自定义Struts转化器

在Struts开发中经常可以发现,用户提交的请求数据中,基本数据类型和java.sql.Date或java.sql.Time类型都能被封装到ActionForm类中,在页面可以直接取到用户输入的数值。唯有java.util.Date的数据不能封装,究其原因就是在提交请求时,RequestProcessor类在进行数据收集时没有将java.util.Date类型的数据进行转换。所以查看Struts源代码可以发现我们要做的就是简单的两件事

 

 

第一,如源代码中装换示例一样,自定义一个类实现org.apache.commons.beanutils.Converter接口

    如:

       /**
 * 自定义的java.util.Date的类型转换器
 * @author qiujy
 */
public class UtilDateConverter implements Converter {
 
 public static final String DATE_PATTERN = "yyyy-MM-dd";

 /* (non-Javadoc)
  * @see org.apache.commons.beanutils.Converter#convert(java.lang.Class, java.lang.Object)
  */
 @Override
 public Object convert(Class arg0, Object arg1) {
  
  Object obj = null;
  if(java.util.Date.class == arg0){
   if(arg1 != null && arg1 instanceof String){
    DateFormat df = new SimpleDateFormat(DATE_PATTERN);
    
    try {
     obj = df.parse((String)arg1);
    } catch (ParseException e) {
     e.printStackTrace();
    }
    
   }
  }
  
  return obj;
 }

}

第二,在web项目进行部署时应该像源代码在ActionServlet中一样做一下注册的工作

      要实现注册那么必须写一个注册的Servlet类;

public class UtilDateConverterRegisterServlet extends HttpServlet {

 public void init() throws ServletException {
     ConvertUtils.register(new UtilDateConverter(), java.util.Date.class);
   }

}

  

  然后在web.xml配置中将注册的Servlet类设定为自动启动但级别要比ActionServlet低些

 

   <servlet>
    <servlet-name>UtilDateConverterRegisterServlet</servlet-name>
    <servlet-class>com.qiujy.web.common.UtilDateConverterRegisterServlet</servlet-class>
   <load-on-startup>5</load-on-startup>
  </servlet>

 

 这样,一个自定义的Struts转换器就做好了。

 

深度学习是机学习的一个子领域,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,一个生成和一个判别,它们相互竞争,生成生成数据,判别评估数据的真实性。 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