墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
600+累计阅读
611平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
首先远程服务器的tomcat必须开启远程debug端口。
开启方式：tomcat目录 -> bin -> catalina.sh
编辑catalina.sh文件添加一行外部DEBUG端口
CATALINA_OPTS="-server -Xdebug -Xnoagent -Djava.compiler=NONE -Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=4493"
重启tomcat
本地IDEA添加远程tomcat
创建一个host连接
完成配置启动. 如果输出信息connected to the target vm 代表启动成功
IDEA Debug启动tomcat报60659端口占用错误的解决
工作中将开发工具由Eclipse转为IntelliJ IDEA，在使用过程中遇到许多问题，其中60659端口占用错误对于不熟悉IDEA的开发者来说或许会比较头痛，本文就来解决一下这个问题
idea调试远程tomcat服务
（1）、找到远程服务器的tomcat，进入到bin目录，打开catalina.sh文件，查看远程debug端口。如上可以看到，访问远程的服务，进入了本地代码的断点，且服务器上日志也能正常打印。5、启动远程调试，点击虫子，之后下面出现如下提示，则说明远程调试连接成功。3、查看tomcat日志,进入tomcat的logs下，执行。远程部署的代码需要和本地一致，否则调试过程可能不会成立。填写ip，端口信息，点击apply，之后再OK。6、本地代码打断点，验证远程是否被调试。2、查看到端口如：8788。
从查表法到实时计算：SimpleFOC库中正弦函数优化的技术演进
本文深入探讨了SimpleFOC库v2.0.1版本中正弦函数优化技术的演进，从传统查表法到实时计算的创新实践。通过定点数优化、对称性利用和分段线性插值等关键技术，实现了在嵌入式电机控制中的高效三角函数计算，显著提升性能和资源利用率。
IDEA启动Tomcat报Unable to open debugger port (127.0.0.1:50168): java.net.SocketException "socket closed
IDEA启动Tomcat报Unable to open debugger port (127.0.0.1:50168): java.net.SocketException "socket closed 打开IDEA启动Tomcat的Debug模式，结果启动报错：IDEA启动Tomcat报Unable to open debugger port (127.0.0.1:50168): java.net...
深入解析FastDDS：SHM与DATA-SHARING传输层的性能对比与实现细节
本文深入对比了FastDDS中SHM与DATA-SHARING两种传输层的实现机制与性能差异。SHM采用端口化共享内存模型，存在两次数据拷贝；而DATA-SHARING通过共享历史实现真正的零拷贝，大幅降低延迟与CPU占用。文章结合实战测试数据，为机器人、自动驾驶等高实时性场景提供了关键的性能优化选型与配置指南。
CAD文件转换避坑指南：Inventor导出STP时这些设置千万别忽略
本文深入解析了使用Autodesk Inventor导出STP文件时的关键设置与避坑指南。重点探讨了应用协议选择、样条曲线拟合精度对几何保真度的影响，以及装配体结构和元数据的保全策略，旨在帮助用户实现高质量、零误差的CAD数据交付，避免下游软件打开时出现特征丢失或曲面破碎等问题。
Idea Tomcat远程debug
1、修改远程tomcat配置文件 catalina.sh 文件 添加如果配置： JAVA_OPTS="-XX:PermSize=256M -XX:MaxPermSize=256M -Xms2048M -Xmx2048M -Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=44559" 如果存在JAVA_OPTS配置，...
保姆级教程：用rosbag录制和回放你的第一个ROS机器人数据（附C++/Python代码）
本文提供了一份详细的ROS机器人数据录制与回放教程，涵盖从命令行操作到C++/Python编程实现的全流程。通过rosbag工具，开发者可以高效记录和回放机器人运行时的传感器数据和控制指令，适用于故障复现、算法调试等多种场景。教程还包含高级技巧如时间同步和大文件处理，帮助用户快速掌握ROS数据管理核心技能。
解决 idea tomcat启动项目报错——Unable to open debugger port
问题场景 打开idea准备debug模式启动tomcat项目，却启动失败报错：Unable to open debugger port (127.0.0.1:60157): java.net.SocketException “socket closed”。 问题分析 因为端口被占用导致的。 解决方法 修改tomcat启动配置，更改出问题的端口值； 直接将涉及到对应端口的...
人像美肤 人体美型 CVPR 2022 ABPN
人像美肤 CVPR 2022 ABPN
双馈风机并网系统宽频振荡机理与抑制方法研究
双馈风机并网系统宽频振荡分析与抑制 摘要：本文研究了双馈风机(DFIG)接入弱电网引发的宽频振荡问题。通过建立DFIG并网系统阻抗模型，分析了锁相环带宽、电流环带宽等参数对阻抗特性的影响。研究揭示了DFIG与电网阻抗交互导致交截频率处相位差超过180°的振荡机理。提出基于锁相环优化的阻抗重塑抑制策略，采用电压补偿和陷波器改善系统稳定性。仿真结果表明，该方法能有效降低相位差约10°-168°，显著抑制宽频振荡。代码实现了阻抗建模、稳定性分析和抑制策略验证，为工程应用提供了理论依据。
Tomcat debug模式启动
对于需要定位tomcat启动问题时可以使用. debug模式启动: Tomcat会等待远程debug连接上之后,才启动. 1.修改catalina.sh 在文件开头,加入以下内容: export JPDA_OPTS=-agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=0.0.0.0:8000 和配置远程debug的区别,这里的suspend=y,远程debug是suspend=n. 其中 8000是debug监听端口. 如果不用800
[系统安全] 十七.Windows PE病毒概念、分类及感染方式详解
作者前文介绍了PE文件格式，熟悉各种PE编辑查看工具，针对目标EXE程序新增对话框等；这篇文章将介绍Windows PE病毒， 包括PE病毒原理、分类及感染方式详解，并通过案例进行介绍。这些基础性知识不仅和系统安全相关，同样与我们身边的APP、常用软件及操作系统紧密联系，希望这些知识对您有所帮助，更希望大家提高安全意识，安全保障任重道远。本文参考了《软件安全》视频、安全网站和参考文献中的文章，并结合自己的经验和实践进行撰写，也推荐大家阅读参考文献。
使用IDEA远程debug调试tomcat启动的程序
之前可能是给测试替的程序出了问题，本地代码没问题测试一直出错，控制台也不打印，后来用idea远程debug测试部搭的程序，终于找到了错误原因。 步骤如下： 1.选择tomcat Server 中的remoteDebug,选择本地安装的tomcat,输入要调试的项目路径:端口号/项目名,修改debug中的端口号为54425 导入语句是：To debug remot server JVM…下边生成的那一句。 Linux 系统入语句为： export JAVA_OPTS=’-Xdebug-Xrunjdwp:t
为什么一个“时间片”能折腾 Linux 十年？
时间片扩展不是抢占调度器的控制权，也不是提升优先级。在“非常短暂、非常确定”的用户态临界区内，避免线程被不必要地抢占。用户态自旋锁（user-space spinlock）无系统调用的极短临界区高并发、低延迟的数据结构操作RSEQ（Restartable Sequences）保护区间一旦线程在临界区被抢占，系统整体性能反而下降。线程 A 拿着一个用户态锁线程 B 被调度上来，开始自旋等这个锁但 A 因为时间片用完，被调度器切走CPU 白白空转，所有线程都在浪费时间。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
idea android远程调试,IntelliJ IDEA远程调试（Debug）Tomcat
为什么需要这么做？解决 在我本地是好的啊 这个世界性难题～测试环境碰到问题，直接连上debug，不用再测试本地，再查看测试环境日志遇到一些诡异的问题，日志是看不出端倪的调试一些只能在测试环境执行的流程，如：调用微信/支付宝付款服务器Tomcat配置以 Linux 环境为例Tomcat 安装在: /usr/program/tomcat7Tomcat 的执行程序：/usr/program/tomcat...
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
【调试】Idea如何远程debug之tomcat war包启动
一、修改tomcat配置并启动 1.修改tomcat bin目录下的startup.sh配置，定位startup.sh最后一行，使用jpda start启动 即将exec "$PRGDIR"/"$EXECUTABLE" start "$@"修改为exec "$PRGDIR"/"$EXECUTABLE" jpda start "$@" 2.修改tomcat bin目录下的catalina....
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
IntelliJ IDEA 远程调试 Tomcat 应用：终极完整指南
IntelliJ IDEA 是一款功能强大的 Java 集成开发环境，提供了便捷的远程调试功能，帮助开发者在本地调试部署在远程服务器上的 Tomcat 应用。本教程将详细介绍如何配置和使用 IntelliJ IDEA 远程调试 Tomcat 应用，让你轻松解决远程服务器上的代码问题。 ## 准备工作 在开始远程调试之前，需要完成以下准备工作： - 明确远程服务器的 IP 地址，例如：192.
Intellij Idea 远程debug 报错：java.net.ConnectException "Connection refused: connect"
问题： Intellij Idea 远程debug 报错：java.net.ConnectException "Connection refused: connect" 在网上找了一堆解决方案始终没有解决，网上最多的原因是端口被占用，查找占用的端口，把对应端口进程结束掉。 我也查过我的端口并没有占用，于是乎继续找原因。 苍天不负有心人啊，终于看到这个帖子 “IntelliJ IDEA...
Intellij idea远程debug连接tomcat，实现单步调试
作者：博陵精骑 |来自：优快云web项目部署到tomcat上之后，有时需要打断点单步调试，如果用的是Intellij idea，可以通过如下方法实现：开启debug端口...
tomcat 远程debug，jpda的使用
开启tomcat远程debug模式 1.第一步，设置debug下面的端口 进入tomcat下面的bin目录， vi ./catalina.sh 找到JPDA_ADDRESS= 8099参数，设置自己想要的端口号。 不设置也行，默认端口为8000 题外话：也可以在.bash_profile里面设置这个变量 export JPDA_ADDRESS= 8099个人觉得没必要。 网上有
IDEA 远程debug (Tomcat)
总有有人会问，为什么需要远程debug 大部分时间当我们遇到问题时，直接在本地debug就可以，基本用不着远程debug，但是有时候遇到某些问题只能在线上才会复现，又或者只有在开发机或者预览机上才有权限访问的时候就显得十分捉急了 本地配置(啥也不说，上图) 只为做个记录(如果按一下配置之后还是不能连接，尝试关闭下服务器的防火墙) 服务器配置 一下以Linux环境为例，进入./tomcat/bin...
intellij idea 远程调试（备忘）
步骤： 1，配置idea 2，配置服务器tomcat配置文件 3，启动远程调试 1，配置idea。 找到idea 的 run/debug configuration 界面。点击+ 找到remote。在configuration下设置host ：远程服务器的ip。 port：调试时所用的端口。 2配置tomcat （linux下） 在tomcat的bi
tomcat端口被占用_IntelliJ IDEA远程连接tomcat，实现单步调试
欢迎关注头条号：Java小野猫web项目部署到tomcat上之后，有时需要打断点单步调试，如果用的是Intellij idea，可以通过如下方法实现：开启debug端口，启动tomcat以tomcat7.0.75为例，打开bin目录下的catalina.bat文件，如下图，可以看到默认的debug端口是8000，如果本地的8000已经被占用，请改成一个未占用的端口号：在bin目录下执行命令cata...
idea 远程调试
本文介绍了远程Debug Java进程的方法。 远程debug的意思是启动一个Java进程，启动一个debugger进程，将两者连接起来，利用debugger来debug Java进程。 事实上目前所有的IDE的debug功能都是通过远程debug方式来实现的，它们都利用了一个叫做JDPA（Java Platform Debugger Architecture）的技术。 利用JDPA我...
tomcat 远程调试debug配置，调试特定环境故障
1.修改tomcat服务器配置 打开tomcat/bin/catalina.sh 在空白处添加如下参数 CATALINA_OPTS="-Xdebug -Xrunjdwp:transport=dt_socket,address=xxx.xxx.xx.xx:60222,suspend=n,server=y" 说明：address为tomcat服务器ip地址，这里必须填上（如果是局域网ip，就填局域网ip，如果不填ip，可能启动会用127.0.0.1这个回环地址，导致DEBUG失败）。端口号随便定义，没被占用即
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
