struts2上传

struts2的上传功能用了很多次了,可是每次都要从网上找找资料,这次还是记下来,为后期使用时节省点时间。

一. 配置文件   

   <package name="product" namespace="/" extends="struts-default">
        <action name="product_*" class="cn.test.ProductAction" method="{1}">       
        <result name="saveLoaner">product_showHome.html</result>
        <interceptor-ref name="fileUpload">  
                    <param name="allowedTypes">image/bmp,image/png,image/gif</param>  
                     <!--以字节为单位, 2m-->
                    <param name="maximumSize">2097152</param>  
               </interceptor-ref>            
            <interceptor-ref name="defaultStack"></interceptor-ref>    
        </action>
      </package>

说明:fileUpload拦截器必须放在defaultStack之前,否则不起作用。当不做限制上传时,这两个拦截器可以不要。


二. Action写法

     单文件上传时,html上的file控件配置name属性,比如叫file1,那对应的action中必须有三个属性:

     private File file1;
     private String file1ContentType;
     private String file1FileName;
     
     public String execute() {
         //上传文件保存路径
          String path = ServletActionContext.getServletContext().getRealPath("upfile"); 
         FileupFile = new File(path);

        //将文件从临时目录拷贝到指定目录
        FileUtils.copyFile(file1,  new File(upFile,file1FileName);  
   }

  说明:3个属性,命名有讲究,可不能随便命名,只有file1可以随便起名字,file1变了,其他的两个必须跟着变。


三. jsp页面

     form表单提交,method=“post" enctype="multipart/form-data"


ok, that ’ s all!


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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