Spring.NET学习笔记26——整合NVelocity(应用篇) Level 200

  NVelocity是一个基于.NET的模板引擎(template engine)。它允许任何人仅仅简单的使用模板语言(template language)来引用由.NET代码定义的对象。

NVelocity应用于web开发时,界面设计人员可以和.NET程序开发人员同步开发一个遵循MVC架构的web站点,也就是说,页面设计人员可以只关注页面的显示效果,而由.NET程序开发人员关注业务逻辑编码。NVelocity将.NET代码从web页面中分离出来,这样为web站点的长期维护提供了便利,同时也为我们在aspx之外又提供了一种可选的方案。NVelocity的能力远不止web站点开发这个领域,例如,它可以从模板(template)产生SQL和PostScript、XML,它也可以被当作一个独立工具来产生源代码和报告,或者作为其他系统的集成组件使用。NVelocity也可以为很多web开发架构提供模板服务(template service)。我们的系统就提供一个模板服务的方式允许一个web应用以一个真正的MVC模型进行开发。

  相关语法请查看Velocity手册

  

  Spring.NET集成NVelocity的方法封装在Spring.Template.Velocity.dll程序集里,调用NVelocity的AIP的类是Spring.Template.Velocity.VelocityEngineUtils,

该类有两个方法MergeTemplate和MergeTemplateIntoString,分别为把模板调换为文件和字符串。以下是我实现整合NVelocity的代码:

  

 


        private string GetTemplateString()
        {
            WebApplicationContext ctx 
= ContextRegistry.GetContext() as WebApplicationContext;

            IList
<Person> list = this.GetPersonList();
            var templatePage 
= new
            {
                Title 
= "强大的NVelocity模板引擎",
                List 
= list,
                OutputDate 
= DateTime.Now,
                CopyRight 
= "博客园-刘冬.NET"
            };

            Hashtable modelTable 
= new Hashtable();
            modelTable.Add(
"TemplatePage", templatePage);
            VelocityContext velocityContext 
= new VelocityContext(modelTable);
            VelocityEngine velocityEngine 
= ctx.GetObject("VelocityEngine"as VelocityEngine;
            
string mergedTemplate = VelocityEngineUtils.MergeTemplateIntoString(velocityEngine, "PersonList.htm", Encoding.UTF8.WebName, modelTable);

            
return mergedTemplate;
        }

 

 


<?xml version="1.0" encoding="utf-8" ?>
<objects xmlns="http://www.springframework.net" xmlns:nv="http://www.springframework.net/nvelocity">

  
<nv:engine id="VelocityEngine" >
    
<nv:nvelocity-properties>
      
<!--输入编码-->
      
<entry key="input.encoding"  value="UTF-8"/>
      
<!--输出编码-->
      
<entry key="output.encoding" value="UTF-8"/>
    
</nv:nvelocity-properties>
    
<nv:resource-loader>
      
<nv:spring uri="assembly://Template/Template.HtmlTemplate/"/>
    
</nv:resource-loader>

  
</nv:engine>

</objects>

  


<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" >
<head>
    
<title>$TemplatePage.Title</title>
</head>
<body>
    
<table><thead>
        
<tr>
            
<th>序号</th>
            
<th>编号</th>
            
<th>姓名</th>
            
<th>年龄</th>
            
<th>性别</th>
        
</tr>
        
</thead>
        
<tbody>
            #set( $sn = 0 )
            #foreach( $item in $TemplatePage.List ) 
            
<tr>#set( $sn = $sn + 1 )
                
<td>$sn</td>
                
<td>$item.PersonID</td>
                
<td>$item.Name</td>
                
<td>$item.Age</td>
                
<td>#if($item.Sex) 男 #else 女 #end</td>
            
</tr>
            #end
        
</tbody>
    
</table>
    
<br />
    
<div>
        
<label>版权所有:</label>
        
<label>$TemplatePage.CopyRight</label>
    
</div>
        
<div>
        
<label>生成日期:</label>
        
<label>$TemplatePage.OutputDate.ToString("yyyy年MM月dd日")</label>
    
</div>
    
<br />
    
<href="/Default.aspx">返回首页</a>
</body>
</html>

 

  输出效果:

 

 

  代码下载

 

  返回目录

作者:刘冬.NET 博客地址:http://www.cnblogs.com/GoodHelper/ 欢迎转载,但须保留版权
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