JavaWeb初探

一个最基本的JavaWeb项目需要什么:
1、网页
2、servlet


让一个类成为Servlet的方法
1、继承HttpServlet(需要导入Tomcat包)
如果找不到HttpServlet,那么检查是否添加了Tomcat服务
2、指定处理位置
3、重写service方法或者doGet和doPost方法

对于2项,有两种方法来实现:
1、直接写注释@WebServlet(“/地址”)
2、配置web.xml
配置详解:

    <servlet>
        <servlet-name>名字</servlet-name>
        <servlet-class>自己写的servlet的全路径去掉.class</servlet-class>
    </servlet>
    <servlet-mapping>
        <servlet-name>名字</servlet-name>
        <url-pattern>地址</url-pattern>
    </servlet-mapping>

如何在servlet里输出html代码:
PrinterWriter writer=response.getWriter();
writer.print(“html代码部分”);


jsp里嵌入java代码:
使用<% java代码片%>
<%= 参数值%>(此参数值一定要在上方有定义)


参数传递的两种方法:
get 通过url进行传递,传递的数据会暴露在url里
post 通过数据包进行传递,数据值不会显示在url上
所以呢,get是用来请求数据的,post是用来发送数据


接受jsp中传递的数据:
request.getParameter(“参数名”); (单个参数值)
request.getParameterValues(“”); (参数数组)

接受页面内所有的属性值

Map<String,String[]> map=request.getParameterMap();
Set<String> set=map.keySet();
for(String s:set){
    for(String m:map.get(s)){
        System.out.println(m);
    }
}

解决中文乱码问题:
在Tomat8中,get做了优化,不会出现乱码。
但是这里写一下Tomcat8之前解决乱码的方法:
1、get乱码
①配置tomcat中的server.xml
②找到<Connector>节点(配置端口号的那一行)
③然后添加URIEncoding=”UTF-8”即可
2、post乱码
只要在接受参数之前修改参数编码就可以
request.setCharacterEncoding(“UTF-8”);
这里涉及到了过滤器的配置


过滤器:
过滤器我现在知道的功能是:
1、解决乱码
2、判断权限
3、判断密码

通过过滤器解决乱码问题的配置:
1、实现Filter接口
导包要导javax.servlet.Filter;

public class filter implements Filter {

    @Override
    public void destroy() {
        // TODO Auto-generated method stub

    }

    @Override
    public void doFilter(ServletRequest request, ServletResponse response, FilterChain chain)
            throws IOException, ServletException {
        // TODO Auto-generated method stub
        response.setCharacterEncoding("UTF-8");
        request.setCharacterEncoding("UTF-8");
        //这里将response和request都处理了
        chain.doFilter(request, response);
        //将处理之后的request和response继续传递
    }

    @Override
    public void init(FilterConfig arg0) throws ServletException {
        // TODO Auto-generated method stub

    }

}

2、配置过滤地址
第一个方法:使用注释@WebFilter(“地址”) 代表通配,也可以使用.jsp等类似的
第二个方法:配置xml

    <filter>
        <filter-name>名字</filter-name>
        <filter-class>自己写的filter的全路径去掉.class</filter-class>
    </filter>
    <filter-mapping>
        <filter-name>名字</filter-name>
        <url-pattern>地址</url-pattern>
    </filter-mapping>

跳页的两种方式:
1、转发 只能在当前项目中进行跳页(不可跨域),找的是文件,发起一次请求(发起请求的次数是配合拦截器得出的),URL不变
查询使用转发
2、重定向 可以是任意页面(可跨域),找的是地址,发起两次请求,URL改变
增删改使用重定向,因为如果不使用重定向,造成的结果就是URL不变,当刷新页面的时候,会出现重复提交数据的问题


绝对路径和相对路径:
在项目中,一般使用绝对路径
在JavaWeb过程中,可以定义一个basePath来保存绝对路径

协议      request.getScheme();
主机      request.getServerName();
端口号 request.getServerPort();
工程名 request.getContextPath();

将上面几个组合起来,就是绝对路径,一般绝对路径是要定义到工程的根目录的


Ajax初步了解:
Ajax通常用于异步请求,相当于用Js脚本来调用后台代码
这里写图片描述

Ajax怎么调用?
$.ajax();

Ajax和form表单对比
——————From—————Ajax
提交地址——action—————url
提交方式——action—————type
提交参数——默认input框————json
返回值类型——不存在—————①第一种返回一个json—{参数名:参数值,参数名:参数值…}
——————————————②第二种返回—参数名=参数值&参数名=参数值…
回调函数——不存在—————function类型的
同步和异步—不存在—————当asunc为true的时候异步,为false的时候同步

Ajax本身无刷新

还有九大作用域,自己去网上查


JSTL初步认识:
JSTL的功能是搭配EL表达式实现Java代码,替代了在jsp中直接使用<%%>来书写java代码(jstl中也有很多函数,比如if,foreach…)
使用过程:
1、首先引入JSTL的包
2、将参数传到作用域内
3、通过${参数名}来取

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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,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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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,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