Struts1-2-SpringMVC流程+比较____syt总结

struts1 


请求----actionservlet---找到对应的action--------执行业务处理-----返回一个actionforward,
-=----找到对应的试图对象,将试图对象填充到客户端


struts2
客户端初始化一个请求,请求到达过滤器filter,紧接着filterdispatcher被调用。
产生一个actionmapper,去询问是否有相应的action,有的话,产生一个actionproxy对象
此时从配置管理器。configurationManager中去查询相应的action
次数,actionproxy产生一个actionlnvocation,调用action的方法,并执行,
调用完成之后,actionlnvocation 通过去struts.xml找到与之相对应的返回结果,
将返回结果返回客户端。通常返回结果应该是jsp或者freemacker模板等。




SpringMVC


客户端发起请求,请求交给web。xml配置中的dispatcherservlet,ds产生一个handleMapping对象。
handlemapping去找到相对应的controller, controller去进行业务处理之后,返回一个modelandview对象
modelandview去找到视图解析器,找到对应的试图对象,然后填充到客户端。




SpringMVC-----STRUTS2


从配置:springmvc的可以说是0配置,除了mvc-servlet。xml的配置~~  其他都是靠注解来完成
struts2,采用传统的配置文件方式,没写一个action就要在struts。xml内配置

springmvc的入口时servlet,而struts2的入口时filter,



struts2 是采用的OOP思想。

springMVC是基于方法设计的,而struts2的基于类设计的,struts2的请求参数是直接注入到类的属性里面去,类中的方法共享这些参数数据


springmvc的话,一个方法变对应一个request上下文,一个方法又对应一个url,这种架构就更容易实现restful了。

springmvc 处理ajax非常方便, 注解一个 @responsebody 就好,返回相应的文本。
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