jsp

概念

JSP 是Java Server Page 的缩写,是Servlet 的简化。其主要特点是在HTML 页面中加入Java 代码片段,或者使用各种JSP 标签,将数据动态展示到页面上。

使用

JSP 提供了一种输出表达式值的简单方法,输出表达式值的格式如下:

〈%=表达式%〉

JSP的内置对象

1、request对象
request表示请求,通常使用它获取页面传过来的请求数据。
2、response对象
response 代表的是对客户端的响应,通过对用户请求的完成后响应给用户。
3、session对象
session 对象是由服务器自动创建的与用户请求相关的对象。服务器为每个用户都生成一个session对象,用 于保存该用户的信息,跟踪用户的操作状态。
4、application对象 application 对象可将信息保存在服务器中,直到服务器关闭,否则application对象中保存的信息会在整个应用 中都有效。与session对象相比,application对象生命周期更长,类似于系统的“全局变量” 。

EL语法

${requestScope.key}
如果表达式没有指定变量或者对象的范围时,那么容器会根据顺序依次从pageContext—>request—>session—>application中查找该变量或对象,当然我们也可以直接指定某个对象的属性值。

JSTL

JSP标准标签库(JSTL)是一个JSP标签集合,它封装了JSP应用的通用核心功能。
JSTL支持通用的、结构化的任务,比如迭代,条件判断,XML文档操作,国际化标签,SQL标签。 除了这些,它还 提供了一个框架来使用集成JSTL的自定义标签。
这个标签库里我觉得最重要的就是<c:forEach>,这个循环显示集合里的数据。
<c:forEach>在这里插入图片描述

jsp与java servlet的关系

java servlet时java语言的一部分,提供用于服务器编程的API。在出现jsp技术之前,web应用开发人员就是自己编写servlet类,并负责编译生成的字节码文件、复制这个字节码文件到服务器的特定目录中,以便服务器使用这个servelet类字节码创建一个servlet来响应用户的请求。java servelet的最大缺点是不能有效地管理页面的逻辑部分和页面的输出部分,导致servlet类的代码非常混乱,单独用java servlet来管理网站变成一件困难的事。

jsp技术就是以java servlet为基础,提供了java servlet的几乎所有好处,当客户请求一个jsp页面时,tomcat会自动生成一个相应的java文件、编译java文件,并用编译得到的字节码文件在服务器端创建一个servlet。但jsp技术不是java servlet技术的全部,它只是java servlet技术的一个成功应用。但是jsp技术屏蔽了servlet的创建过程,是的web程序设计者只需关心jsp页面本身的结构、设计好各种标记,比如使用html标记设计页面的视图,使用javaBean标记有效的分离页面的视图和数据存储等。

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