Spring MVC深度解析

Java廖志伟 Java廖志伟 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 860平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄2年
关注
原创 最新推荐文章于 2026-09-04 15:47:12 发布 860 阅读 AI 写同款· GEO 优化 ›
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作为Spring框架的一部分，是一个遵循MVC（Model-View-Controller）设计模式的Web框架。它通过分离关注点，将应用程序分解为模型、视图和控制器三个核心组件，从而提供了丰富的功能，使得开发者能够高效地构建Java Web应用程序。

  1. 前端控制器模式

MVC模式的核心思想是将业务逻辑、数据处理和用户界面展示分离。在Spring MVC中，前端控制器DispatcherServlet扮演着至关重要的角色，它负责接收所有的HTTP请求，并根据请求的URL和注解来分发请求到相应的处理器。

  • 模型（Model）：在Spring MVC中，模型代表应用程序的数据和业务逻辑。它通常与业务层（Service Layer）紧密集成，通过数据访问对象（Data Access Objects，DAO）与数据存储层（如数据库）进行交互。

  • 视图（View）：视图负责将模型数据转换为用户界面。Spring MVC支持多种视图技术，如JSP、Thymeleaf、FreeMarker等，这些视图技术可以根据实际需求选择使用。

  • 控制器（Controller）：控制器接收用户的输入，调用业务逻辑，并选择合适的视图来显示结果。在Spring MVC中，控制器通常通过注解如@Controller和@RequestMapping来定义。

  1. MVC组件协作流程

Spring MVC的组件协作流程如下：

（1）前端控制器（DispatcherServlet）初始化时，会加载Spring的IoC容器，注册HandlerMapping、HandlerAdapter、ViewResolver等组件。

（2）当请求到达时，DispatcherServlet会根据HandlerMapping查找对应的处理器（Controller）。

（3）处理器（Controller）执行业务逻辑，并返回一个视图名或模型数据。

（4）DispatcherServlet通过ViewResolver解析视图名，找到具体的视图。

（5）视图渲染，将模型数据展示给用户。

  1. RESTful支持

Spring MVC提供了对RESTful风格的全面支持，允许开发者通过HTTP方法（GET、POST、PUT、DELETE等）来操作资源。这种设计使得Spring MVC非常适合构建RESTful Web服务。

【二、核心组件

  1. 控制器(Controller)

控制器是MVC模式中的核心组件，负责接收请求、处理业务逻辑、调用模型和视图。

  • 注解驱动开发：Spring MVC通过注解简化了控制器开发，如@Controller、@RequestMapping等，这些注解可以自动注册组件、映射请求等。

  • 请求映射规则：@RequestMapping注解可以用来指定处理器能够处理的请求路径、HTTP方法和参数等。

  • 返回值处理：控制器可以返回一个视图名称、一个Model对象、一个字符串或一个对象。Spring MVC会根据返回值类型和请求的Accept头自动选择合适的视图技术。

  1. 视图解析器(ViewResolver)

视图解析器负责将视图名称解析为具体的视图。

  • 模板引擎集成：Spring MVC支持多种模板引擎，如Thymeleaf、JSP、FreeMarker等，开发者可以根据项目需求选择合适的模板引擎。

  • 内容协商策略：Spring MVC可以根据请求头中的内容类型（如Accept）选择合适的视图进行渲染。

  • 视图重定向：通过转发（forward）或重定向（redirect）将请求传递到其他视图。

  1. 处理器映射(HandlerMapping)

处理器映射负责将请求映射到对应的处理器。

  • 默认实现类：Spring MVC默认使用RequestMappingHandlerMapping，它可以根据请求路径和注解找到对应的处理器。

  • 自定义映射规则：可以通过实现HandlerMapping接口自定义映射规则。

  • 拦截器链：处理器映射可以配置拦截器链，对请求进行预处理和后处理。

【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，可以将请求参数自动绑定到处理器方法的参数上。

  • 类型转换：Spring MVC可以自动将请求参数转换为Java类型，如将字符串转换为整数。

  • 数据校验：Spring MVC支持数据校验，确保传入的数据符合预期，可以通过注解如@Valid、@NotNull等实现。

  1. 数据转换器

数据转换器可以将请求参数转换为模型对象。

  • 内置转换器：Spring MVC提供了一些内置的转换器，如StringToIntegerConverter等。

  • 自定义转换器：可以通过实现Converter接口自定义转换器。

  1. 表单验证

Spring MVC支持表单验证，确保用户输入的数据符合要求。

  • 验证器：Spring MVC提供了一些内置的验证器，如Bean Validation API。

  • 自定义验证器：可以通过实现ConstraintValidator接口自定义验证器。

【四、文件操作

  1. 多文件上传

Spring MVC支持多文件上传，以下是一些多文件上传相关的知识点：

  • 文件上传拦截器：用于拦截非法文件上传，可以通过实现MultipartResolver接口来拦截。

  • 文件上传解析器：用于解析上传的文件，Spring MVC提供了CommonsMultipartFile接口来处理上传的文件。

  1. 下载响应控制

Spring MVC支持文件下载，以下是一些文件下载相关的知识点：

  • 文件下载拦截器：用于拦截非法文件下载。

  • 文件下载解析器：用于解析下载的文件，可以通过设置响应头如Content-Disposition和Content-Length等来实现文件下载。

  1. 静态资源处理

Spring MVC支持静态资源处理，以下是一些静态资源处理相关的知识点：

  • 静态资源映射：通过配置静态资源映射，将请求映射到静态资源目录。

  • 静态资源拦截器：用于拦截非法静态资源访问。

【五、异常处理

  1. 全局异常处理器

Spring MVC支持全局异常处理器，用于处理整个应用程序中的异常。

  • 异常处理器：通过实现HandlerExceptionResolver接口自定义全局异常处理器。

  • 异常映射：将异常类型映射到对应的视图或错误码。

  1. 状态码映射

Spring MVC支持状态码映射，将异常映射到HTTP状态码。

  • 异常状态码映射：通过实现HandlerExceptionResolver接口自定义异常状态码映射。

  • 默认状态码映射：Spring MVC默认将异常映射到500状态码。

  1. 错误页面定制

Spring MVC支持定制错误页面。

  • 错误页面映射：通过配置错误页面映射，将异常映射到对应的错误页面。

  • 自定义错误页面：可以通过实现ErrorViewResolver接口自定义错误页面。

【六、扩展机制

  1. 拦截器开发

Spring MVC支持拦截器，用于对请求进行预处理和后处理。

  • 拦截器：通过实现HandlerInterceptor接口自定义拦截器。

  • 拦截器链：拦截器可以形成拦截器链，对请求进行链式处理。

  1. 跨域解决方案

Spring MVC支持跨域解决方案。

  • 跨域过滤器：通过实现CorsFilter接口自定义跨域过滤器。

  • 跨域配置：通过配置CORS相关参数允许跨域请求。

  1. 异步请求处理

Spring MVC支持异步请求处理。

  • 异步请求：通过使用@Async注解实现异步请求处理。

  • 异步响应：通过实现Callable接口或返回Future对象实现异步响应。

总结

通过本文的详细阐述，读者可以深入理解Spring MVC的基础架构、核心组件、数据处理、文件操作、异常处理和扩展机制等关键知识点。这些技术点不仅涵盖了Spring MVC的基本原理，还包括了其高级特性和最佳实践。通过学习和应用这些知识，开发者可以构建出高性能、可扩展的Java Web应用程序。

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~

收录于
Java场景面试宝典

当前文章被收录于：

Java场景面试宝典
710 篇文章 0 人学习
订阅专栏 查看详情
标签
#Spring MVC # Java Web Development # Web Framework
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
基于vue2的echarts3D地球 采用vue2+js实现了echarts3D地球的放大、缩小和旋转 阅读详情

相关推荐

UE 顶点动画工具 (VAT)

导入模型需要勾选全精度UV。

iesoxj的博客 1643

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

调用IP核、移植/复制IP核以及解决IP核被锁住/红锁问题（基于vivado）

解决不同工程IP核之间复制调用以及IP核红锁问题，让开发更简单！

weixin_44502554的博客 1万+

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

uniapp: err = err.replace(this._UNI_INPUT_DIR_REG, ‘UNI_TypeError: err.replace is not a function问题修复

问题：uniapp的依赖包出现了问题，需要升级解决办法：升级uniapp依赖包，下载"semver"和”@dcloudio/uni-i18n“两个包，本地锁定postcss为7版本，就解决了。

py_boy的博客 1453

Allegro File菜单实战指南：从导入网表到导出BOM的完整流程

PCB设计离不开对EDA软件菜单体系的深入理解。在Cadence Allegro中，File菜单是数据流转的中枢，它不仅是新建、打开、保存的基础入口，更是连接原理图与版图、设计与制造的关键桥梁。工程师常遇到的“导入网表报错”“导出BOM为空”“板框不闭合”等高频问题，大多源于对File菜单中Import与Export功能的理解不到位。从基础概念出发，先厘清Import（网表、DXF、IPC）与Export（BOM、ODB++、DXF）的工作原理，再结合版本兼容、封装库路径、单位设置等工程细节，即可构建完整的

weixin_32950759的博客 299

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

Ubuntu22.04+PX4+Gazebo：从零到一构建无人机仿真开发环境

本文详细介绍了在Ubuntu22.04系统下搭建PX4+Gazebo无人机仿真开发环境的完整流程。从基础环境配置、PX4固件安装到Gazebo仿真环境搭建，提供了实用命令和常见问题解决方案，帮助开发者快速构建高效的无人机开发环境。

weixin_29243279的博客 437

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

从手机到单片机：聊聊ARM Cortex家族那些事，A、R、M系列到底有啥不同？

本文深入解析ARM Cortex家族的A、R、M三大系列处理器，揭示它们在性能、实时响应和能效方面的核心差异。从智能手机到汽车电子和物联网设备，Cortex-A、R、M各司其职，分别应对复杂运算、实时控制和超低功耗场景。通过技术指标对比和典型应用案例，帮助开发者理解如何根据DMIPS/MHz等关键参数选择适合的处理器架构。

weixin_31574149的博客 351

别再只盯着CXL协议了，聊聊CXL.mem里那个能动态调优内存性能的‘QoS遥测’到底怎么用

本文深入解析CXL.mem协议中的QoS遥测功能，探讨如何通过DevLoad指标动态调优内存性能。文章详细介绍了QoS遥测的核心机制、多QoS类别设备的实战配置，以及AI训练、金融交易和视频处理场景中的优化案例，帮助数据中心实现高效内存资源管理。

weixin_33725722的博客 437

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

Vue3 - 完美解决html2canvas截图不全问题，截图只截取当前可视区域导出图片不全，截屏导出的图片显示不全只有一部分或缺一块，vue3移动端H5网页项目使用html2canvas插件长截图！

vue3，html2canvas，移动端H5网页，截图不全，html2canvas长截图不全，保存长截图，页面滚动导致截图不全，网页下方截屏不到怎么办，底部一部分无法截屏到，保存的图片少了一大块，H5海报截图不完整，怎么截取滚动条下方的内容，截图图时图片不全，截图图片只有一半的问题，底部内容空白，截图空白问题的解决，截图不全怎么办，html2canvas.js网页截图功能(解决截图不全问题，移动端ios系统截图不完整，html2canvas截图太长又不能删减截取不到，使用HTML2Canvas在H5页面上实

🏆 前端领域优质创作者 1万+

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")

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

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

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

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

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

深度解析 Spring MVC `@RequestAttribute` 注解

摘要：本文深入解析了Spring MVC中的@RequestAttribute注解，从其源码定义、核心作用出发，剖析了注解的工作机制与处理流程。文章详细分析了RequestAttributeMethodArgumentResolver解析器的实现原理，包括请求属性获取、类型转换等关键步骤，并通过时序图和类图展示了完整处理链路。最后给出了过滤器-控制器数据传递、拦截器共享数据等典型使用场景和最佳实践示例，为开发者提供了在请求生命周期中高效传递数据的解决方案。

csdn_tom_168的博客 1319
上一篇： JVM与Spring Boot核心知识
下一篇： Spring MVC 深度解析
点赞 21
评论 0
书签 书签 25
Java廖志伟
Java廖志伟
博客等级 码龄2年 3609粉丝 1517原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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