初识Jackson——世界上最好的JSON库

java架构师小芷 java架构师小芷 博客等级 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 700+累计阅读 773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 码龄6年
关注
转载 最新推荐文章于 2026-07-04 07:54:59 发布 773 阅读 AI 写同款· GEO 优化 ›
Jackson解析JSON详细教程 Jackson和FastJson一样，是一个Java语言编写的，可以进行JSON处理的开源工具库，Jackson的使用非常广泛，Spring框架默认使用Jackson进行JSON处理Jackson有三个核心包，分别是，通过这些包可以方便的对JSON进行操作在模块。定义了一些流处理相关的API以及特定的JSON实现在模块，包含了Jackson中的注解在模块，在Streaming包的基础上实现了数据绑定，依赖于Streaming和包得益于Jackson高扩展性的设计，有很多常见的文本格式以及工具都有对。.... 阅读详情

åè¯Jacksonââä¸çä¸æ好çJSONåº

一个工程仅需一个JSON库

Java的JSON库，你至少应该用过/听过这三种：Jackson、Gson、Fastjson。一个独立的工程，按照依赖最少原则，本应该only one JSON库是足矣的。但现状是：各位同仁可观察观察各自的项目，大都同时存在2种JSON库，亦或者3种甚至更多...

说明：在同一个工程内，同一功能若有多种实现，实属不好的现象。这会让管理起来显得混乱（譬如对日期的格式化就不方便做到统一），出口若有多个，想收口时就是个大难题了

作为一个合格的架构师/工程师，保持最简依赖(一致性依赖)是应该有的技术范，因为简单一致性它能带来很大的收益，道理很简单：两个Java程序员的沟通/协同效率，一定会比1个Java + 1个Python沟通效率高。

so what，我们应该选择哪一种JSON库呢？答案显而易见，那便是Jackson。因为它各个方面表现均非常优秀，是世界最流行、最好的JSON库。把Jackson作为工程唯一JSON库是有一丢丢门槛的（想想你为何使用Fastjson就知道啦），所以它来啦，祝你跨越此门槛，规范化使用，助你增加一项主流的硬核实力，这也是本专栏的最大意义所在。

Jackson是世界最好的JSON库

Jackson是一个简单的、功能强大的、基于Java的应用库。它可以很方便完成Java对象和Json对象(xml文档or其它格式）进行互转。Jackson社区相对比较活跃，更新速度也比较快。Jackson库有如下几大特性：

  • 高性能且稳定：低内存占用，对大/小JSON串，大/小对象的解析表现均很优秀
  • 流行度高：是很多流行框架的默认选择
  • 容易使用：提供高层次的API，极大简化了日常使用案例
  • 无需自己手动创建映射：内置了绝大部分序列化时和Java类型的映射关系
  • 干净的JSON：创建的JSON具有干净、紧凑、体积小等特点
  • 第三方依赖：仅依赖于JDK
  • Spring生态加持：jackson是Spring家族的默认JSON/XML解析器（明白了吧，学完此专栏你对Spring都能更亲近些了，一举两得）

版本约定：本专栏统一使用的版本号固定为2.10.1（2019-12-09发布），GAV如下：

<dependency>
    <groupId>com.fasterxml.jackson.core</groupId>
    <artifactId>jackson-core</artifactId>
    <version>2.10.1</version>
</dependency>

为了保持版本的统一性，后续的Spring Boot（2.2.2.RELEASE）/Spring Framework（5.2.2.RELEASE）使用的均为当前最新版本，因为它内置的jackson也恰好就是本专栏讲解的版本。

正文

细心的朋友从上面的groupId里可以看到：jackson它隶属于fasterxml这个组织。本着追本溯源的精神，可以稍微的了解了解这个组织：fasterxml官网 截图如下

初识Jackson——世界上最好的JSON库

 

简单翻译：FasterXML是Woodstox流的XML解析器、Jackson流的JSON解析器、Aalto非阻塞XML解析器以及不断增长的实用程序库和扩展家族背后的业务。

作为一个高度流行的开源库，这种官网页面应该刷新了你的认知吧。并不是它内容不多，而其实是它的详细介绍都发布在github上了，这便是接下来我们来认识它的主要渠道。

这种做法貌似已经成为了一种流行的趋势：越来越多的开源软件倾向于把github作为他们的Home Page了

fasterxml组织它直属的一级工程其实也有不少：

  1. com.fasterxml.jackson
  2. com.fasterxml.uuid
  3. com.fasterxml.woodstox
  4. ...

很显然，本专栏仅仅只会关注jackson工程，该工程便是该组织最出名且最最最为重要的部分。

官网介绍

了解一门新的技术，第一步应该就是看它的官网。上面已然解释了，fasterxml组织它把各工程的首页内容都托管在了github上，Jackson当然也不例外。Jackson官网 上对它自己有如下描述：

Jackson旧称为：Java(或JVM平台)的标准JSON库，或者是Java的最佳JSON解析器，或者简称为“Java的JSON”

从这名字就霸气外露了，NB得不行，足以见得它在JSON解析方面的地位和流行程度，当然主要是自信

初识Jackson——世界上最好的JSON库

 

更重要的是，Jackson是一套JVM平台的 数据处理（不限于JSON） 工具集：包括 一流的JSON解析器/ JSON生成器、数据绑定库(POJOs to and from JSON)；并且提供了相关模块来支持 Avro, BSON, CBOR, CSV, Smile, Properties, Protobuf, XML or YAML等数据格式，甚至还支持大数据格式模块的设置。

分值：1.x和2.x

Jackson有两个主要的分支：

  • 1.x分支，处于维护模式，只发布bug修复版本（最近一次发布于Jul, 2013）
  • 2.x是正在开发的版本（持续更新升级中，2.0.0发布于Mar, 2012）

注意：这两个主要版本使用不同的Java包名和Maven GAV，因此它们并不相互兼容，但可以和平共存。一个项目可以同时依赖于这两个版本是没有冲突的。这是经过设计而为之，选择这种策略是为了更顺利地从1.x进行迁移2. x

说明：现在都2020年了，1.x可以毫不客气的说已经淘汰了（除了非常老的项目还在用），因此针对1.x版本本专栏不会有任何涉猎。

模块介绍

Jackson是个开源的、且开放的社区。下面列出的大多数项目/模块是由Jackson开发团队领导的，但也有一些来自Jackson社区的成员

三大核心模块

core module(核心模块) 是扩展模块构建的基础。Jackson目前有3个核心模块：

说明：核心模块的groupId均为：<groupId>com.fasterxml.jackson.core</groupId>，artifactId见下面各模块所示

  • Streaming流处理模块(jackson-core)：定义底层处理流的API：JsonPaser和JsonGenerator等，并包含特定于json的实现。
  • Annotations标准注解模块(jackson-annotations)：包含标准的Jackson注解
  • Databind数据绑定模块(jackson-databind)：在streaming包上实现数据绑定(和对象序列化)支持；它依赖于上面的两个模块，也是Jackson的高层API(如ObjectMapper)所在的模块

实际应用级开发中，我们只会使用到Databind数据绑定模块，so它是本系列重中之重。下面介绍那些举足轻重的第三方模块。

数据类型模块

这些扩展是Jackson插件模块(通过ObjectMapper.registerModule()注册，下同)，并通过添加序列化器和反序列化器来对各种常用Java库数据类型的支持，以便Jackson databind包(ObjectMapper / ObjectReader / ObjectWriter)能够顺利读写/转换这些类型。

第三方模块有些是Jackson官方人员直接lead和维护的（主流模块），也有些是纯社区行为。现在按照这两个分类分别介绍一下各个模块的作用：

官方直接维护：

说明：官方维护的这些数据类型模块的groupId统一为：<groupId>com.fasterxml.jackson.datatype</groupId>，且版本号是和主版本号保持一致的

  • 标准集合数据类型模块：Guava：支持Guava的集合数据类型HPPC：略PCollections：略 (Jackson 2.7新增的支持)
  • Hibernate：支持Hibernate的一些特性，如懒加载、proxy代理等
  • Joda：支持Joda date/time的数据类型
  • JDK7：对JDK7的支持（说明：2.7以后就无用了，因为2.7版本后最低的JDK版本要求是7）
  • Java8：它分为如下三个子模块来支持Java8jackson-module-parameter-names：此模块能够访问构造函数和方法参数的名称，从而允许省略@JsonProperty（当然前提是你必须加了编译参数：-parameters）jackson-datatype-jsr310：支持Java8新增的JSR310时间APIjackson-datatype-jdk8：除了Java8的时间API外其它的API的支持，如Optional
  • JSR-353/org.json：略

非官方直接维护：

说明：非官方直接维护的这些模块groupId是不定的，每个模块可能都不一样，并且它们的版本号不会随着官方的主版本号一起走

  • jackson-datatype-bolts：对 Yandex Bolts collection types 的支持
  • jackson-datatype-commons-lang3：支持Apache Commons Lang v3里面的一些类型
  • jackson-datatype-money：支持javax.money
  • jackson-datatype-json-lib：对久远的json-lib这个库的支持
  • ...

数据格式模块

Data format modules(数据格式模块)提供对JSON之外的数据格式的支持。它们中的大多数只是实现streaming API抽象，以便数据绑定组件可以按原样使用。

官方直接维护：

说明：这些数据格式的模块的groupId均为<groupId>com.fasterxml.jackson.dataformat</groupId>，且跟着主版本号走

  • Avro/CBOR/Ion/Protobuf/Smile(binary JSON) ：这些均属于二进制的数据格式，它们的artifactId为：<artifactId>jackson-dataformat-[FORMAT]</artifactId>
  • CSV/Properties/XML/YAML：这些格式熟悉吧，同样的支持到了这些常用的文本格式

非官方直接维护：因非官方直接维护的模块过于偏门，因此省略

JVM平台其它语言

官网有说，Jackson是一个JVM平台的解析器，因此语言层面不局限于Java本身，还涵盖了另外两大主流JVM语言：Kotlin和Scala

说明：这块的groupId均为：<groupId>com.fasterxml.jackson.module</groupId>，版本号跟着主版本号走

  • jackson-module-kotlin：处理kotlin原生类型
  • jackson-module-scala_[scala版本号]：处理scala原生类型

模式支持

Jackson注解为POJO定义了预期的属性和预期的处理，除了Jackson本身将其用于读取/写入JSON和其他格式之外，它还允许生成外部模式。上面已讲述的数据格式扩展中包含了部分功能，但也仍还有许多独立的模式工具，如：

  • Ant Task for JSON Schema Generation：使用Apache Ant时，使用Jackson库和扩展模块从Java类生成JSON
  • jackson-json-schema-maven-plugin：maven插件，用于生成JSON
  • ...

说明：本部分因实际应用场景实在太少，为了不要混淆主要内容，此部分后面亦不会再提及

Jackson jr（用于移动端）

虽然Jackson databind（如ObjectMapper）是通用数据绑定的良好选择，但它的占用空间（Jar包大小）和启动开销在某些领域可能存在问题：比如移动端，特别是对于轻量使用(读或写)。这种case下，完整的Jackson API是让人接受不了的。

由于所有这些原因，Jackson官方决定创建一个更简单、更小的库：Jackson jr。它仍旧构建在Streaming API之上，但不依赖于databind和annotation。因此，它的大小(jar和运行时内存使用)要小得多，它的API非常紧凑，所以适合APP等移动端。

<dependency>
    <groupId>com.fasterxml.jackson.jr</groupId>
    <artifactId>jackson-jr-objects</artifactId>
</dependency>

它仅仅只依赖了jackson-core模块，所以体积上控制得非常的好。Jackson单单三大核心模块大小合计1700KB左右（320 + 70 + 1370）。而Jackson jr的体积控制在了95KB（就算加上core模块的320也不到500KB）。

而对于开发Java后台的我们对内存并不敏感，简单易用、功能强大才是硬道理。因此jackson-jr只是在此处做个简单了解即可，本专栏后面也不会再提及。

漏洞报告

Jackson虽然已经足够稳定并且安全了，但哪有圣人呢。针对它的相关漏洞报告，最近一次发生在2019-07-23：FasterXML jackson-databind 远程代码执行(CVE-2019-12384)更多、更新的详细漏洞报告参考链接（持续更新中）：知道创宇Jackson漏洞报告

Java JSON库比较

市面上的JSON库非常之多，综合一些Java人员的意见，关于使用哪个库，这里有一些现有的独立比较的链接供以你参考：

  • Top 7 Open-Source JSON-binding providers
  • Be a Lazy but a Productive Android Developer, Part 3: JSON Parsing Library
  • "Can anyone recommend a good Java JSON library" (Linked-In group)
  • "Which JSON library to use on Android?"

说明：此处贴出的几个参考链接均为官网给出的参考文章，均为国外较权威的文献。

当然天朝的你可能更关心Jackson和Fastjson的对比，那暂先不用着急（虽然上文也比较过），这是本专栏后面的一道主菜，哪里会详细道来。

总结

本文结合官网认识了Jackson的全貌，用全面的视角整体上把握到了Jackson所提供的功能模块，这为专栏后续的讲解提供一个索引。

从Jackson的升级之快、模块支持之多足矣看得见它社区的活跃。并且为了迎合市场它在2.10版本后还提供了商业支持的服务：与Tidelift公司合作，为用户构建应用程序的开源依赖项提供商业支持和维护。节省时间、降低风险和改善代码健康状况（商业支持是收费的）。

相信通过本文你对Jackson有了个大概的了解，不出意外你应该是有兴趣去学它了的。当你深入研究后会发现它的设计之优雅，扩展性之强，不是一般国产类库所能比拟的。如果说Fastjson是一个优秀的JSON库，那么Jackson就是一个更优秀的JSON生态。

收录于
java

当前文章被收录于：

java
444 篇文章 3 人学习
订阅专栏 查看详情
编程语言

当前文章被收录于：

编程语言
157 篇文章 0 人学习
订阅专栏 查看详情
大数据

当前文章被收录于：

大数据
32 篇文章 0 人学习
订阅专栏 查看详情
标签
#java #编程语言 #人工智能 #大数据 #python
原文链接：https://blog.youkuaiyun.com/f641385712/article/details/103732359>
[享学Jackson] 一、初识Jackson -- 世界上最好的JSON库 首个付费专栏，你懂的。 阅读详情

相关推荐

jackson-module-scala, 关于Jackson的模块( http，添加.zip

jackson-module-scala, 关于Jackson的模块( http，添加 重要请至少使用 2.6.5个版本或者 2.7.2 ；早期发布版本已知包含重要的Bug 。概述Jackson是一个支持三个模型的快速JSON处理器： 流，node 和对象映射( XML SAX 和中的JAXB类似。) 。对

jansson库使用

jansson库使用 1. 将结构体转化为json字符串(解决jansson转化字符串失败) 写了一个转换测试程序，发现运行个20多次后，就一直转换失败了。先后测试free()，json_object_clear() 和 json_decref()。发现只有json_decref()这个好使。估计是内存泄露导致的。 uint32_t mydata_oildrop_item_to_json(mydata_oildrop_item_t *item, char *buff, size_t len) { .

duapple的博客 4053

三个版本gson（2.8，2.7，2.6）

三个版本gson（2.8，2.7，2.6）都是每个版本最上层也不知道好不好，大佬们用的时候看好版本。

Jasson库使用

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33890526的博客 2102

Adams与matlab联合仿真的一些小技巧

Adams与simulink联合仿真之快速设置初值 去年到现在一直做的两个项目要用到Adams与simulnk联合仿真，虽然网上有很多这方面的教程，但都比较基本，要实现一些稍微复杂的要求就比较困难了，比如我需要改变模型的初始位姿，原来的方式是在adams中设置，再生成联合仿真需要的文件，再在matlab中进行调用和仿真，如果工况多的话这样就特别耗时耗力，进过长时间的摸索，终于找出了在matlab中直接改变Adams模型参数的方法，下面具体说明一下。 我这里的模型是一个小球通过弹簧连接在坐标原点，仿真开始后

weixin_40962901的博客 4785

OpenBCI脑电帽硬件DIY与低成本搭建实战

本文详细介绍了如何通过第三方兼容硬件和开源设计，低成本DIY一套功能完备的OpenBCI脑电采集系统。从硬件选购、组装、软件配置到信号调试，提供了完整的实战指南，将总成本控制在千元级别，使脑机接口技术对爱好者、学生和研究者变得更加触手可及。

weixin_29322855的博客 787

【亲测免费】 推荐开源项目：Jansson - 简洁高效的JSON库

Jansson是一款由C语言编写的轻量级库，专门用于处理JSON数据的编码、解码和操作。它以其简洁的API、全面的文档支持以及对Unicode（UTF-8）的广泛支持而闻名，是开发人员在C环境中处理JSON数据的理想选择。 ## 2、项目技术分析 Jansson的设计原则强调易用性和无依赖性，使得它能在各种环境下轻松集成。其API直观且易于理解，让开发者可以快速上手。项目提供了详尽的文档，包括...

gitblog_00086的博客 1094

LayaNative源码编译

修改好后的LayaNative2.0需要重新编译生成Android和iOS所需要的动态库文件。

末之 1359

keil JSON库-Jansson

在写ESP8266模块与Qt通信时使用json格式传输数据，有cJSON与Jansson可选择。我选择了keil提供的JSON库 Jansson，没过多了解过cJSON，也不知道哪个更好，Jansson毕竟是keil提供的库，所以就选了Jansson。但貌似使用Jansson的并不多，学习起来只能慢慢啃英文文档了，由于对Jansson不是很熟悉，踩了不少坑 下载安装Keil::Jansson ...

战5渣渣的博客 4927

Spark Catalog详解

旁边的实习生说：我想要用spark代码中对hive库中的内部表和外部表进行删除（包括数据），咋感觉网上搜了一圈都找不到解决方案啊，spark这么鸡肋吗？我：你应该静下心来好好把spark基础知识进行全面学习。实习生：难道spark有这功能，而我没有学习过？咋弄啊？我：学习一下Spark Catalog。实习生：啥是Catalog啊？Spark Catalog是Spark SQL中的一个元数据管理组件，它提供了一个集中化的存储和查询表、视图和函数的位置。

SunnyRivers 1814

【教程4＞第6章＞第15节】 基于I+jQ复数信号的LS信道估计和均衡实现1——matlab仿真分析,QPSK为例

在基于QPSK调制的通信系统中，LS信道估计和均衡是用于补偿信道失真、提高信号传输质量的重要技术。以下将详细介绍基于I+jQ复数信号的 LS 信道估计和均衡的实现原理与过程。可以看到，通过线性插值之后，QPSK信号的星座图可以模糊的看到四个星座点（图2），通过非线性插值之后，可以清晰的看到QPSK的四个星座点（图3）。可以看到，信道均衡显著提高了通信系统的可靠性和有效性。

FPGA/MATLAB学习教程/源码/项目合作开发 657

1. 初识Jackson -- 世界上最好的JSON库

关于JSON库，我只用世界最好的

架构师：通透，才能写出好代码！ 2732

流体仿真软件：COMSOL Multiphysics二次开发_（11）.COMSOL与外部软件的数据交换

通过上述方法，您可以实现 COMSOL Multiphysics 与外部软件的数据交换，从而更好地集成和分析仿真结果。无论是从文本文件导入数据，导出数据到 MATLAB，还是通过 API 和 COMSOL Server 实现实时通信，都能满足不同场景下的需求。希望这些内容对您在流体仿真领域的开发工作有所帮助。

kkchenjj的博客 1553

初识Jackson -- 世界上最好的JSON库

一个工程仅需一个JSON库 Java的JSON库，你至少应该用过/听过这三种：Jackson、Gson、Fastjson。一个独立的工程，按照依赖最少原则，本应该only one JSON库是足矣的。但现状是：各位同仁可观察观察各自的项目，大都同时存在2种JSON库，亦或者3种甚至更多… 说明：在同一个工程内，同一功能若有多种实现，实属不好的现象。这会让管理起来显得混乱（譬如对日期的格式化就不方便做到统一），出口若有多个，想收口时就是个大难题了 作为一个合格的架构师/工程师，保持最简依赖(一致性依赖)是应该

769

SAP生产订单技术性完成(TECO)操作指南与实战应用

生产订单技术关闭操作指南主要包括单笔和批量关闭两种方式，通过CO02/COHV事务码完成。

m0_47402127的博客 1932

【Coze】在Coze平台使用源码创建工作流

Coze平台提供低代码工作流搭建功能，支持通过图形化界面快速构建自动化任务流程。用户可通过资源库创建工作流，导入JSON配置生成节点结构，连接起始节点并配置输入/输出字段（需定义数据类型）。平台提供试运行功能验证流程执行，支持可视化调试与发布上线。该方案适用于快速部署标准化业务逻辑，实现端到端的自动化处理。

Mr数据杨 2430

jackson jdk版本对应关系_初识Jackson——世界上最好的JSON库

一个工程仅需一个JSON库Java的JSON库，你至少应该用过/听过这三种：Jackson、Gson、Fastjson。一个独立的工程，按照依赖最少原则，本应该only one JSON库是足矣的。但现状是：各位同仁可观察观察各自的项目，大都同时存在2种JSON库，亦或者3种甚至更多...说明：在同一个工程内，同一功能若有多种实现，实属不好的现象。这会让管理起来显得混乱（譬如对日期的格式化就不方便...

weixin_33463850的博客 4654

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

jackson json 嵌套对象_初识Jackson——世界上最好的JSON库

一个工程仅需一个JSON库Java的JSON库，你至少应该用过/听过这三种：Jackson、Gson、Fastjson。一个独立的工程，按照依赖最少原则，本应该only one JSON库是足矣的。但现状是：各位同仁可观察观察各自的项目，大都同时存在2种JSON库，亦或者3种甚至更多...说明：在同一个工程内，同一功能若有多种实现，实属不好的现象。这会让管理起来显得混乱(譬如对日期的格式化就不方便...

weixin_26717737的博客 392

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

jackson jdk版本对应关系_1. 初识Jackson -- 世界上最好的JSON库

生命太短暂，不要去做一些根本没有人想要的东西。本文已被 https://www.yourbatman.cn 收录，里面一并有Spring技术栈、MyBatis、JVM、中间件等小而美的专栏供以免费学习。关注公众号【BAT的乌托邦】逐个击破，深入掌握，前言各位小伙伴大家好，我是A哥。上篇文章 【Fastjson到了说再见的时候了】 A哥跟Fastjson说了拜拜，从本系列开始，我们将一起进入Jac...

weixin_35076634的博客 3681

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

Jackson-你可能错过的最好用Json工具

jackson是一个简单且功能强大的基于java的应用库，它可以便捷的完成Java对象和Json对象的转换。高性能且稳定：Jackson低内存占用，对Json和对象的解析都很优秀流行度高：Jackson的社区活跃，有很多程序员在使用，同时Jackson是Spring中默认的JSON/XML解析器便于使用：在Jackso中提供大量的注解，例如我们常用的时间格式化注解@JsonFormat干净的json：创建JSON时干净、紧凑、体积小等特点。

jiashn123的专栏 1611

如何选择最佳JSON库：FastJSON、Gson还是Jackson？

从项目的 pom.xml 文件中可以看出，项目同时依赖了三个 JSON 库：FastJSON、Gson 和 Jackson（通过 spring-boot-starter-web 引入）。建议优先使用 Jackson，因为它是 Spring Boot 的默认 JSON 库，并且与 Spring 生态兼容性更好。如果不需要其他 JSON 库，可以从 pom.xml 中移除 FastJSON 和 Gson 的依赖，以避免不必要的冲突。检查代码中使用的 JSON 工具类，确保统一使用一个 JSON 库，以保持代码风

小丁的博客 1312

使用Jackson库进行JSON序列化和反序列化

JSON序列化是将Java对象转换为JSON字符串的过程。在JSON序列化过程中，Java对象的属性将被转换为JSON对象的键值对，如果Java对象包含其他Java对象或集合，这些嵌套对象也会被转换为嵌套的JSON对象和JSON数组。JSON反序列化是将JSON字符串转换为Java对象的过程。在JSON反序列化过程中，JSON对象的键值对将被转换为Java对象的属性，如果JSON对象包含其他JSON对象或JSON数组，这些嵌套的JSON也会被转换为嵌套的Java对象和Java集合。

weixin_66196770的博客 3532

JSON.simple vs Jackson vs Gson：三大Java JSON库性能对比分析

在Java开发中，JSON处理是不可或缺的一环。无论是数据交换还是配置文件解析，选择合适的JSON库都能显著提升开发效率和运行性能。本文将深入对比三大主流Java JSON库——**JSON.simple**、**Jackson**和**Gson**的核心性能差异，助你快速找到最适合项目需求的工具。 ## 📊 三大JSON库核心功能解析 ### JSON.simple：轻量级的极简选择 [J

gitblog_00109的博客 1047
上一篇： 震惊！清华毕业大佬竟然只用一个坦克大战项目，就贯穿了23种设计模式！
下一篇： Alibaba面试官提问：说说你对消息队列的理解
点赞 0
评论 0
书签 书签 0
java架构师小芷
java架构师小芷
博客等级 码龄6年 216粉丝 519原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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