后台程序的第一个hello world(srping mvc hibernate maven)

直奔中心~!

工具:IDEA    

 

 

首先,Create New  Project;

直接NEXT -->

 

 

 

然后就直接finish;

 

 

这样表面上一个基于maven的项目就建好了, 但是我们还要去修改IDEA 上maven的配置;

File --> setting / Ctrl+Alt+s

 

直接搜索maven;

 

 

这个是根据个人安装不同有差异 修改之后如下

 

 

剩下的就是去集成hibernate 和 spring mvc  ;

接下来的操作,肯定不完全唯一,鄙人偷学来的一种;

言归正传.

选中项目 右键 -->  选择 add framwork surpport;

 

 

直接一次性选择 spring mvc 和 hibernate ;

 

点击Ok 之后  ;  

Idea 会做一些相关jar 的下载,并且项目的文件目录也会发生相应的改变;

这里选择的时候 有看到可以选择user library,都是一些相关jar , 所以 可以通过其他方式下载之后 在这里指定即可.

至于此 --- 算是基本的集成做好了 ;

 

目录也直接给我们弄好;

下面配置Tomcat;

安装Tomcat 这个我就不说了;

 

然后配置 tomcat

 

 

 

点击之后得到如下界面:

 

点击"Configure...",配置Apache你从官网上下载的Tomcat,zip压缩包解压后的文件目录 ,而且我没有进行配置,是IDE自己定位好的,很智能,

点击FIX z之后:

 

Tomcat 配置完成了  按照常理就是应该能跑起来了 ;

还有一步 我一直没去查为啥要这样做的,但是已经在失败中学会,每次都回去检查的步骤.

快捷键: ctril + alt+ shift +s

进去之后

 

我们还是先去看看启动页面的代码.....

 

上面忘了说启动页的配置那里,,,,暂时就不补充了,默认不配置的情况下就是接下来我说的文件.

 

找到项目 Web 下面有个 index.jsp 

 

 

 

打开之后简单的写上你一直想要的 hello world ~!

 

没错  你要的hello world;  剩下还有很多下回讲解.

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