简析三层架构
三层架构3-tier architecture 通过几个问题，来初步的学习一下三层架构。 1、什么是三层架构 2、应用场景为什么要用三层架构？ 3、三层作用 4、各个层之间的关系 5、三层联系引用 6、各层是如何调用的 7、三层和二层的对比 这几个都是学习三层中最基本的问题
三层架构——3-tier architecture
通过几个问题，来初步的学习一下三层架构。1、什么是三层架构 2、应用场景——为什么要用三层架构？ 3、三层作用 4、各个层之间的关系 5、三层联系——引用 6、各层是如何调用的 7、三层和二层的对比 这几个都是学习三层中最基本的问题，只有把这些问题搞清楚，才算是打开了三层的门。
1、什么是三层架构
在软件体系架构设计中，分层式结构是最常见，也是最重要的一种结构。三层从下至上分别为：数据访问层（DAL）、业务逻辑层（BLL）、表示层（UI）。
表现层（UI）：展现给用户的界面，即用户在使用一个系统的时候他的所见所得。
业务逻辑层（BLL）：对数据层的操作，对数据业务逻辑处理。
数据访问层（DAL）：对数据库的操作，数据的增添、删除、修改、查找等。
2、应用场景——为什么要用三层架构？
为什么要用三层架构？
解耦！
不是所有的程序都需要使用三层架构，没必要把简单的问题复杂化。
先来说一下解耦，举例：修电脑
电脑硬盘坏了？我们要做的就是换掉电脑硬盘
内存条坏了？只要换内存条就好
这些部件出现问题，都不会影响别的部件的正常使用，这个就是让他们之间解耦。而和电脑不同的收音机，任何部件坏了，都会影响别的部件，这个体现的就是他们之间的耦合比较高。从这个例子里面就可以看出解耦的好处，在三层中就是用的解耦的思想。
3、三层作用
数据访问层：从数据源加载（Select），写入（Insert/Update），删除（Delete）数据。仅限于和数据源打交道，让程序简单明了。
显示层（UI）：向用户展现特定业务数据，采集用户的输入信息和操作。
原则：用户至上，兼顾简洁。
业务逻辑层（BLL）：从DAL中获取数据，以供UI显示用，从UI中获取用户指令和数据，执行业务逻辑、从UI中获取用户指令和数据，通过DAL写入数据源。
4、各个层之间的关系：
UI->BLL->UI:UI提供数据指令到业务逻辑，若自己可以搞定，则直接反馈到UI
UI->BLL->DAL->BLL->DAL:UI提供用户指令和数据，提出请求并搜集一定的数据BLL，BLL处理不了时，要访问数据源，则转给DAL
5、三层联系——引用
以登陆为例子，说明三层之间的引用关系：
实体层（entity）：定义的用户名和密码。
U层：向对应的文本框中输入账号和密码
B层：判断U层输入的账号和密码是否存在。
D层：连接数据库的语句，查询数据库。
他们之间的联系是通过实体传递来进行的，。
DAL所在程序集不引用BLL和UI
BLL需要引用DAL
UI直接引用DAL，可能引用BLL
非常忌讳互相引用，为了避免这个问题所有出现了实体层（业务数据模型，里面的数据和数据库的有所差异）
应用原则：
DAL只提供基本的数据访问，不包含任何业务相关的逻辑处理。UI只负责显示和采集用户操作，不包含任何的业务相关的逻辑处理，BLL负责处理业务逻辑，通过获取UI传来的操作指令，决定执行业务逻辑，在需要访问数据源的时候直接交给DAL处理。处理完成后，返回必要数据给UI。
6、各层是如何调用的
表示层（UI）是用户需要的界面，用户有什么需求都是在这个上面进行的改动，一旦有改动，首先U层向B层发送用户请求的说明，到达B层，B层再将U层的用户请求发送到D层，D层接受到用户请求的指令后，对它进行处理，发送数据反馈到B层，B层再发给U层，将这一变化反应出来。
举例：
小菜和大鸟吃羊肉串的例子，小菜和大鸟就是用户，服务员为表示层（U层），烤肉师父为业务逻辑层（U层引用B层的方法或者参数），老板娘为数据访问层（D层），负责给烤肉师父从库房拿烤串。大鸟点了羊肉串5串（参数），服务员把羊肉串5串（参数传递）传递给烤肉师父（数据请求），烤肉师父再传递给老板娘（对参数进行处理），老板娘得到请求后，拿羊肉串给烤肉师父（数据反馈），烤肉师父将烤好的羊肉串给服务员（数据反馈），服务员再将5串羊肉串给大鸟（U层展现出来），他们之间通过调用来实现联系。
7、三层PK二层
二层架构：
业务逻辑简单，没有真正的数据存储层
三层架构：
抽象出业务逻辑层，当业务复杂到一定程度，当数据存储到相应的存储介质，数据存储脱离开业务逻辑，把业务逻辑脱离开UI单独存在，UI只需要呼叫业务访问层，就可以实现跟用户的交互。
三层的好处：
1、开发人员可以只关注整个结构中的其中某一层；
2、可以很容易的用新的实现来替换原有层次的实现；
3、可以降低层与层之间的依赖；
4、有利于标准化；
5、利于各层逻辑的复用。
6、结构更加的明确
7、在后期维护的时候，极大地降低了维护成本和维护时间。
这几点的中心思想就是“高内聚，低耦合”，类之间的耦合越弱，越有利于复用，一个处在弱耦合的类被修改，不会对有关系的类造成波及。
以上是对三层的简单认识，有的地方可能写的不对，欢迎指出！
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Analyse comparative des architectures de deep learning
May 17, 2023 pm 04:34 PM
Le concept d'apprentissage profond est né de la recherche sur les réseaux de neurones artificiels. Un perceptron multicouche contenant plusieurs couches cachées est une structure d'apprentissage profond. L'apprentissage profond combine des fonctionnalités de bas niveau pour former des représentations de haut niveau plus abstraites afin de caractériser des catégories ou des caractéristiques de données. Il est capable de découvrir des représentations de fonctionnalités distribuées de données. L'apprentissage profond est un type d'apprentissage automatique, et l'apprentissage automatique est le seul moyen d'atteindre l'intelligence artificielle. Alors, quelles sont les différences entre les différentes architectures de systèmes d’apprentissage profond ? 1. Réseau entièrement connecté (FCN) Un réseau entièrement connecté (FCN) se compose d'une série de couches entièrement connectées, chaque neurone de chaque couche étant connecté à chaque neurone d'une autre couche. Son principal avantage est qu'il est « indépendant de la structure », c'est-à-dire qu'aucune hypothèse particulière concernant l'entrée n'est requise. Bien que cette agnostique structurelle rende la
Cette 'erreur' n'est pas vraiment une erreur : commencez par quatre articles classiques pour comprendre ce qui ne va pas avec le schéma d'architecture du Transformer.
Jun 14, 2023 pm 01:43 PM
Il y a quelque temps, un tweet soulignant l'incohérence entre le schéma d'architecture du Transformer et le code de l'article de l'équipe Google Brain "AttentionIsAllYouNeed" a déclenché de nombreuses discussions. Certains pensent que la découverte de Sebastian était une erreur involontaire, mais elle est aussi surprenante. Après tout, compte tenu de la popularité du document Transformer, cette incohérence aurait dû être mentionnée mille fois. Sebastian Raschka a déclaré en réponse aux commentaires des internautes que le code « le plus original » était effectivement cohérent avec le schéma d'architecture, mais que la version du code soumise en 2017 a été modifiée, mais que le schéma d'architecture n'a pas été mis à jour en même temps. C’est aussi la cause profonde des discussions « incohérentes ».
Multi-chemin, multi-domaine, tout compris ! Google AI publie le modèle général d'apprentissage multi-domaines MDL
May 28, 2023 pm 02:12 PM
Les modèles d'apprentissage profond pour les tâches de vision (telles que la classification d'images) sont généralement formés de bout en bout avec des données provenant d'un seul domaine visuel (telles que des images naturelles ou des images générées par ordinateur). Généralement, une application qui effectue des tâches de vision pour plusieurs domaines doit créer plusieurs modèles pour chaque domaine distinct et les former indépendamment. Les données ne sont pas partagées entre différents domaines. Lors de l'inférence, chaque modèle gérera un domaine spécifique. Même s'ils sont orientés vers des domaines différents, certaines caractéristiques des premières couches entre ces modèles sont similaires, de sorte que la formation conjointe de ces modèles est plus efficace. Cela réduit la latence et la consommation d'énergie, ainsi que le coût de la mémoire lié au stockage de chaque paramètre du modèle. Cette approche est appelée apprentissage multidomaine (MDL). De plus, les modèles MDL peuvent également surpasser les modèles simples.
Quelle est l'architecture et le principe de fonctionnement de Spring Data JPA ?
Apr 17, 2024 pm 02:48 PM
SpringDataJPA est basé sur l'architecture JPA et interagit avec la base de données via le mappage, l'ORM et la gestion des transactions. Son référentiel fournit des opérations CRUD et les requêtes dérivées simplifient l'accès à la base de données. De plus, il utilise le chargement paresseux pour récupérer les données uniquement lorsque cela est nécessaire, améliorant ainsi les performances.
Dix éléments de l'architecture du système d'apprentissage automatique
Apr 13, 2023 pm 11:37 PM
Nous vivons une ère d’autonomisation de l’IA, et l’apprentissage automatique est un moyen technique important pour y parvenir. Alors, existe-t-il une architecture universelle de système d’apprentissage automatique ? Dans le champ cognitif des programmeurs expérimentés, tout n'est rien, notamment pour l'architecture système. Cependant, il est possible de créer une architecture de système d'apprentissage automatique évolutive et fiable si elle est applicable à la plupart des systèmes ou cas d'utilisation basés sur l'apprentissage automatique. Du point de vue du cycle de vie du machine learning, cette architecture dite universelle couvre les étapes clés du machine learning, du développement de modèles de machine learning au déploiement de systèmes de formation et de systèmes de services dans des environnements de production. Nous pouvons essayer de décrire une telle architecture de système d’apprentissage automatique à partir des dimensions de 10 éléments. 1.
1,3 ms prend 1,3 ms ! La dernière architecture de réseau neuronal mobile open source de Tsinghua, RepViT
Mar 11, 2024 pm 12:07 PM
Adresse papier : https://arxiv.org/abs/2307.09283 Adresse code : https://github.com/THU-MIG/RepViTRepViT fonctionne bien dans l'architecture ViT mobile et présente des avantages significatifs. Ensuite, nous explorons les contributions de cette étude. Il est mentionné dans l'article que les ViT légers fonctionnent généralement mieux que les CNN légers sur les tâches visuelles, principalement en raison de leur module d'auto-attention multi-têtes (MSHA) qui permet au modèle d'apprendre des représentations globales. Cependant, les différences architecturales entre les ViT légers et les CNN légers n'ont pas été entièrement étudiées. Dans cette étude, les auteurs ont intégré des ViT légers dans le système efficace.
Conception d'architecture logicielle et méthodologie de découplage logiciel et matériel dans SOA
Apr 08, 2023 pm 11:21 PM
Pour la prochaine génération d'architecture électronique et électrique centralisée, l'utilisation d'une unité centrale de calcul centrale + zonale et d'une disposition de contrôleur régional est devenue une option incontournable pour divers OEM ou acteurs de niveau 1. Concernant l'architecture de l'unité centrale de calcul, il y en a trois. façons : séparation SOC, isolation matérielle, virtualisation logicielle. L'unité informatique centrale centralisée intégrera les fonctions commerciales de base des trois principaux domaines de la conduite autonome, du cockpit intelligent et du contrôle des véhicules. Le contrôleur régional standardisé a trois responsabilités principales : la distribution d'énergie, les services de données et la passerelle régionale. L’unité centrale de calcul intégrera donc un commutateur Ethernet haut débit. À mesure que le degré d'intégration de l'ensemble du véhicule devient de plus en plus élevé, de plus en plus de fonctions ECU seront lentement absorbées par le contrôleur régional. Et la plateforme
Quelle est la courbe d'apprentissage de l'architecture du framework Golang ?
Jun 05, 2024 pm 06:59 PM
La courbe d'apprentissage de l'architecture du framework Go dépend de la familiarité avec le langage Go et le développement back-end ainsi que de la complexité du framework choisi : une bonne compréhension des bases du langage Go. Il est utile d’avoir une expérience en développement back-end. Les cadres qui diffèrent en complexité entraînent des différences dans les courbes d'apprentissage.
