关于java部分知识点的总结(三)

2020校招笔试之新华三 现场笔试,共90分钟 软件开发中心 分Java和c语言部分(选做Java或者c) 以下为Java部分 一、单选题(8题) 1、栈底至栈顶依次存放元素A.B.C.D,在第五个元素E入栈前,栈中元素可以出栈,则出栈序列可能是() 2、143%15的结果是多少 解题思路:求余 3、三把钥匙开三个锁,最多几次可以完全匹配(B) A、2 B、3 C、6... 阅读详情

之前一直使用云笔记写自己遇到的一些体会,最近因为工作需要,准备回头梳理下以前自己学习的知识点,想把以前的记录下载博客里,既方便自己以后查阅,同时也能让自己有一个更深刻的记忆。

dubbo
dubbo构成:
2者(服务提供者【无状态】,服务消费者),2中心(服务注册中心,服务监控中心)。
(1) 连通性:连通流程
(2) 健状性:多数部分宕挂了,其余服务部分仍能正常使用
(3) 伸缩性:主要是伸,动态增加机器部署实例

public void ensureCapacity(int minCapacity) {
        int minExpand = (elementData != DEFAULTCAPACITY_EMPTY_ELEMENTDATA)
            // any size if not default element table
            ? 0
            // larger than default for default empty table. It's already
            // supposed to be at default size.
            : DEFAULT_CAPACITY;

        if (minCapacity > minExpand) {
            ensureExplicitCapacity(minCapacity);
        }
    }

在java的ArrayList类进行扩容的源代码中,并未使用hash算法,而hashmap在扩容过程中,是新建立一个hashmap后(如上),使用hash算法重新计算hash,再放入新容器中。ArrayList和hashmap底层都是由数组来实现的,并且都是查询速度快,个人理解,估计ArrayList就是因为没有使用hash算法来进行存储,所以插入和删除比较慢,但因有其索引,所以随机访问的速度快

java.util.stream 与java.io 包里的 InputStream 和 OutputStream 是完全不同的概念。
不同于 StAX 对 XML 解析的 Stream,也不是 Amazon Kinesis 对大数据实时处理的 Stream。
Stream(java.util.stream) 是对集合(Collection)对象功能的增强,它专注于对集合对象进行各种非常便利、高效的聚合操作(aggregate operation),或者大批量数据操作 (bulk data operation)。
java.util.stream 是一个函数式语言+多核时代综合影响的产物。

nginx是横在用户的浏览器和自家的服务器之间。
dubbo是横在自家的服务器和自家的服务器之间。
dubbo总体构架
引用地址:这里写链接内容

在今天用subversion 更新项目的时候,一直refreshing,后来如何修改idea的配置文件都不能成功,最后喊同时帮忙看看,修改idea配置未果,最后在文件路径使用svn检出发现连接不了svn,最终原因为ip地址冲突,(公司路由器和vpn,不会再ip冲突的情况下,重新非配ip地址) 绑定固定ip地址和dns后,可正常使用

POJO = “Plain Old Java Object”,是MartinFowler等发明的一个术语,用来表示普通的Java对象,不是JavaBean, EntityBean 或者 SessionBean。POJO不但当任何特殊的角色,也不实现任何特殊的Java框架的接口如,EJB, JDBC等等。VO:就是Value Object。它是主要指用户提交的数据,如提交的表单数据,这些数据全部保存一个叫VO的类中。PO:Persistent Object,持久化对象。
引用地址:http://liaojuncai.iteye.com/blog/1297709
注:JavaBean是指一段特殊的Java类,有默然构造方法,只有get,set的方法的java类的对象.

今天因部分原因,需要在centos 7.1 服务器上配置一个postgresql,安装正常执行,到最后一步设置防火墙开放端口允许远程访问就遇到一个比较无语的问题了,以前在centos 6.5,以及centos 7上使用的防火墙命令不一样,鼓捣了一阵,最后使用rpm -qa|grep firewall ,rpm查询所有-qa安装的软件包 交给grep处理 查找有关firewall的 查看本机防火墙版本,发现并不是firewall,而是firewalld,最后在firewall指令加一个d,如关闭防火墙命令:systemctl stop firewalld 禁止开机自启:systemctl disable firewalld 操作成功 远程成功连接数据库

javax.websocket所依赖的jar到底是在java.lang里面还是在服务器(如tomcat)里,因为今天转移项目的时候报错找不到javax.websocket相关jar包,从新导入jdk未果,最后加入tomcat lib才好的,这里证明应该是在tomcat等服务器里的

不大理解filter(过滤器)和interceptor(拦截器)的区别,遂google之。博文中有介绍:

1、拦截器是基于java的反射机制的,而过滤器是基于函数回调 。
2、过滤器依赖与servlet容器,而拦截器不依赖与servlet容器 。
3、拦截器只能对action请求起作用,而过滤器则可以对几乎所有的请求 起作用 。
4、拦截器可以访问action上下文、值栈里的对象,而过滤器不能 。
5、在action的生命周期中,拦截器可以多次被调用,而过滤器只能在容 器初始化时被调用一次 。
引用地址:
http://www.oschina.net/question/565065_86561

数据库优化相关:
1.硬件
2.配置
2.表结构设计
3.SQL以及索引(重要)

Java面试知识点总结:从基础到高级的全面指南 在准备Java面试时,系统地覆盖从基础到高级的知识点是至关重要的。以下是一个详细的Java面试知识点总结,帮助你有针对性地准备面试。也算是我自己总结的知识点,先记录下来,说不定下次准备面试的时候,能再用上。 阅读详情

相关推荐

Java面试知识点总结

目录 基础篇 一、JAVA: 二、JDK JRE JVM的区别: 三、java的基本数据类型 四、switch默认接受的几种数据类型 五、修饰符的作用 六、Static修饰符 七、final,finally,finalize 三者区别 八、StringBuffer StringBuilder String 区别 九、String的常用方法 十、Java面向对象的特征 十一、抽象类与接口的区别 十二、List,Set,Collection,Collecti..

Taboos_的博客 7042

Java面试知识点(全)- Java面试基础部分三

Java面试知识点(全)- Java面试基础部分三

北巷东东的专栏 764

2011东软校园招聘笔试题部分知识点总结——语言部分(JAVA)

JAVA: 1、JAVA用来修饰同步方法的关键字是什么,为什么不建议使用stop和suspend方法?(知识点:JAVA的synchronized,suspend,stop,resume方法) 先说明synchronized关键字,当它用来修饰一个方法或者一个代码块的时候,能

夏 2583

JAVA部分基础知识点(三)【持续更新】

确保一个类只有一个对象。

renxinjienanping的博客 280

Java高阶部分知识点汇总(三)-内存空间的引用

零.前言 在前面给大家展示的代码中,有这样一行代码 Studentstu = new Student(); 这行代码创建了一个Student对象,这个对象被赋给stu变量。今天我们就来好好学习一下这行代码的运行的具体过程,以及引用数据类型中引用二字的意义,也会带着大家将实参与形参之间的关系弄明白。本篇中使用的类定义如下: class Student{String name;int age;publicStuden...

wenyusuran的专栏 1309

Java高阶部分知识点汇总(三)-基本类型的包装类详讲

零.前言 Java语言为8个基本数据类型都提供了对应得包装类,通过8个包装类可以把8个基本数据类型的值包装成对象使用,JDK1.5提供了自动装箱和自动拆箱功能,也就是基本类型和对应包装类可以直接互相赋值使用。本节内容将给大家介绍Java中的包装类。 一.包装类 现在我们已经非常清楚,Java是一门面向对象的语言。但是作为面向对象语言他也不得不包含8种不支持面向对象语法的基本数据类型,基本数据类型不具备对象的特性,没有属性没有方法。 这8种基本数据类型带来了一定的方便性,可以直接进行简单的常规数.

wenyusuran的专栏 1197

收集Java面试题知识点(Java基础部分三)

1、String s = “Hello”;s = s + ” world!”;这两行代码执行后,原始的String对象中的内容到底变了没有? 没有。因为String被设计成不可变(immutable)类,所以它的所有对象都是不可变对象。在这段代码中,s原先指向一个String对象,内容是 “Hello”,然后我们对s进行了+操作,那么s所指向的那个对象是否发生了改变呢?答案是没有。这时,s不指向...

w1lgy的博客 192

[Java]Java面试常用知识点总结 — JavaSE 部分

Java面试常用知识点总结 (PDF资源:https://download.youkuaiyun.com/download/qq_36254699/11577742 )

一杯糖不加咖啡 618

移动式车辆轴重检测仪:公路稽查与港口称重的技术原理与应用

动态称重技术是一种通过传感器实时采集车辆轴重数据并计算整车重量的方法,其核心原理基于力学传感和信号处理算法。与传统静态地磅相比,动态称重无需车辆完全静止,显著提升了检测效率与灵活性。该技术的工程价值在于解决了固定式称重设备移动困难、覆盖范围有限的问题,通过无线传输和嵌入式系统实现数据的实时回传与处理。在应用场景上,动态称重广泛应用于公路治超稽查、港口集装箱运输等需要快速部署和精准测量的领域。移动式车辆轴重检测仪作为该技术的典型代表,结合高强度铝合金秤台和IP67防护设计,确保了在恶劣环境下的稳定工作,为超限

weixin_33889665的博客 391

UNSW-NB15数据集:网络流量分析与恶意攻击检测实战指南

本文提供了UNSW-NB15数据集在网络流量分析与恶意攻击检测领域的实战指南。详细介绍了该数据集的构成、核心特征解析、特征工程处理、机器学习模型训练与评估方法,并探讨了模型部署及持续优化的挑战与思路,帮助读者构建高效的网络攻击检测系统。

weixin_29193359的博客 261

LaTeX小白必看:TeX Live+TeXstudio保姆级安装教程(附清华镜像加速)

本文为LaTeX新手提供了一份详尽的TeX Live和TeXstudio安装指南。通过清华大学镜像站实现高速下载,并详细讲解了从下载、定制化安装到配置优化的每一步,帮助用户快速搭建稳定高效的本地LaTeX写作环境,轻松处理学术文档排版。

weixin_29214559的博客 415

阿里大佬再创神作Java算法手册,分为三部分200个核心知识点

第1篇算法基础篇 本篇共3章,详细介绍了算法和数据结构的相关知识,本篇内容中既有对算法的深入诠释,更有作者对算法基本思想的经验分享,读者可通过本篇内容细致有序地建立起对算法理解的知识性框架。 第2篇算法应用篇 本篇共7章,详细讲解了算法在排序、查找、数学计算、数论、历史趣题和游戏中的应用。本篇可称为本书中的出彩部分,用实例嵌入知识讲解方式对各类算法进行了翔实地阐述;同时用一些贴近现实的生动实例对算法进行了有趣的表述,提升读者的编程能力和学习兴趣。 第3...

weixin_59617360的博客 145

别再乱调栅极电阻了!手把手教你用示波器调试FOC驱动MOS管,避开EMC和震荡坑

本文详细介绍了FOC驱动中MOS管栅极参数的精准调试方法,涵盖示波器配置、波形特征分析及栅极电阻选型策略。通过实战案例和工程经验,帮助工程师有效解决EMC和震荡问题,提升驱动电路稳定性和效率。

weixin_28728495的博客 504

java面试别人总结博客链接

一、java面试提全集 Java面试题全集(上) Java面试题全集(中) Java面试题全集(下)

xp_lx12的博客 1336

Trans论文复现:电池储能调峰和调频:超线性增益的联合优化程序代码!

本程序参考一区SCI期刊《Using Battery Storage for Peak Shaving and Frequency Regulation: Joint Optimization for Superlinear Gains》,程序。与之前将电池储能用于单一应用相比,研究结果表明,如果电池联合提供多种服务,它们可以获得比以前想象的更大的经济效益。欢迎感兴趣的小伙伴关注下方公众号获取完整版代码哦~,小编会继续推送更有质量的学习资料、文章程序代码~限于篇幅,仅列出部分算例的结果!

weixin_48747334的博客 567

加法器设计—— 原理图与VHDL设计初步

1、在DE2-115开发板上,完成4位全加器系统的设计、下载和功能演示,并在FPGA上实现1位全加器;2、完成3-8译码器的设计、下载和功能演示(利用板上的8段数码管)本次实验在组合逻辑电路的基础上,运用Verilog编程实现了四位全加器和3-8译码器的设计,同时实现了在DE2-115开发板上的下载和功能演示。整个过程加深了我对电路设计和Verilog编程的理解,同时也锻炼了解决问题的能力。

m0_74749526的博客 1242

java并发圣经,Java面试“圣经”,已助朋友拿到7个Offer!2021年金三银四面试知识点合集...

过年前,几位阿里P9级架构师的大佬总结了一份2021年金三银四Java面试知识点,可以说是涵盖了Java基础、JVM、多线程与高并发、架构、数据库、数据结构与算法、Netty、网络底层知识、日志、微服务、消息中间件等等内容!这份总结分享给了几位朋友,已经帮助几位朋友共计拿到了7个Offer, 同时也收到了他们“幸福的喜报”!image这个一个关系十分不错的朋友反馈,真的替他高兴,这份资料能够帮助朋...

weixin_42116791的博客 222

别再只抄代码了!深入理解MQ2传感器数据手册,搞定ppm换算公式

本文深入解析MQ2烟雾传感器的工作原理与ppm换算公式,从数据手册解读到数学建模,提供详细的校准与优化方法。通过实际案例和代码示例,帮助开发者准确测量气体浓度,解决常见问题,提升传感器应用的可靠性。

weixin_42713608的博客 506

学习java i/o库要掌握的三个关键知识点

? 学java i/o库要掌握的三个关键知识点大家讨论java i/o库很久了, PaleSting也刚发了>系列文章,但我估计还是有些读者会觉得java i/o库难以琢磨,所以也来凑凑热闹,说说我认为的学习java i/o库要掌握的三个关键知识点。知识点一: 四大等级结构java语言的i/o库提供了四大等级结构:InputStream,OutputStream,Reader,Wr

【洪波@阿里云】 2587

《QT+PCL》点云配准进阶——GROR配准

GROR点云配准

阁楼 1318

LLM评测框架Ragas:测试RAG的性能出现TimeoutError()的解决办法(Ragas+langchain+ollama)

无奈之下,自己找到了一个解决办法,在ragas支持的llm类库中加了一个如下的类,支持ollama、langchian_ollama使用ragas测试报错的问题。可以将如上的库放到你的ragas的系统库的llms目录下,然后修改__init__.py如下。最近用ragas测试rag的性能,发现老出现TimeoutError()的错误。这是一个临时的解决办法,具体等待官方给出最终的解决方案。后来发现官方也没有尽快支持的计划。然后就可以用如下代码进行一些验证。

Criss@陈磊 666

学java i/o库要掌握的三个关键知识点

大家讨论java i/o库很久了, PaleSting也刚发了>系列文章,但我估计还是有些读者会觉得java i/o库难以琢磨,所以也来凑凑热闹,说说我认为的学习java i/o库要掌握的三个关键知识点。知识点一: 四大等级结构java语言的i/o库提供了四大等级结构:InputStream,OutputStream,Reader,Writer四个系列的类。InputStream和Outp

1179

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Android面试之百题经典——含Java、数据结构与算法、Android三方面的面试题

Android面试涉及到的知识点相对较多,总结下来,大致分为以下几方面: Java相关:(答案地址) 1、线程中sleep和wait的区别 2、Thread中的start()和run()方法有什么区别 3、关键字final和static是怎么使用的 4、String,StringBuffer,StringBuilder区别 5、Java中重载和重写的区别 6、equals跟...

panshi5188的博客 869

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

上一篇: 关于java部分知识点的总结(二)
下一篇: Java快速排序的具体实现
anteoy
博客等级 码龄10年 24粉丝 83原创
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
 
 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