阿里P7浅析Spring Boot面试问题| Baeldung

Baeldung 立即下载

Spring Boot一直是Spring生态系统的关键参与者。该项目通过其自动配置功能使我们的生活更加轻松。在本教程中,我们将介绍在求职面试中可能出现的一些与Spring Boot相关的最常见问题。

Spring和Spring Boot有什么区别?

Spring Framework提供了多种功能,使Web应用程序的开发更加容易。这些功能包括依赖注入,数据绑定,面向方面的编程,数据访问等等。

多年来,Spring变得越来越复杂,这种应用程序所需的配置量可能会令人生畏。这就是Spring Boot派上用场的地方 - 它使配置Spring应用程序变得轻而易举。

从本质上讲,虽然Spring是不受欢迎的,但Spring Boot对平台和库有了自己的看法,让我们快速入门。

以下是Spring Boot带来的两个最重要的好处:

根据在类路径中找到的工件自动配置应用程序
提供生产中应用程序通用的非功能性功能,例如安全性或健康检查
更多SpringBoot教程

我们如何使用Maven设置Spring Boot应用程序?

我们可以像在任何其他库中一样在Maven项目中包含Spring Boot。但是,最好的方法是从spring-boot-starter-parent项目继承并声明对Spring Boot启动器的依赖。这样做可以让我们的项目重用Spring Boot的默认设置。

继承spring-boot-starter-parent项目非常简单 - 我们只需要在pom.xml中指定一个父元素:

<parent>
 <groupId>org.springframework.boot</groupId>
 <artifactId>spring-boot-starter-parent</artifactId>
 <version>2.1.1.RELEASE</version>
</parent>

我们可以在Maven Central找到最新版本的 spring-boot-starter-parent。

使用启动父项目很方便,但并不总是可行。例如,如果我们公司要求所有项目都从标准POM继承,我们就不能依赖Spring Boot的启动父级。

在这种情况下,我们仍然可以通过此POM元素获得依赖关系管理的好处:

<dependencyManagement>
 <dependencies>
 <dependency>
 <groupId>org.springframework.boot</groupId>
 <artifactId>spring-boot-dependencies</artifactId>
 <version>2.1.1.RELEASE</version>
 <type>pom</type>
 <scope>import</scope>
 </dependency>
 </dependencies>
</dependencyManagement>
有什么Spring Boot启动器可供选择吗?

依赖管理是任何项目的关键方面。当项目足够复杂时,管理依赖项可能会变成一场噩梦,因为涉及的工件太多了。

这是Spring Boot入门者派上用场的地方。每个入门者都可以作为我们所需的所有Spring技术的一站式服务。然后,以一致的方式传递和管理其他所需的依赖关系。

所有启动器都在org.springframework.boot组下,其名称以spring-boot-starter-开头 。这种命名模式使您可以轻松找到启动器,尤其是在使用支持按名称搜索依赖关系的IDE时。

在撰写本文时,我们有超过50个启动器。最常用的是:

spring-boot-starter: 核心启动器,包括自动配置支持,日志记录和YAML
spring-boot-starter-aop: 使用Spring AOP和AspectJ进行面向方面编程的启动器
spring-boot-starter-data-jpa: 使用Spring Data JPA和Hibernate的启动器
spring-boot-starter-jdbc: 用于将JDBC与HikariCP连接池一起使用的启动器
spring-boot-starter-security: 使用Spring Security的启动器
spring-boot-starter-test: 用于测试Spring Boot应用程序的启动器
spring-boot-starter-web: 用于构建Web的入门者,包括使用Spring MVC的RESTful应用程序
有关启动器的完整列表,请参阅此存储库

如何禁用特定的自动配置?

如果我们要禁用特定的自动配置,我们可以使用@EnableAutoConfiguration批注的exclude属性来指示它

// other annotations
@EnableAutoConfiguration(exclude = DataSourceAutoConfiguration.class)
public class MyConfiguration { }

如果我们使用@SpringBootApplication批注启用自动配置- 它具有@EnableAutoConfiguration作为元注释 - 我们可以使用相同名称的属性禁用自动配置:

// other annotations
@SpringBootApplication(exclude = DataSourceAutoConfiguration.class)
public class MyConfiguration { }

我们还可以使用spring.autoconfigure.exclude环境属性禁用自动配置。application.properties文件中的此设置与以前相同:

spring.autoconfigure.exclude=org.springframework.boot.autoconfigure.jdbc.DataSourceAutoConfiguration

####如何注册自定义自动配置?

要注册自动配置类,我们必须在META-INF / spring.factories文件中的EnableAutoConfiguration键下列出其完全限定名称:

org.springframework.boot.autoconfigure.EnableAutoConfiguration=com.baeldung.autoconfigure.CustomAutoConfiguration

如果我们使用Maven构建一个项目,那么该文件应放在resources / META-INF目录中,该目录将在程序打包阶段找到该文件。

如何告诉自动配置在bean已经存在情况下退回?

要指示自动配置类在bean已经存在时退出,我们可以使用 @ConditionalOnMissingBean批注。此注释的最显着属性是:

value:要检查的bean类型
name:要检查的bean的名称
放置在使用@Bean装饰的方法上时,目标类型默认为方法的返回类型:

@Configuration
public class CustomConfiguration {
 @Bean
 @ConditionalOnMissingBean
 public CustomService service() { ... }
}
如何将Spring Boot Web应用程序部署为JAR和WAR文件?

传统上,我们将Web应用程序打包为WAR文件,然后将其部署到外部服务器中。这样做可以让我们在同一台服务器上安排多个应用程序。在CPU和内存稀缺的时候,这是节省资源的好方法。

但事情发生了变化。计算机硬件现在相当便宜,而且注意力转向服务器配置。在部署期间配置服务器的一个小错误可能会导致灾难性后果。

Spring通过提供一个插件即spring-boot-maven-plugin来解决这个问题,将Web应用程序打包为可执行的JAR。要包含此插件,只需向pom.xml添加一个插件元素:

<plugin>
 <groupId>org.springframework.boot</groupId>
 <artifactId>spring-boot-maven-plugin</artifactId>
</plugin>

有了这个插件,我们将在执行打包阶段后生成一个胖JAR 。此JAR包含所有必需的依赖项,包括嵌入式服务器。因此,我们不再需要担心配置外部服务器。

然后我们就像普通的可执行JAR一样运行应用程序。

请注意,必须将pom.xml文件中的packaging元素设置为 jar 才能构建JAR文件:

jar
执行Maven 打包阶段后,我们将拥有一个可部署的WAR文件。

如何将Spring Boot用于命令行应用程序?

与任何其他Java程序一样,Spring Boot命令行应用程序必须具有 main方法。此方法用作入口点,它调用SpringApplication#run方法来引导应用程序:

@SpringBootApplication
public class MyApplication {
 public static void main(String[] args) {
 SpringApplication.run(MyApplication.class);
 // other statements
 }
}

然后SpringApplication类启动一个Spring容器并自动配置bean。

请注意,我们必须将配置类传递给run方法才能用作主要配置源。按照惯例,这个参数是入门类本身。

在调用run方法之后,我们可以像在常规程序中那样执行其他语句。

有哪些可能的外部配置源?

Spring Boot支持外部配置,允许我们在各种环境中运行相同的应用程序。我们可以使用属性文件,YAML文件,环境变量,系统属性和命令行选项参数来指定配置属性。

然后,我们可以访问使用这些属性@Value注释,经由绑定对象 的@ConfigurationProperties注释,或环境抽象。

以下是最常见的外部配置来源:

命令行属性:命令行选项参数是以双连字符开头的程序参数,例如-server.port = 8080。Spring Boot将所有参数转换为属性,并将它们添加到环境属性集中。
应用程序属性:应用程序属性是从application.properties文件或其YAML对应文件加载的属性。默认情况下,Spring Boot会在当前目录,类路径根或其config子目录中搜索此文件。
特定于配置文件的属性:特定于配置文件的属性从application- {profile} .properties文件或其YAML对应文件加载。{profile}是指激活的Profile名称。这些文件与非特定属性文件位于相同位置,并且优先于非特定属性文件。

Spring Boot支持轻松绑定是什么意思?

Spring Boot中的轻松绑定适用于配置属性的类型安全绑定。

使用宽松绑定时,环境属性的键不需要与属性名称完全匹配。这样的环境属性可以用驼峰camelCase,kebab-case,snake_case或大写字母写成,单词用下划线分隔。

例如,如果具有@ConfigurationProperties批注的bean类中的属性名为myProp,则可以将其绑定到以下任何环境属性:myProp,my-prop,my_prop或MY_PROP。

什么是Spring Boot DevTools?

Spring Boot Developer Tools或DevTools是一组工具,使开发过程更容易。要包含这些开发时功能,我们只需要在pom.xml文件中添加依赖项:

<dependency>
 <groupId>org.springframework.boot</groupId>
 <artifactId>spring-boot-devtools</artifactId>
</dependency>

在生产运行模块,Spring Boot devtools将自动禁用。默认情况下,重新打包存档也会排除此模块。因此,它不会给我们的最终产品带来任何开销。

默认情况下,DevTools应用适合开发环境的属性。这些属性禁用模板缓存,为Web组启用调试日志记录,等等。因此,我们拥有这种合理的开发时配置,而无需设置任何属性。

只要类路径上的文件发生更改,使用DevTools的应用程序就会重新启动。这是开发中非常有用的功能,因为它可以快速反馈修改。

默认情况下,静态资源(包括视图模板)不会启动重新启动。相反,资源更改会触发浏览器刷新。请注意,只有在浏览器中安装LiveReload扩展以与DevTools包含的嵌入式LiveReload服务器进行交互时,才会发生这种情况。

Idea中要通过运行配置进行专门配置。

如何编写集成测试?

在为Spring应用程序运行集成测试时,我们必须有一个ApplicationContext。

为了让我们的生活更轻松,Spring Boot为测试提供了一个特殊的注释 - @SpringBootTest。此批注从其classes属性指示的配置类创建ApplicationContext。

如果未设置classes属性,Spring Boot将搜索主配置类。搜索从包含测试的包开始,直到找到使用@SpringBootApplication或@SpringBootConfiguration注释的类。

请注意,如果我们使用JUnit 4,我们必须使用@RunWith(SpringRunner.class)修饰测试类。

什么是Spring Boot Actuator

从本质上讲,Actuator通过支持生产就绪功能,将Spring Boot应用程序变为现实。这些功能使我们能够在生产中运行时监控和管理应用程序。

将Spring Boot Actuator集成到一个项目中非常简单。我们需要做的就是在pom.xml文件中包含 spring-boot-starter-actuator starter :

<dependency>
 <groupId>org.springframework.boot</groupId>
 <artifactId>spring-boot-starter-actuator</artifactId>
</dependency>

Spring Boot Actuator可以使用HTTP或JMX端点公开操作信息。但是,大多数应用程序都使用HTTP,其中端点的标识和/执行器前缀形成URL路径。

以下是Actuator提供的一些最常见的内置端点:

  • auditevents: 公开审计事件信息
  • env: 公开环境属性
  • health: 显示应用程序运行状况信息
  • httptrace: 显示HTTP跟踪信息
  • info: 显示任意应用程序信息
  • metrics: 显示指标信息
  • loggers: 显示和修改应用程序中记录器的配置
  • mappings: 显示所有@RequestMapping路径的列表
  • scheduledtasks: 显示应用程序中的计划任务
  • threaddump: 执行线程转储

点这里

嵌入式开发必看:STM32 DMA双缓冲配置全攻略(含CubeMX教程) 本文详细解析了STM32 DMA双缓冲机制的原理与优势,并提供了基于CubeMX的完整配置教程。通过硬件自动切换两个缓冲区,实现DMA传输与CPU处理的真正并行,有效降低中断频率,提升高速数据采集、音频流处理等场景下的系统效率和实时性。 阅读详情

相关推荐

lattice Diamond Programmer程序下载

Lattice Diamond Programmer(支持Lattice FPGA与CPLD程序下载)

qq_44385725的博客 5188

Java好站:baeldung,五星推荐

来自:http://hackday.cn/?p=1037 baeldung:专注于提供Java、Spring、Web开发教程的网站 从2011年10月开始发表上述领域的各种教程文章。 不像某些教程,要么太浅显;要么跟着官方文档走,没有太多参考价值; 该网站的教程通常都比较简单、易懂、精炼,深入浅出。举例代码,可用性高,错误少。 网站地址:https://www.baeldung...

yethyeth的专栏 6042

2023-ICCV-隐式神经网络实现低光照图像增强(NeRCo)论文解读+代码解析

NeRCo()提出了一种名为NeRCo的隐式神经表示方法,用于合作式低光图像增强。现有的低光图像增强方法存在以下三个限制:不可预测的亮度降低和噪声、度量友好版本和视觉友好版本之间的固有差距,以及有限的配对训练数据。为了解决这些限制,论文提出了NeRCo方法,它以无监督的方式稳健地恢复感知友好的结果。具体而言,NeRCo通过一个可控的拟合函数统一了现实场景中多样的退化因素,从而提高了鲁棒性。对于输出结果,论文引入了来自预训练视觉-语言模型的先验信息,采用语义导向的监督方法。

weixin_45595504的博客 3186

Java开发者值得关注的十个技术博客

Java是世界上最流行的程序语言,从1995年问世以来,Java的生态系统在一直在蓬勃的发展着。作为一门健壮的技术,Java社区为广大开发者提供了包括框架、库、web开发sdk、JVM语言等资源。在各种科技行业都能够找到关于Java编程的相关资源,这就是为什么Java会如此受人喜爱。 在今天,发达的网络技术推动了Java的发展,越来越多的人选择在网上学习,查看技术大牛的博客并进行交流成为了...

u014731052的专栏 901

Win10+Anaconda环境下PaddleOCR保姆级安装指南(附常见报错解决方案)

本文提供Win10+Anaconda环境下PaddleOCR的保姆级安装指南,涵盖从环境配置到模型部署的全流程,特别针对常见报错提供解决方案。通过详细的步骤说明和实用技巧,帮助开发者快速完成PaddleOCR安装与测试,避免常见陷阱,提升OCR开发效率。

weixin_29096377的博客 376

100天精通Oracle-实战系列(第33天)RHEL 7 安装 Oracle 12CR2 RAC 数据库

100天精通Oracle-实战系列(第33天)RHEL 7 安装 Oracle 12CR2 RAC 数据库

LuciferLiu_DBA 3452

Axon框架指南 - Baeldung

在本文中,我们将介绍Axon以及它如何帮助我们实现具有CQRS(Command Query Responsibility Segregation)和Event Sourcing的应用程序。在本指南中,将使用Axon Framework和Axon Server。前者将包含我们的实现,后者将是我们专用的事件存储和消息路由解决方案。我们将要构建的示例应用程序专注于Ord...

三生万物 1354

视觉Transformer实战 | Transformer详解与实现

本文系统介绍了 Transformer 架构的核心原理与实现。相比传统 RNN 和 CNN,Transformer 凭借自注意力机制有效捕捉序列中的长距离依赖关系,支持并行训练,显著提升效率。其核心创新在于通过查询、键、值向量计算注意力权重,理解单词间的语义关联。架构包含编码器-解码器结构:编码器通过多头自注意力和前馈网络提取输入特征;解码器利用掩码自注意力和交叉注意力生成输出。本文使用 PyTorch 实现了缩放点积注意力、位置编码、层归一化等关键模块,并构建了完整的 Transformer 模型。

盼小辉丶的博客 4万+

Baeldung 学习计划

学习计划

张紫娃的博客 532

2025年7月12日全国青少年信息素养大赛图形化(Scratch)编程小学低年级组复赛真题+答案解析

2025年7月12日全国青少年信息素养大赛图形化(Scratch)编程小学低年级组复赛真题+答案解析

伶俐角少儿编程 712

华为OD机试真题 新系统 9月20号 【字符串分组求和】

华为OD新系统机试真题【字符串分组求和】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【字符串分组求和】解析。

qq_45776114的博客 627

Baeldung Java 周评 | 第九十二弹(关键词:Spring MVC 与类型转换器、Axon 框架探索 CQRS、重构模块依赖项、Spring 云原生)

开篇词 尤金的第 92 篇 Java 周评,诞生了!   Spring 以及 Java 相关 React.js 和 Spring Data REST:第四部分 - 事件 [spring.io] WebSockets 和响应式 UI - 该系列的第四部分将介绍一些非常酷且功能强大的内容。 战壕中的 Spring:将类型转换器与 Spring MVC 结合使用 [petrikainulai...

纽雪澳诺加海美德的博客 514

Microsoft Forms功能深度解析:企业数据收集与协作的智能利器

Microsoft Forms是微软365生态中的在线表单工具,支持问卷调查、测验和投票创建,具备拖拽式界面、多题型设计和实时数据分析功能。其核心价值在于易用性、跨平台兼容性以及与Teams、SharePoint等微软服务的深度集成,满足GDPR/HIPAA等合规要求。提供表单创建、权限管理、自动化流程(通过Power Automate)和审计日志等功能,适用于金融、医疗、教育等多行业场景。虽然存在逻辑分支有限等约束,但通过案例证明能显著提升数据收集效率(达70-85%)。使用时需注意许可证配置(Busin

xueyunshengling的博客 9126

58 个程序员必知的网站,赶紧收藏!!

来源丨网络程序员是一个需要不断学习的职业。幸运的是,在这个互联网时代,知识就在那里,等着我们去获取。作为一个“收藏从未停止,学习从未开始”的博主,秉承着好东西不能独享的态度,把收藏的学习网站整理分享出来,希望大家不要学我,一定要好好学习,天天进步,升职加薪。01在线教程首先列出一些在线教程网站,这些在线教程网站通常都比较适合入门,可以作为开发学习路上的第一个阶梯,也可以作为工作中的在线文档。1、h...

weixin_43373042的博客 2107

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

程序员需知的 58 个网站

程序员需知的 58 个网站 一、在线教程 首先列出一些在线教程网站,这些在线教程网站通常都比较适合入门,可以作为开发学习路上的第一个阶梯,也可以作为工作中的在线文档。 1、菜鸟教程 地 址:https://www.runoob.com/ 简 介:在线教程网站,前端学习看这两个网站就够了。 推荐指数:⭐⭐⭐ 网站封面 2、易百教程 地 址:https://www.yiibai.com/ 简 介:内容比较全面的在线教程网站。 推荐指数:⭐.

风水道人 9121

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Spring生态权威博客推荐:Baeldung到官方指南全解析

Spring框架作为Java开发领域的中流砥柱,拥有庞大的生态系统和丰富的学习资源。无论是刚入门的新手还是有经验的开发者,选择合适的学习资料都至关重要。本文将为你推荐涵盖从Baeldung到官方指南的权威博客资源,助你系统掌握Spring技术栈。 ## 一、Baeldung:Spring开发者的实用指南 Baeldung是Java生态系统中备受推崇的技术博客,以其深入的文章和教程著称。该平台特

gitblog_00379的博客 685

springboot面试题

Spring Boot 是微服务中最好的 Java 框架. 我们建议你能够成为一名 Spring Boot 的专家。问题一 Spring Boot、Spring MVC 和 Spring 有什么区别?SpringFrameSpringFramework 最重要的特征是依赖注入。所有 SpringModules 不是依赖注入就是 IOC 控制反转。当我们恰当的使用 DI 或者是 IOC 的时候,我们...

javaactive的专栏 5473

交公粮了:十一在家我都逛哪些技术网站?

程序员的成长之路互联网/程序员/技术/资料共享关注阅读本文大概需要 8 分钟。来自:cnblogs.com/three-fighter/p/13641835.html众所周知,程序员是...

良月柒 2341

阿里面试,spring+SpringBoot+SpringCloud+SpringMVC(Java岗)

前言 Spring是一个开源框架,它由Rod Johnson创建。它是为了解决企业应用开发的复杂性而创建的。Spring使用基本的JavaBean来完成以前只可能由EJB完成的事情。然而,Spring的用途不仅限于服务器端的开发。从简单性、可测试性和松耦合的角度而言,任何Java应用都可以从Spring中受益。 Spring框架自诞生以来一直备受开发者青睐,今天在这里分享的是一套Spring面...

qq_45121279的博客 1901

如何拿到阿里offer的?面试流程及面试题

一个偶然的开始 交待一下(非广告),第一次用拉勾,感觉做的挺好,以前一直用51job。 从7月分开始,打算找工作,一个偶然的机会,拉勾上一个蚂蚁金服的同学找到我,说要内推,在此感谢姚同学! 然后就开始了蚂蚁金服的面试之旅。 面试流程 把简历发过去之后,就收到了邮件通知,10个工作日联系我,请耐心等待。 一面 没过2天就接到一个杭州的座机,说要约我进行电话面试,效率还是挺高,然后当天晚...

weigeshikebi的博客 4万+

阿里开源了14个核心技术,你了解哪些?

阿里妹导读:自从2011年宣布第一波开源项目以来,阿里技术人一直积极参与开源社区共建。开源项目数量每年都有所增长,目前阿里巴巴已经有150+个开源项目,其中数个项目 star  破万。相关的 GitHub 2017年数据统计显示,阿里巴巴是唯一一家入围 GitHub 顶尖贡献名单的中国公司。在开源中国举行的“2017年度最受欢迎中国开源软件Top20”的评选中,阿里巴巴占据五席位。 其实,阿里巴巴

阿里技术 2万+

Baeldung Java 周评 | 第七弹(关键词:Map 数据结构增强、Java 性能改进、Java 自带性能分析工具、Mockito 依赖、SpringMVC 链式 URL、接口分离原则)

开篇词 在 2014 年二月的中旬,尤金的第七篇 Java 周评,诞生了! 依然很多好东西   Java 相关 Java 8 周五好东西:Map 增强 这篇文章很好地介绍了 Java 8 中 Map 即将可用的新 API - 之前一些繁琐的操作将变得简单。 Java 8 性能改进:对比 LongAddr 和 AtomicLong Java 8 给多线程带来了一些很不错的性能提升 - 一...

纽雪澳诺加海美德的博客 503

spring boot面试问题集锦

译文作者:david 原文链接:https://www.javainuse.com/spring/SpringBootInterviewQuestions Q: 什么是spring boot? A: 多年来,随着新功能的增加,spring变得越来越复杂。只需访问页面https://spring.io/projects,我们将看到所有在应用程序中使用的不同功能的spring项目。如果...

1798

Baeldung Java 周评 | 第七十五弹(关键词:Java 9 默认垃圾收集器、顶级 Eclipse Mars 功能、Spring Boot 缓存自动配置、Java 8 Spring 指南)

开篇词 尤金的第 75 篇 Java 周评,诞生了!   Spring 以及 Java 相关 拼图项目的动机和目标 对 Jigsaw 进行了扎实的介绍,并介绍了 Java 9 的模块化工作 - 上下文和对细节的关注。 Oracle 建议 G1 作为 Java 9 的默认垃圾收集器 可能会在 JDK 9 中进行非常有趣的更改。 JDT 改进,顶级 Eclipse Mars 功能 #5 几...

纽雪澳诺加海美德的博客 572

大牛博客

一. 大牛博客 1. 兰亭风雨的专栏 2. 赵伊凡’S BLOG 3. java_my_life 4. 五月的仓颉 5. 风一样的码农 6. skywang12345 总目录 Java线程目录 Java IO目录 Java集合目录 数据结构目录 6. 廖雪峰的官方网站 7. 空虚浪子心的灵魂,java安全,alibaba的安全专家 8. 淘宝沈询_WhisperXD的博...

李平安 2251

2019阿里P7最新总结Spring Boot面试问题

Spring Boot一直是Spring生态系统的关键参与者。该项目通过其自动配置功能使我们的生活更加轻松。在本教程中,我们将介绍在求职面试中可能出现的一些与Spring Boot相关的最常见问题。 Spring和Spring Boot有什么区别? Spring Framework提供了多种功能,使Web应用程序的开发更加容易。这些功能包括依赖注入,数据绑定,面向方面的编程,数据访...

weixin_30918415的博客 145

InnoDB 内存结构总览:Change Buffer、AHI 与 Log Buffer

本文系统梳理InnoDB内存结构中的ChangeBuffer、Adaptive Hash Index(AHI)与LogBuffer。ChangeBuffer缓存二级索引页不在内存时的变更,减少随机IO,仅在页加载时合并;聚簇索引修改立即执行,因数据本身不可延后。AHI基于高频等值查询自动构建哈希索引,加速定位,仅支持等值操作。LogBuffer为redo log内存缓冲,配合磁盘日志实现崩溃恢复。三者均服务于性能优化,其中ChangeBuffer与AHI共享BufferPool空间,而LogBuffer独立

bksczm的博客 303
上一篇: 一篇文章搞懂热修复类加载方案原理!
下一篇: 详细Java枚举类的使用!(代码分析)
Java_Yhua
博客等级 码龄6年 51粉丝 75原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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