依赖|学习笔记

简介: 快速学习依赖

开发者学堂课程【项目管理工具Maven学习:依赖】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/23


maven依赖管理

Maven一个核心的特性就是依赖管理。

当处理多模块的项目(包含成百上千个模块或者子项目),模块间的依赖关系就变得非常复杂,管理也变得很困难。

针对此种情形,Maven 提供了一种高度控制的方法。

1、可传递性依赖发现

一种相当常见的情况,比如说A 依赖于其他库B。如果,另外一个项目C 想要使用A ,那么C 项目也需要使用库B。

Maven可以避免去搜索所有所需库的需求。Maven 通过读取项目文件(pom.xml),找出它们项目之间的依赖关系。

用户需要做的只是在每个项目的pom 中定义好直接的依赖关系。其他的事情Maven 会搞定。

通过可传递性的依赖,所有被包含的库的图形会快速的增长。

当有重复库时,可能出现的情形将会持续上升。Maven 提供一些功能来控制可传递的依赖的程度。

image.png

这就是已经依赖成功的样子。

2、测试testshow

在maven中想直接进行test之后再进行编译

image.png

3、依赖功能描述

●依赖调节:决定当多个手动创建的版本同时出现,那个版本将会被使用。如果两个依赖版本在依赖树里的深度是一样的时候第一个被生明的依赖将会被使用。

●依赖管理:直接的指定手动创建的某个版本被使用。例如当一个工程存在自己的依赖管理模块包含工程b,即b依赖于a,那么即可指定在b被引用时所使用的版本。

●依赖范围:包含在构建过程每个阶段的依赖。

●依赖排除:任何可传递的依赖都可以通过"exclusion" 元素被排除在外。举例说明,A 依赖B,B 依赖C,因此A 可以标记C 为"被排除的"。

●依赖可选:任何可传递的依赖可以被标记为可选的,通过使用"optional" 元素。例如:A 依赖B,B 依赖C。因此,B 可以标记C 为可选的, 这样A 就可以不再使用C

4、mavenrepostion

image.png

5、映射文件

内存映射文件,是由一个文件到一块内存的映射。Win32提供了允许应用程序把文件映射到一个进程的函数(CreateFileMapping)。内存映射文件与虚拟内存有些类似,通过内存映射文件可以保留一个地址空间的区域,同时将物理存储器提交给此区域,内存文件映射的物理存储器来自一个已经存在于磁盘上的文件,而且在对该文件进行操作之前必须首先对文件进行映射。

使用内存映射文件处理存储于磁盘上的文件时,将不必再对文件执行VO操作,使得内存映射文件在处理大数据量的文件时能起到相当重要的作用。

如果想把映射文件添加到应用程序当中去,那就需要写一个VO,在VO下面建一个“user.hbm.xml”文件。在maven里面的配置文件都会建议放到hibernate.cfg.xml文件里面。

image.png

相关文章
|
8天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
292 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
303 155
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
233 113
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
809 6