fastjson简单的应用

本文通过实例演示了如何使用FastJSON实现JavaBean、JSON及字符串之间的相互转换,并提供了详细的代码样例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1前言: fastjson作为阿里巴巴的开源框架,速度真快,真好用,但是在json,字符串,javaBean之间进行互相转换的时候经常很迷,不知道你们怎么样,反正我这样,这次简单梳理一下

2开干

  • 先模拟一下数据
  Model model = new Model();
        model.setName("李园松");
        model.setPassword("0987");
        ArrayList<Integer> list = new ArrayList<>();
        list.add(1);
        list.add(2);
        model.setList(list);
        model.setNoName(new NoName("秦威",666));
        System.out.println("model = " + model);
        //model = Model(name=李园松, password=0987, list=[1, 2], noName=NoName(img=秦威, num=666))

2.1 javaBean转字符串,json

  • javabean转字符串
 String str = JSONObject.toJSONString(model);
        System.out.println("str = " + str);
        //str = {"list":[1,2],"name":"李园松","noName":{"img":"秦威","num":666},"password":"0987"}
  • javabean转json
JSONObject o1 = (JSONObject)JSONObject.toJSON(model);
        System.out.println("o1 = " + o1);
        //o1 = {"password":"0987","name":"李园松","noName":{"img":"秦威","num":666},"list":[1,2]}

2.2 字符串转javaBean,json

  • 字符串转Javabean
 Model o = JSONObject.parseObject(str, Model.class);
        System.out.println("o = " + o);
        //o = Model(name=李园松, password=0987, list=[1, 2], noName=NoName(img=秦威, num=666))
  • 字符串转json
  JSONObject jsonObject = JSONObject.parseObject(str);
        System.out.println("jsonObject = " + jsonObject);
        //jsonObject = {"password":"0987","name":"李园松","noName":{"img":"秦威","num":666},"list":[1,2]}

2.3 json转javaBean,字符串

  • json转javaBean
 Model model1 = JSONObject.toJavaObject(jsonObject, Model.class);
        System.out.println("model1 = " + model1);
        //model1 = Model(name=李园松, password=0987, list=[1, 2], noName=NoName(img=秦威, num=666))
  • json转字符串
String s = JSONObject.toJSONString(jsonObject);
        System.out.println("s = " + s);
        //s = {"password":"0987","name":"李园松","noName":{"img":"秦威","num":666},"list":[1,2]}

        //或者

        String s1 = JSONObject.toJavaObject(jsonObject, String.class);
        System.out.println("s1 = " + s1);
        //s1 = {"password":"0987","name":"李园松","noName":{"img":"秦威","num":666},"list":[1,2]}

3 其他

内容概要:本文详细比较了GPU、TPU专用AI芯片在大模型推理优化方面的性能、成本及适用场景。GPU以其强大的并行计算能力和高带宽显存,适用于多种类型的神经网络模型和计算任务,尤其适合快速原型开发和边缘计算设备。TPU专为机器学习设计,擅长处理大规模矩阵运算密集型任务,如Transformer模型的推理,具有高吞吐量和低延迟特性,适用于自然语言处理和大规模数据中心的推理任务。专用AI芯片通过高度定制化架构,针对特定神经网络模型进行优化,如卷积神经网络(CNN),在处理特定任务时表现出色,同时具备低功耗和高能效比的优势,适用于边缘计算设备。文章还介绍了各自的优化工具和框架,如CUDA、TensorRT、TPU编译器等,并从硬件成本、运营成本和开发成本三个角度进行了成本对比。 适合人群:从事人工智能、深度学习领域的研究人员和技术人员,尤其是对大模型推理优化感兴趣的读者。 使用场景及目标:①帮助读者理解GPU、TPU和专用AI芯片在大模型推理中的优缺点;②为选择适合的硬件平台提供参考依据,以实现最优的推理性能和成本效益;③介绍各种优化工具和框架,帮助开发者高效部署和优化模型。 其他说明:本文不仅涵盖了硬件架构特性,还深入探讨了优化技术和应用场景,旨在为读者提供全面的技术参考。在选择硬件平台时,需综合考虑具体任务需求、预算限制及开发资源等因素。
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