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
6.4k累计阅读
6.4k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
06 Javaweb知识
Llama模型结构拆解：为什么MLP模块要这样设计？从参数配置到计算流程全解析
本文深入解析了Llama模型MLP模块的设计精髓。通过拆解其三线性层结构、门控机制与SwiGLU激活函数，揭示了并行计算如何提升效率，并详细阐述了intermediate_size参数配置背后的经验权衡与计算考量，帮助读者透彻理解这一核心组件的设计逻辑与工程实现。
eclipse导出项目（war包），部署到tomcat，测试实例
1、maven项目标准结构： 2、导出项目： 右键项目： 3、 点Finish，导出war包。 4、将导出的war包，直接丢到，自己tomcat的的webapps下，，我的是在D：\ 5、修改tomcat -->conf-->server.xml文件 6、在tomcat--》bin目录下，启动tomcat
体验灵雀云-创建基于Docker的云服务
今天体验了一下灵雀云，创建了第一个基于Docker的云服务。 1.登录灵雀云 2.开始使用 登录之后，从"控制台"进入操作界面,开始创建服务。 首先需要选择一个镜像。灵雀云已经为您提供了一些常用的镜像列表。请在“常用镜像”列表中，选择“其它”，然后找到“alauda/hello-world”镜像，点击它右侧的“选择”按钮，进入服务参数配置页面。 选择完要创建的
在myeclipse中如何将项目打包成一个war包 发布到服务器
项目右键==》run as ==> maven install 在target目录下面会生成一个war文件 将此war文件放到tomcat下
腾讯滑块验证码collect参数逆向与JSVMP对抗实战
本文深入解析腾讯滑块验证码collect参数的逆向过程与JSVMP虚拟机对抗技术。通过详细的环境搭建、抓包分析和JSVMP逆向技巧，揭示collect参数的生成逻辑与加密流程，并提供完整的模拟实现方案和常见问题排查方法，助力开发者突破腾讯天御验证码的防护机制。
别再只调IoU了！给YOLOv8换上NWDLoss，实测小目标检测精度提升明显
本文深入探讨了YOLOv8在小目标检测中的优化策略，重点介绍了NWDLoss（Normalized Wasserstein Distance Loss）的应用优势。通过对比实验证明，NWDLoss能有效解决传统IoU损失函数的局限性，显著提升小目标检测精度，在遥感影像和交通监控等场景中表现尤为突出。文章提供了详细的代码实现和训练技巧，帮助开发者快速集成这一先进技术。
将JavaWeb项目打出war包并部署到tomcat
war包：一般是一个web应用，例如网站；jar包：常用的java类 下面说一下打war包的方式： 一，项目打包 两种方式，一种使用eclipse自带的打包方式，另一种使用的Maven的。 第一种：eclipse自带打包 1）选中项目右击选择导出，然后选择web文件夹中的WAR文件 标题2）点击Browse，选择存储位置，点击完成，成功打出war包。 第二种：使用Maven的打包...
山东大学FPGA课程实验一 加法器设计
电子设计自动化与FPGA设计，实验一 加法器设计
使用eclipse将项目达成war包并部署至服务器
3.查看电脑环境变量是否配置默认启动tomcat的地址，多个tomcat如果配置启动环境变量，不管启动那个tomcat都默认启动已经配置环境变量的tomcat，我就是这个问题！将打好的War包部署至服务器使用Xftp将war包放在目录中（一般是/www/server/tomcat/webapps下）1.正常描述：把打好的war包放入tomcat->webapps中，启动tomcat即可自动解压缩war包，然后即可访问；2.先排查tomcat的conf目录下的server.xml配置。
基因家族快速鉴定指南：Windows平台下的HMMER实战解析
本文详细解析了在Windows平台下使用HMMER工具进行基因家族快速鉴定的完整实战流程。通过手把手指导，从软件获取、数据准备到模型构建与序列搜索，帮助生物信息学新手无需Linux环境，即可高效完成bZIP转录因子等家族的鉴定工作，大幅降低分析门槛。
电机控制个人学习路线及专业书籍资源分享
个人学习电机控制的学习路线，和相关专业书的电子文档分享
myeclipse 打包war包并放在服务器上运行
生成war file --export–java ee–War file 选择存放路径 将war包放在Tomcat目录!(要解压到这个目录)[放在webapps目录下 名为poi] 运行 然后浏览器输入地址localhost：8888/poi ...
【C语言】字符常量详解
字符常量是C语言中处理字符数据的重要工具。通过单引号括起一个字符，我们可以方便地使用字符常量进行字符判断、字符运算和字符串处理等操作。理解字符常量的表示方法、使用场景和ASCII码对应关系，对于编写高效的C语言程序至关重要。
JavaWeb项目打包、部署至Tomcat并启动的全程指南（图文详解）
Tomcat部署JavaWeb项目；JavaWeb项目的打包与部署的全流程攻略
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
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。
将maven项目打包成war包，部署到tomcat服务器
1.右键要打包的项目，选择Run As -> Maven install :2.出现以下情况，则说明打包成功。3.刷新工程，在target中发现打包好的war包，并且复制war包，放入tomcat的webapps中，因为war包的名字过长，放入webapp时可以修改其名字。4.在cmd中运行startup.bat,启动tomcat。5.启动成功后，会在webapp中自动生成项目的文件。6.在...
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
如何将Web项目的war包部署到Tomcat服务器上
原文： 将web项目war包部署到Tomcat服务器基本步骤完整版 1.1 War包 War包一般是在进行Web开发时，通常是一个网站Project下的所有源码的集合，里面包含前台HTML/CSS/JS的代码，也包含Java的代码。 当开发人员在自己的开发机器上调试所有代码并通过后，为了交给测试人员测试和未来进行产品发布，都需要将开发人员的源码打包成War进行发布。 War包可以放在To...
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")
Java Web项目部署教程简单实用
Java Web项目的部署是将开发完成的Java Web应用程序发布到服务器上的过程，使得用户可以通过浏览器访问该应用程序。本教程将详细介绍如何部署Java Web项目，包括打包项目、选择服务器、配置服务器以及部署项目等步骤。根据需要，可以在server.xml文件中进行其他自定义配置，如设置虚拟主机等。本教程详细介绍了Java Web项目的部署过程，包括打包项目、选择服务器、配置服务器、部署项目以及配置数据库连接等步骤。
Maven项目部署到外置Tomcat上（windows,IDEA）
1.项目打包 打开Terminal，输入mvn install 最后出现BUILD SUCCESS说明打包成功，注意pom.xml配置文件里的打包形式，我的是war包 然后在target目录下面就可以看到.war结尾的打包好的项目了 里面就包含了项目的依赖包、字节码、配置文件等等 war包也是一个压缩包，可以解压的 如果有数据库的话，注意数据库配置中的端口号，部署到外置的Tomcat环境就不一样了。 2.项目部署 方式1（二选一）： 把打包好的war文件放到tomcat的weabapps目录下并解压,
idea中如何将web打成war包
本文转载于 csdn博客 https://blog.youkuaiyun.com/weixin_45859844/article/details/119965800 ，在此进行感谢博主的分享，觉得很有用，所以收藏保存。 目录 通用的方式打包 maven方式打包 eclipse版本：https://blog.youkuaiyun.com/weixin_45859844/article/details/119965820 如果要到服务器部署项目，可能需要将项目打成war包，
“史上最全“ Springboot打包war包并部署Linux
项目打包 1、配置打包排除test测试类 <!-- pom.xml配置 --> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-surefire-plugin</artifactId> <configuration> <skip>true</skip> <
附加：项目打成jar || war包；（PS：本篇博客，内容比较混乱，并没有给出自认为清晰、明确、有条理的解答；所以，不建议看；）
说明： （1）本篇博客主要解决一下几个疑问； jar和war包的区别； 非web项目，只能打成jar包？web项目只能打成war包？ maven的package命令，默认打成jar包； SpringBoot项目，为什么要打成jar包？ ...
JavaWeb项目部署到服务器并绑定域名
1. 将要部署的项目打包为war包 利用maven的打包工具，可以将项目打为war包或者jar包，这里选择打为war包 2.将war包部署到服务器 将打好的war包上传到服务器的tomcat的webapps下，启动tomcat会自动在webapps下生成一个和名称一样的文件夹。 然后通过ip:8080/项目名/ 就可以访问项目了 3.绑定域名 注意：域名需要备案，需要解析 修改tomcat,c...
将项目部署到Linux上的Tomcat中
部署项目的步骤如下: 1. 确定项目能运行 2. 导出项目为war包 3. 上传至linux 的Tomcat的webapps下 4. 启动Tomcat 5. 访问该项目 第一步: 执行上面的步骤二(将项目打成war包): 1.前提是你的项目能运行。 2.点击File —>ProjectStructue,在弹出的窗口找到"Artifacts" 3.点击"Artifacts",添加如下图所示: 成功打成war包之后,会如下图所示: 4.在右边的"Output director
tomcat运行war程序
java程序web程序可以打包成war包，然后扔到tomcat下面运行。在eclipse中，将web项目打包成war包，只需右键 你的web项目------->export-------->web------>war--------->选择war包存放目录。 成功将web项目封装成war包后，将其复制到tomcat的安装目录的webapps下面，运行tomcat，即可启动被打成
IntelliJ idea中将javaweb项目打包为war
IntelliJ idea中可以将javaweb项目打包为war，然后发布到web服务器上。 配置Web Application:Archive(也就是war包)： 1.打开project structure（默认的快捷键是Ctrl+Alt+Shift+S）， 2.依次选择Artifacts--->“+”--->Web Application:Archive---
web项目的发布（tomcat eclipse spring）
点击有惊喜 讨论一下项目发布的问题，因为我过去从没有认真发布过项目。 做过php的项目，在server上直接用php版本的eclipse进行开发，php的环境是早就配置好的，mysql也是事先安装好，在开发调试的过程中，都是直接使用server上的php+mysql+apache的环境，不存在项目发布的问题：开发好也就相当于部署好了。 但是，眼前这个项目不一样： 1.开
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
529
扫一扫
