被标记为事务的方法互相调用的坑(下)

手把手教你用cscdesigner为Simulink信号配置特定内存段(含#pragma指令生成) 本文详细介绍了如何使用cscdesigner工具为Simulink信号配置特定内存段,包括#pragma指令的自动生成。通过分步教程和实战案例,帮助嵌入式开发工程师实现精确的内存管理,提升代码生成效率并确保符合AUTOSAR等标准要求。 阅读详情

上一节,主要分析了 被标记为事务的方法互相调用,事务失效的原因,思考比较多,这一节主要说说解决方案,思考会少一些。

解决方案的核心: 通过代理对象去调用方法

1.把方法放到不同的类:

如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Java高级交流:854630135,群里有阿里大牛直播讲解技术,以及Java大型互联网技术的视频免费分享给大家。

我们需要新建一个接口:

public interface OtherService {
 void insertCodeMonkey();
}

再定义一个类去实现这个接口:

@Service
public class OtherServiceImpl implements OtherService {
 @Autowired
 AccountMapper mapper;
 @Override
 @Transactional(propagation=Propagation.REQUIRES_NEW)
 public void insertCodeMonkey() {
 Account account = new Account();
 account.setAccount("CodeMonkey");
 account.setPassword("CodeMonkey");
 mapper.insert(account);
 int a = 1 / 0;
 }
}

修改原本的实现类:

@Service
public class AccountSerivceImpl implements AccountService {
 @Autowired
 AccountMapper mapper;
 @Autowired
 OtherService otherService;
 @Transactional
 @Override
 public void insertCodeBear() {
 try {
 otherService.insertCodeMonkey();
 } catch (Exception e) {
 e.printStackTrace();
 }
 Account account = new Account();
 account.setAccount("CodeBear");
 account.setPassword("CodeBear");
 mapper.insert(account);
 }
}

运行,查看数据库:

被标记为事务的方法互相调用的坑(下)

 

只有一条数据,insertCodeBear方法执行成功了,insertCodeMonkey执行失败,并且回滚了。

让我们再看看控制台的日志:

被标记为事务的方法互相调用的坑(下)

 

如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Java高级交流:854630135,群里有阿里大牛直播讲解技术,以及Java大型互联网技术的视频免费分享给大家。

可以看到是开了两个事务去执行的。

这种解决方案最简单,不需要了解其他东西,但是这种方案需要修改代码结构,本来两个方法都是属于同一个类的,现在需要强行把它们拆开。

2. AopContext:

我们的目标是要在实现类中获取本类的代理对象,Spring提供了Aop上下文,即:AopContext,通过AopContext,可以很方便的获取到代理对象:

@Service
public class AccountSerivceImpl implements AccountService {
 @Autowired
 AccountMapper mapper;
 @Transactional
 @Override
 public void insertCodeBear() {
 try {
 ((AccountService)AopContext.currentProxy()).insertCodeMonkey();
 } catch (Exception ex) {
 ex.printStackTrace();
 }
 Account account = new Account();
 account.setAccount("CodeBear");
 account.setPassword("CodeBear");
 mapper.insert(account);
 }
 @Transactional(propagation = Propagation.REQUIRES_NEW)
 @Override
 public void insertCodeMonkey() {
 Account account = new Account();
 account.setAccount("CodeMonkey");
 account.setPassword("CodeMonkey");
 mapper.insert(account);
 int a = 1 / 0;
 }
}

当写好代码,很愉快的去测试,发现竟然报错了:

被标记为事务的方法互相调用的坑(下)

 

翻译下:不能找到当前的代理,需要设置exposeProxy属性为 true使其可以。

expose字面意思就是 暴露。也就是说 我们需要允许暴露代理。

我们需要在Spring Boot启动类上+一个注解:

@EnableAspectJAutoProxy(exposeProxy = true)
@SpringBootApplication
@MapperScan(basePackages = "com.codebear.Dao")
public class SpringbootApplication {
 public static void main(String[] args) throws Exception {
 SpringApplication.run(SpringbootApplication.class, args);
 }
}

再次运行:

被标记为事务的方法互相调用的坑(下)

 

确实是开启了两个事务去执行的。

再看看数据库,也没有问题。

3. ApplicationContext:

@Service
public class AccountSerivceImpl implements AccountService {
 @Autowired
 AccountMapper mapper;
 @Autowired
 ApplicationContext context;
 AccountService service;
 @PostConstruct
 private void setSelf() {
 service = context.getBean(AccountService.class);
 }
 @Transactional
 @Override
 public void insertCodeBear() {
 try {
 service.insertCodeMonkey();
 } catch (Exception e) {
 e.printStackTrace();
 }
 Account account = new Account();
 account.setAccount("CodeBear");
 account.setPassword("CodeBear");
 mapper.insert(account);
 }
 @Transactional(propagation = Propagation.REQUIRES_NEW)
 @Override
 public void insertCodeMonkey() {
 Account account = new Account();
 account.setAccount("CodeMonkey");
 account.setPassword("CodeMonkey");
 mapper.insert(account);
 int a = 1 / 0;
 }
}

验证的图片就省略了。

此方法不适用于prototype

在这里,我用了一个@PostConstruct注解,在初始化的时候,会调用被@PostConstruct标记的方法(注意,仅仅是初始化的时候,才会被调用。以后都不会被调用了,大家可以打个断点试一下),这里这么做的目的就是为了提升一下效率,不用每次都getBean。所以如果这个类是prototype的,就不适用这个方法了。如果是prototype的话,就在insertCodeBear方法中使用getBean方法吧。

上两种方法比较方便,没有新建其他的接口或者是类,但是没有很好的封装获得Aop代理对象的过程,也不是很符合 迪比特法则,也就是最少知识原则。

4. 重写BeanPostProcessor接口:

关于这个接口是做什么的,这里就不详细阐述了,简单的来说这是Spring提供的接口,我们可以通过重写它,在初始化Bean之前或者之后,自定义一些额外的逻辑。

首先,我们需要定义一个接口:

public interface WeavingSelfProxy {
 void setSelfProxy(Object bean);
}

要获得代理对象的类,需要去实现它:

@Service
public class AccountSerivceImpl implements AccountService, WeavingSelfProxy {
 @Autowired
 AccountMapper mapper;
 AccountService service;
 @Override
 public void setSelfProxy(Object bean) {
 System.out.println("进入到setSelfProxy方法");
 service = (AccountService) bean;
 }
 @Transactional
 @Override
 public void insertCodeBear() {
 try {
 service.insertCodeMonkey();
 } catch (Exception e) {
 e.printStackTrace();
 }
 Account account = new Account();
 account.setAccount("CodeBear");
 account.setPassword("CodeBear");
 mapper.insert(account);
 }
 @Transactional(propagation = Propagation.REQUIRES_NEW)
 @Override
 public void insertCodeMonkey() {
 Account account = new Account();
 account.setAccount("CodeMonkey");
 account.setPassword("CodeMonkey");
 mapper.insert(account);
 int a = 1 / 0;
 }
}

重写BeanPostProcessor接口:

如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Java高级交流:854630135,群里有阿里大牛直播讲解技术,以及Java大型互联网技术的视频免费分享给大家。

@Component
public class SetSelfProxyProcessor implements BeanPostProcessor {
 @Override
 public Object postProcessBeforeInitialization(Object bean, String beanName) throws BeansException {
 return bean;
 }
 @Override
 public Object postProcessAfterInitialization(Object bean, String beanName) throws BeansException {
 if(bean instanceof WeavingSelfProxy){
 System.out.println("实现了WeavingSelfProxy接口");
 ((WeavingSelfProxy) bean).setSelfProxy(bean);
 }
 return bean;
 }
}

这样就可以了,验证的图片也省略了。

以上就是四种解决方案,可以说 各有千秋,没有哪个好,哪个坏,只有适不适合。

如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Java高级交流:854630135,群里有阿里大牛直播讲解技术,以及Java大型互联网技术的视频免费分享给大家。

高精度有源积分器设计:基于罗氏线圈的电流测量方案解析 在电力系统保护、工业自动化及高精度计量领域,电流的非接触式精确测量是核心需求。传统电流互感器存在磁芯饱和、频带受限等局限,难以应对现代电力电子设备产生的复杂波形。罗氏线圈作为一种空心电流传感器,凭借其宽频带、高线性度及无饱和风险的优势,成为理想解决方案。其工作原理基于法拉第电磁感应定律,输出信号与被测电流的导数成正比,因此必须通过积分运算恢复原始电流波形。积分器的精度、稳定性及动态响应直接决定了整个测量系统的性能上限。一个设计精良的有源积分器能有效解决直流漂移、相位误差及噪声放大等挑战,在继电器保护、断路器 阅读详情

相关推荐

2024最新指南:如何用Python批量下载Sentinel-2数据(附避坑清单)

本文提供2024年最新Python批量下载Sentinel-2遥感数据的完整指南,涵盖环境配置、API准备、核心下载流程实现及实战避坑清单。通过智能查询器、断点续传下载器等实用工具,帮助用户高效获取遥感数据,避免常见网络问题和数据完整性验证失败。

silver的专栏 621

SQL数据库——事务

关于SQL Server数据库—事务 什么是数据库的事务? 事务有哪些特性 ? 事务常用语句有哪些? 如何在Spring配置文件中定义事务管理器? 代码演示 什么是数据库的事务? 事务是一系列的数据库操作,是数据库应用的基本逻辑单位,事务由事务开始(begin transaction)和事务结束(end transaction)之间执行的全体操作组成。 事务有哪些特性? 事务具有如下特性:(其中原子性最为重要) 1、原子性(atomicity) 一个事务是一个不可分割的工作单位,事务中包括的诸操作要么都

Tabby2299的博客 3879

银河麒麟服务器操作系统V10-SP1部署gitlab服务

银河麒麟高级服务器操作系统 V10 SP1 部署GitHub

weixin_43173670的博客 2156

Spring事务管理嵌套事务详解 : 同一个类中,一个方法调用另外一个有事务的方法

Spring 事务机制回顾    Spring事务一个被讹传很广说法是:一个事务方法不应该调用另一个事务方法,否则将产生两个事务.  结果造成开发人员在设计                                                               事务方法时束手束脚,生怕一不小心就踩到地雷。    其实这是不认识Spring事务传播机制而造成的误解,Spring...

levae1024的博客 7万+

模拟IC设计笔记:拆解一个经典的时钟占空比校正(DCC)电路模块,从理论到SPICE仿真

本文深入解析了时钟占空比校正(DCC)电路在模拟IC设计中的关键作用,特别是在高速ADC应用中。通过晶体管级拆解,详细介绍了基于电荷泵和积分器的模拟反馈型DCC电路设计,包括占空比检测、误差放大与校正执行单元的实现。文章还提供了SPICE仿真验证方法,确保电路在100MHz时钟下的稳定性和性能。

weixin_33725722的博客 429

用 SE84 反查 SAP 消息号:弹窗一闪而过也能抓到 Message ID 和 Number 的小技巧

SAP开发技巧:通过消息文本反查Message ID和编号 在SAP开发中,经常遇到系统只显示错误消息文本而缺少技术信息的情况。本文介绍两种实用方法: 使用SE84工具:通过输入带通配符的短文本(如"错误文本")反向查找消息类和编号 直接查询T100表:利用消息文本在T100表中检索完整的消息技术信息 这些技巧特别适用于处理弹窗消息、框架层错误等无法直接获取技术细节的场景。掌握消息ID和编号后,开发者可以更高效地进行问题定位、代码调试和错误处理,尤其在SAP Gateway、RAP等现代

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 375

被标记为事务的方法互相调用的坑(上)

相信大家一定用过Spring中的注解型事务,配合上Spring Boot,只需要在方法上打一个@Transactional 就可以完成,真香。 但是如果大家对其中的机制一知半解的话,可能一不小心就会掉进坑,然后久久无法爬出来。 下面我就分享下 被标记为事务的方法互相调用的坑。 如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可...

javaQQ561487941的博客 339

FPGA实现串口升级及MultiBoot(九)BPI FLASH相关实例演示

与SPI相关知识并没有什么太多区别(别杠硬件或者架构上),相关知识点都在上面指出,大家有什么其他需要注意点,欢迎留言讨论。关于“四样错误”就不演示了,没什么太大区别,下一讲我们开始串口升级。PS:为了扩展ICAPE2原语的使用,在原来的基础上增加了几个常用FPGA ID,并在触发启动时候增加了可选电平触发或上升/下降沿触发(例化IP时选择),新版本号V1.1。

OpenFPGA的博客 1447

事务方法内先提交事务,再进行其他操作

问题描述:有时候会有这种场景,一个事务方法中,有两步操作,操作一为插入数据库操作,操作二把操作一插入数据的id发给其他系统,其他系统拿到id后来查询数据,但是会发现有时候系统运行比较快的时候,查询数据会查不到。 原因:因为两步操作都是在一个事务方法中的,操作二虽然拿到了操作一插入数据的id,然后发给了其他系统,但是这个时候,其实还不能保证事务已经提交了,所以其他的系统通过id来查询数据,会发现有时...

ZK_小小世界的专栏 7742

PCB仿真软件:Altium Designer_(6).PCB布线设计:自动布线与手工布线

通过以上步骤,我们完成了一个简单的PCB设计案例。在这个过程中,我们使用了自动布线和手工布线的综合策略,确保布线质量符合设计要求。创建PCB项目:在Altium Designer中创建一个新的PCB项目。导入原理图:将原理图文件导入到PCB项目中。设置布线规则:通过设置必要的布线规则,如线宽、间距等。启动自动布线:使用自动布线器进行初步布线。手工优化布线:通过手工布线工具优化关键信号的布线路径。保存和导出PCB文件:保存PCB文件并导出Gerber文件,用于生产。

kkchenjj的博客 2523

麻辣香锅病毒分析

Spicy Hot Pot浏览器劫持病毒(麻辣香锅病毒)从2020年初被安全公司监测到,因其病毒模块带有MLXG_KM被安全行业代称麻辣香锅病毒。目前通过各种激活工具传播, 包括暴风激活、小马激活和KMS激活等诸多工具,疑似与下载站进行合作推广此类激活工具。Spicy Hot Pot 是一个浏览器劫持 Rootkit,它会将用户的主页更改为指向恶意软件操作员控制的页面,此外还会将内存转储从机器上传到预定义的服务器,并结合本地更新功能以确保其保持更新。通常浏览器劫持者会通过更改用户主页的恶意可执行文件或注册表

不忘初心,护天下安全! 4794

java方法调用事务方法,从另一个方法调用的java – @Transactional方法不能获取事务...

在Spring中,使用@Transactional注释的方法将获得一个新的事务,如果没有一个已经存在,但是我注意到事务方法如果从一个非事务性方法调用的话不会获得任何事务.这是代码.@Componentpublic class FooDao {private EntityManager entityManager;@PersistenceContextprotected void setEntity...

weixin_39517400的博客 1748

手把手完整实现STM32+ESP8266+机智云平台+手机APP应用——第一节-机智云平台搭建+所需硬件及接线说明+ESP8266烧录机智云固件

本节介绍如何在机智云平台创建自己的项目,介绍使用的硬件及接线说明,以及ESP8266烧录机智云固件过程。下一节进行机智云移植并编写STM32程序实现远程温湿度显示与控制灯照明,以及机智云APP配网。实现完整的物联网应用,STM32+ESP8266+机智云平台+手机APP应用。

嵌入式阿齐Archie 2万+

@transactional加在方法上_被标记为事务的方法互相调用的坑(上)

相信大家一定用过Spring中的注解型事务,配合上Spring Boot,只需要在方法上打一个@Transactional 就可以完成,真香。但是如果大家对其中的机制一知半解的话,可能一不小心就会掉进坑,然后久久无法爬出来。下面我就分享下 被标记为事务的方法互相调用的坑。如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Ja...

weixin_33835155的博客 2702

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

@postconstruct注解方法没有执行_被标记为事务的方法互相调用的坑(下)

上一节,主要分析了 被标记为事务的方法互相调用,事务失效的原因,思考比较多,这一节主要说说解决方案,思考会少一些。解决方案的核心: 通过代理对象去调用方法1.把方法放到不同的类:如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Java高级交流:854630135,群里有阿里大牛直播讲解技术,以及Java大型互联网技术的视频...

weixin_39942992的博客 953

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

java 两个service一个有事务一个没有_被标记为事务的方法互相调用的坑(上)

相信大家一定用过Spring中的注解型事务,配合上Spring Boot,只需要在方法上打一个@Transactional 就可以完成,真香。但是如果大家对其中的机制一知半解的话,可能一不小心就会掉进坑,然后久久无法爬出来。下面我就分享下 被标记为事务的方法互相调用的坑。如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Ja...

weixin_39551462的博客 1709

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

@transactional 方法执行完再commit_被标记为事务的方法互相调用的坑(下)

上一节,主要分析了 被标记为事务的方法互相调用,事务失效的原因,思考比较多,这一节主要说说解决方案,思考会少一些。解决方案的核心: 通过代理对象去调用方法1.把方法放到不同的类:如果想学习Java工程化、高性能及分布式、深入浅出。微服务、Spring,MyBatis,Netty源码分析的朋友可以加我的Java高级交流:854630135,群里有阿里大牛直播讲解技术,以及Java大型互联网技术的视频...

weixin_32340083的博客 911

解决@Transactional事务在类内部方法调用不生效

在默认情况下,大部分使用spring的事务都是使用代理的模式,代理实现的事务有一定的局限性:仅有在公有方法上标记的@Transactional有效;仅有外部方法调用过程才会被代理截获,事务才会有效,也就是说,一个方法调用本对象的另一个方法,没有通过代理类,事务也就无法生效。下面来说明下解决的方法 1.首先描述下类内部方法互相调用,事务不生效的情况 UserService测试接口类 package cn.sw.study.web.service; /** Created by shaowei on 2017

weixin_42615105的博客 2385
上一篇: 被标记为事务的方法互相调用的坑(上)
下一篇: Spring Boot 运作原理
javaQQ群 866865133
博客等级 码龄8年 59粉丝 309原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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