47.AFNetWorkAndBaseModel

本文介绍了一个简单的基类AFNetWorkAndBaseModel用于iOS应用中的数据请求及字典数组到模型数组的转换方法。通过继承基类创建特定模型类,并提供数据请求和模型化的方法。

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

封装一个简单的基类用来方便请求数据,以及把字典数组转换成模型数组,模型继承于该基类AFNetWorkAndBaseModel
先创建一个继承与AFNetWorkAndBaseModel的Test模型类,Test文件

#import "AFNetWorkAndBaseModel.h"
//因为此处model继承自AFNetWorkAndBaseModel,所以后面不用再引model父类的头文件
@interface Test : AFNetWorkAndBaseModel
@property(nonatomic,copy)NSString *title;
@end

#import "Test.h"
@implementation Test
- (void)dealloc{
    [_title release];
    [super dealloc];
}
@end

封装一个AFNetWorkAndBaseModel基类 , AFNetWorkAndBaseModel文件

#import <Foundation/Foundation.h>
//定义一个block类型
typedef void(^Block)(id result);

@interface AFNetWorkAndBaseModel : NSObject
//传进来一个url进行数据解析,然后通过block把结果传过去
+ (void)GetWithAFNByURL:(NSString *)urlStr completion:(Block)block;
//调用此方法,传进来一个数组(里面全是字典)模型化后返回模型数组
+ (NSMutableArray *)baseModelByArr:(NSMutableArray *)arr;
@end
#import "AFNetWorkAndBaseModel.h"
#import "AFNetworking.h"
@implementation AFNetWorkAndBaseModel
+ (void)GetWithAFNByURL:(NSString *)urlStr completion:(Block)block{
    AFHTTPRequestOperationManager *manager = [AFHTTPRequestOperationManager manager];
    //设置响应解析对象
    manager.responseSerializer = [AFHTTPResponseSerializer serializer];
    //设置AFN对应支持的类型
    [manager.responseSerializer setAcceptableContentTypes:[NSSet setWithObjects:@"text/json",@"text/css",@"text/html",@"application/json",@"text/javascript",nil]];
    [manager GET:urlStr parameters:nil success:^(AFHTTPRequestOperation *operation, id responseObject) {
        //如果返回回来的是字典,直接用block把请求下来的数据返回给调用的文件
        //这里responseObject返回的是一个NSData,所以需要手动解析,为了保险也就用这种
        id result = [NSJSONSerialization JSONObjectWithData:responseObject options:0 error:nil];
        block(result);
    } failure:^(AFHTTPRequestOperation *operation, NSError *error) {
        NSLog(@"数据请求有误:%@",error);
    }];
}
+ (NSMutableArray *)baseModelByArr:(NSMutableArray *)arr{
    //创建一个数组,用来装model
    NSMutableArray *modelArr = [NSMutableArray array];
    //对数组进行遍历,里面的元素都是字典
    for (NSDictionary *dic in arr) {
        @autoreleasepool {//能确定某对象能释放了就尽快释放掉节约内存
        //直接通过遍历构造器的方式创建对象
        id model = [[self class] baseModelWithDic:dic];
        //把对象添加到数组
        [modelArr addObject:model];
        }
    }
    return modelArr;
}
#pragma mark 遍历构造器方法用来创建对象
+ (instancetype)baseModelWithDic:(NSDictionary *)dic{
    //采用多态的方式进行对象的创建
    id model = [[[self class] alloc] initWithDic:dic];
    return [model autorelease];
} 
#pragma mark 自定义初始化方法用来实现对model用KVC进行赋值
- (instancetype)initWithDic:(NSDictionary *)dic{
    self = [super init];
    if (self) {
        //用KVC的方式对成员变量进行赋值
        [self setValuesForKeysWithDictionary:dic];
    }
    return self;
}
//此方法很重要
- (void)setValue:(id)value forUndefinedKey:(NSString *)key{

}
@end

使用这个AFNetWorkAndBaseModel基类 , ViewController.m文件

#import "ViewController.h"
#import "AFNetworking.h"
#import "Test.h"
@interface ViewController ()
@end
@implementation ViewController

- (void)viewDidLoad {
    [super viewDidLoad];
    [self createData];
}
- (void)createData{
    //第一种方法解析数据和模型化
    AFHTTPRequestOperationManager *manager = [AFHTTPRequestOperationManager manager];
    [manager GET:@"http://mrobot.pconline.com.cn/v2/cms/channels/1?pageSize=20&pageNo=1" parameters:nil success:^(AFHTTPRequestOperation *operation, id responseObject) {
        NSDictionary *dic = responseObject;
        //调用方法
        NSMutableArray *arr = [Test baseModelByArr:dic[@"articleList"]];
        NSLog(@"%@",arr);
    } failure:^(AFHTTPRequestOperation *operation, NSError *error) {
        NSLog(@"%@",error);
    }];
    //第二种方法解析数据和模型化
    //1.先调用数据解析封装方法得到解析数据
    [AFNetWorkAndBaseModel GetWithAFNByURL:@"http://mrobot.pconline.com.cn/v2/cms/channels/1?pageSize=20&pageNo=1" completion:^(id result) {
        NSDictionary *dic = result;
        //2.然后再调用字典模型化方法
        NSMutableArray *arr = [Test baseModelByArr:dic[@"articleList"]];
        NSLog(@"%@",arr);
    }];
}
@end
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