Core Servlets and JSP Volume I 读后感 Servlet(三)

一 Servlet工作
   (1) 接收客户端显示数据,
   (2) 接收HTTP隐式数据(报头、cookie),
   (3) 负责与后台交互(EJB,WebService等),
   (4) 发送显示数据到客户端,
   (5) 发送隐式数据到客户端(如cookie信息)。

二 传统CGI技术与Servlet
 效率:
  并发(多进程"CGI",多线程"servlet"),
  载入内存(运行一次CGI载入一次,只保留一份类)
  缓存机制(不缓存"CGI",缓存"servlet")
 servlet基于java平台,使这项技术
  强大、安全、可移植、廉价、主流、便利

三 Servlet与JSP
   Serlet:编译jsp代码、Request过来的代码,然后Response给客户端Html代码。
   JSP:jsp其实就是Servlet的另外一种表达方式,只不过jsp更易于网页设计(表现),而Servlet更易于流程处理。
 
四 servlet的生命周期
   servlet创建:一般在第一次访问URL的时创建,也可以配置web.xml在服务器加载的时候创建。
   (1) init方法 "在首次servlet的时候,加载此方法,只执行一次"
        常规初始化(初始化参数)。
   (2) service方法 "每次访问创建一个线程调用此方法"
       service:提供GET,POST,PUT,HEAD,OPTION,TRACE请求的自动支持。
   (3) doXxx方法 "如doPost/doGet方法"
        常用请求:
        GET:正常的URL请求,没有指定METHOD的HTML表单
       POST:METHOD=POST的HTML表单。
   PUT,DELET,OPTIONS,TRACE,HEAD
   (4) destroy

五 servlet SingleThreadModel模式
   servlet可以通过SingleThreadModel的方式去独立访问一个servlet。
   SingleThreadModel针对高并发servlet有非常大劣势:
   (1) servlet访问排队时间长,导致IO堵塞。
   (2) servlet的规范允许容器启动多个servlet实例以线程池的方式去访问,将导致同样的同步问题,或数据的不共享等问题。
   解决方案:对于高并发的servlet,最好还是使用synchronized的方式去处理代码同步块儿。
  
六 Servlet 核心 API
  HttpServletRequest 
  1.request封装:
    Request-Line封装
    Request-Line =Method SP Request-URL SP HTTP-Version CRLF
    Method:最主要用到的是GET 和 POST方法
            public abstract String getMethod();
    Request-URL:URL地址
            public abstract String getRequestURI();
      public abstract StringBuffer getRequestURL();
      public abstract String getQueryString();//GET请求的查询字符串
    SP:空格
    HTTP-Version:HTTP版本
    CRLF:空行
   
    报头封装 
        public abstract String getHeader(String s);
     public abstract Enumeration getHeaders(String s);
     public abstract Enumeration getHeaderNames();
     
     //报头便利封装
     public abstract String getAuthType();
     public abstract long getDateHeader(String s);
     public abstract int getIntHeader(String s);
  public abstract String getCharacterEncoding();
     public abstract String getContentType();
     public abstract void setCharacterEncoding(String s);
     public abstract void setContentLength(int i);
     public abstract void setContentType(String s);
   
  public abstract Cookie[] getCookies();
     public abstract HttpSession getSession();
   
    Servlet信息
     public abstract String getPathInfo();
     public abstract String getPathTranslated();
     public abstract String getContextPath();
     public abstract String getServletPath();
 
     public abstract ServletOutputStream getOutputStream() throws IOException;
  public abstract PrintWriter getWriter() throws IOException;

  HttpServletResponse
  2.response封装
      //状态行封装:
      Status-Line = HTTP-Version SP Status-Code SP Reason-Phrase CRLF
      HTTP-Version:HTTP版本
      Status-Code:设置状态代码 public abstract void setStatus(int i);
      eason-Phrase:原因短语
                       
        //报头封装
  public abstract void addCookie(Cookie cookie);
     public abstract boolean containsHeader(String s);
     
     public abstract void setDateHeader(String s, long l);
     public abstract void addDateHeader(String s, long l);
 
     public abstract void setHeader(String s, String s1);
     public abstract void addHeader(String s, String s1);
 
     public abstract void setIntHeader(String s, int i);
     public abstract void addIntHeader(String s, int i);
 
  //设置服务器错误| 重发状态代码
     public abstract void sendError(int i, String s)
         throws IOException;
     public abstract void sendRedirect(String s)
         throws IOException;
  
  //地址编码
     public abstract String encodeURL(String s);
     public abstract String encodeRedirectURL(String s);
七  绝对URL
    对于HTML/JSP标签中的url,必需重整个web server应用位置开始
    对于serverlt forward的url,必需相对于当前应用的位置开始

基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
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