Struts2 Action访问web元素的四种方式

1: Map IoC  方式<最常用的方式>

package edu.uestc.test.action;

import java.util.Map;
import org.apache.struts2.interceptor.*;
import com.opensymphony.xwork2.ActionSupport;

public class UserAction1 extends ActionSupport implements RequestAware,SessionAware,ApplicationAware {
    private Map<String, Object> request;
    private Map<String, Object> session;
    private Map<String, Object> application;    
    public String add(){
        request.put("r1", "r1");
        session.put("s1", "s1");
        application.put("a1", "a1");
        return "success";
    }
    
    @Override
    public void setRequest(Map<String, Object> request) {
        this.request=request;        
    }
    
    @Override
    public void setSession(Map<String, Object> session) {
        this.session=session;        
    }
    
    @Override
    public void setApplication(Map<String, Object> application) {
        this.application=application;
    }
}

2: Map 依赖容器 方式:

package com.action;

import java.util.Map;
import com.opensymphony.xwork2.ActionContext;
import com.opensymphony.xwork2.ActionSupport;

public class UserAction2 extends ActionSupport {
    private Map<String, Object> request;
    private Map<String, Object> session;
    private Map<String, Object> application;    
    public UserAction2() {
        ActionContext context = ActionContext.getContext();
        request=(Map<String, Object>)context.get("request");
        session=context.getSession();
        application=context.getApplication();
    }
    public String add(){
        request.put("r2", "r2");
        session.put("s2", "s2");
        application.put("a2", "a2");
        return "success";
    }    
}
3: Servlet IoC  方式:

package com.action;

import javax.servlet.ServletContext;
import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpSession;
import org.apache.struts2.interceptor.ServletRequestAware;
import com.opensymphony.xwork2.ActionSupport;

public class UserAction3 extends ActionSupport implements ServletRequestAware {
    private HttpServletRequest request;
    private HttpSession session;
    private ServletContext application;
    public String add() {
        request.setAttribute("r3", "r3");
        session.setAttribute("s3", "s3");
        application.setAttribute("a3", "a3");
        return "success";
    }
    public void setServletRequest(HttpServletRequest request) {        
        this.request=request;
        this.session=request.getSession();
        this.application=session.getServletContext();
    }
}
4: Servlet 依赖容器  方式:

package edu.uestc.test.action;

import javax.servlet.ServletContext;
import javax.servlet.http.*;
import org.apache.struts2.ServletActionContext;
import com.opensymphony.xwork2.ActionSupport;

public class UserAction4 extends ActionSupport {
    private HttpServletRequest request;
    private HttpSession session;
    private ServletContext application;    
    public UserAction4() {
        request = ServletActionContext.getRequest();
        session=request.getSession();
        application=session.getServletContext();        
    }
    public String add(){
        request.setAttribute("r4", "r4");
        session.setAttribute("s4", "s4");
        application.setAttribute("a4", "a4");
        return "success";
    }    
}

原文链接:http://www.blogjava.net/yunjieyang/archive/2010/07/02/325023.html

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