mybatis学习之一

1、创建一个Java project,JikeBook

2、添加项目所需的依赖包

如 mybatis-3.2.8.jar,是实现mybatis功能所必需的依赖包

    mysql-connector-java-3.0.17-ga-bin.jar是连接mysql数据库的依赖包,

    log4j是日志输出依赖包

 

3、在src目录下创建各个package

4、首先创建log4j.properties

复制代码
 1 log4j.rootLogger=DEBUG, Console  
 2   
 3 #Console  
 4 log4j.appender.Console=org.apache.log4j.ConsoleAppender  
 5 log4j.appender.Console.layout=org.apache.log4j.PatternLayout  
 6 log4j.appender.Console.layout.ConversionPattern=%d [%t] %-5p [%c] - %m%n  
 7   
 8 log4j.logger.java.sql.ResultSet=INFO  
 9 log4j.logger.org.apache=INFO  
10 log4j.logger.java.sql.Connection=DEBUG  
11 log4j.logger.java.sql.Statement=DEBUG  
12 log4j.logger.java.sql.PreparedStatement=DEBUG
复制代码

将一些日志的输出更改为DEBUG,才能输出相关日志信息

5、在jike.book.map包下创建jikeUser.xml

复制代码
 1 <?xml version="1.0" encoding="UTF-8" ?>
 2 
 3 
 4 <!DOCTYPE mapper
 5     PUBLIC "-//mybatis.org//DTD Mapper 3.0//EN"
 6     "http://mybatis.org/dtd/mybatis-3-mapper.dtd">
 7 
 8 <mapper namespace="/">
 9 
10   <select id="findById"  parameterType="int"  resultType="jike.book.pojo.JiKeUser">
11         select * from jikeUser where id=#{id}
12   </select>
13 
14 
15 </mapper>
复制代码

 

6、在jike.book.map包下创建MyBatisConfig.xml

复制代码
 1 <?xml version="1.0" encoding="UTF-8" ?>
 2 
 3 
 4 <!DOCTYPE configuration
 5     PUBLIC "-//mybatis.org//DTD Config 3.0//EN"
 6     "http://mybatis.org/dtd/mybatis-3-config.dtd">
 7 
 8 <configuration>
 9 
10   <environments default="development">
11      <environment id="development">
12        <transactionManager type="JDBC">
13        </transactionManager>
14        <dataSource type="POOLED">
15              <property name="driver" value="com.mysql.jdbc.Driver"/>
16              <property name="url" value="jdbc:mysql://localhost:3306/jikebook"/>
17              <property name="username" value="root"/>
18              <property name="password" value=""/>
19        </dataSource>
20      </environment>
21   </environments>
22 
23   <mappers>
24         <mapper resource="jike/book/map/jikeUser.xml"/>
25   </mappers>
26 
27 </configuration>
复制代码

 

7、在jike.book.pojo下创建JiKeUser.java

复制代码
 1 package jike.book.pojo;
 2 
 3 public class JiKeUser {
 4     private int id;
 5     private String userName;
 6     private String password;
 7     public int getId() {
 8         return id;
 9     }
10     public void setId(int id) {
11         this.id = id;
12     }
13     public String getUserName() {
14         return userName;
15     }
16     public void setUserName(String userName) {
17         this.userName = userName;
18     }
19     public String getPassword() {
20         return password;
21     }
22     public void setPassword(String password) {
23         this.password = password;
24     }
25 }
复制代码

 

8、在jike.book.test下创建TestHello.java

复制代码
 1 package jike.book.test;
 2 
 3 import java.io.IOException;
 4 import java.io.Reader;
 5 
 6 import jike.book.pojo.JiKeUser;
 7 
 8 import org.apache.ibatis.io.Resources;
 9 import org.apache.ibatis.session.SqlSession;
10 import org.apache.ibatis.session.SqlSessionFactory;
11 import org.apache.ibatis.session.SqlSessionFactoryBuilder;
12 
13 public class TestHello {
14 
15     public static void main(String[] args) {
16 
17         String resource = "jike/book/map/MyBatisConfig.xml";
18         Reader reader = null;
19         SqlSession session;
20         try {
21             reader = Resources.getResourceAsReader(resource);
22         } catch (IOException e) {
23             e.printStackTrace();
24         }
25         SqlSessionFactory sqlMapper = new SqlSessionFactoryBuilder()
26                 .build(reader);
27         session = sqlMapper.openSession();
28         JiKeUser temp = session.selectOne("findById", 1);
29         System.out.println(temp.getUserName());
30         session.close();
31     }
32 
33 }
复制代码

 9.mysql数据库


最后运行项目:




内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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