JSP入门学习

最新推荐文章于 2025-06-01 06:59:08 发布
最新推荐文章于 2025-06-01 06:59:08 发布
阅读量217 收藏
点赞数
分类专栏： java-web 文章标签： java-web-jsp
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LSGBB/article/details/100988030
版权
本文深入介绍JSP（JavaServer Pages）的基础知识，包括其作为特殊页面的概念、简化编程的作用，以及通过三种不同的方式定义Java代码的方法。此外，还详细讲解了JSP的内置对象request、response和out的使用，以及它们在数据输出上的区别。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

JSP：入门学习

  1. 概念：
    *Java Server Pages：java服务器端页面
    *可以理解为：一个特殊的页面，其中既可以指定html标签，也可以定义java代码

  2. 用途：
    简化书写！！！

  3. 原理：
    *JSP本质上就是一个Servlet

  4. JSP的脚本：JSP定义java代码的方式
    *JSP共有三种定义java代码的方式，每种方式定义的类型都有相应的要求

    1. <% java代码 %>：定义的内容实际位于该jsp对应的Servlet类的service方法中；故定义类型为方法类型
    2. <%! java代码 %>：定义的内容实际位于Servlet类的成员位置，故仅可定义成员类型，如成员变量，成员方法
    3. <%= java代码 %>：定义的内容会输出到页面上，故定义的是输出类型
      *说明
      *第2种定义方法一般不建议使用，因为Servlet中定义成员变量容易引发线程安全问题

  5. JSP的内置对象
    *指在jsp页面中不需要获取和创建，就可以直接使用的对象 – 即在jsp对应的Servlet类中已经包含的对象
    *jsp中共有9个内置对象
    *先学习3个重要的对象：
    1. request： 请求对象
    2. response： 响应对象
    3. out： 字符输出流对象
    *我们已知response对象可以往客户端发送数据，而out对象也可以将数据输出到页面上
    *response可以通过response.getWriter().write()方法写数据
    *out可以通过out.write()方法写数据
    *这两种方法的区别：
    *tomcat服务器写出数据的优先级不同
    *tomcat服务器给客户端响应前，会优先读取response缓冲区，再读取out缓冲区；
    从而，response写出的数据会永远先于out方法
    *使用注意：所以在jsp中输出数据时，最好只使用out方法

[论文笔记] 超详细解读DeepSeek v3全论文技术报告
心宝的博客
05-08 411
（可以理解为有多个专家，但每个token只会选择一部分专家进行推理，所以一个token的预测，只会用到37B参数），DeepSeek-V3 使用了。来实现高效的流水线并行（减少空泡情况，计算和通信同时进行，提升每张显卡的利用率）。对DeepSeek-V3进行了两阶段的上下文长度扩展。，在不使用采样loss帮助下，让每个专家访问次数接近）的。2、在第二阶段，进一步扩展到128K。阶段，以使其与人类偏好保持一致，并进一步释放其潜力。个不同的高质量token训练，然后进行监督微调和。，MoE）语言模型，总共。
DeepSeek-v3：开源大模型新高度，最强性能，最高性价比！（论文详解）
热门推荐
sherlockMa的博客
12-29 1万+
DeepSeek-V3是一个具有671B参数的大型Mixture-of-Experts语言模型，采用Multi-head Latent Attention和DeepSeekMoE架构以提高训练效率和推理性能。模型通过无辅助损失的负载平衡策略和多token预测训练目标优化，预训练于14.8万亿tokens，并经过监督微调和强化学习以提升性能。DeepSeek-V3在多个基准测试中表现优异，尤其在代码和数学任务上，与顶尖闭源模型媲美，而训练成本仅为2.788M H800 GPU小时。
DeepSeek-V3 技术报告
zephyr_wang的博客
02-12 933
为了减少开源模型与闭源模型的能力差距，我们提出了DeepSeek-V3，一个大的混合专家模型（），有6710亿参数，每个token会激活370亿参数。DeepSeek-V3采用多头隐注意力（Multi-head）提升预测效率，和节省训练成本。此外还采用了两个策略，1）策略进行负载平衡；2）采用了multi-token prediction（MTP）训练目标，增强整体表现。为了进行高效的训练，我们采用了FP8混合精度训练；同时设计了DualPipe 算法进行并行；
利用cache缓存初始化内存
redwingz的博客
07-08 2708
系统内存的初始化涉及到内存控制器的配置，需要读取DRAM条上EEPROM存储的各种配置参数，动态配置内存控制器。用汇编语言实现稍显复杂，当前的启动引导程序（如uboot）采用C语言实现这部分功能。然而，问题是在内存未初始化之前，系统是在FLASH设备中运行的汇编，C程序不能运行（原因是C语言函数的栈操作不能在FLASH中进行，FLASH的写操作需要首先擦除再写入）。要想运行C程序就需要找到一块在内...
【大模型】Deepseek-V3技术报告
静谧、淡雅
02-06 1126
DeepSeek V3 技术报告
Deepseek v3 的笔记
晓的博客
01-03 3221
Deepseek v3是Deepseek发布的旗舰模型，属于607B的混合专家（MoE）模型，其中活跃参数为37B。在当前的模型领域，它堪称最佳的开源模型，性能超越了Llama 3.1 405b、Qwen和Mistral等知名模型。根据基准测试结果，它与OpenAI的GPT - 4o以及Claude 3.5 Sonnet处于同一水平，并且在某些任务上的表现还要更胜一筹。
Deepseek v3&R1 学习笔记
m0_73202283的博客
02-05 518
为了解决低精度可能带来的收敛问题，团队设计了细粒度的量化方案，将 Activation 按 1*128 Tile 分组，Weight 按 128*128 block 分组，并通过提高累积精度来保证训练的稳定性。不同于Mixtral中大专家的设计（将稠密模型中的MLP结构复制8份），DeepSeek-V3采用大量“小专家”的设计，能够显著提升模型的稀疏程度。相比V2的236B总参数（21B激活参数），V3更加激进地引入256个专家，总参数量达到惊人的671B，而激活参数量仅仅增加到37B。
DeepSeek系列模型技术报告的阅读笔记
qq_40737798的博客
03-07 933
DeepSeek系列模型经过不断积累，量变产生质变，本文为DeepSeek系列模型论文进行阅读后做的相关笔记，其中有错误之处请私信\评论指正。
DeepSeek系列论文解读二之DeepSeek V3
qq_57597568的博客
02-14 1013
DeepSeek-V3是一个大型的专家混合(MoE)语言模型，总共有671B个参数，每个令牌激活37B个参数。它采用了多头潜在注意力(MLA)和DeepSeekMoE架构进行高效推理和经济高效的训练，这些在DeepSeek-V2中得到了验证。DeepSeek-V3还开创了一种无辅助损失策略来实现负载平衡，并使用多令牌预测训练目标来提高性能。该模型是在140万亿个高质量多样的令牌上预训练的，然后进行了监督微调和强化学习阶段。
DeepSeek-v3笔记(1)
我的备忘录
01-07 1970
直接从第二章Architecture开始。
AI大模型-DeepSeek V3搭建个人知识库教程
02-11
本教程详细介绍了如何使用 DeepSeek V3 搭建个人知识库，内容包括： 前置准备：注册 DeepSeek 账号并获取 API 密钥。 接入 DeepSeek：登录官网、创建密钥、选择模型。 下载并安装 anythingLLM：获取并安装 ...
1.DeepSeek 搞钱教程(0基础入门) (1) 2.DeepSeek R1 闭⻔学习讨论观点纪要 3.Deepseek V3从零基础到精通学习手册 4.DeepSeek V3搭建个人知识库教程
02-21
除了传统的学习资料，DeepSeek还紧跟时代潮流，结合现代工具如Canva，提供“批量制作养生笔记”的教程，让用户学习如何运用这些工具提高学习效率和趣味性。 此外，DeepSeek还考虑到了那些时间有限的用户，推出了“1...
DeepSeek：新版MoE语言模型技术报告
大模型任我行的博客
01-05 1469
如何解决大语言模型（LLM）在训练和推理过程中的负载均衡和性能优化？论文提出了DeepSeek-V3模型，引入了无辅助损失的负载均衡策略和多令牌预测目标，显著提升了模型性能。
uni-app学习笔记十五-vue3页面生命周期(二)
shenxiaomo1688的博客
05-28 560
onShow：用于监听页面显示，页面每次出现在屏幕上都触发，包括从下级页面点返回露出当前页面；onHide:监听页面隐藏，当离开当前页面时触发。
pikachu靶场通关笔记07 XSS关卡03-存储型XSS
mooyuan的网络安全博客
05-29 825
本系列为通过《pikachu靶场通关笔记》的XSS关卡(共10关）渗透集合，通过对XSS关卡源码的代码审计找到XSS风险的真实原因，讲解XSS的原理并进行渗透实践，本文为XSS关卡03-存储型XSS的渗透部分。
学习笔记：3个学习AI路上反复看到的概念：RAG，Langchain，Agent
FBeetle的博客
05-31 278
RAG的能力核心是有效结合了检索和生成两种方法。基本思路是把私有数据进行切片，向量化后通过向量检索进行召回，再作为上下文输入到通用大模型，模型再进行分析和回答。同时，AI Agent也可以利用RAG技术来提高其在特定任务（如问答或对话系统）中的性能，尤其是在需要外部知识来支持决策时。RAG可以作为LangChain（如果它是一个语言处理工具）的一部分，用于提供更加丰富和准确的语言生成能力。AI Agent可能使用LangChain来处理自然语言的任务，比如理解用户输入和生成响应。
SAP学习笔记 - 开发17 - 前端Fiori开发 Component 配置（组件化）
最新发布
shi_ly的专栏
06-01 597
本章讲 Component 配置（组件化），其本质就是把一些共通处理给拿出来放到 Component.js 里面。这样做就会缩减Controller.js 里面的代码。
【C语言极简自学笔记】项目开发——扫雷游戏
LQYYDSY的博客
05-29 563
本次项目旨在使用 C 语言开发一个控制台版本的扫雷游戏，实现以下基本功能： 初始化游戏棋盘，包括雷区的布置和非雷区域周围雷数的计算。 玩家通过输入坐标来翻开棋盘格子，若翻开雷则游戏失败，若翻开所有非雷格子则游戏胜利。 提供标记雷的功能，方便玩家识别可能有雷的区域。 具备良好的用户交互界面，显示棋盘状态和游戏提示信息。
Opencv4 c++ 自用笔记 02 图像操作
qq_37231166的博客
05-30 421
threshold中只有一个全局全阈值，会受到阴影与光照的影响。在adaptiveThreshold()中提供了两种局部自适应阈值的二值化方法。这个函数会将灰度图像转化为二值图像，通过均值法或高斯法自适应计算邻域内的阈值，随后再进行二值化。OpenCV 中常见的颜色空间包括：BGR、RGB、GRAY、YUV、HSV、Lab 等。二值图像中只有两个值，即原图像中的灰度最大值与最小值。在threshold()中，原图像只能是CV_8U或CV_32F。操作数（及结果）的尺寸、通道数和数据类型必须一致。
deepseek专业训练
02-07
### DeepSeek 专业训练课程资料教程 #### 学习路径概述 对于希望深入了解并参与 DeepSeek 训练的专业人士而言，官方提供了一套详尽的学习成长路线图。这份文档不仅适合初学者入门，也适用于那些寻求更深层次理解的技术专家[^3]。 #### 关键资源链接 - **技术报告**：《DeepSeek-V3 Technical Report》提供了关于性能优化、架构设计等方面的深入解析，是理解和掌握 DeepSeek 的核心参考资料之一[^1]。 - **GitHub仓库**：`https://github.com/deepseek-ai/DeepSeek-V3` 中包含了完整的项目源码以及详细的安装指南和使用说明，这对于实践操作至关重要[^2]。 #### 推荐学习材料 为了更好地支持不同层次的学习者，建议按照以下顺序逐步推进： 1. **基础理论** - 开始前应具备一定的机器学习基础知识，特别是深度学习领域内的概念和技术。 2. **阅读官方文档** - 细读《DeepSeek-V3 Technical Report》，重点关注模型结构、预训练方法等内容。 3. **动手实验** - 利用 GitHub 上提供的代码库，在本地环境中搭建测试平台，尝试运行样例程序，并调整参数观察效果变化。 4. **加入社区交流** - 积极参与到相关论坛讨论中去，与其他开发者分享经验心得，共同解决问题。 5. **持续跟进最新进展** - 定期查看官方发布的更新日志和其他研究论文，保持对该领域的敏感度和发展趋势的关注。 ```python # 示例：加载预训练模型 from transformers import AutoModelForSequenceClassification, AutoTokenizer model_name = "deepseek-ai/v3" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForSequenceClassification.from_pretrained(model_name) text = "这是一个用于演示的输入文本。" inputs = tokenizer(text, return_tensors="pt") outputs = model(**inputs) print(outputs.logits) ```
评论
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