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
200+累计阅读
214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
@Data ： 注在类上，提供类的get、set、equals、hashCode、canEqual、toString方法。配合lombok使用
需在maven添加依赖
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<version>1.16.10</version>
</dependency>
@AllArgsConstructor ： 注在类上，提供类的全参构造
@NoArgsConstructor ： 注在类上，提供类的无参构造
@Setter ： 注在属性上，提供 set 方法
@Getter ： 注在属性上，提供 get 方法
@EqualsAndHashCode ： 注在类上，提供对应的 equals 和 hashCode 方法
@Log4j/@Slf4j ： 注在类上，提供对应的 Logger 对象，变量名为 log
WAVE格式
一.wave格式概述 Wave文件格式是用于多媒体文件存储的Microsoft RIFF（Resource Interchange FileFormat）的一个子集。每一个RIFF文件以一个文件头开始，后面是一系列数据块。Wave文件通常是包含“WAVE”块的RIFF文件。而该“WAVE”块由两个子块组成，称为“fmt”块。“fmt”块用于确定数据格式，并且“data”块包含实际的样本数据，
【JAVA】Java常用注解汇总
注解是在Java 5中引入的，通过在代码中使用注解，开发人员可以提供关于程序结构和行为的补充信息，这些信息可以被编译器、工具和运行时环境所利用。不包含任何成员变量的注解称为标记注解，例如上面声明的 Test 注解以及基本注解中的 @Override 注解都属于标记注解。@PostMapping、@GetMapping、@PutMapping、@DeleteMapping：这些注解是@RequestMapping的特定方法级别的变体，用于指定特定HTTP请求方法的映射关系。
STM32通过ESP8266连接机智云APP（第二讲，烧录固件并测试）
今天与大家分享STM32通过ESP8266连接机智云APP，并完成数据的上传下发第二讲。带大家一起烧录机智云固件到ESP8266并且将其通过机智云串口助手与APP进行测试。
Java 实体类常用注解
本文系统梳理了Java实体类开发中的核心注解，涵盖四大类：1. JPA核心注解（@Entity、@Table、@Id、@Column等）用于对象-关系映射；2. Lombok简化注解（@Data、@Getter/@Setter等）减少样板代码；3. 数据校验注解（@NotNull、@Size等）确保数据有效性；4. 关系映射注解（@OneToMany、@ManyToMany等）处理实体间关联。这些注解能显著提升代码简洁性、可维护性和健壮性，是Java企业级开发的重要工具。根据项目需求合理组合使用这些注解，可
ARKit面部动画实战：如何用blend shape让数字人表情更自然（附中文对照表）
本文深入探讨了如何利用ARKit的blend shape技术驱动数字人面部动画，以实现更自然生动的表情。文章提供了详细的blend shape中文对照表，并分享了实战技巧，包括构建复合表情动画序列、处理不对称性与微表情，以及性能优化策略，旨在帮助开发者高效提升数字人的表情表现力。
给粒子物理萌新的Geant4保姆级入门：从看懂B1示例代码到跑通第一个模拟
本文为粒子物理初学者提供Geant4的保姆级入门指南，从解析B1示例代码到跑通第一个模拟。详细介绍了环境准备、代码解析、可视化系统实战及扩展模拟的方法，帮助新手快速掌握Geant4的基本概念和工具包使用。
java 常用注解， 常用关键字
@Controller @RestController @ResponseBody @RequestMapping 用@Controller定义一个控制器类 @Controller用于标记在一个类上，使用它标记的类就是一个Spring（MVC,BOOT）的 Controller类，分发处理器会扫描使用该注解的类的方法，并检测该方法是否使用了 @RequestMapping 注解。@Controller只是定义了一个控制器类，而使用 @RequestMapping 注解的方法才是处理请求的处理器。@
STM32CubeMx + FatFs 实战：SD卡DMA传输中断回调问题深度解析
本文深度解析了在STM32CubeMx环境下，结合FatFs文件系统并使用DMA进行SD卡读写时，程序可能出现的“卡死”问题。核心原因在于HAL库的弱函数回调机制未被正确处理，导致DMA传输完成中断后，状态机锁死。文章提供了两种实战修复方案：直接修改HAL库文件或在用户代码中重写回调函数，并给出了关键的配置检查点与调试技巧，帮助开发者彻底解决SD卡DMA传输中断回调失效的难题。
java开发常用注解
自定义注解通常由@interface 声明，可包含成员变量和默认值。@AuditLog(action = "转账", description = "记录转账操作")// 转账逻辑例如，用于方法参数的校验或提示。// 更新逻辑自定义实现点击事件注解，通过 APT 和动态代理技术将点击事件自动映射到对应方法上。Class<?@Override// 通过反射和动态代理实现事件绑定注解处理工具会扫描@OnClick 注解，并生成或动态代理代码实现点击监听，从而减少样板代码【
汽车零部件产线实战：C#上位机+YOLO实现螺栓装配到位视觉检测
本项目基于C#上位机+YOLOv8实现汽车零部件产线螺栓装配到位视觉检测，全程贴合产线实际场景，从硬件选型、安装调试，到模型训练、上位机开发，再到项目联调、优化扩展，均提供手把手实操指导，代码可直接复制使用，规避了工业视觉产线检测的高频踩坑点。
AIGC游戏本地化：用AI实现多语言自动翻译
游戏本地化是游戏全球化战略的关键环节，传统人工翻译方式成本高、周期长。本文旨在探讨如何利用AIGC技术实现高效、准确、低成本的游戏多语言自动翻译解决方案。我们将覆盖从文本翻译到语音合成的完整本地化流程，重点关注AI技术在游戏特定语境下的应用优化。文章首先介绍游戏本地化的核心挑战和AI解决方案，然后深入讲解关键技术原理，接着通过实战项目演示具体实现，最后讨论应用场景和未来趋势。AIGC：人工智能生成内容，指利用AI技术自动生成文本、图像、音频等内容本地化(Localization)
Java常用注解
①元数据概念：描述数据或信息资源等对象的数据，其使用目的在于：识别资源；评价资源；追踪使用过程中的变化；实现对使用资源的简单高效管理。②Java中的元数据：描述代码间关系，或者代码与其他资源（例如数据库表）之间联系的数据。③Java注解：又称java标注是在 JDK5 时引入的新特性，用于为Java代码提供元数据的标记，将元数据与程序元素（类、方法、成员变量等）进行关联。它提供了一种将元数据和程序代码组合在一起的方式，有助于将程序元数据与源代码分离开来，从而简化程序设计。
4、基于球面波展开的近场/远场变换技术解析
本文深入解析了基于球面波展开的近场/远场变换技术，涵盖坐标系统选择、截断测量处理、高级SWE方法及实际应用场景。重点介绍了广义SWE、全探头补偿、平移SNF测量（TSWE）等关键技术，结合吸收材料与导电地板系统的误差处理方案，系统总结了各类方法的优缺点与适用场景，并通过流程图和案例分析展示了技术应用路径。该技术在汽车、通信和航空航天领域的天线测量中具有重要价值，可显著提升测量效率与精度。
[Java基础] 常用注解
java常用注解 元注解 spring注解
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
java常用注解总结
@Slf4j 用于类上面，整个类里面就可以使用 log.info("错误信息，{}", 用户名称为空); log.err("错误信息，{}", 用户名称为空); 此注解效果等同于 每个类里面写 private final Logger logger = LoggerFactory.getLogger(当前类名.class); @Service 用于类上面，将自动注册到Spring容器， 不需要再在applicationContext.xml文件定义bean了。类似的还有@Component、@Reposi
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
Java常用注解-快速入门
在Java开发中，我们经常使用像@Override这样的系统自带注解。但有时候我们需要根据自己的业务需求来标记某些方法或类，这时就需要自定义注解。标记某个方法需要记录日志表示某个方法需要权限验证指定某个类是核心业务类@Target(ElementType.METHOD) // 指定注解的作用目标@Retention(RetentionPolicy.RUNTIME) // 指定注解保留到运行时// 可以设置默认值// ...// ...要真正发挥自定义注解的作用，通常需要配合。
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中有哪些常用的注解？
在 Java 中，注解（Annotation）是一种元数据，用于为代码提供额外的信息，通常用于编译时检查、运行时处理或生成代码。：Spring、JUnit、Lombok、JPA 等库的注解是实际开发中最常用的。：标记方法或构造器的可变参数（varargs）是类型安全的。：标记类为 Spring 管理的组件（Bean）。：指定注解可以应用的目标（如类、方法、字段等）。：指定注解的保留策略（源码、编译时、运行时）。的语义（服务层、数据层、控制层）。：在测试类的所有方法前后执行的方法。
java注解的使用及常用注解
java注解的使用及常用注解
Java基础 注解介绍及常用注解（包括Lombok常用注解）
java自带注解、元注解、自定义注解。接口常用注解；springboot常用注解；lombok常用注解
Java常用注解(Annotation)详解汇总
元注解（用来修饰注解的注解） @Target(Elemetn.) 注解对谁有效 取值（ElementType）有： 1.CONSTRUCTOR:用于描述构造器 2.FIELD:用于描述域 3.LOCAL_VARIABLE:用于描述局部变量 4.METHOD:用于描述方法 5.PACKAGE:用于描述包 6.PARAMETER:用于描述参数 7.TYPE:用于描述类、接口（包括注解类型）或enum声明 @Retention(RetentionPoli
java常用注解——小白必看
在学习java的时候，使用到框架时，总会用到一些注解，但是刚开始接触的时候，不清楚各个注解的作用，总是不知道什么时候该用到什么样的注解，注解使用错误，肯定是要报错的。 所以下面给各位学习编程的朋友说明下都有哪些常用注解，并且都有哪些区别 注解根据来源可分为:系统注解（自带的，取决于JDK版本）、自定义注解及第三方注解 系统注解根据用途又可分为:ja...
java注解介绍以及spring中常用注解
一、java中的四个元注解： 元注解 @Target 用于声明注解作用域 ElementType.CONSTRUCTOR(构造器声明) ElementType.METHOD(方法声明) ElementType.FIELD(域声明) ElementType.PARAMETER(参数声明) ElementType.PACKAGE(包声明) @Retention 用于声明注解的生命周期 Retenti...
Java中常用注解
注解总结 1.说明 注解可以增强Java代码，利用反射技术可以扩充实现很多功能，被广泛应用于三大框架底层。 传统我们通过xml文本文件声明方式(但是XML比较繁琐且不易检查)，而现在最主流的开发都是基于注解方式，代码量少，框架可以根据注解去自动生成很多代码，从而减少代码量，程序更易读。例如最火爆的SpringBoot就完全基于注解技术实现。 2.注解分类 JDK自带注解 元注解 自定义注解 2.1JDK注解 @Override :用来标识重写方法 @Deprecated标记就表明这个方法已经过时了，但我
JAVA开发-各种框架常用注解
新人小白，刚接触注解几天，每天都在搜索各种注解的意思，这里根据网上其他的人资料，自己整理了一下各个框架的常用注解，只是最基本的一个概念，没有代码演示例子啥的，有些归类可能不太对，如果有错误还请大家指出来。 一、Spring常用注解大全 注解就相当于XML文件中的<bean id=””class=”/>使用注解就不用去写配置文件，spring这些框架帮我们去写XML配置文件。 5....
java开发中常用注解
在 Java 开发中，注解（Annotation）用于为代码提供元数据信息，不同框架和场景下有大量注解。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4389
扫一扫
