IOC-bean的配置

本文深入探讨了Spring IoC容器如何管理对象之间的依赖关系,详细介绍了如何使用XML配置文件将Java对象加载到容器中,包括对象的创建、属性赋值以及依赖注入的过程。通过实例展示了如何在XML中定义Bean,以及如何通过容器获取并使用这些Bean。

ApplicationContext里面可以装载若干个Java对象。这些对象之间可以存在若干依赖关系。IoC会计算对象之间依赖关系,管理对象的初始化顺序,并根据这些依赖将被依赖对象注入到依赖对象中去。

XML的beans下面可以有若干上bean结点。
每个bean结点就声明容器中的一个Java对象。
bean结点的属性有:
id 在容器中,为对象命名唯一的名字
class 指定对象的类型

XML的形式,把Bean加载到IOC容器步骤

首先确保工程依赖中有spring-context-support


org.springframework
spring-context-support
4.0.9.RELEASE

创建Bean对象

IoC容器中的Bean对象需要遵守POJO标准。
代码如下:

package com.exodus.demo.ioc;

import java.util.List;
import java.util.Map;

public class TestData
{
    private String name;
    private Integer number;

    private Map map;
    private List list;

    private String value;

    public TestData()
    { }

    public TestData(String name)
    {
        this.name = name;
    }

    //Getter And Setter
    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }

    public Integer getNumber() {
        return number;
    }

    public void setNumber(Integer number) {
        this.number = number;
    }

    public Map getMap() {
        return map;
    }

    public void setMap(Map map) {
        this.map = map;
    }

    public List getList() {
        return list;
    }

    public void setList(List list) {
        this.list = list;
    }

    public String getValue() {
        return value;
    }

    public void setValue(String value) {
        this.value = value;
    }
}

在IoC声明对象

<bean id="data" class="com.exodus.demo.ioc.TestData">
</bean>

上述bean没有指定构造参数,则会调用默认构造方法。
下面将会在初始化时,对bean进行new对象,并赋值

完整的XML

<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
    xmlns:context="http://www.springframework.org/schema/context"
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="
        http://www.springframework.org/schema/beans 
        http://www.springframework.org/schema/beans/spring-beans-3.0.xsd
        http://www.springframework.org/schema/context
        http://www.springframework.org/schema/context/spring-context.xsd">

    <bean id="test" class="java.lang.String"/>

    <!--调用TestData(String para1, String para2)的方法-->
    <bean id="data" class="com.exodus.demo.ioc.TestData">
        <constructor-arg value="test"/>
        <constructor-arg value="19"/>

        <!-- 会调用setName -->
        <property name="name" value="test"/> 
        <!-- 会调用setValue -->
        <property name="value" value="test"/> 

        <!-- 调用setList -->
        <property name="list"> 
            <list>
                <value>a</value>
                <value>b</value>
                <value>c</value>

                <ref bean="test"/> <!-- 将id为test,引用到这里 -->
            </list>
        </property>
        <!-- 调用setMap -->
        <property name="map">
            <map>
                <entry key="one" value="9.99"/>
                <entry key="two" value="2.75"/>
                <entry key="six" value="3.99"/>
            </map>
        </property>
    </bean>

</beans>

获取bean

public class Main
{
    public static void main(String[] args)
        throws Exception
    {
        ApplicationContext context =
            new ClassPathXmlApplicationContext("/ioc.xml");

        String test = context.getBean("test", String.class);
    }
}
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
内容概要:本文介绍了一种基于CEEMDAN-BiLSTM的中短期天气预测模型,通过将完全集合经验模态分解自适应噪声(CEEMDAN)与双向长短期记忆网络(BiLSTM)相结合,实现对复杂气象时间序列的高精度预测。首先利用CEEMDAN对原始气象数据进行多尺度分解,获得多个本征模态函数(IMF)分量和残差,有效解决模式混叠与噪声干扰问题;随后对各IMF分量分别构建BiLSTM模型进行独立预测,充分发挥其对前后时序依赖的建模能力;最后通过集成重构输出最终预测结果。文中还包含了数据预处理、特征提取、模型评估与可视化等完整流程,并提供了MATLAB实现的部分代码示例。该方法显著提升了天气预测的准确性与鲁棒性,适用于多类气象要素的中短期趋势预测。; 适合人群:具备一定机器学习和时间序列分析基础,从事气象、环境、能源等领域研究或工程应用的研发人员、高校研究生及数据科学家。; 使用场景及目标:①应用于温度、风速、降水等气象变量的中短期精准预测;②解决传统模型在非线性、多尺度气象信号建模中的局限性;③构建智能气象预测系统,服务于电力调度、灾害预警、智慧农业等实际业务场景。; 阅读建议:建议结合MATLAB代码实践操作,深入理解CEEMDAN分解机制与BiLSTM建模细节,重点关注数据预处理、模型参数调优与结果集成策略,同时可扩展至多变量联合预测以提升应用价值。
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