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作为Spring框架的一部分,是一种基于Java的Web应用开发框架,它遵循MVC(Model-View-Controller)设计模式,旨在简化Web应用程序的开发。MVC模式将应用程序分为三个核心组件:模型(Model)、视图(View)和控制器(Controller),这种分层架构使得各个组件职责清晰,便于管理和维护。

前端控制器模式

Spring MVC采用前端控制器模式,其中一个组件(控制器)负责接收请求、调用相应的业务逻辑组件(模型),并返回响应给客户端。这种模式将业务逻辑、数据表示和用户交互分离,提高了代码的可维护性和可测试性。前端控制器通常使用Spring的DispatcherServlet来实现,它负责接收HTTP请求,并委托给相应的控制器处理。

MVC组件协作流程

在Spring MVC中,主要的组件包括:

  • 模型(Model):表示应用程序的数据,通常由业务逻辑组件提供,如服务层(Service Layer)或数据访问层(Data Access Layer)。

  • 视图(View):用于显示模型数据,可以采用多种技术实现,如JSP、Thymeleaf、FreeMarker等。

  • 控制器(Controller):接收用户请求,处理请求,并选择适当的视图返回给用户。控制器通常使用Spring的@Controller注解来声明。

请求流程如下:

  1. 用户发送请求到前端控制器(DispatcherServlet)。
  2. 前端控制器解析请求,并根据请求映射规则找到相应的控制器。
  3. 控制器处理请求,调用模型和视图。
  4. 模型准备数据。
  5. 视图渲染数据。
  6. 前端控制器将响应返回给用户。
RESTful支持

Spring MVC支持RESTful架构风格,允许开发者创建RESTful Web服务。RESTful服务通过HTTP方法(GET、POST、PUT、DELETE等)和URI(统一资源标识符)来操作资源。Spring MVC提供了强大的支持,如@RequestMapping、@PathVariable等注解,以及响应式编程模型(如WebFlux),使得开发RESTful服务变得更加简单。

二、核心组件

Spring MVC的核心组件包括控制器、视图解析器、处理器映射器和拦截器等。

控制器(Controller)

控制器是Spring MVC中的核心组件,负责处理用户的请求。以下是控制器的一些关键特性:

  • 注解驱动开发:使用注解如@Controller、@RequestMapping等简化控制器开发,减少XML配置。
  • 请求映射规则:通过注解或配置文件定义URL到控制器的映射,支持方法级别的映射和参数绑定。
  • 返回值处理:控制器返回的对象会被视图解析器解析成视图,支持多种视图类型,如视图名称、视图对象等。
视图解析器(ViewResolver)

视图解析器负责将控制器返回的模型数据传递给适当的视图。关键特性包括:

  • 模板引擎集成:支持多种模板引擎,如Thymeleaf、JSP、FreeMarker等,提供丰富的标签和表达式。
  • 内容协商策略:根据请求头或URL参数选择合适的视图,支持响应式视图(如JSON、XML)。
  • 视图重定向:将请求重定向到另一个URL,支持内部重定向和外部重定向。
处理器映射(HandlerMapping)

处理器映射器负责将请求映射到相应的处理器。关键特性包括:

  • 默认实现类:如RequestMappingHandlerMapping,支持多种映射规则,如URL、注解等。
  • 自定义映射规则:通过实现HandlerMapping接口自定义映射逻辑,如基于请求参数、请求头等。
  • 拦截器链:处理器映射器可以配置拦截器链,用于预处理和后处理请求,如日志记录、权限验证等。

三、数据处理

数据处理是Spring MVC的重要组成部分,涉及到参数绑定、数据转换和表单验证。

参数绑定机制

Spring MVC提供了强大的参数绑定机制,支持自动数据类型转换、日期格式化等。关键特性包括:

  • 自动数据类型转换:将请求参数自动转换为Java对象,如将字符串转换为整数、日期等。
  • 自定义数据转换器:通过实现Converter接口自定义数据转换逻辑,支持自定义转换规则。
数据转换器

数据转换器用于将请求参数转换为Java对象。关键特性包括:

  • 内置转换器:如StringToNumberConverter、DateConverter等,提供常用的数据转换功能。
  • 自定义转换器:通过实现Converter接口自定义转换逻辑,支持复杂的数据转换需求。
表单验证

Spring MVC提供了表单验证功能,确保用户输入的数据符合预期。关键特性包括:

  • 注解验证:使用注解如@Valid、@NotNull、@Size等实现验证,支持自定义验证规则。
  • 自定义验证器:通过实现ConstraintValidator接口自定义验证逻辑,支持复杂的数据验证需求。

四、文件操作

文件操作是Web应用中常见的需求,Spring MVC提供了方便的文件上传和下载功能。

多文件上传

Spring MVC支持多文件上传,关键特性包括:

  • MultipartFile接口:用于处理上传的文件,提供文件内容、文件名、文件类型等信息。
  • 文件上传配置:通过配置文件或注解设置文件上传参数,如文件大小限制、文件存储路径等。
下载响应控制

Spring MVC可以生成下载响应,关键特性包括:

  • HttpServletResponse:用于设置下载响应的头部信息,如内容类型、文件名等。
  • 文件输出流:将文件内容写入响应输出流,支持断点下载、文件压缩等功能。
静态资源处理

Spring MVC可以配置静态资源处理,如CSS、JavaScript和图片等。关键特性包括:

  • 静态资源映射:通过配置文件或注解设置静态资源映射,支持路径通配符、URL重写等功能。
  • 资源版本控制:通过添加查询参数控制缓存,如添加版本号或时间戳等。

五、异常处理

异常处理是Web应用稳定性的重要保障,Spring MVC提供了全局和局部异常处理机制。

全局异常处理器

全局异常处理器用于捕获整个应用程序的异常,关键特性包括:

  • @ControllerAdvice:用于声明全局异常处理器,支持类级别和方法级别的异常处理。
  • @ExceptionHandler:用于指定处理特定异常的方法,支持异常类型、HTTP状态码等参数。
状态码映射

Spring MVC允许将异常映射到特定的HTTP状态码,关键特性包括:

  • @ResponseStatus:用于指定异常处理方法返回的HTTP状态码,支持自定义状态码。
错误页面定制

Spring MVC允许自定义错误页面,关键特性包括:

  • error/xx.html:在Web应用的根目录下创建错误页面,支持自定义错误页面模板。
  • @ExceptionHandler:通过注解指定错误页面的路径,支持类级别和方法级别的错误页面映射。

六、扩展机制

Spring MVC提供了丰富的扩展机制,以适应不同的应用需求。

拦截器开发

拦截器可以用于预处理和后处理请求,关键特性包括:

  • @ControllerAdvice:用于声明拦截器,支持类级别和方法级别的拦截器定义。
  • @Interceptor:用于指定拦截器逻辑,支持拦截器链、执行顺序等配置。
跨域解决方案

Spring MVC支持跨域请求,关键特性包括:

  • CORS过滤器:通过配置CORS过滤器允许跨域请求,支持自定义CORS策略。
异步请求处理

Spring MVC支持异步请求处理,关键特性包括:

  • @Async:用于声明异步方法,支持单线程和线程池两种异步处理模式。
  • Callable:用于异步方法返回结果,支持异步获取异步方法的结果。

通过以上对Spring MVC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的分析,我们可以看到Spring MVC是如何构建一个高效、可扩展的Web应用程序的。这些知识点相互关联,共同构成了Spring MVC的强大功能,使得开发者能够快速构建高质量的Web应用。

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~

NVIDIA驱动装好了,Gazebo为啥还是卡?手把手教你用optirun搞定GPU加速 本文详细解析了NVIDIA驱动安装后Gazebo仍卡顿的原因,并提供三步精准诊断与GPU加速实战方案。通过optirun快速启用GPU加速,解决OpenGL与显示服务器的配置问题,显著提升仿真性能。适用于ROS、PX4等开发环境,帮助用户充分利用显卡性能。 阅读详情

相关推荐

电磁流量计模拟前端电路设计与优化

模拟前端电路(AFE)是传感器信号处理的核心环节,通过放大、滤波和模数转换实现信号调理。其设计需重点考虑放大器共模抑制比(CMRR)和ADC分辨率等关键参数,在电磁流量计等工业测量应用中,AD8220仪表放大器与AD7172-2 Σ-Δ型ADC的组合能有效简化传统多级架构。现代过采样技术结合数字滤波可替代模拟滤波器,显著提升系统集成度与测量精度,这种设计方法同样适用于压力传感、生物电信号采集等需要高精度信号调理的场景。

weixin_42602241的博客 618

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

Visual Studio Community与Visual Studio Community与VS Code有啥区别

Visual Studio Code提供了基本的代码编辑、调试和版本控制功能,以及丰富的插件和扩展库。Visual Studio Community和Visual Studio Code在功能上有很大的差异,Visual Studio Community提供了比Visual Studio Code更多的功能,包括代码重构、智能提示、图形化设计等。他的优势在于它的轻量级和灵活性。此外,Visual Studio Code还具有丰富的扩展和插件生态系统,用户可以通过安装插件来扩展其功能,从而满足自己的需求。

m0_56551554的博客 2845

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

Nginx国密HTTPS实战:SM2双证书部署与TongSuo编译指南

HTTPS作为保障网络通信安全的基石,其核心在于SSL/TLS协议与公钥基础设施(PKI)。它通过非对称加密实现身份认证与密钥交换,再结合对称加密确保数据传输的机密性与完整性。在金融、政务等对自主可控有严格要求的领域,采用符合国家密码管理局标准的国密算法(SM2/SM3/SM4)替代国际通用算法(如RSA/SHA-256/AES),已成为满足安全合规要求的关键技术路径。国密SSL不仅是一套算法替换,更涉及从底层密码库到上层应用服务的完整技术栈改造。其核心价值在于实现密码技术的自主可控,提升特定场景下的安全防

weixin_29323365的博客 505

AI编程实战:用Spec Coding与Codex半小时重构全栈项目

这次我们来看一个能显著提升全栈开发效率的实战方法:利用 AI 编程工具 Codex 和 Spec Coding 工作流,将原本需要数周甚至一个月的全栈项目重构工期,压缩到半小时级别。这不是概念探讨,而是基于现有工具链的、可立即上手的工程实践。 对于前端开发者或全栈工程师而言,面对老旧项目重构、技术栈升级或从零搭建新项目时,最大的痛点往往是重复性、模式化的代码编写工作。手动编写 CRUD 接口、页面组件、状态管理和联调测试,耗时费力且容易出错。而 AI 辅助编程的核心价值,正是在于将开发者从这些“体力活”中解

weixin_33525298的博客 290

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

解决linux 2.5G网卡驱动问题

解决linux 2.5G网卡驱动问题 关键词:2.5G网卡驱动,ubuntu,安装,2.5G Ethernet LINUX driver,Realtek网卡驱动 由于2.5G网卡较新,各linux发行版的通用驱动已不适用,新装的系统会出现无法上网问题,由于国内网络环境去Realtek官网很难下载到驱动文件,故本文提供github上的2.5G Ethernet LINUX driver r8125 for kernel up to 5.6的版本驱动文件r8125-9.003.05.tar.bz2各位可以自

poorguy_aos的博客 1万+

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

CH376S模块实战:如何通过串口轻松实现单片机与U盘的数据交互

本文详细介绍了如何利用CH376S模块,通过串口通信实现单片机与U盘的数据交互。文章从模块原理、硬件连接到核心指令集进行了全面解析,并提供了基于STM32的实战代码示例。CH376S模块极大地简化了USB协议和文件系统的复杂性,使开发者能快速为嵌入式设备添加便捷的数据存储与导出功能,适用于数据记录、配置导入等多种应用场景。

weixin_29165725的博客 458

书旗app字符串加密分析

本文案例是对书旗app搜索接口的请求密文进行分析和逆向。

李玺 3158

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

【DaVinci Developer专题】-28-Client Server Port Interface中useArgumentType、useArrayBaseType和useVoid介绍

共7页 目录 1 ImplPolicy = useArgumentType 2 ImplPolicy = useArrayBaseType 3 ImplPolicy = useVoid 4 三者代码差异部分 5 结尾 <--返回「实战篇」博文-总目录--> <--返回「Autosar从入门到精通-实战篇」专栏主页--> 关键字: 缩略语/术语 含义 DEV DaVinci Developer

「汽车电子助手」的博客 1503

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")

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

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

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核心机制解析
下一篇: Spring MVC 框架解析
Java开发廖志伟
博客等级 码龄2年 3491粉丝 1534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