依赖注入、控制反转、DI容器、Autofac

依赖注入、控制反转、DI容器

  1. 当一个类需要另一个类协作来完成工作的时候就产生了依赖
  2. _lxxService = new xxService() 这叫正转
  3. public xxController(IxxService xxService)
    { _xxService = xxService; } 这叫反转
    大师说把实现交出去,我只在构造函数负责拿过来,此时优势就体现出来了,这种方式对于代码来讲更加松耦合、可测试和可维护
  4. 依赖太多啦,管理不过来了,所以有了DI容器(这个是ASP.NET Core的大杀招)
  5. 依赖注入是我为了实现功能用到的一种方法
  6. 控制反转是一种思想【引用别人的一句:A依赖于B,并且A掌控B的创建销毁,此时A控制了B,即为“正转”。
    当B的创建销毁在A之外完成,B脱离了A的控制,称之为控制反转(IoC:Invertion of Control)】
  7. ASP.NET Core DI容器是在ASP.NET Core MVC程序启动时分配了线程池,绑定服务与实例并且管理着实例的创建与销毁

细说一下DI容器为什么是大杀招:

  1. 颠覆了传统的.NET Framework正转思想,
  2. 完全是接口设计模式可轻易实现功能的热插拔,分层设计,分布式系统设计
  3. 它是轻量级的

组成:

  • IServiceCollection 负责注册
  • IServiceProvider 负责提供实例

代码例子:

  • 随便写个接口和实现类
  • Program.cs注册(可以选择不同注册的方式,有着不同的声明周期,具体看图的注释)
    在这里插入图片描述
  • 注入
    在这里插入图片描述
  • 就能使用接口的实现的方法了

总结一下:
DI容器在Web启用时已经分配了一个空间(简单理解它是线程池和实例)。程序的标准服务(服务本质也是接口)和自己自定义接口都装在里面了。
无法理解DI容器和依赖注入的话,那就无法理解ASP.NET Core MVC的代码,该知识点能帮助我们读懂ASP.NET Core MVC项目50%代码,因为几乎所有ASP.NET Core MVC代码都绕不开DI容器,另外50%是什么呢,大部分是复杂的特征,过滤器,拦截器,约定的视图等等,依然需要专门学习才能掌握

Autofac

此时引出第二个问题,我每个接口注册是不是都要在Program.cs写一句,接口太多的话,Program.cs是不是会很大和很混乱?那么此时就需要用到Autofac,它能实现批量接口注册,还能分多个文件,对于注册管理有非常大规范作用
网上对于Autofac作用描述得其实太过于详细了,其实不需要全部了解,我们只关心它能帮助我们管理DI容器的注册即可
用了Autofac就不要用上面那种最基础的注册模式了,因为使用 Autofac 这样的 IoC 容器来管理依赖已经成为一种标准实践
下面是代码例子

  • Nuget安装相关包:Autofac ,Autofac.Extensions.DependencyInjection

  • Program.cs使用Autofac
    在这里插入图片描述 - Autofac代码
    在这里插入图片描述

  • 构造函数注入使用即可

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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