个人笔记 一些概念 XML MYBATIS SPRING JDBC JAVA SERVLET JSP FREEMARKER

最近学的一些东西的概念

BUT 貌似是配置环境的锅,写的程序狂抛异常,一波能给你抛83个异常你敢信,刚接触这个debug又不会搞,只能靠粘粘代码维持一下生活了,简直是对算法狗的极大伤害,感觉要挂科了【手懂捂脸】。

Q:what is mybatis

A:是一个基于java的持久层框架。Mybatis是支持普通SQL查询,存储过程和高级映射的优秀的持久层框架,Mybatis 消除了几乎所有JDBC代码和参数的手工设置以及结果集的检索。MyBatis 使用简单的 XML或注解用于配置和原始映射,将接口和 Java 的POJOs(Plain Old Java Objects,普通的 Java对象)映射成数据库中的记录。

Q:what is spring boot

A:一个把全部常用框架整合在一起的东东。

spring project大致文件结构如下

DAO

这个要说一下一开始被他唬住了,还以为是什么高级的东西。从字面上理解就是Data Access Object一个访问数据库的接口。在我们做的实验就是那个dbexam东东。

service是逻辑代码所在的位置。

xml

一种文件类型,它的数据层级关系是取决于标浅关系的。

标签之中用来储存数据。

<dependencies>

      <dependency>  <!-- web container -->
               <groupId>org.springframework.boot</groupId>
               <artifactId>spring-boot-starter-test</artifactId>
               <scope>test</scope>

      </dependency>

</dependencies>

<!-- -->是注释

dependency里面的标签就是内容,被dependencies包含形成文件的逻辑结构。

 

这本质上就是string所以可以跨平台使用。

JDBC(Java Database Connectivity)
  JDBC 为访问不同的数据库提供了一种统一的方法。它包含众多接口和类,可以执行SQL语句操作不同的数据库并处理执行结果。按照我来看,JDBC就是数据库驱动,一些数据库厂商提供的用来操作数据库的接口。

 

Java Servlet
  Servlet是SUN提供的动态web资源的开发技术, 本质上是一段java程序, 这段程序无法独立运行, 需要放在Servlet容器中, 由容器调用才可以执行。它是客户请求端和服务响应端的中间层。

 

下面是他的升级版

JSP(Java Server Pages)
  Jsp页面由html代码和嵌入其中的Java代码构成。客户端在页面发出请求,服务端接收请求,然后对Java代码进行处理,将处理结果和原来的html代码重新生成Jsp页面返回给客户端浏览器。
  就是结合了两个的特性,html显示东西好用,但是做一些逻辑处理不行,此时在其中嵌入java程序<% java code %>的形式

来处理逻辑,这玩意会被jsp engine转译成servlet然后搞成一个java程序

具体流程如下

(1)WEB容器JSP页面的访问请求时,它将把该访问请求交给JSP引擎去处理。Tomcat中的JSP引擎就是一个Servlet程序,它负责解释和执行JSP页面。

(2)每个JSP页面在第一次被访问时,JSP引擎先将它翻译成一个Servlet源程序,接着再把这个Servlet源程序编译成Servlet的class类文件,然后再由WEB容器像调用普通Servlet程序一样的方式来装载和解释执行这个由JSP页面翻译成的Servlet程序。

 

freemarker

这个嘛也可以理解为jsp的替代 。。。。

jsp不是把展示方式(html)和 程序算法逻辑(java)结合在一起嘛。
所以在真正的开发中前后端的代码要怼在一起,大家想改东西都麻烦。

freemark就不同了,你把这两家的代码给它就整合到一起,输出你所需的也面,html,java,xml等等。

 

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