自定义标签库函数

写Zhangfei.java类

package com.zfei;

public class Zhangfei {
private String name;
public String getName(){
   return this.name;
}
public void setName(String name){
   this.name=name;
}
public static String helloName(String name){
   return "Hello,"+name+"!";
}
}

写TLD文件配置:

<?xml version="1.0" encoding="UTF-8"?>
<taglib version="2.0" xmlns="http://java.sun.com/xml/ns/j2ee"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://java.sun.com/xml/ns/j2ee/web-jsptaglibrary_2_0.xsd">
<!--此标签库的一个简短描述-->
<description>一个自定义标签库</description>
<!-- 此标签库的版本 -->
<tlib-version>0.9</tlib-version>
<!-- 定义一个简短的名称,主要用来给一些工具使用 -->
<short-name>my</short-name>
<!-- 定义此标签库的URI。用于唯一标识此标签库,便于页面的引用 -->
<uri>http://blog.csdn.com/zfei/tags</uri>

<!-- 此标签库中的一个标签处理器的声明 -->
<tag>
<!-- 简短描述 -->
<description>具有对集合元素进行循环现实的标签</description>
<!-- 此标签的名称 -->
<name>zf</name>
<!--此标签对应处理类的全限定名 -->
<tag-class>com.zfei.Zhangfei</tag-class>
<!-- 指明此标签主体可以包含JSP元素:如脚本元素,标准动作,EL表达式 -->
<body-context>JSP</body-context>
<!-- 属性描述-->
<attribute>
     <!--此属性的名称 -->
     <name>name</name>
     <!--此属性是必要的 -->
     <required>true</required>
        <!-- 属性值可以在jsp运行时期动态产生-->
     <rtexprvalue>true</rtexprvalue>
</attribute>
</tag>
<function>
<!-- 函数名 -->
<name>helloName</name>
<!-- 此函数对应的处理类的全限定名 -->
<function-class>com.zfei.Zhangfei</function-class>
<!-- 此函数在对应处理类中对应的方法签名(必须元素)-->
<function-signature>
   java.lang.String helloName(java.lang.String)
</function-signature>
</function>
</taglib>

配置web.xml

<jsp-config>
<taglib>
   <taglib-uri>http://blog.csdn.com/zfei/tags</taglib-uri>
   <taglib-location>/WEB-INF/mytag.tld</taglib-location>
</taglib>
</jsp-config>

 

JSP测试页面:

<%@ page language="java" contentType="text/html; charset=gb2312"%>
<%@ taglib prefix="my" uri="http://blog.csdn.com/zfei/tags" %>
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=ISO-8859-1">
<title>Insert title here</title>
</head>
<body>

${my:helloName("zhangfei") }
</body>
</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