web学习06

java开发中使用的设计模式

 1.model1

   jsp+javabean(实体类)

 2.model2(模拟mvc开发模式)

   m:model(模型) javabean

   v:view(视图)  jsp

   c:control(控制器) servlet

   

  分层思想

    1.web层

    2.逻辑层

    3.数据层


javaweb中的监听

  

  事件

  事件源

  监听对象

  注册监听

 

  javaweb中可以监听

  httpServletRequest对象

  ServletContext对象

  httpSession对象(监听绑定的对象的变化)

  监听对象的什么?

  1.对象的创建与销毁

  2.域中保存的值的变化

  注意:使用监听器需要跟web.xml中配置

 <!-- 注册监听器 -->
  <listener>
  <listener-class>com.lanou3g.MyServletContextListener</listener-class>
  </listener>

  

监听对象的创建和销毁

1.  ServletContextListener

        public class MyServletContextListener implements ServletContextListener{
	//实现接口中的方法
	@Override
	public void contextInitialized(ServletContextEvent sce) {
		System.out.println("ServletContext初始化");
	}
	@Override
	public void contextDestroyed(ServletContextEvent sce) {
		System.out.println("ServletContext销毁");
	}

2.  HttpSessionListener

        public class MyHttpSessionListener implements HttpSessionListener{
	@Override
	public void sessionCreated(HttpSessionEvent se) {
		//HttpSessionEvent session事件对象
		String id = se.getSession().getId();
		System.out.println(id+"创建了");
	}
	@Override
	public void sessionDestroyed(HttpSessionEvent se) {
		// TODO Auto-generated method stub
		HttpSessionListener.super.sessionDestroyed(se);
	}

3.  ServletRequestListener

监听域对象中属性值得变化

 1. ServletContextAttributeListener

 2. HttpSessionAttributeListener

 3. ServletRequestAttributeListener

public class MyServletRequestAttributeListener implements ServletRequestAttributeListener{
	@Override
	public void attributeAdded(ServletRequestAttributeEvent srae) {
		System.out.println("添加"+srae.getName()+"..."+srae.getValue());
	}
	@Override
	public void attributeRemoved(ServletRequestAttributeEvent srae) {
		System.out.println("删除");
	}
	@Override
	public void attributeReplaced(ServletRequestAttributeEvent srae) {
		System.out.println("替换"+srae.getName()+"..."+srae.getValue());
		
		
	}

监听session中绑定了自定义对象的值得变化

   HttpSessionBindingListener  user

   注意:实现该接口不用去web.xml中配置

   注意:该接口 需要 被绑定的对象的类 来实现该接口

public class User implements HttpSessionBindingListener{
	@Override
	public void valueBound(HttpSessionBindingEvent event) {
	System.out.println("绑定对象");
	System.out.println(event.getName());
	System.out.println(event.getValue());
	}
	@Override
	public void valueUnbound(HttpSessionBindingEvent event) {
		System.out.println("解除绑定");
	}
}

过滤器(filter) 解决全站乱码问题

1.实现filter

2.实现方法(声明周期方法 dofilter拦截方法)

3.配置web.xml 配置过滤的路径

 

<!-- 配置要过滤的路径  /*过滤所有路径 -->
 <url-pattern>/*</url-pattern>

 声明周期

随着项目的启动而创建

随着项目的停止而销毁


public class Demo01 implements Filter{
	//声明周期方法
	public Demo01() {
		System.out.println("实例化");
	}
	@Override
	public void init(FilterConfig filterConfig) throws ServletException {
	System.out.println("初始化");
	}
	@Override
	public void doFilter(ServletRequest request, ServletResponse response, FilterChain chain)
			throws IOException, ServletException {
		//对请求响应进行编码处理
		response.setContentType("text/html;charset=utf-8");
		request.setCharacterEncoding("utf-8");
		System.out.println("拦截前");
		//放行方法 链 chain
		//将处理好编码格式的响应和请求 向下传递
		chain.doFilter(request, response);
		System.out.println("拦截后");
		
		
	}
	
	@Override
	public void destroy() {
		System.out.println("销毁");
	}

}

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