Struts2动态方法调用,和struts.xml的通配符方式调用

DMI(Dynamic Method Invoke)动态方法调用

在之前写Servlet的时候是一个方法就要写一个Servlet类,这样很大程度造成了开发效率的降低,重复写了太多代码,而struts2的动态方法调用就很好 的解决了这个问题!

动态方法调用其实就是在一个Action中写多个方法,定义多个方法完成多个功能,将同1个模块中的功能定义在一个类中,提高了开发效率,同时提高了后期可维护性。

dml动态方法调用
动态方法调用可以多个方法写在同一个Action中,
并且在要在struts.xml文件中配置action的method方法,
这个method的值要和Action类中的方法名要一致才可以调用获取到!

dml动态方法调用xml文件的写法

2.DMI(动态方法调用)

通配符方式:

虽然使用动态方法解决了对同一个表的操作要写多个类的问题,但是又造成了在一个Package标签中Action过多的问题,书写起来也特别不顺手,比如action标签中的class,是不是有几个方法就重复写了好几遍,
为了解决这个问题,可以使用通配符来简化开发:

  • 1.action类的个数减少了很多。关于一个表的增删改查请求都可以进入一个action类。
  • 2.关于action类的配置没有减少。一个action类对应多个action标签。 Struts.xml中action标签的通配符解决了该问题。

使用方法如下:
通配符的使用
使用通配符要注意访问路径就是action name的前缀加上方法名,method中的那个{1},其实就是匹配的第一个方法名的内容,
并且:为了保证开发效率和可读性的平衡,建议一个通配符的作用范围尽可能控制在一个Action内。

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 1
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

打赏作者

清如许.

整理不易,点滴助力就是不竭动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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