3.6学习心得

Openlayers3学习心得之Cluster 前言   最近在学习开源地图库——Openlayers3,将自己的一些学习心得分享出来,第一次写文章,望支持。 首先放几个链接,都是我学习过程中查阅资料用到的,新人接触这个值得好好学习一下: 简书——Openlayer3入门指南 Openlayer3 基础教程 开始你的第一个Openlayer3项目(导航栏的示例、API文档都很重要,新手一定要好好看哦) 如何呈现一副地图就不在这里多... 阅读详情

今天主要学习了Java中对象的概念,并对面对对象的编程进行了深入学习。

与C语言,VB面向过程的编程语言不同,Java是面向对象的编程语言。

1.Java中存在类和对象这两个概念。

类是一种自定义的数据类型;对象可以看做类的实体。

2.类所具备的最基本要素:(静态)属性、(动态)方法。

3.类的三大部件:成员变量、方法、构造器。

成员变量:

顾名思义是指予以定义赋值的属性名。例如

[修饰符] 数据类型 成员变量名 [= 默认值];
String name;
int age;
String code;

修饰符可以省略,数据类型可以是任意的数据类型(包含基本数据类型、类类型、数组类型)

方法:

具有返回值。例如

[修饰符] 方法的返回值数据类型 方法名(形参列表) {
    方法体语句;
}

String intro() {
        return "我叫"+this.name+",我的学号是"+this.code+",我今年"+this.age+"岁了。";
    }

返回值可以是数据类型(不要忘了自定义的数据类型),也可以是 void,如果定义了返回值,那么就必须在 return 后面跟随该类型的值或者对象。方法名一般首字母小写,也适用驼峰命名法则,一般是动词在前,名词在后。形参列表:定义方法可以接受的参数,由 0-N 个 「数据类型 参数名」通过 「,」 组合的。一旦方法指定了形参,那么在调用的时候就必须一一对应的传入实参。

构造器:

也是一种特殊的方法,方法名就是类名且没有返回值。构造器是类创建对象的唯一途径!如果一个类没有显式的定义一个构造器,那么编译器会给这个类默认的定义一个没有参数的构造器。如果显式的定义了一个构造器,那么编译器就不会给类定义默认的空参数构造器。例如

[修饰符] 类名([参数列表]) {}

Student1(String name, int age, String code) {
        this.name = name;
        this.age = age;
        this.code = code;
    }

4.static关键字

用于修饰成员变量和方法,用 static 修饰的成员变量后者方法是属于 类 的,而不属于该类的实例(对象)。通常把 static 修饰的成员变量称为「类变量、静态变量」,方法称为「类方法、静态方法」。

注意点:静态的成员是不能访问非静态成员的;静态成员之间是可以互相访问的。

例如:

static String teacher = "陆老师";// 方法

static String fun() {
    System.out.println(this.name); // 错误代码
    System.out.println(teacher);
    return "";
}

如上所示,static定义的teacher 方法是静态成员,可以访问。而this.name则不能访问。

5.使用对象的过程

类类型 对象名 = new 构造器方法();

例如

Student1 Lerbron= new Student1("勒布朗", 33, "C25");

如上所示 使用对象的过程就是将对象放入一个新的容器中,以便之后的使用。


                

3dsmax学习心得 3DSMAX是个庞大的软件,广泛应用于影视动画、建筑设计、广告、游戏、科研等领域。初学者自学的时候往往不知到从哪里入手,眉毛胡子一把抓,不但学不到具体的东西,也增加了学习的难度,打击自己的信心。 所以想学3DSMAX之前,必须要有个明确的方向,学3DSMAX想应用于那些方面?这样才可以针对性地去学习,把有效的时间和精力花在点子上。DISCREET公司自从开发了3DSMAX到现在都... 阅读详情

相关推荐

Rasa 3.x 学习系列-Rasa [3.2.6] - 2022-08-12新版本发布

Rasa 3.x 学习系列-Rasa [3.2.6] - 2022-08-12新版本发布。

大模型与Agent智能体 611

2018.3.6学习心得

package Student;import java.util.Date;//例如 「南通青鸟 IT 教育 96 班同学在 3 教室上陆老师的 Java 课」。////用面向对象的思维逻辑去分析,抽象实体:////班级//学生//教室//老师//课程//学校// classpublic class Student {// 成员变量 String clazz; String stu; String...

o_o_gl的博客 290

演化计算(蚁群算法、粒子群算法、遗传算法、演化规则......)

演化算法1.概念2.解决的问题 1.概念 传统算法(如梯度下降法、爬山法)根据导数的性质决定迭代的方向;而演化计算是一组解在一起协同作用产生一个最优解。 2.解决的问题 预测优化:演化计算(蚁群算法、粒子群算法、遗传算法等) 解的聚散、多样性:通过多次聚散,尽快得出最优解(某个解不合要求,要能够发散出去) ...

dear_jing的博客 4162

【无标题】STM8S103F3P6 学习心得

过孔缝合采用自动批量生成:在嘉立创 EDA 中右键铜箔,勾选 “启用过孔缝合”,设置间距 500mil,绑定 GND 网络,增强电源与地的连接性,缩短回流路径。打开 PCB 文件后,优先设置三大核心规则:线宽(电源网络 1.2mm,信号网络 0.4mm)、线距(0.2mm,满足常规生产要求)、过孔(孔径 0.6mm,焊盘 1.2mm)。绘制完成后必须执行 DRC 检查(嘉立创 EDA 中点击 “设计→检查 DRC”),我曾因未关联封装导致报错,通过核对器件封装名称与 PCB 库一致性后解决。

Tangzujia7667的博客 774

gem5 prefetcher

最近在gem5上做预取实验,添加自己的预取算法,这里采用hardware stream prefetcher , 修改了几个bug才给实验调试通过,发文记录下实验过程。 gem5上添加自己的预取算法步骤: (1)路径gem5-master/configs/common/Caches.py下,开启预取:class L1Cache(Cache): assoc = 2 tag_late

编程邦 3843

AU混响终极指南:从‘干声’到‘空间感’,用总音轨和发送技巧打造专业人声

本文详细介绍了如何在Adobe Audition(AU)中使用混响效果器,通过总音轨和发送技巧将‘干声’转化为具有专业‘空间感’的人声。从混响基础原理到总线架构设置,再到精细控制和自动化调整,全面解析了提升音频质量的实用技巧,适用于音乐制作、播客和内容创作。

weixin_30512089的博客 331

VS2019+QT6.24学习心得3

vs也与此类似。两者创建过程中都会遇到的一个问题:1.无法打开源文件“.h” 2.main文件和父窗口cpp文件都无法打开包括文件“.h”解决方法:1.对于qt制作的一般没有此问题,若出现问题。(1)在父窗口添加子窗口头文件。(2)默认编译完成的ui_XXX.h中显示的自定义控件类名称为#include,显示无法识别,但主动修改成#include"XXX"可以识别。2.vs+qt出现此问题,编译显示错误,点击取消后会进入一个ui_“父窗口名”.h的文件。

qq_70248028的博客 439

K230目标识别数字提问:模型只能识别近距离的目标,稍远一点就无法正确检测...如何解决?

🏆 本文收录于《全栈Bug调优(实战版)》专栏,致力于分享我在项目实战过程中遇到的各类Bug及其原因,并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者,本文将为你指引出一条更高效的Bug修复之路,助你早日登顶,迈向财富自由的梦想🚀!同时,欢迎大家关注、收藏、订阅本专栏,更多精彩内容正在持续更新中。让我们一起进步,Up!Up!Up!    备注: 部分问题/难题源自互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验总结所得,数条可行方案供所需之人参考。

**My Coding Family** 1897

MIT 6.824学习心得(3)浅谈GFS

如果简单来介绍GFS的架构,除了客户端之外,其包含一个Master节点(这里的Master节点是逻辑概念,不是物理概念,后面会提到Master节点的主从复制,和若干。每个节点通常为一个运行着用户级服务进程的Linux主机。在机器资源允许的前提下,我们可以把Chunkserver和客户端运行在同一台机器上。在存储文件时,文件会被划分成若干个拥有固定长度的Chunk(块)。Master在创建这些Chunk时,会赋予它们不可变的全局唯一的64位(块标识符)作为唯一标识,并将其移交给对应的Chunkserver。

gbl2005的博客 1261

SPRD Android 14 通过属性控制系统设置显示双栏或者单栏

SPRD Android 14 通过属性控制系统设置显示双栏或者单栏

m0_60898338的博客 1118

(一)激光线扫描-三维成像原理

激光线扫描是一种使用激光作为光源,通过特定的扫描设备(如光学镜头、电机驱动的镜头或电子扫描设备)将激光束引导到目标表面,并按照预定的路径进行扫描的技术。这种技术通常用于测量、检测、打印、切割等多种应用中。

FlyWine的博客 3629

python学习心得(6)— Mac os安装wxPython3.0

目的 目前wxPython版本已经到了4.0,但是之前所写的code都是基于3.0。为了能够快速运行起项目代码,暂时希望安装3.0版本。 下载dmg http://download.csdn.net/download/qiyu93422/10201995 问题 Cannot install wxPython on Mac OSX 10.11 El Capitan: no so

qiuyu93422的博客 1291

【制作100个unity游戏之28】花半天时间用unity复刻童年4399经典小游戏《黄金矿工》(附带项目源码)

在游戏发展史上,有些游戏以其简单而耐玩的特性,深深地烙印在了玩家的记忆中。《黄金矿工》就是其中之一,它曾经在4399等游戏平台上掀起了一股游戏热潮。这款游戏不仅给无数玩家带来了欢乐,还让他们体验到了挖掘金矿的刺激与乐趣。在这个项目中,我们将花费半天的时间,利用Unity引擎,重新打造这款经典小游戏。通过复刻《黄金矿工》,我们不仅是在向童年的回忆致敬,更是在挖掘游戏设计的精髓。在这个过程中,我们将学习如何实现游戏的核心玩法,设计简洁而有效的游戏机制。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 2900

Phthon3.7.6+PyCharm2019.3.3+PyQt5 PushButton

使用Phthon3.7.6+PyCharm2019.3.3+PyQt5实现点击PushButton自动按下按键a功能

weixin_43935995的博客 634

在实车上进行lio-sam测试

PS:将雷达和imu相对固定后,拆下来,原地晃啊晃,直到xyz进度达到百分百,参考gif。标定完成后,会在result文件夹下生成result.txt。

如果想成为中心,那么就到中心去吧。 997

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Window10下学习心得——安装篇——VS2019安装与opencv3.4.6配置(含添加项目属性表方法)(不定期更新)

Window10下学习心得——安装篇——VS2019安装与opencv3.4.6配置 FOR THE SIGMA FOR THE GTINDER FOR THE ROBOMASTER 简介: 该博客会为大家系统性的指导如何安装VS2019,作者本身是想写如何安装VS2017的(之前2018年安装的),但是发现微软官网目前没有VS2017的下载地址,或者说是我没找到,尽管2019现在社区完善并不是很...

whl970831的博客 3821

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2018年1月学习心得报告

以下分为两个部分: 一、 关于es6的学习 二、 git、jquery、vue、fis3打印的笔记复习 三、 关于《锋利的jQuery》的学习 四、 关于对各大视频网站的分析 这个月主要是通过纸质材料来更进一步学习,这个月主要看的两本书《es6标准入门-第三版》、《锋利的jquery》、11月份-12月份的学习笔记打印成册。通过纸质书籍来学习,注意力比较好集中,各种笔记标记在资料

认真和努力总没有错 952

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

从零到一,深度实践大模型微调——《AI Agent智能体与MCP开发实践》第三章学习心得

本文分享了学习《AI Agent智能体与MCP开发实践》第三章关于大模型微调的心得体会。重点介绍了如何通过Qwen3-0.6B轻量级模型实现"二次元猫娘陪伴Agent"的微调实践,包括数据处理流程、TRL库的使用技巧以及推理时的流式输出等关键技术。文章总结了微调的核心价值在于让预训练模型适应特定场景需求,并认为通过这个生动案例,普通开发者也能掌握大模型微调这一实用技能。全书理论扎实、案例生动、工具现代,特别适合想打造个性化AI助手的开发者学习。

qq_42022645的博客 1214

ExtJS6的版本历史、目录结构以及Demo安装过程

ExtJS的历史:2010年10月 发布 ExtJS 3.32013年5月 发布 ExtJS 4.22014年11月 发布 ExtJS 5.12015年4月 发布 ExtJS 62016年7月 发布 ExtJS 6.22017年4月 发布 ExtJS 6.5下载目录https://www.sencha.com/products...

weixin_34318956的博客 399

关于嵌入式系统应用——Linux环境下C编程的实现的学习心得

本篇博客是在做嵌入式系统应用实验中的收获。接下来会根据具体题目来分析问题解决问题。

m0_73185872的博客 778

第11周 oj for循环画三角形

问题及代码: /*Copyright(c)2016,烟台大学计算机学院 all rights reserved. 作者:曹欣宇 完成日期:2016年11月11日 题目描述 前几天,老师让良哥做一个画空心三角形的程序来取悦小师妹,可把良哥愁死了,C语言基础学得再扎实,算法不精也是硬伤呀!于是良哥又写好了主程序来找机前的你帮忙了^_^ 输入 输入一个数字 例如 5 输出 *

秋刀山名鱼、 2655

数据库第6章作业——课后习题

又结束了一章——第6章关系数据理论,这一章的作业蛮费脑子的,有的参考答案才知道原来是这么做。 先复习一下四大范式 1NF:是对关系模式的基本要求,不满足第一范式(1NF)的数据库就不是关系数据库。第一范式(1NF)是指数据库表的每一列都是不可分割的基本数据项,同一列中不能有多个值,即实体中的某个属性不能有多个值或者不能有重复的属性。简言之,就是无重复的列。 2NF:若R∈1NF,且每一个非主属性完全函数依赖于任何一个候选码,则R∈2NF。 3NF:设关系模式R<U,F>∈1NF,若R中不存在这样

xxxibgdrgn博客 2391

css3学习心得

我们知道CSS 用于控制网页的样式和布局,而CSS3 是最新的 CSS 标准。下面回顾一下css3中的新特性。(都是基于w3school网站学习的心得,更纤细的请查阅该网站。点击打开链接)         (1) 首先学习的第一个特性就是对块级元素进行操作:旋转 看下列代码(一定要自己敲一遍,便于记忆) div { border:1px solid bl

KSH_Wu的博客 798

JSP学习心得

JSP学习心得徐春金 应用与开发 下面是本人在学习JSP时的一些心得,特此奉献出来以供大家分享。一、JSP工作原理在一个JSP文件第一次被请求时,JSP引擎把该JSP文件转换成为一个servlet。而这个引擎本身也是一个servlet,在JSWDK或WEBLOGIC中,它就是JspServlet。 JSP引擎先把该JS

山哥's 专栏 3459

JavaWeb学习心得总结

JavaWeb(JSP+Servlet)新手学习心得总结 说明: 由于篇幅的原因,本文只是对于JavaWeb项目的大致数据流程做一个介绍,同时引出一些JavaWeb开发中很基础的知识点,且不会精确到具体代码实现。 所以本文的适合读者为刚刚接触JavaWeb开发的人,或者是想了解一下网页服务的大致流程的新手。 当然如果你关心具体实现,可以跟学https://www.bilibili.com/video/BV1BJ411L7NR,该教程从针对JavaWeb入门者的角度进行教学,非常适合新手。 同时如果你关心整体

weixin_46340844的博客 7972
上一篇: Java101班1组作业完成情况
下一篇: 3.6eclipse代码练习
Coldzerace
博客等级 码龄9年 3粉丝 65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