最近玩GAE的一些心得。。。

本文介绍了如何在Eclipse中安装Google App Engine (GAE) 插件,并列举了使用GAE进行Java开发时需要注意的问题,包括查询结果处理、文件存储限制、图片处理等方面的内容。
eclipse里面下
[url]http://dl.google.com/eclipse/plugin/3.6 [/url]

,记住不要下gae sdk 和 gwt sdk,因为超慢,只需要下eclipse的plugin 就好了,

gae sdk另外用相关的下载工具就好了, 我的是1.4.3,下完后直接建立一个gae工程,

关于sdk的JDO存储要说明一下,

说下GAE里面的一些缺陷。。。

1.查询 结果集的时候,必须使用一下list.size,不然直接关闭后是没有相关的list数据的


public static <T> List<T> executeSqlForList(String gql) {
PersistenceManager pm = getPesistentManager();
try {
List<T> list = (List<T>) pm.newQuery(gql).execute();
logger.info("query list sql[" + gql + "]resultSize==>"
+ list.size());
return list;
} finally {
pm.close();
}
}




2.查询总数的是貌似只有1000以内,


public static <T> int getCountBySql(String gql) {
PersistenceManager pm = getPesistentManager();
try {
Query query = pm.newQuery(gql);
query.setResult("count(this)");
return (Integer) query.execute();
} finally {
pm.close();
}
}


3.被X掉的文件存储以及限制的存储大小。。
post的大小是10MB, 但是存储只能有1MB,想上传一个4MB的图片都不行,虽然可以分片,但是实在有点麻烦。

4.图片进行缩小的还必须用google自己提供的API,虽然缩小后的像素比较好,但是存储的空间有点大。


Blob imgContent=..from JDO

ImagesService imagesService = ImagesServiceFactory.getImagesService();

Image oriImage1 = ImagesServiceFactory.makeImage(imgContent.getBytes());
Transform resize1 = ImagesServiceFactory.makeResize(160,
120);
Image img2 = imagesService.applyTransform(resize1, oriImage1);
store as ....(new Blob(img2.getImageData()));



5.另外,GAE的访问速度实在是太慢了,自己用godaddy 注册了一个域名后速度不敢恭维。。。
[url]http://wedding.brucexx.info/[/url]

看下了TTL=48,看来。。

6.最后访问时间是需要做国际化处理的,看了下时区,貌似服务器处于洛杉矶附近。。
内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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