集合,提取键集生成列名,逐行构造参数化值组:
INSERT INTO users (name, email, age) 
VALUES (?, ?, ?), (?, ?, ?), (?, ?, ?);
上述语句中,每组括号对应一个Map条目,问号占位符防止SQL注入。
参数映射与批量执行
  • 提取所有Map的公共keySet作为列模板
  • 按列顺序整理每个Map的值形成值序列
  • 使用PreparedStatement配合addBatch()提交批量操作
此方式适用于列结构动态变化的场景,兼顾安全性与性能。

3.2 动态条件查询:利用Map实现多字段过滤

在构建灵活的数据访问层时,动态条件查询是应对复杂业务筛选需求的关键技术。通过使用Map结构传递查询参数,可以实现字段名与值的动态绑定,避免硬编码SQL拼接。
Map作为查询参数容器
将前端传入的多个过滤条件封装为Map对象,键为字段名,值为对应筛选值。这种方式天然支持可选字段和空值跳过。
public List<User> queryUsers(Map<String, Object> conditions) {
    StringBuilder sql = new StringBuilder("SELECT * FROM user WHERE 1=1");
    List<Object> params = new ArrayList<>();
    
    if (conditions != null) {
        for (Map.Entry<String, Object> entry : conditions.entrySet()) {
            if (entry.getValue() != null) {
                sql.append(" AND ").append(entry.getKey()).append(" = ?");
                params.add(entry.getValue());
            }
        }
    }
    // 执行预编译SQL
}
上述代码中,conditions Map允许任意数量的键值对输入,仅当值非空时才加入WHERE子句,有效提升SQL安全性与灵活性。结合PreparedStatement防止SQL注入,是实现通用查询接口的核心模式之一。

3.3 更新操作:通过key-value对生成SET子句

在构建动态SQL更新语句时,核心在于将传入的key-value数据映射为有效的`SET`子句。每个键值对代表目标字段及其新值,需确保安全性与类型兼容性。
映射逻辑实现
使用map结构遍历字段名与值,动态拼接SQL片段:
var sets []string
var args []interface{}
for column, value := range updates {
    sets = append(sets, column+"=?")
    args = append(args, value)
}
query := "UPDATE users SET " + strings.Join(sets, ", ") + " WHERE id=?"
上述代码将`updates`映射转换为形如 `name=?, age=?` 的占位符序列,避免SQL注入。
参数绑定优势
  • 提升执行效率,利用预编译机制
  • 防止恶意输入破坏语句结构
  • 支持NULL值正确传递

第四章:常见问题与性能优化策略

4.1 避免空Map或null值引发的SQL异常

在持久层操作中,向SQL映射语句传递空Map或null参数可能触发运行时异常。MyBatis等框架虽支持动态SQL构建,但若未对输入参数进行有效性校验,会导致生成的SQL语法错误或NPE。
常见异常场景
  • 传入null作为查询参数,导致WHERE IN ()语法非法
  • 空Map参与<if test="key != null">判断,使条件缺失
防御性编程实践
public List<User> findUsers(Map<String, Object> params) {
    if (params == null || params.isEmpty()) {
        throw new IllegalArgumentException("查询参数不能为空");
    }
    return sqlSession.selectList("findUsers", params);
}
该方法在执行前校验参数Map状态,防止因空值导致SQL拼接异常。建议结合JSR-303使用注解验证,提升代码健壮性。

4.2 提升遍历效率:合理使用index与item变量

在循环遍历中,合理使用索引(index)和元素(item)变量能显著提升代码可读性与执行效率。尤其在处理大容量数据时,避免重复索引查找是关键。
高效遍历的实践方式
使用范围循环(range-based loop)直接获取索引与值,减少数组访问开销:
for index, item := range data {
    fmt.Printf("Processing %d: %v\n", index, item)
}
上述代码中,index 直接提供位置信息,item 避免了 data[index] 的重复查取,降低时间复杂度常数因子。
性能对比示意
遍历方式时间开销内存访问次数
通过索引访问O(n)2n
index-item解构O(n)n
利用语言原生支持的双变量解构,不仅能简化逻辑,还能优化底层内存访问模式,是高效编码的重要技巧。

4.3 SQL注入风险防范与参数绑定最佳实践

SQL注入是Web应用中最常见且危害严重的安全漏洞之一。攻击者通过在输入中嵌入恶意SQL代码,篡改查询逻辑,从而获取敏感数据或执行非法操作。
使用参数化查询防止注入
参数绑定是防范SQL注入的核心手段。通过预编译语句将SQL结构与数据分离,确保用户输入始终作为参数处理,而非SQL代码的一部分。
-- 错误方式:字符串拼接
SELECT * FROM users WHERE username = '" + userInput + "';

-- 正确方式:参数绑定
PREPARE stmt FROM 'SELECT * FROM users WHERE username = ?';
SET @user = 'input_value';
EXECUTE stmt USING @user;
上述正确示例中,问号占位符确保输入被严格视为数据,数据库引擎不会解析其内部结构,从根本上阻断注入路径。
ORM框架中的安全实践
现代ORM(如Hibernate、Sequelize)默认支持参数化查询。开发者应避免使用原生SQL拼接,优先采用ORM提供的查询构造器。
  • 禁止使用字符串格式化构建SQL
  • 启用查询日志以审计SQL生成行为
  • 定期更新ORM版本以修复已知漏洞

4.4 大数据量下Map循环的性能瓶颈分析

在处理大规模数据时,Map结构的遍历操作可能成为系统性能的隐形杀手。尽管Map提供O(1)的查找复杂度,但在全量循环场景下,其内存访问模式和GC压力显著影响执行效率。
典型性能问题场景
  • 频繁的内存分配导致GC停顿加剧
  • 无序遍历引发CPU缓存命中率下降
  • 大量键值对象造成堆内存膨胀
代码示例与优化对比

// 原始低效遍历
for k, v := range largeMap {
    result = append(result, process(k, v))
}
该方式在百万级数据下会触发多次slice扩容,增加内存拷贝开销。建议预分配容量或采用并发分片处理策略,提升吞吐能力。

第五章:总结与高级应用场景展望

微服务架构中的实时配置热更新
在大规模微服务部署中,配置中心需支持毫秒级变更推送。使用 etcd 的 watch 机制可实现配置热加载,避免服务重启:

// Go 中监听 etcd 配置变更
watchChan := client.Watch(context.Background(), "/config/service-a")
for watchResp := range watchChan {
    for _, event := range watchResp.Events {
        if event.Type == mvccpb.PUT {
            fmt.Printf("更新配置: %s = %s", event.Kv.Key, event.Kv.Value)
            reloadConfig(event.Kv.Value)
        }
    }
}
跨云环境的高可用部署策略
为保障全球业务连续性,etcd 集群可跨 AWS、GCP 和私有 IDC 构建混合部署。通过以下方式优化网络延迟与数据一致性:
  • 将多数节点部署在低延迟区域以保障 quorum 性能
  • 使用 Nginx TCP 负载均衡代理客户端请求
  • 启用 gRPC proxy 模式减少跨区域写压力
  • 定期执行 etcdctl check perf 验证集群健康度
安全加固与合规审计集成
金融类系统要求完整操作追溯。通过开启 etcd 的审计日志并对接 SIEM 平台(如 Splunk),可实现关键键空间访问记录分析:
事件类型触发条件审计字段示例
Key Delete敏感路径前缀匹配/secrets/prod/db-password
Role UpdateRBAC 策略变更role=admin, action=grant
Leader (us-east) → Follower (europe-west) → Proxy (asia-southeast) Latency-aware routing with region-tagged endpoints
mybatis中foreach使用 mybatis使用foreach标签 阅读详情

相关推荐

MyBatis-Plus核心原理与实战:从ORM基础到面试高频考点深度解析

ORM(对象关系映射)是Java后端开发中连接应用与数据库的核心技术层,它通过将数据库表映射为Java对象,简化了数据持久化操作。其工作原理主要基于反射和动态代理,在运行时生成和执行SQL,实现对象与关系数据的自动转换。这一技术价值在于大幅提升开发效率、降低数据库访问复杂度,并增强代码的可维护性。在实际应用场景中,ORM框架是构建企业级Web应用,特别是Spring Boot技术栈项目的标准数据层解决方案。MyBatis-Plus作为MyBatis的增强工具,在保留原生灵活性的基础上,通过强大的条件构造器、

weixin_30388677的博客 944

MyBatis中foreach的用法

目录`foreach` 说明 foreach 说明 你可以传递一个 list 实例或者 array 数组作为参数对象传给 mybatis。当你这么做的时候,mybatis 会自动将它包装在一个 Map 中,用名称作为键。list 实例将会以 list 作为键,而 array 数组实例将会以 array 作为键 foreach 元素的属性主要有 item,index,collection,open,separator,close item:表示集合中每一个元素进行迭代时的别名 index:指定一个名字,用于

桐花思雨 2万+

测试mybatis里foreach用法

测试mybatis里foreach用法,使用于list,array,map,怎么凑字数

mybatis之foreach用法

在做mybatis的mapper.xml文件的时候,我们时常用到这样的情况:动态生成sql语句的查询条件,这个时候我们就可以用mybatis的foreach了 foreach元素的属性主要有item,index,collection,open,separator,close。 item:集合中元素迭代时的别名,该参数为必选。 index:在list和数组中,index是元素的序号,在map中,index是元素的key,该参数可选 open:foreach代码的开始符号,一般是(和close=")"合用。.

s_156的博客 3万+

企业数字化转型的理论指南:构建未来企业的关键策略与实践路径

数字化转型已经成为当今企业发展和市场竞争的核心驱动力,而在这一过程中,企业架构(EA)发挥着至关重要的作用。这本白皮书《世界级企业架构:建立和发展EA能力的领导者方法》提供了深入的理论指导,为企业如何通过企业架构实现有效的数字化转型提供了清晰的路径。本篇文章将从,解读该书的核心内容,揭示企业在数字化转型过程中应该如何通过EA的构建和实施,驱动组织变革与技术创新。

AZone架构院的博客 3173

hMailServer安装配置

hMailServer安装配置 使用宝塔面板上的宝塔邮件服务器2.1版本,进行安装hMailServer。 宝塔在安装hMailServer是有做了一些配置,如果是手工安装需要注意一下配置点: 1、\hMailServer\Bin 目录下增加mysql连接文件libmysql.dll,要去下载32位的。 libmysql.dll下载 链接:https://pan.baidu.com/s/1YGJXzjowlJ9n_MiqB4xiqw 提取码:wz90 2、 需要提前安装mysql,并创建hM.

王者的博客 5872

MyBatis Foreach标签深度解析

在当今的软件开发领域,MyBatis 作为一款优秀的持久层框架,以其简洁的配置和强大的功能,深受广大开发者的喜爱。然而,在实际的项目开发中,我们常常会遇到需要处理集合类型数据的情况,这时,MyBatis 提供的foreach核心知识点就显得尤为重要。想象一下,在一个电商系统中,我们需要根据用户输入的多个商品 ID 查询商品信息。如果使用传统的 SQL 语句,我们需要编写复杂的嵌套查询,这不仅增加了代码的复杂度,还可能导致性能问题。这时,foreach就能帮助我们简化这一过程。foreach。

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。 711

车辆动力学从入门到进阶之路(传统篇)

新手如何入门车辆动力学开发领域,本文为您引路!

CrazyRabbit的博客 1万+

MyBatis动态SQL进阶:Map+foreach组合使用的3种高阶技巧(一线大厂实践)

掌握MyBatis动态SQL优化秘诀,解决复杂集合遍历难题。深入解析MyBatis的foreach循环Map参数在批量查询、多条件筛选与动态SQL拼接中的3种高阶用法,提升SQL可读性与执行效率,一线大厂实战经验总结,值得收藏。

CodeWhim的博客 624

【Isaac Sim】无头服务器远程桌面连接实战:Turbovnc配置与常见问题解决

本文详细介绍了在无头GPU服务器上通过Turbovnc远程桌面连接并运行NVIDIA Isaac Sim的实战教程。针对无图形界面服务器运行仿真软件的核心痛点,文章提供了从Turbovnc安装配置、SSH隧道建立,到以普通用户身份启动服务、解决GLXBadFBConfig等常见图形错误的完整方案,帮助开发者在云端高效部署机器人仿真环境。

weixin_29254673的博客 774

如何选择StandardScaler、MinMaxScaler和RobustScaler做标准化的对比解释和示例代码

选择合适的标准化方法取决于数据的特点和需求。如果数据分布接近正态分布且无异常值,可以使用。如果需要将数据映射到特定范围内并保持相对关系,可以使用。如果数据中存在异常值或离群点,可以使用进行鲁棒标准化。在分类、聚类算法中,需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候,StandardScaler表现更好(避免不同量纲对方差、协方差计算的影响);在不涉及距离度量、协方差、数据不符合正态分布、异常值较少的时候,可使用MinMaxScaler。

qq_36001281的博客 4941

MyBatis批量操作Map数据:foreach标签的4大核心用法与性能对比

掌握MyBatis批量操作技巧,高效处理集合数据。本文深入解析MyBatis的foreach循环Map参数的4大用法,涵盖插入、更新等场景,对比性能差异,提升SQL执行效率,适用多种批量操作需求,值得收藏。

LiteCompile的博客 398

Waymo数据集里的隐藏彩蛋:5个激光雷达数据融合实战(附Python代码)

本文深入解析Waymo数据集中5个激光雷达的数据融合技术,提供Python实战代码,帮助开发者掌握多传感器协同工作的关键方法。通过时间同步、坐标转换和运动补偿等技术,实现高精度3D场景重建,提升自动驾驶系统的环境感知能力。

weixin_30399821的博客 84

动态SQL之foreach标签:批量操作数据

MyBatis的foreach标签是实现批量操作的高效工具,支持对集合元素进行遍历并拼接SQL片段。通过collection指定集合参数名,item定义元素别名,separator设置分隔符,open/close添加首尾字符。主要应用于批量插入、更新和删除场景,能大幅减少数据库交互次数。例如批量插入时,可将多条记录值拼接为单一SQL语句;批量更新则生成多条语句以分号分隔;批量删除通常结合IN语句使用。注意参数传递和SQL语法问题,合理配置标签属性可显著提升操作效率。

fykam的博客 1133

C#工业相机毫秒级采集与处理:实现7x24小时稳定运行

在机器视觉行业摸爬滚打这么多年,我见过太多这样的项目:工程师用C#接了海康或巴斯勒的相机,写个GrabLoop,在实验室里跑个半小时一切正常。结果一到客户现场,7x24小时连轴转,问题就全暴露了——运行8小时后内存缓慢上涨,最终OOM崩溃每隔几分钟出现一次200ms的采集卡顿,导致飞拍漏检CPU占用率莫名飙高,但帧率却上不去程序假死,相机SDK回调不再触发,只能重启这些问题的根源,往往不是相机硬件不行,也不是算法太慢,而是C#托管运行时与工业相机底层驱动之间的“工程摩擦”。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 197

材料带隙预测(图神经网络)(⭐⭐)—— 用晶体图网络预测钙钛矿材料的能带隙,加速光伏材料筛选。技术栈:CGCNN、MEGNet、Materials Project数据集

钙钛矿太阳能电池以其高效率、低成本的优势迅速崛起,但传统“试错法”材料筛选效率极低,严重制约了光伏技术的迭代速度。近年来,基于图神经网络的材料带隙预测方法,特别是晶体图神经网络(CGCNN)和材料图网络(MEGNet),为这一问题提供了革命性的解决方案。本文系统梳理了材料带隙预测从传统计算到深度学习的演进历程,深入剖析了CGCNN与MEGNet的架构设计、数学原理及创新机制,详细阐述了Materials Project数据集的构建、特征工程与处理策略。

2201_76125393的博客 50

新书《MyBatis 从入门到精通》

第1 章 MyBatis 入门 本章先简单介绍了 MyBatis 的发展历史和特点,然后通过一步步的操作搭建了一个学习 MyBatis 的基础环境,这个开发环境也是学习后续几个章节的基础。 第2 章 MyBatis XML 方式的基本用法 本章设定了一个简单的权限控制需求,使用 MyBatis XML 方式实现了数据库中一个表的常规操作。在查询方面,通过根据主键查询和查询全部两个方法让读者在...

blog_csdn_lijun的博客 1703

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!

轻松学会Java框架之MyBatis(第三章)3-7 动态SQL的批量数据添加

本节是第三章最后一节的内容,在3-6学习了如何动态添加数据,本节学习动态批量添加数据 创建以List方式批量动态添加student表数据方法 参数可以是list、array、map等 public int addstudentBatchDynamicByList(List myBatisStudentList){ sqlSession=MyBatisSqlSessionF...

qianxuezi的博客 237

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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")

AI如何帮你高效编写MyBatis动态SQL

尝试了这个方案,发现它的AI对话功能可以直接理解"帮我生成MyBatis的foreach更新语句"这样的自然语言需求,自动输出标准XML片段。最惊喜的是支持一键部署测试,生成后能立即验证SQL执行效果,比本地反复调试高效多了。对于需要快速验证动态SQL的场景特别友好,推荐大家试试这种"描述需求-生成代码-实时验证"的闭环开发模式。最近在项目中频繁使用MyBatis处理动态SQL时,发现foreach标签的编写特别容易出错。尝试用AI辅助开发后,整个流程变得轻松多了,这里分享下我的实践心得。

EmeraldWolf23的博客 694

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

mybatis中的<foreach>标签

它允许在 SQL 语句中动态生成重复的 SQL 片段,将集合中的元素应用到 SQL 中,从而提供了一种灵活和便捷的方式来处理集合数据。这样,在执行 SQL 语句时,MyBatis 会根据集合的大小自动生成重复的 SQL 片段,并将其中的。:指定在每次迭代中,当前元素的索引或键的别名(仅适用于 Map 集合)。:指定要遍历的集合的表达式,可以是一个 List、数组或 Map 等。可以轻松处理集合参数的情况,动态生成符合需求的 SQL 片段。操作,并将集合中的元素应用到 SQL 语句中时,可以使用。

Li2992673708的博客 450

Java八股文面试之框架篇(Spring、SpringMVC、Mybatis、Spring Security)

Java八股文面试之框架篇(Spring、SpringMVC、Mybatis)

y516369的博客 1305
上一篇: 揭秘BeautifulSoup get_text分隔符:3种高效用法让你的网页解析精度提升10倍
下一篇: Java并发编程实战:3步搞定corePoolSize与CPU核心数最优配置
LiteCode
博客等级 码龄1年 146粉丝 2019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  | 博主筛选后可见
 
 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