【Web入门系列】初探会话管理-Session

特点

会话数据保存在服务器端。

Session技术核心

1、创建或得到session对象

  HttpSession getSession()  

  HttpSession getSession(boolean create)  

2、设置session对象

  #设置session的有效时间

  void setMaxInactiveInterval(int interval)  

  #销毁session对象

  void invalidate()  

  #得到session编号

  String getId()

3、保存会话数据到session对象

  #保存数据

  void setAttribute(String name, Object value) 

  #获取数据

  Object getAttribute(String name) 

  #清除数据

  void removeAttribute(String name)

Session原理

1、第一次访问创建session对象,给session对象分配一个唯一的ID,叫JSESSIONID;2、把JSESSIONID作为Cookie的值发送给浏览器保存;

3、第二次访问的时候,浏览器带着JSESSIONID的cookie访问服务器;4、服务器得到JSESSIONID,在服务器的内存中搜索是否存放对应编号的session对象;

5、如果找到对应编号的session对象,直接返回该对象;6、如果找不到对应编号的session对象,创建新的session对象,继续走1的流程

结论:通过JSESSIONID的cookie值在服务器找session对象。

public class SaveSessionServlet extends HttpServlet {

    public void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {

        // 1.创建session对象
        HttpSession session = request.getSession();

        // 2.保存会话数据
        session.setAttribute("name", "rose");
    }
}
public class GetSessionServlet extends HttpServlet {

    public void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {

        // 1.创建session对象
        HttpSession session = request.getSession();
        if(session==null){
            System.out.println("没有找到对应的sessino对象");
            return;
        }

        // 2.取出数据
        String name = (String)session.getAttribute("name");
        System.out.println("name="+name);
    }
}

Session细节

public class SaveSessionServlet extends HttpServlet {

    @Override
    public void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {

        /**
         * 细节 1)
         * getSession(true)/getSession():创建或得到session对象,没有匹配的session编号,自动创    建新的session对象。
         * getSession(false):得到session对象,没有匹配的session编号,返回null。
         */
        // 1.创建session对象
        HttpSession session = request.getSession();

        /**
         * 得到session编号
         */
        System.out.println("id="+session.getId());

        /**
         * 细节 2)
         * session域对象默认30分钟服务器自动回收,手动设置session域对象的有效时间
         */
        //session.setMaxInactiveInterval(20);

        /**
         * 细节 3)
         * 浏览器JSESSIONID的cookie是放在浏览器内存中的,会随着浏览器关闭而丢失
         * 手动发送一个保存在硬盘的cookie给浏览器
         */
        Cookie cookie = new Cookie("JSESSIONID",session.getId());
        cookie.setMaxAge(60*60);
        response.addCookie(cookie);

        // 2.保存会话数据
        session.setAttribute("name", "rose");
    }
}
public class DeleteSessionServlet extends HttpServlet {

    public void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {

        HttpSession session = request.getSession(false);
        if(session != null){
            /**
             * 细节 4)
             * 手动销毁session
             */
            session.invalidate();
            System.out.println("销毁成功");
        }
    }
}

 

转载于:https://www.cnblogs.com/ysdrzp/p/9885916.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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