JSP自建标签_1_TLD文件描述

本文介绍了TLD文件的基本概念及其如何用于描述自定义标签。重点讲解了TLD文件中的`<tag>`元素及各子元素的作用,如标签名称、引用类地址和标签体内容等,并通过实例说明了如何定义属性及其配置。

自定义标签前,基本知识了解:

TLD:这个文件就是一个XML,它的作用是描述。

TLD中的function标签:用来描述EL方法

TLD中的Tag标签:用来描述标签。

<name> 

标签名

<Tag-class>

引用类地址

<body-context>

标签体  

有4个选项:JSP:当前标签体可以是任意JSP内容。JSP(简单标签不能写)

            Scriptless: 当前标签体可以是除了Java的任意JSP内容。

           Empty:不包含标签体。

            Tagdependent:不对浏览器输出任何东西,是给后台用的。

在tld文件中对标签进行描述

        <tag>

                 <name>simpleDemo1</name>-- 标签的名字

                 <tag-class>com.itheima.simletag.SimpleDemo1</tag-class>-- 标签的处理类

                           <body-content>scriptless</body-content>-- 标签体

                 <attribute>-- 声明一个属性,可以声明多个属性

                           <name>times</name>  -- 属性的名字

                            <required>true</required>-- 是否为必须存在的属性

                            <rtexprvalue>true</rtexprvalue>-- 是否支持el表达式

                            <type>int</type>-- 属性的java类型

                   </attribute>

         </tag>


根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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

打赏作者

良之才-小良

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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