Nutz 1.a.27 最新变化之一 -- XML配置ioc

本文介绍Nutz1.a.27版本中新增的支持使用XML配置Ioc容器的功能,并通过示例展示了如何将原有的JavaScript配置方式转换为XML配置。

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

刚刚发布的Nutz 1.a.27 , 正式支持使用XML来配置Ioc容器了.
参考新闻: [url]http://www.iteye.com/news/15809-nutz-1-a-27[/url]

问题是,如何使用呢? 我来简单介绍一下

就拿项目wiki的ioc入门例子来演示一下 [url]http://code.google.com/p/nutz/wiki/ioc_hello[/url]

用js来写的话:

var ioc = {
xiaobai : {
name : 'XiaoBai',
birthday : '2009-10-25 15:23:40'
},
xiaohei : {
type : 'nutz.demo.ioc.book.Pet', // 类型
singleton : false, // 是否为单件
args : [ 'XiaoHei' ], // 构造函数参数
fields : {
birthday : '2009-11-3 08:02:14',
friend : {refer : 'xiaobai'} // 指向容器里另外一个对象
}
}
}


改为使用xml来写:

<?xml version="1.0" encoding="UTF-8"?>
<ioc xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:noNamespaceSchemaLocation="nutz-ioc-0.1.xsd">
<obj name="xiaobai" type="nutz.demo.ioc.book.Pet">
<field name="name"><str>XiaoBai</str></field>
<field name="birthday"><str>2009-10-25 15:23:40</str></field>
</obj>
<obj name="xiaohei" type="nutz.demo.ioc.book.Pet" singleton="false">
<args>
<str>XiaoHei</str>
</args>
<field name="birthday"></field>
<filed name="friend"><refer>xiaobai</refer></field>
</obj>
</ioc>


调用代码相应的改为:

public static void main(String[] args) {
Ioc ioc = new NutIoc(new XmlIocLoader("nutz/demo/ioc/pet/pets.xml"));
Pet pet = ioc.get(Pet.class, "xiaobai");
System.out.printf("%s - [%s]\n", pet.getName(), pet.getBirthday().getTimeZone().getID());
}
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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