Springboot深度学习并实战

  1. actuator(监控)
    <artifactId>spring-boot-starter-actuator</artifactId>
  2. admin(可视化监控)
    <artifactId>spring-boot-admin-dependencies</artifactId>
    <groupId>de.codecentric</groupId>
    <artifactId>spring-boot-admin-starter-client</artifactId>
    <groupId>de.codecentric</groupId>
    <artifactId>spring-boot-admin-starter-server</artifactId>
  3. logback(日志)
    <appender name="FILE_INFO" class="ch.qos.logback.core.rolling.RollingFileAppender">
  4. aopLog(通过AOP记录web请求日志)
    <artifactId>spring-boot-starter-aop</artifactId>
    import org.aspectj.lang.JoinPoint;
  5. 统一异常处理(json级别和页面级别)、
  6. freemarker(模板引擎)、
  7. thymeleaf(模板引擎)、
  8. Beetl(模板引擎)、
  9. Enjoy(模板引擎)、
  10. JdbcTemplate(通用JDBC操作数据库)、
  11. JPA(强大的ORM框架)、
  12. mybatis(强大的ORM框架)、
  13. 通用Mapper(快速操作Mybatis)、
  14. PageHelper(通用的Mybatis分页插件)、
  15. mybatis-plus(快速操作Mybatis)、
  16. BeetlSQL(强大的ORM框架)、
  17. upload(本地文件上传和七牛云文件上传)、
  18. redis(缓存)、
  19. ehcache(缓存)、
  20. email(发送各种类型邮件)、
  21. task(基础定时任务)、
  22. quartz(动态管理定时任务)、
  23. xxl-job(分布式定时任务)、
  24. swagger(API接口管理测试)、
  25. security(基于RBAC的动态权限认证)、
  26. SpringSession(Session共享)、
  27. Zookeeper(结合AOP实现分布式锁)、
  28. RabbitMQ(消息队列)、
  29. Kafka(消息队列)、
  30. websocket(服务端推送监控服务器运行信息)、
  31. socket.io(聊天室)、
  32. ureport2(中国式报表)、
  33. 打包成war文件、
  34. 集成 ElasticSearch(基本操作和高级查询)、
  35. Async(异步任务)、
  36. 集成Dubbo(采用官方的starter)、
  37. MongoDB(文档数据库)、
  38. neo4j(图数据库)、
  39. docker(容器化)、
  40. JPA多数据源、
  41. Mybatis多数据源、
  42. 代码生成器、
  43. GrayLog(日志收集)、
  44. JustAuth(第三方登录)、
  45. LDAP(增删改查)、动态添加/切换数据源、
  46. 单机限流(AOP + Guava RateLimiter)、
  47. 分布式限流(AOP + Redis + Lua)、
  48. ElasticSearch 7.x(使用官方 Rest High Level Client)、
  49. HTTPS
    keytool -genkey -alias tomcat -keyalg RSA -keystore ./server.keystore
  50. Flyway(数据库初始化)。

 

 

spring-boot-starter-web
spring-boot-starter-test
spring-boot-devtools
spring-boot-starter-thymeleaf
spring-boot-starter-data-jpa
spring-boot-maven-plugin
,方便Vue前端调用深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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