Spring-09-使用JavaConfig进行配置

Spring-09-使用JavaConfig进行配置

使用纯Java的方式配置Spring

现在完全不使用Spring的xml配置,全部交给Java来做

JavaConfig是Spring的一个子项目,在Spring4后,它成为了一个核心功能

Java万物皆可为对象,将配置文件------>配置类

示例

实体类

//该注解(@Component),说明该类被Spring托管了,注册到容器中
@Component
public class User {

    @Value("cmy")
    private String name;

    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }

    @Override
    public String toString() {
        return "User{" +
                "name='" + name + '\'' +
                '}';
    }
}

配置类(取代原来的.xml配置文件)

//@Configuration 本质上还是@Compontent,也会被注册到Spring容器中
//@Configuration 还表示这是一个配置类==beans.xml
@Configuration
@ComponentScan("com.cmy.pojo")
@Import(HisConfig.class)//导入其他人的配置类
public class MyConfig {

    //注册一个bean,=<bean id="" class = "" .../>
    //而方法名:getUser相当于id
    //方法返回值:User 相当于class
    @Bean
    public User user(){
        return new User();//返回要注入到bean的对象
    }
}

测试

public class MyTest {
    @Test
    public void test(){
        //如果完全使用了配置类方式,则只能通过AnnotationConfig获取上下文,通过配置类的class对象加载,从而完全摒弃xml
        ApplicationContext context = new AnnotationConfigApplicationContext(MyConfig.class);
        User user = context.getBean("user",User.class);
        System.out.println(user.getName());
    }
}
//cmy
卷积神经网络(CNN)是一种常用于图像处理和模式识别的深度学习模型。它的设计灵感来自于生物学中视觉皮层的神经元结构。为了用通俗的语言解释CNN,我们可以用以下方式来理解它: 假设你要识别一张猫的图片。首先,你的大脑会将这张图片的像素点转化成一系列数字,并且记录下它们的位置和颜色。然后,大脑会将这些数字输入到“卷积层”中。 在卷积层中,会有很多个“过滤器”。这些过滤器可以视为一双眼睛,它们通过抓取图片的不同特征来帮助你识别物体。每个过滤器都在图片上滑动并计算一个“特征图”,这个特征图描述了所检测到的特定特征。例如,一个过滤器可以检测到猫的边缘,另一个可以检测到猫的颜色等等。当所有过滤器完成计算后,就会得到一些不同的特征图。 在“池化层”中,每个特征图都会被压缩,去除一些不重要的信息。这样可以减少需要计算的数据量,并且使得特征更加鲁棒和不变形。 最后,在全连接层中,所有的特征图都被连接起来,形成一个巨大的向量。接下来,这个向量会通过一些神经元节点,最终输出识别结果,也就是“这是一张猫的图片”。 CNN的一个重要特点是参数共享,这意味着每个过滤器会在整个图片上进行计算,而不仅仅是某个局部区域。这样可以减少需要计算的参数量,提高训练速度和模型的泛化能力。 总结一下,CNN通过卷积层来提取图像的特征,并通过池化层降低特征的维度。最后,通过全连接层将所有特征连接起来并输出结果。这种结构使得CNN非常适合于图像分类和识别任务。
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