在Rails中使用缓存(码表)的方式

本文介绍如何在Rails应用中创建并使用全局缓存变量。通过定义ruby全局变量$actions_in_mem并在环境中初始化,实现了跨请求的数据共享。文章还提供了刷新缓存的方法及视图展示示例。

搞过Java的应该都晓得,经常会定义一些字典,然后将这些字典缓存带内存中以提高查询的效率和速度,也就是常说的缓存,有人叫码表.

今天看看如何在Rails中实现类似的功能,思路是一样的,可以缓存在数组或者Hash里面,这里为了查找方便,我们选择使用Hash.

也就是:如何创建一个变量从rails开始运行时初始化,一直维持到rails终止,而且对于每一个request都能共享的变量?

1, 首先在environment.rb 里面(如果您使用的Rails2以上版本,建议放在initializers 目录里面,自己创建一个文件即可)定义一个ruby中的全局变量即可,例如$actions_in_mem 在ruby里面,以$ 开头的变量即自动申明为全局变量)。在rails启动的时候,执行在environment.rb和initializers里面的文件,初始化$actions_in_mem ,这样$actions_in_mem 即可持续使用了,如:

Ruby代码
  1. $actions_in_mem  =  Hash . new  

 

2, 然后在controller或者model或者view里面都是可用的了,比如在model里面实现刷新:

 

Ruby代码
  1. #刷新缓存   
  2. def  Action.refresh  
  3.   Action.get_actions(1).each   do  |ac|  
  4.     put_into_hash(ac.controller+"_" +ac.action,ac.id)  
  5.   end   
  6. end   
  7.   
  8. def  Action.put_into_hash(key,value)  
  9.   $actions_in_mem .store(key, value)  
  10.   logger.info("@@actions_in_mem.size=#{$actions_in_mem.size}---#{key}=>#{value}" )  
  11. end  

3, 当然,你可以在controller中定义一个方法手工刷新这个全局变量,或者定时刷新即可,如下代码实现手工刷新.

 

 

Ruby代码
  1. #刷新缓存数据   
  2. def  refresh_actions  
  3.   Action.refresh  
  4. end  

 

4, 最后是在view里面显示或者维护,如下代码段:

XML/HTML代码
  1. < ul >   
  2.   < % $actions_in_mem.each do |key,value|% >   
  3.     < li > < %=key% > = > < %=value% > </ li >   
  4.   < %end% >   
  5. </ ul >   

如上,就可以理解的差不多啦..

 

关于如何查找,等下再写一篇说说.

 其他参考文档:

1.http://blog.waynedeng.com/article.asp?id=628

2.http://www.cnblogs.com/hardrock/archive/2006/09/07/497554.html

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