最近一周小结

刚和工作室的兄弟姐妹们把报名系统修复了下,说实在我从中受益的是了解下struts的框架结构。了解下hibernate。其实这个项目的结构还是比较清晰的。

1.学习了下javascript的基本使用。在<head>和</head>标签内定义function  fun().在<body>标签内调用即可。

2.使用struts1.2写了个登陆模块。struts的html标签发生了些微变化<html:form>等等

总结下struts的基本结构:

jsp页面发送http请求给struts-cfg.xml通常称为actionservlet,相当于是mvc中的controller。它会根据请求的内容来相应的action,action则是封装了相关的操作。action或者actionservlet会调用actionform或是其他的javabean这两个模块的功能相当于是mvc结构中的model,封装集体的业务操作逻辑。操作结束后会想客户端发送一个或多个jsp页面,当然这也就是mvc中的v了。

3.ant 使用看起来很简单。我搭建了自己的的网站。以后打算用它来打包,编译。这两天自己写写 build.xml.,以后多联系下。

4.hibernate的使用这里就先不说了,只是看了下hibernate.cfg.xml和hibernate.hbm.xml。看了下对象关系映射。其实在这里加了hibernate的好处我还没体会到。只是hibernate.hbm.xml将关系映射过去的对象以xml的方式来表示。而hibernate.cfg.xml文件则是配置了数据库的链接的基本信息,包括加载驱动,获得数据库的url,用户名,密码。

5.看了下java中的集合

主要是collection,map,iterator。这三个都是只是接口。里面提供相应方法的接口

coolection(set和list)

set下面则是(hashset 和treeset)

list下面则是(arraylist ,linkedlist,vector)

map(hashmap treemap,hashtabel)

6.注意java 中两个整数的比较的返回值。

7.mvc 中jsp+servlet+javabean.jsp-->v , servlet--->c,javabean---->m..

 

 

 

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