如何在java程序中手动初始化log4j.xml？

Posted 2023-03-21

我写了一个java程序，并配了一个log4j.xml。可是我这个程序是一个朴素的java程序，不是一个网络应用程序，没有用到任何框架。在struts里，这个log4j.xml大概是有办法可以配的，可是在我这个java程序里，我怎么用这个log4j.xml来初始化log4j环境呢？

难道要用我自己在程序里解析这个xml文件，用里面的配置自己手动new出一些log4j的类不成？这样可能能行，但是也太不优雅了吧？

请达人赐教啊，呵呵。

参考技术A log4j会默认自动读取bin目录下的log4j.properties文件。
把log4j.properties复制到程序的src目录下就可以了。
提供一个简单的log4j.properties配置文件实例：
log4j.rootCategory=DEBUG, stdout, host

log4j.appender.stdout.threshold=DEBUG
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%dhh:mm:ss.SSS %-5p: %m%n

#key infomation
log4j.appender.host.threshold=DEBUG
log4j.appender.host=org.apache.log4j.DailyRollingFileAppender
log4j.appender.host.file=../logs/log.txt
log4j.appender.host.datePattern='.'yyyy-MM-dd
log4j.appender.host.layout=org.apache.log4j.PatternLayout
log4j.appender.host.layout.ConversionPattern=%dyyyy-MM-dd HH:mm:ss.SSS %-5p: %m%n

log4j.logger.com.mchange.v2=OFF

#log4j.logger.com.sunyard.common.dbutil=OFF 参考技术B DOMConfigurator.config(filename);
适用于xml配置文件
如果是properties配置文件则用
PropertyConfigurator.configure(filename);本回答被提问者采纳 参考技术C 加入log4j的jar包，然后下面：
public class Main


/**
* log日志
*/
public Logger log = Logger.getLogger("Main");

/**
*
* 读取日志的配置文件
*
* @see: 参照的方法
* @author:
*/
public void init()

PropertyConfigurator.configure("log4j.properties");


/**
*
* 主方法
*
* @param args
* @see: 参照的方法
* @author:
*/
public static void main(String[] args)

Main main = new Main();
//初始化
main.init();
try


main.log.info("日志信息);


catch (SystemException e)

main.log.error("------".concat(e.getMessage()).concat("------"));
System.exit(0);

如何在pytorch中手动应用渐变

【中文标题】如何在pytorch中手动应用渐变

【英文标题】：how to apply gradients manually in pytorch

【发布时间】：2018-08-15 17:00:29

【问题描述】：

开始学习pytorch并尝试做一些非常简单的事情，尝试将随机初始化的大小为5的向量移动到值为[1,2,3,4,5]的目标向量。

但是我的距离并没有减少！！而我的矢量x 简直发疯了。不知道我错过了什么。

import torch
import numpy as np
from torch.autograd import Variable

# regress a vector to the goal vector [1,2,3,4,5]

dtype = torch.cuda.FloatTensor # Uncomment this to run on GPU

x = Variable(torch.rand(5).type(dtype), requires_grad=True)
target = Variable(torch.FloatTensor([1,2,3,4,5]).type(dtype), 
requires_grad=False)
distance = torch.mean(torch.pow((x - target), 2))

for i in range(100):
  distance.backward(retain_graph=True)
  x_grad = x.grad
  x.data.sub_(x_grad.data * 0.01)

【问题讨论】：

我的回答能解决你的问题吗？为什么不提供任何反馈？

【参考方案1】：

您的代码中有两个错误会阻止您获得所需的结果。

第一个错误是您应该将距离计算放在循环中。因为在这种情况下，距离就是损失。所以我们必须在每次迭代中监控它的变化。

第二个错误是您应该手动将x.grad 归零，因为pytorch won't zero out the grad in variable by default。

以下是按预期工作的示例代码：

import torch
import numpy as np
from torch.autograd import Variable
import matplotlib.pyplot as plt

# regress a vector to the goal vector [1,2,3,4,5]

dtype = torch.cuda.FloatTensor # Uncomment this to run on GPU

x = Variable(torch.rand(5).type(dtype), requires_grad=True)
target = Variable(torch.FloatTensor([1,2,3,4,5]).type(dtype), 
requires_grad=False)

lr = 0.01 # the learning rate

d = []
for i in range(1000):
  distance = torch.mean(torch.pow((x - target), 2))
  d.append(distance.data)
  distance.backward(retain_graph=True)

  x.data.sub_(lr * x.grad.data)
  x.grad.data.zero_()

print(x.data)

fig, ax = plt.subplots()
ax.plot(d)
ax.set_xlabel("iteration")
ax.set_ylabel("distance")
plt.show()

以下是距离 w.r.t 迭代的图

我们可以看到模型在大约 600 次迭代时收敛。如果我们将学习率设置得更高（例如 lr=0.1），模型的收敛速度会更快（大约需要 60 次迭代，见下图）

现在，x 变成了下面的样子

0.9878 1.9749 2.9624 3.9429 4.9292

这非常接近您的目标 [1, 2, 3, 4, 5]。