Spring MVC 个人 注意小点

本文详细阐述了MVC架构的概念及其在实际项目中的应用,特别聚焦于使用Spring框架实现MVC模式的过程。重点包括各层职责、关键组件如DispatchServlet、JSP、Model、Controller的使用及配置,以及如何通过实例代码实践这些概念。
MVC是从大二就开始接触,有点了解的,但是当时没有仔细的去研究,只是大概知道有这么个东西,现在,大三下,由于项目的需求要用Spring才会对这个有进一步的探索。 从上往下(即从用户到底层):View,即管试图的,让用户看得见的那一层;Model,封装应用程序的data来提供给View显示;Controller,即控制请求,调用后端的程序进行处理; View,一般是指用JSTL编写的JSP;Model,通常包含领域对象,由服务层进行处理和持久化(至于什么是领域模型:http://topic.youkuaiyun.com/u/20090409/10/9db26d38-8d43-4a01-80ba-953ade7c6917.html);Controller:任意的Java类(添加了Spring控制器注解的),而且,必须与服务层组件进行交互。 下面是我看书的过程中,以下是我觉得需要注意的地方: 在MVC中,唯一要在Web部署描述附中配置的Servlet:DispatchServlet! 1.JSP只充当模板,所以是由框架读取用来生成动态的内容,所以,不是用户读取的:放在/WEB-INF目录下,防止用户访问。 2.每一个Controller的返回都是一个ModelAndView对象; 3.可以通过HttpServletRequest获取请求的参数,但是需要进行类型转换,ServletRequestUtils可以获取类型转换后的参数; 4.构造ModelAndView对象:直接在构造函数中传参(new ModelAndView( , , ));当有多个模型属性需要传递给视图时,保存到Map中,再传递给ModelAndView,例如Map model = HashMap(); ;根据具体类型自动生成模型的名称用ModelMap。 5.拦截请求HandlerInterceptor:在Web应用程序上下文中配置的,所以可利用各种容器特性,可以引用容器中声明的任何Bean。 好了,先到这,感谢《Spring攻略》,很好的一本书,个人觉得还是需要多多动手写代码练习的,多用项目来思考利用现在的知识。个人意见,还望大家指正。 by Apple

转载于:https://www.cnblogs.com/iambug/archive/2012/03/01/2376024.html

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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