sdu项目实训2-2 DRF中ModelSerializer的使用

可以使用ModelSerializer根据模型类生成字段


前言

ModelSerializer的作用:

  • 1.可以参考模型类自动生成字段, 还可以自己编写字段
  • 2.提供了create方法,update方法

一、定义模型类序列化器

from rest_framework import serializers
from . import models
from .models import City_cropinfo, User

#定义用户模型类序列化器
class UserModelSerializer(serializers.ModelSerializer):

    class Meta:
        model = User  #参考模型类生成字段
        fields = '__all__'  #生成所有字段

二、测试序列化与反序列化

1.序列化

使用模型类序列化器, 测试序列化

  • 操作流程
    from agriculture.models import User
    from agriculture.serializers import UserModelSerializer

    # 1,获取模型类对象
    user = User.objects.get(id=1)

    # 2,创建序列化器对象
    serializer = UserModelSerializer(instance=user)

    # 3,输出结果
    serializer.data
  • 输出结果
输出结果如下:
{'id': 1, 'useraccount': '123456', 'password': '123', 'username': '你好', 'phone': '13232345678', 'email': '123456@qq.com'}

2.反序列化入库操作

使用模型类序列化器, 测试反序列化的入库操作

  • 操作流程
	from agriculture.serializers import UserModelSerializer
	
	# 1,准备字典数据
    user_dict = {
        'useraccount': '000001',
        'password': 'abc123',
        'username': '旺旺',
        'phone': '13567812333',
        'email':'12345601@qq.com'
    }

    # 2,序列化器对象创建
    serializer = UserModelSerializer(data=user_dict)

    # 3,校验,入库
    serializer.is_valid(raise_exception=True)
    serializer.save()
  • 测试结果
    在这里插入图片描述
    已将将数据加入了数据库

3.反序列化更新操作

使用模型类序列化器, 测试反序列化的更新操作

  • 操作流程
	from agriculture.models import User
    from agriculture.serializers import UserModelSerializer

	# 1,准备字典数据, 用户对象
    user = User.objects.get(id=4)
    user_dict = {
        'useraccount': '000001',
        'password': 'abcd1234',
        'username': '财财',
        'phone': '13567812666',
        'email':'12345602@163.com'
    }

    # 2,序列化器对象创建
    serializer = UserModelSerializer(instance=user, data=user_dict)

    # 3,校验,入库
    serializer.is_valid(raise_exception=True)
    serializer.save()
  • 测试结果
    在这里插入图片描述
    已经修改了数据库中的数据

总结

ModelSerializer比起普通的序列化器方便快捷了很多

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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