java开发记录V1

BellSoft Liberica jdk 为何 JetBrains 携带它 IntelliJ IDEA 2025第二版将内置BellSoft Liberica JDK,这是一款基于OpenJDK的开源Java运行时。Liberica JDK由BellSoft推出,为云、服务器和桌面提供统一的Java部署方案。用户可选择标准版或容器版本,相关资源包括白皮书和GitHub仓库。 阅读详情

编辑器vscode

在vscode中安装配置springboot

  1. 下载安装jdk
    oracle jdk
    在这里插入图片描述
    BellSoft Liberica JDK version 17
    在这里插入图片描述
  2. 在vscode编辑器中安装相关组件Extension Pack for Java、Spring Boot Extension Pack、Spring Initializr Java Support
    在这里插入图片描述
    在这里插入图片描述
  3. 创建springboot项目:ctrl+shift+p后输入Spring Initializr(基于Maven)
    在这里插入图片描述
    (1)选版本 3.0.6
    在这里插入图片描述
    选择开发语言选择java
    在这里插入图片描述
    创建包
    在这里插入图片描述
    项目名称
    在这里插入图片描述
    打包形式 jar
    在这里插入图片描述
    选择jdk版本 17
    在这里插入图片描述
    选择依赖 spring web (也可以将mysql、mybatis加入进去)
    在这里插入图片描述
    在这里插入图片描述

设置application.properties参数

server.port=8081
server.error.path=/error
server.servlet.session.timeout=30m
server.servlet.context-path=/javademo
server.tomcat.uri-encoding=utf-8
server.tomcat.max-threads=800
server.tomcat.max-connections=10000
server.tomcat.accept-count=200
server.tomcat.min-spare-threads=20
server.tomcat.basedir=/sp-log/javademo

以上分别为:端口号、错误页面地址、session保持分钟数、访问系统名、请求编码、最大线程数、最大连接数、等待队列长度、最小工作线程数量、运行日志及临时文件目录
线程数的经验值为:1核2G内存,线程数经验值200;4核8G内存, 线程数经验值800。
(4核8G内存单进程调度线程数800-1000,超过这个并发数之后,将会花费巨大的时间在CPU调度上)
等待队列长度:队列做缓冲池用,但也不能无限长,消耗内存,出入队列也耗CPU。
maxThreads规定的是最大的线程数目,并不是实际running的CPU数量;实际上,maxThreads的大小比CPU核心数量要大得多。这是因为,处理请求的线程真正用于计算的时间可能很少,大多数时间可能在阻塞,如等待数据库返回数据、等待硬盘读写数据等。因此,在某一时刻,只有少数的线程真正的在使用物理CPU,大多数线程都在等待;因此线程数远大于物理核心数才是合理的。也就是说,Tomcat通过使用比CPU核心数量多得多的线程数,可以使CPU忙碌起来,大大提高CPU的利用率。

  1. 创建controller,并访问输出hello world
    在src/main/java/com/example/demo中新建controller目录(或直接在该目录下创建文件),创建DemoController.java文件
package com.example.demo.controller;

import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class DemoController {
    @RequestMapping("/demo") 
    public String demo(){
        return "hello word";
    }
}

  1. 运行java
    在这里插入图片描述
    在页面上访问:http://localhost:8081/javademo/demo
基于JAVA旅游足迹记录系统计算机毕业设计源码+数据库+lw文档+系统+部署 基于JAVA旅游足迹记录系统计算机毕业设计源码+数据库+lw文档+系统+部署。springboot基于Springboot的大学宿舍管理系统。springboot基于微服务架构的图书借阅系统的设计与实现。springboot基于微信平台的s店智能管理系统小程序。springboot基于vue的百乐儿童玩具公司管理系统。JSP婚纱影楼管理系统的设计与实现sqlserver。ssm基于微信平台的校园汉服租赁系统的设计与实现。springboot云端存储的待办清单的设计。 阅读详情

相关推荐

【项目实战】Spring官方推荐使用BellSoft的Liberica JDK,尤其是在Spring Native项目中作为默认的Java运行环境和原生镜像工具。

Spring官方确实推荐使用BellSoft的Liberica JDK,尤其是在项目中作为默认的Java运行环境和原生镜像工具。Spring官方通过其生态系统(特别是Spring Native项目)明确推荐使用BellSoft的Liberica JDK及Liberica Native Image Kit。这种推荐基于Liberica JDK的技术兼容性、安全性、对云原生环境的优化,以及与GraalVM的深度集成。

奶爸的编程之路,也就一周冷个三天 1357

JDK版本选择

JDK版本选择

xinyuan的专栏 3886

bellsoft-jdk17.0.11+12-windows-amd64.msi

BellSoft Liberica JDK 是一个经过严格测试和验证的 OpenJDK,它完全符合 Java SE 规范,在Linux, Windows, macOS, 和 Solaris 操作系统上运行无误

VSCode搭建SpringBoot开发环境

一、简介 官网:VSCode 优势: 轻量级编辑器 插件丰富 代码跟踪功能 二、安装相关环境 1.JDK环境配置 2.Maven环境配置 3.MySQL环境配置 4.安装VSCode 三、VScode配置环境 1.打开VSCode并安装以下两个插件: Java Extension for Pack Spring Boot Extension Pack 2.配置java环境 3.配置maven环境 分别配置你的maven的setting.xml路径和maven地址,如下: 四、创建S

何同学 3万+

Bellsoft Liberica JDK 17.0.8.1 for amd64 Windows

Bellsoft Liberica JDK,是 Bellsoft 基于 OpenJDK 开发开源的 JDK。相比于 OpenJDK,Liberica JDK 做出了一些性能优化。官网:https://bell-sw.com/libericajdk/。这是 Spring 推荐的 JDK。

SEED-VII 实战指南:如何利用多模态脑电图数据提升情感识别精度

本文提供了SEED-VII多模态脑电图数据集的实战指南,详细介绍了如何利用该数据集提升情感识别精度。内容涵盖数据获取、预处理、特征提取,以及构建多模态融合神经网络模型的关键步骤,并强调了被试者独立评估的重要性,为情感计算研究者提供了从数据到模型的全流程解决方案。

weixin_29196891的博客 318

java版农业银行_农行网上支付平台_商户接口编程指南-java_edition-v103.pdf

农行网上支付平台_商户接口编程指南-java_edition-v103Java EditionV1.0.3––2003/ 11/26 V0.12003/ 12/ 10 V0.22003-12-18 V0.32004-01-05 V 1.02004-03-29 V 1.0.12004-04-04 V 1.0.22004-04-16 V 1.0.336––1. 31.1 ...

weixin_35637837的博客 820

fastadmin管理员页面实现手机验证码登录功能-腾讯云短信插件

fastadmin管理员页面实现手机验证码登录功能-腾讯云短信插件

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 4195

使用 Java 开发 EMQ X MQTT 服务器插件

从 v4.1 版本开始,EMQ X MQTT 服务器 提供了专门的多语言支持插件 emqx_extension_hook ,现已支持使用其他编程语言来处理 EMQ X 中的钩子事件,开发者可以使用 Python 或者 Java 快速开发自己的插件,在官方功能的基础上进行扩展,满足自己的业务场景。例如: 验证某客户端的登录权限:客户端连接时触发对应函数,通过参数获取客户端信息后通过读取数据库、比对等操作判定是否有登录权限 记录客户端在线状态与上下线历史:客户端状态变动时触发对应函数,通过参数获取客户端信息,

emqx_broker的博客 1282

基于深度学习的目标检测在 Android 端的优化实现:YOLO Mobile × NPU 加速实战教程

随着国产手机芯片日益强大,终端侧的目标检测任务已经具备实用性基础。本文围绕实际工程场景,详细讲解如何在 Android 应用中部署轻量级目标检测模型(如 YOLO Mobile、EfficientDet Lite),并结合国产手机 NPU 能力,实现高性能、低延迟、实时目标检测系统。文章将涵盖从模型选择、结构优化、量化转换到 Android 上推理加速、UI 实时渲染的全链路工程路径,强调每一环节的真实可复现性与部署细节,适合 AI 工程师、移动开发者及企业级应用落地团队参考使用。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 1410

高通平台 Android T 蓝牙技术全解析:A2DP 与 AVRCP 核心代码路径与交互流程

A2DP 接收端 - 连接流程(AVDTP 打开)

专业开发者的博客,一个从事Android WiFi和蓝牙的工程师 289

Java开发问题集

Java开发问题集2/27/2017 11:05:10 AM 本帖主要记录Java开发过程中遇到的Error和解决方法,流水账形式。记录格式为问题编号,环境描述,问题描述,解决方案。#1 环境描述: Ubuntu 14.04 64bit Eclipse Version: 3.8.1 Build id: debbuild Jdk:Oracle java 8

Jason Tang的博客 908

QT C++ AI棉花智能变量灌溉工上位机(信创完整版)

北斗履带灌溉机器人/田间分区电磁阀基站 → 多层土壤温湿度/盐分EC传感器实时采集墒情 → 双目AI视觉扫描棉田长势、病苗分布 → AI融合**生育期+土壤墒情+盐分+棉株长势**计算变量灌溉定额、水肥配比、灌溉时长 → 分区电磁阀/变频水泵变量供水,病弱苗地块减量、干旱地块增量;墒情、盐分、长势多因子闭环修正灌水量;多层土壤含水率(0–10/20–40/40–80cm)、土壤EC盐分、土壤温度、空气温湿度、蒸发量、北斗地块坐标、管道水压、水肥罐液位、分区流量计、水泵电机负载、滴灌带压力反馈。

寒寒豆豆软件公司的博客 186

Pi0具身智能v1开发入门:Java控制接口编程基础

本文介绍了如何在星图GPU平台上自动化部署Pi0具身智能(内置模型版)v1镜像,并利用Java编程快速调用其控制接口。开发者可通过简单的HTTP请求,结合视觉与语言指令,让机器人完成如整理桌面、抓取物品等典型任务规划,降低了具身智能的开发门槛。

weixin_36019375的博客 114

新手必读!2025最全AI智能体入门手册,50个问题全讲透

感知(Perception):能读取环境,比如读取网页数据、识别用户输入、接入 API;思考(Reasoning/Planning):理解任务目标,规划出行动步骤;行动(Action):调工具、查资料、发消息、写入数据库……直接执行任务。有了这三步,智能体才不是“一个会说话的大模型”,而是真正的“能落地执行的工作代理人”。多个 Agent 分工协作,每个智能体负责一个角色或任务节点,像一个“虚拟团队”。一个爬数据的 Agent,一个提炼要点的 Agent,一个撰写报告的 Agent,

互联网架构师笔记 1968

本地部署大模型:dgx-spark-ai项目硬件选型、部署与私有化AI构建指南

大语言模型(LLM)的本地部署是当前AI工程实践中的重要方向,其核心原理在于将模型权重与计算过程完全置于用户可控的硬件环境中。这项技术的核心价值在于实现了数据主权与隐私安全,避免了云端服务的延迟、持续订阅成本及数据外泄风险。从技术实现看,本地部署的关键在于硬件选型与软件环境适配,尤其是NVIDIA GPU的CUDA生态、显存容量与内存带宽的匹配。在应用场景上,本地化部署特别适合对数据敏感性要求高的领域,如企业内部代码助手、金融分析或医疗研究,能够支持私有化模型微调与定制化工作流构建。本文以dgx-spark

weixin_42531579的博客 505

python mqtt服务器框架_使用 Python 开发 EMQ X MQTT 服务器插件

从 v4.1 版本开始,EMQ X MQTT 服务器 提供了专门的多语言支持插件 emqx_extension_hook ,现已支持使用其他编程语言来处理 EMQ X 中的钩子事件,开发者可以使用 Python 或者 Java 快速开发自己的插件,在官方功能的基础上进行扩展,满足自己的业务场景。例如:验证某客户端的登录权限:客户端连接时触发对应函数,通过参数获取客户端信息后通过读取数据库、比对等操...

weixin_39883129的博客 163

【GlobalMapper精品教程】070:专题地图制作完整操作教程

与其它GIS软件一样,Globalmapper也可以制作出漂亮的地图,本文讲解专题地图制作完整操作流程。

智慧空间实验室 3753

java mqtt客户端_使用 Java 开发 EMQ X 服务器插件

从 v4.1 版本开始,EMQ X 提供了专门的多语言支持插件 emqx_extension_hook (https://github.com/emqx/emqx-extension-hook),现已支持使用其他编程语言来处理 EMQ X 中的钩子事件,开发者可以使用 Python 或者 Java 快速开发自己的插件,在官方功能的基础上进行扩展,满足自己的业务场景。例如:验证某客户端的...

weixin_39645268的博客 518

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

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Java修行实录:从零开始Java坦克大战(v1.0)——我的多线程和OOP实战记录

本文介绍了基于OOP思想的坦克游戏开发过程。首先构建了游戏元素类继承体系:GameElement作为抽象基类,包含坐标、宽高等基础属性;Tank作为坦克基类继承GameElement;PlayerTank和Bullet分别实现玩家坦克和子弹功能。游戏采用双缓冲技术解决画面闪烁问题,通过GameLoopThread线程控制画面重绘和元素移动。键盘监听器GameListener实现WASD控制坦克移动和J键射击功能,采用观察者模式实现组件与监听器的解耦。文章详细阐述了类设计思路、游戏循环实现和事件处理机制,展示

m0_72243838的博客 393

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")

在Ubuntu 20.04上从零搭建CHIPYARD开发环境:一个踩坑无数的完整记录

本文详细记录了在Ubuntu 20.04上从零搭建CHIPYARD开发环境的完整过程,包括基础环境准备、CMake安装、CIRCT和Firtool编译、Scala和SBT配置、Verilator源码编译等关键步骤。特别针对官方文档未提及的常见问题和解决方案进行了重点说明,帮助开发者避免踩坑,顺利完成CHIPYARD环境搭建。

weixin_28839629的博客 405

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

silk 编解码_Silk解码 开发日志

标签:本人用的是SILK_SDK_SRC_v1.0.9进行开发.开发过程是曲折的,结果自然也是丰盛的.SDK是从github下载的,由于这个已被整合到一个Android项目,但是文件目录结构尚完整.所以本人就尝试直接编译整个项目,结果无法编译过去,个人认为是NDK版本不对.后来又看到有Makefile文件,尝试用make来编译,发现不大理想,首先要生成一堆make用到的文件,这方面不大熟悉.后来看...

weixin_42218981的博客 1777

[RK3399][Android7.1] 调试笔记 --- 串口JNI测试用例

Platform: RK3399 OS: Android 7.1 Kernel: v4.4.83 Android并没有包含串口的JNI, 需要我们自己实现。(Android Thing已经有实现) 串口JNI的参考范例见: https://github.com/cepr/android-serialport-api。 有将它修改做了实现,也分享给大家做参考。 JNI部分: Ser...

Kris Fei's blog 2263

deepseek-v4-flash模型,遇到的问题

要给信息给全,要先对整个代码框架,数据流转有理解,在让他做。一个问题消耗了我300额度(总共2000额度)记录一下deepseek-v4-flash。一个简单的mybatis插入失败。数据没有insert成功。之前用的qoder订阅。他给我编了是事务的问题。反复几轮没有找到问题。

在技术领域里形成深刻,全面的认识,知道来龙去脉,深入浅出的讲到实用点。 312

Silk解码 开发日志

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33859504的博客 414

阿里Java开发规范记录(一)

   近日,从网上下载了阿里云栖社区发布的《阿里巴巴Java开发手册(正式版)》v1.1.0版。从编程以来,一直苦于没有相关的、全面的、靠谱的规范可以参考,有了这手册,日后编程也算是找到了依据。瞧,人家阿里都是按照这规则来操作的! 云栖社区此举对于普通Java开发者来说,算是功德无量,在一定程度上规范了Java开发者的编程习惯。为后来者谋福利了。   这本手册一共分为...

148
上一篇: 记录一次mysql处理重复数据
下一篇: java开发记录v2(引入jar,问题及解决)
if时光重来
博客等级 码龄8年 248粉丝 217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