Spring MVC深度解析

Spring MVC深度解析:从原理到实战 阅读详情

📕我是廖志伟,一名Java开发工程师、《Java项目实战——深入理解大型互联网企业通用技术》(基础篇)、(进阶篇)、(架构篇)清华大学出版社签约作家、Java领域优质创作者、优快云博客专家、阿里云专家博主、51CTO专家博主、产品软文专业写手、技术文章评审老师、技术类问卷调查设计师、幕后大佬社区创始人、开源项目贡献者。

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。不定期分享高并发、高可用、高性能、微服务、分布式、海量数据、性能调优、云原生、项目管理、产品思维、技术选型、架构设计、求职面试、副业思维、个人成长等内容。

Java程序员廖志伟

🌾阅读前,快速浏览目录和章节概览可帮助了解文章结构、内容和作者的重点。了解自己希望从中获得什么样的知识或经验是非常重要的。建议在阅读时做笔记、思考问题、自我提问,以加深理解和吸收知识。阅读结束后,反思和总结所学内容,并尝试应用到现实中,有助于深化理解和应用知识。与朋友或同事分享所读内容,讨论细节并获得反馈,也有助于加深对知识的理解和吸收。💡在这个美好的时刻,笔者不再啰嗦废话,现在毫不拖延地进入文章所要讨论的主题。接下来,我将为大家呈现正文内容。

优快云

一、基础架构

Spring MVC 是 Spring 框架的一部分,它不仅是一个基于 Java 的全栈 Web 应用程序框架,更是一个高度模块化的解决方案。其核心架构基于模型-视图-控制器(MVC)模式,该模式自20世纪90年代以来,在Web应用开发中得到了广泛应用。

  1. 前端控制器模式 Spring MVC 采用的前端控制器模式是一种设计模式,它将应用程序的请求处理流程集中在一个中央控制器中。DispatcherServlet 作为前端控制器,负责接收所有请求,并分配给相应的处理器(Controller)进行处理。这种模式的好处在于,它将请求的接收、处理和响应分离,使得应用程序的结构更加清晰,易于维护。

  2. MVC组件协作流程 在Spring MVC中,MVC组件之间的协作流程遵循以下步骤:

    • 用户发送请求到DispatcherServlet。
    • DispatcherServlet根据请求信息,通过HandlerMapping找到对应的Controller。
    • Controller处理请求,并返回一个Model对象和视图名。
    • ViewResolver根据视图名找到对应的视图。
    • 视图渲染Model数据,生成最终的响应。
  3. RESTful支持 Spring MVC对RESTful风格的URL提供了良好的支持,使得开发者可以轻松地创建RESTful Web服务。RESTful服务遵循REST架构风格,通过HTTP协议的GET、POST、PUT、DELETE等方法操作资源,具有良好的可扩展性和可维护性。

二、核心组件

  1. 控制器(Controller) 控制器是Spring MVC中的核心组件,负责接收请求、处理请求并返回响应。以下是其技术实现细节:

    • 注解驱动开发:Spring MVC使用注解来简化配置,如@Controller、@RequestMapping等。这些注解可以自动将方法映射到HTTP请求,从而简化了请求处理流程。
    • 请求映射规则:通过@RequestMapping注解,可以指定URL映射到控制器的方法。例如,@RequestMapping("/user")可以映射到处理用户相关请求的方法。
    • 返回值处理:控制器方法可以返回ModelAndView、String、View等。Spring MVC会根据返回值类型进行相应的处理。例如,返回ModelAndView时,Spring MVC会自动填充视图和模型数据。
  2. 视图解析器(ViewResolver) 视图解析器负责将视图名转换为实际的视图对象。以下是其技术实现细节:

    • 模板引擎集成:Spring MVC支持多种模板引擎,如Thymeleaf、JSP等。这些模板引擎可以方便地生成动态HTML页面。
    • 内容协商策略:根据请求头中的Accept类型,选择合适的视图进行渲染。例如,如果请求头中指定了Accept为"text/html",则选择HTML视图进行渲染。
    • 视图重定向:通过视图解析器可以实现视图的重定向功能。例如,可以使用ModelAndView的redirectView属性来实现重定向。
  3. 处理器映射(HandlerMapping) 处理器映射负责将请求映射到相应的处理器。以下是其技术实现细节:

    • 默认实现类:Spring MVC提供了多种处理器映射实现,如RequestMappingHandlerMapping。RequestMappingHandlerMapping通过读取Controller类和方法上的注解,将请求映射到相应的处理方法。
    • 自定义映射规则:可以通过实现HandlerMapping接口来定义自定义的映射规则。例如,可以基于请求参数或请求头信息进行映射。
    • 拦截器链:处理器映射可以与拦截器(Interceptor)结合使用,实现请求的预处理和后处理。拦截器可以用于日志记录、权限验证等。

三、数据处理

  1. 参数绑定机制 Spring MVC提供了强大的参数绑定机制,可以将请求参数绑定到控制器方法的参数上。以下是其技术实现细节:
    • 类型转换:Spring MVC可以自动将请求参数转换为相应的Java类型。例如,可以将请求参数中的字符串转换为整数、浮点数等。
    • 数据转换器:可以通过实现Converter接口来定义自定义的数据转换器。例如,可以将请求参数中的日期字符串转换为Date对象。
    • 表单验证:Spring MVC提供了表单验证功能,可以通过注解来指定验证规则。例如,可以使用@Valid注解来指定表单验证规则。

四、文件操作

  1. 多文件上传 Spring MVC支持多文件上传功能,可以通过MultipartFile接口来接收上传的文件。以下是其技术实现细节:

    • 文件大小限制:可以通过配置来限制上传文件的大小。例如,在Spring MVC的配置文件中,可以设置maxUploadSize属性来限制文件大小。
    • 文件存储路径:可以自定义文件存储路径,如本地文件系统或云存储。例如,可以使用FileUploadCommons的FileItem接口来处理文件上传,并自定义文件存储路径。
  2. 下载响应控制 Spring MVC可以通过HttpServletResponse来控制文件的下载。以下是其技术实现细节:

    • 文件名设置:可以通过设置响应头Content-Disposition来指定下载的文件名。例如,可以使用以下代码设置文件名:
      response.setHeader("Content-Disposition", "attachment; filename=" + fileName);
      
    • 文件内容类型:可以通过设置响应头Content-Type来指定文件的MIME类型。例如,可以使用以下代码设置文件内容类型:
      response.setContentType("application/octet-stream");
      
  3. 静态资源处理 Spring MVC默认支持静态资源处理,如CSS、JavaScript、图片等。以下是其技术实现细节:

    • 静态资源映射:可以通过配置来指定静态资源的路径和处理器。例如,在Spring MVC的配置文件中,可以设置staticResources路径为静态资源目录。

五、异常处理

  1. 全局异常处理器 Spring MVC提供了全局异常处理机制,可以通过实现HandlerExceptionResolver接口来定义全局异常处理逻辑。以下是其技术实现细节:
    • 状态码映射:可以根据异常类型映射到不同的HTTP状态码。例如,可以使用@ExceptionHandler注解来指定处理特定异常的方法。
    • 错误页面定制:可以通过配置来指定错误页面,如404.html、500.html等。例如,在Spring MVC的配置文件中,可以设置errorView名称为错误页面路径。

六、扩展机制

  1. 拦截器开发 拦截器(Interceptor)可以用于在请求处理过程中添加额外的逻辑,如日志记录、权限验证等。以下是其技术实现细节:

    • 拦截器链:Spring MVC支持拦截器链,可以同时使用多个拦截器。拦截器链按照定义顺序执行,每个拦截器可以决定是否继续执行后续拦截器。
  2. 跨域解决方案 Spring MVC支持跨域请求,可以通过配置CORS(跨源资源共享)来允许跨域访问。以下是其技术实现细节:

    • 配置CORS:可以通过配置CORS过滤器来实现跨域请求。例如,可以使用Spring Security的CORS过滤器来配置CORS。
  3. 异步请求处理 Spring MVC支持异步请求处理,可以通过Callable或DeferredResult来处理异步请求。以下是其技术实现细节:

    • 异步请求处理:可以通过@Async注解来实现异步方法调用。例如,可以使用以下代码实现异步方法调用:
      @Async
      public Future<String> asyncMethod() {
          // 异步处理逻辑
          return new AsyncResult<>("处理结果");
      }
      

总结 Spring MVC是一个功能强大的Web框架,它提供了丰富的功能和扩展机制。通过理解其基础架构、核心组件、数据处理、文件操作、异常处理和扩展机制,开发者可以构建高性能、可扩展的Web应用程序。在实际开发中,可以根据具体需求选择合适的组件和机制,以实现最佳的开发效果。

优快云

📥博主的人生感悟和目标

Java程序员廖志伟

希望各位读者大大多多支持用心写文章的博主,现在时代变了,信息爆炸,酒香也怕巷子深,博主真的需要大家的帮助才能在这片海洋中继续发光发热,所以,赶紧动动你的小手,点波关注❤️,点波赞👍,点波收藏⭐,甚至点波评论✍️,都是对博主最好的支持和鼓励!

- 💂 博客主页: Java程序员廖志伟
- 👉 开源项目: Java程序员廖志伟
- 🌥 哔哩哔哩: Java程序员廖志伟
- 🎏 个人社区: Java程序员廖志伟
- 🔖 个人微信号: SeniorRD

Java程序员廖志伟

📙经过多年在优快云创作上千篇文章的经验积累,我已经拥有了不错的写作技巧。同时,我还与清华大学出版社签下了四本书籍的合约,并将陆续出版。这些书籍包括了基础篇、进阶篇、架构篇的📌《Java项目实战—深入理解大型互联网企业通用技术》📌,以及📚《解密程序员的思维密码--沟通、演讲、思考的实践》📚。具体出版计划会根据实际情况进行调整,希望各位读者朋友能够多多支持!

🔔如果您需要转载或者搬运这篇文章的话,非常欢迎您私信我哦~

【项目实战】TARA威胁分析和风险评估 TARA是信息安全领域中的一种风险评估方法,在汽车信息安全的上下文中,TARA分析特别重要,因为它可以帮助识别和管理与智能网联车辆相关的各种威胁,包括数据泄露、未经授权的访问、远程操控等。通过TARA分析,企业可以制定出针对性的安全目标、产品要求和产品安全声明,以确保汽车及其零部件符合相关的信息安全标准和法规。此外,TARA分析还可以与数字化建模系统结合,以更系统化和高效的方式进行风险评估和管理。 阅读详情

相关推荐

Windows Server+SqlServer Always On实战:5步搞定高可用集群搭建

本文详细介绍了在Windows Server环境中,通过5个关键步骤搭建SQL Server Always On高可用集群的实战指南。内容涵盖从底层故障转移集群配置、SQL Server实例启用Always On功能,到创建可用性组和侦听器的完整流程,并提供了核心运维与故障排查思路,帮助企业构建稳定可靠的数据库高可用架构。

milk5的博客 859

SpringMVC执行流程

DispatcherServlet 前端控制器是 SpringMVC 的核心组件之一,它接收客户端的请求并将请求分派到对应的处理器(Handler)进行处理。在接收到请求后,DispatcherServlet 会将请求 URL 传递给 HandlerMapping 映射器进行处理,并根据请求 URL 匹配对应的 HandlerExecutionChain 处理器执行链。HandlerExecutionChain 包含了一个或多个 Interceptor 拦截器和一个 Handler 处理器,拦截器可以在请求

weixin_58724261的博客 9829

电流镜设计实战:从基础到高级技巧(附常见问题解决方案)

本文从工程实战角度,系统讲解了电流镜设计从基础原理到高级技巧的全过程。深入剖析了匹配精度、输出阻抗等核心矛盾,并详细介绍了共源共栅(Cascode)结构如何平衡电压裕度与输出阻抗。文章还重点探讨了工艺偏差、版图应力效应等实战中的“隐形杀手”,并提供了常见问题的解决方案与调试技巧,旨在帮助工程师设计出鲁棒性更强的模拟电路。

blockchain9miner的博客 734

springMVC执行流程详解

再进入这个render方法里面,可以发现这个视图解析器会对这个视图进行一个具体的解析,并且会将解析的view返回给这个DispatcherServlet里面,最终会将这个数据进行一个转发或者重定向,对这个view进行一个渲染,最终响应到这个客户端。2,前端控制器会通过这个HandlerMapping处理器映射器,找到合适的处理器,就是通过这个输入的url,找到对应的handler。3,进入这个**doDispatch()**方法里面,可以看到以下几行代码,主要是来返回这个处理器执行链,处理器适配器等操作。.

band_mmbx的博客 1万+

Maven的下载安装配置教程(详细图文)

目录 一、简单了解一下什么是Maven 二、maven的下载 三、maven的安装 四、maven的环境变量配置 五、setting文件配置 六、开发工具配置Maven 一、简单了解一下什么是Maven Maven就是一款帮助程序员构建项目的工具,我们只需要告诉Maven需要哪些Jar 包,它会帮助我们下载所有的Jar,极大提升开发效率。 1.Maven翻译为“专家“, ”内行”的意思,是著名Apache公司下基于Java开发的开源项目。 2.Maven项目对象模型(POM)是一..

bakelFF的博客 12万+

Cadence IC618与Spectre231安装配置全攻略:License、环境变量与依赖检查

EDA工具部署中,License管理与环境变量隔离是核心难点。FlexLM作为通用授权机制,通过守护进程和端口配置实现工具授权;环境变量则控制工具路径与库加载顺序,避免版本冲突。合理配置可确保IC618与Spectre231稳定运行,提升仿真效率。典型应用场景包括模拟IC设计、高校实验室及企业级EDA环境。本文聚焦Cadence IC618与Spectre231的安装实践,详解License配置、环境隔离及依赖检查,助你快速搭建可靠设计环境。

weixin_28721917的博客 331

SpringMVC执行流程(源码分析)

SpringMVC大体流程,请求URL如何与HandlerMethod对应?AbstractHandlerMethodMapping初始化HandlerMethod。源码分析AbstractHandlerMethodMapping初始化HandlerMethod流程。一个请求到SpringMVC的完整流程,DispatcherServlet如何接收用户请求? 分析DispatchServlet.doDispatch方法如何处理请求

qq_43600166的博客 3247

基于高精度三维机器视觉的新能源汽车锂电池表面缺陷检测

在机器视觉行业迅速发展的背景下,市场上提供了功能强大且种类齐全的3D相机系列,可以满足锂电池从电芯到模组各个工艺和工位的3D检测需求。

Hinyeung_Limited的博客 1134

SpringMvc的执行流程

SpringMvc的执行流程

聂可以的博客 2265

手把手教您windows如何正确的开启局域网共享,如何解决“没权限、空密码访问等诸多问题”,含手动操作教程 + 傻瓜式一键设置工具(局域网共享+打印机管理),二选一总有一款能满足您!

😫 Windows共享总失败?别抓狂!这篇教程带你破解“空密码”访问的核心难题 🔑,四步搞定所有设置。文末还附赠“一键修复”神器 🚀,让文件共享丝滑如德芙!

XiaoqiangClub的博客 1454

YOLOv8模型压缩终极方案:LAMP剪枝实战,速度提升不掉点

一个庞大的模型虽然强大,但在实际部署,尤其是资源受限的边缘设备(如无人机、移动电话、嵌入式系统)上,却面临着严峻的挑战:高昂的内存占用、巨大的计算量以及随之而来的高延迟和高能耗。本教程从LAMP剪枝的深刻理论出发,详细解释了它如何通过最小化最坏情况下的L2失真,并借助巧妙的数学简化,最终推导出一种高效、无超参数、层自适应的剪枝策略。它如同为臃肿的模型进行一次精准的“瘦身手术”,通过移除网络中冗余或不重要的权重、神经元甚至整个结构,来显著降低模型的参数量和计算量(FLOPs),从而实现推理加速和资源节约。

LXY_LOVE36的博客 177

SpringMVC工作流程(超级详细版)

SpringMVC执行的流程

qq_58155240的博客 2万+

点云处理实操(四) -PCL中的点云三角化

点云处理实操(四) -PCL中的点云三角化

cangqiongxiaoye的博客 939

Spring MVC 深度解析

实现应用开发中的关注点分离(Separation of Concerns),重点解耦业务逻辑、数据展示和用户输入处理三大模块。

m0_75107803的博客 1911

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Spring、Spring MVC与Spring Boot框架深度解析

通过以下对比分析和案例实践,可以清晰理解三个框架的定位差异和技术演进路线:Spring提供基础能力,Spring MVC解决Web层问题,而Spring Boot通过约定和自动配置大幅提升开发效率。

weixin_46261399的博客 1460

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Spring MVC 底层原理深度解析

Spring MVC采用前端控制器模式,核心组件DispatcherServlet协调请求处理全流程。其架构包含HandlerMapping(URL到控制器映射)、HandlerAdapter(执行处理器)、ViewResolver(视图解析)等核心组件。请求处理流程分为:获取HandlerExecutionChain、执行拦截器、调用处理器方法、视图渲染等阶段。源码层面,DispatcherServlet的doDispatch方法实现请求分发,HandlerAdapter处理参数绑定和返回值。关键机制包括

csdn_tom_168的博客 745

深度解析 Spring MVC `@CrossOrigin` 注解

Spring MVC 的 @CrossOrigin 注解是处理跨域资源共享(CORS)的核心解决方案,提供声明式配置方式。注解支持细粒度控制跨域策略,包括允许的源、请求方法、请求头等参数。其底层通过 CorsProcessor 处理预检请求和实际请求,采用配置合并机制协调全局和控制器级别的设置。开发者可通过全局配置(WebMvcConfigurer)或控制器/方法级注解灵活应用,在保障安全的前提下实现跨域访问,是替代传统过滤器方案的现代化实现方式。

csdn_tom_168的博客 1634

深度解析 Spring MVC `@ExceptionHandler` 注解

Class<?color:#333;color:#333;fill:none;是请求处理是否异常查找异常处理器控制器内处理器ControllerAdvice处理器全局异常处理器生成错误响应统一处理:集中管理异常处理逻辑灵活定制:支持多种响应类型和状态码精确匹配:按异常类型精确处理上下文访问:获取请求信息增强响应层次化处理:控制器特定处理 + 全局通用处理响应标准化:统一错误响应格式异常分类:为不同业务异常定义专用类型日志完备。

csdn_tom_168的博客 1393

深度解析 Spring MVC `@Controller` 注解

本文深入解析Spring MVC中的@Controller注解,从源码定义、工作原理到实际应用进行全面剖析。作为Spring MVC的核心注解,@Controller继承自@Component,用于标记Web请求处理器类。文章详细讲解了控制器方法的参数和返回值类型,并分析了请求处理的完整流程,包括组件扫描、请求映射和结果处理的三个阶段。通过源码解析,揭示了ClassPathBeanDefinitionScanner的扫描机制和RequestMappingHandlerMapping的映射处理原理。最后还介绍

csdn_tom_168的博客 1086

Spring MVC框架深度解析

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。

MoneyHacksPro的博客 912

Spring MVC 框架深度解析

不定期分享高并发、高可用、高性能、微服务、分布式、海量数据、性能调优、云原生、项目管理、产品思维、技术选型、架构设计、求职面试、副业思维、个人成长等内容。在实际开发过程中,可以根据项目需求,灵活运用Spring MVC框架的功能,提高开发效率,降低开发成本。

我是Java程序员廖志伟,感谢朋友们的支持!不定期贡献一篇高品质、过万文字、图文并茂且附有视频解说、满载代码示例注释的良心之作,坚决杜绝粗制乱造。 459
上一篇: Spring MVC核心技术解析
下一篇: 微服务架构核心技术解析
Java廖志伟
博客等级 码龄2年 3609粉丝 1517原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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