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
900+累计阅读
977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
ADF Faces提供了一种优化的生命周期，用以当你需要JSF页面请求生命周期（包括转换和验证）只为页面中的某些组件跑的时候。
看例子吧：
如图，有一个input框，两个radioButton以及一个output text，input框的值是必输的，下面的两个radiobutton是用来控制output text的显示及隐藏的。
一般情况下，用户会输入input框以后才选择radiobutton的，但是假定你要让用户可不输入值就可以选择radiobutton。
通过设置autoSumit为true
ADF Faces入门（文档阅读）
Android应用之【巧妙隐藏桌面图标的进阶方案】
本文详细探讨了Android应用中隐藏桌面图标的进阶方案，解决了传统方法在Android 10及以上版本中出现的黑色图标残留问题。通过Intent-Filter配置和厂商适配技巧，实现子应用真正隐身，同时确保主应用正常启动。适用于企业工具套件、模块化系统等场景，提升用户体验和安全性。
JSF的生命周期--ADF Faces入门（文档阅读）
<br /> 由于ADF Faces是基于JSF框架扩展出来的，因此任何使用ADF 创建的应用都会使用到标准的JSF页面请求生命周期，与此同时ADF Faces还提供了额外的功能，例如client-side value lifecycle, 一个允许你可以在页面中创建可提交的region的subform组件，就避免了在单个页面以及额外的范围中使用多个forms的劣势。为了更好的理解RCF的生命周期，最好先去好好了解下标准的JSF生命周期。<br />当一个JSF页面被提交和一个新的页面被请求的时候，JSF的
微信小程序-如何根据缩放屏幕大小自适应icon图标更改marker
微信小程序如何根据用户的缩放屏幕来改变marker图标icon的大小，实现icon自适应屏幕缩放的效果
Oracle使用APEX与ADF快速开发漂亮的WEB应用
APEX 总体来说，APEX是我见过最便捷最高效的开发框架，用起来比PHP还舒服。上手简单，学习成本极低，曾经有个做行政的小女生，在我指导下两天就可以开发出简单的审批管理站点。如果企业要做一些内部应用，APEX是上上之选。 相比起我用过的其他框架，有两个特点是APEX独一无二的： 在线编辑，无桌面IDE。使用SQL和PL/SQL语言开发。 下图是APEX开发界面：
HyperMesh 2025新功能尝鲜：用Volume Tetramesh一键生成工业级四面体网格
HyperMesh 2025推出的Volume Tetramesh功能，通过“体到体”的全新范式，实现了工业级四面体网格的一键生成。该功能利用Proximity与Curvature参数智能识别并加密几何特征，将工程师从繁琐的几何清理和表面网格划分中解放出来，在保证网格质量的同时，显著提升了前处理效率，尤其适用于发动机缸体等复杂模型的仿真分析。
智能客服系统知识库构建：长尾问题解决方案全解析
智能客服系统知识库构建：长尾问题解决方案全解析
ADF Faces Core 标记库信息
全称： ADF Faces Core 简称： af 命名空间： http://xmlns.oracle.com/adf/faces 标记列表 隐藏示例图像 名称 说明 示例图像 该属性标记是 JSF 标记 的修正版。该 JSF 标记用于求解绑定到该值属性的 ValueBinding。 无
开关电源-LLC基本原理
本文详细介绍了LLC谐振变换器的兴起原因、基本工作原理、变换器特点及拓扑结构。重点讨论了半桥、全桥LLC及其软开关技术，包括零电压开关（ZVS）和零电流开关（ZCS）。通过理解简单的谐振电路（RL、RC、LC）来阐述LLC如何改变电压增益，以及如何通过调节频率实现输出电压的稳定性。
使用ADF Faces 之五：使用布局组件
完成http://docs.oracle.com/cd/E18941_01/tutorials/jdtut_11r2_42/jdtut_11r2_42.html
Rockchip eMMC寿命监控：SMART信息读取与预防性维护
擦写计数坏块数量温度使用时间。
高速信号设计中的关键测试项目与测试仪器详解
高速信号设计是一个多维度协同优化的系统工程。时域分析如同外科手术刀般精准定位物理缺陷，频域分析提供传输通道的频谱指纹，信号质量评估量化系统鲁棒性，接收端容限测试验证极端工况下的可靠性，协议一致性确保生态互操作性，而电源完整性则直指诸多信号问题的根源。
MYSQL常用调优策略
1、硬件层相关优化修改服务器BIOS设置 选择Performance Per Watt Optimized(DAPC)模式，发挥CPU最大性能。 Memory Frequency（内存频率）选择Maximum Performance（最佳性能） 内存设置菜单中，启用Node Interleaving，避免NUMA问题2、磁盘I/O相关使用SSD硬盘 如果是磁盘阵列存储，建议阵列卡同时配备CA
【ubuntu24.04】auto remove后，重启，kernel panic ，please reboot your computer vfs unable to mount root fs
Ubuntu 24.04系统在运行auto remove后出现内核恐慌（kernel panic）无法启动，显示"VFS: unable to mount root fs"错误。该问题是由于当前内核被清除导致系统无法挂载根分区。解决步骤包括：1）尝试用GRUB菜单中的旧内核启动；2）在GRUB中临时编辑启动参数；3）使用Ubuntu启动盘进行chroot修复；4）使用Boot-Repair工具一键修复。成功启动后，需要重新安装linux-generic等元包，重建initramfs并更新
ADF Faces。 立即的自定义客户端事件
在本文中，我将重点介绍ADF Faces Javascript API方法以从客户端触发自定义事件。 例如： function cliListener(actionEvent) { AdfCustomEvent.queue(actionEvent.getSource(), "servListener", null, true)...
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
使用ADF Faces 之二：数据可视化组件 Thematic Map
开发环境：JDeveloper 11.1.2.1.0 + Oracle XE Database 10gR2。 本实验需要使用FOD Schema，请参考《发布与运行 Oracle Fusion Order Demo》。 1. 通过SQL语句创建VO：ProductPopularityVO SQL语句内容如下：看某个产品在美国各州的受欢迎程度。 SELECT addresse
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")
Grid_Oracle Grid Infrastructure概念介绍（概念）
2014-03-09 Created By BaoXinjian Thanks and Regards ERP技术讨论群: 288307890 技术交流，技术讨论，欢迎加入 Technology Blog Created By Oracle ERP - 鲍新建 ...
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
EPM问题汇总之--ADF_FACES-60097报错
问题描述： 在planning正常使用过程中，偶尔会弹出报错窗口（目前没有截图，，）。 错误信息（具体报错信息丢失）： ADF_FACES-60097 ADF_FACES-60096 解决方法： 在应用程序属性中，添加属性 ORACLE_ADF_UI = False 参考oracle community： Hyperion Task List
在EL表达式中引用ADF Faces组件
EL表达式通常用于在页面上指定ADF Faces组件的属性值。 有趣的是，我们可以使用component关键字来引用要为其评估EL表达式的组件实例。 这是略与此类似Java中。 例如，在以下代码段中，按钮的提示被评估为按钮的文本值，并且它的visible属性将由支持该组件作为参数的backing bean方法返回： <af:button text="#{theBean.butto...
ADF FACES 部分页面渲染（PPR）技术
ADF FACES 部分页面渲染（PPR）技术 ADF FACES 部分页面渲染（PPR）技术，也叫做部分页面刷新，允许在不刷新整个页面的情况下，刷新ADF FACES页面的某个部分。 PPR中包含的组件属性： 1、 autoSubmit 输入组件上具有的一个属性。 当autoSubmit属性设置为true时，改变该组件的值后，该组件自动提交 2、 partialSu
在ADF Faces中实现页面模板化
JSF中模板化页面的方法 JSF 1.1规范中未明确定义如何模板化页面。因JSF的标准VIEW技术是JSP，所以过去使用的一些技术，比如tiles仍然通用，不过要多做一些工作。另外，开源项目facelet (https://facelets.dev.java.net/)则是专门针对JSF环境下的JSP页面的模板化而开发的，理解和使用也都比较方便。这里将要展示的则是另外一个方法，只适合于ADF ...
关于Immediate属性的使用（注意）----ADF Faces入门（文档阅读）
<br />Immediate属性是个神秘而又好用的东西。下列简称为I<br />你可以使用I去在生命周期的Apply Request Values阶段使对组件的访问升级。当actionSource组件被设置为I的时候，事件会被交付于Apply Request Values阶段而不是Invoke Application。actionListener会调用Render Response阶段，并且validation和model update两个阶段会被跳过。<br />假定你设置一个取消按钮为I，使actio
国际化及本地化页面---------ADF Faces入门（文档阅读）
主要介绍了如何去配置JSF页面，应用去以适合的语言显示在用户的浏览器中。 首先说下国际化以及本地化，国际化是设计和开发产品为了方便适应当地特定的语言和文化的过程，而本地化是通过翻译文字以及添加特定的本地化组件去为了适应一个特定的本地语言或者文化的过程。 JDeveloper使用抽象类java.util.ResourceBundle去提供特定的本地化资源（resources）来支持简易本地化ADF Faces组件。 当你的应用需要给多个国家的人们进行浏览的话，你可以对你的页面或者是应用配置去使用不同的
Render和visible----------ADF Faces入门（文档阅读）
所有的ADF Faces显示组件组件都会有两个属性用来控制这个组件是否显示在页面中让用户瞧见，这两哥们就是rendered 和visible。那咱们来看看它哥两各自的特点。rendered属性有着严格的意义，也可以这么说，这哥特死板。当rendered属性设置为false的时候，在不和服务器交互的情况下，你没有办法在客户端显示这个组件。为了支持动态隐藏以及显示，RCF增加了visible属性（也就是rendered的弟弟，天空一声巨响，小子闪亮登场），当这属性设置为false的时候，在客户端这个组件标
实例化客户端组件----ADF Faces入门（文档阅读）
实例化客户端组件默认的RCF没有保证哪些组件拥有客户端实例。你可以通过注册一个clientListener handler来做到与客户端组件交互。当一个组件被注册了clientListener handler以后，它会自动的拥有客户端组件的表现。倘若你需要在客户端设置某个组件不可用，你可以显示的设置该组件的clientComponent属性为true来使该组件可用。如果你想在客户端用程序对组件进行处理，你只有通过设置组件的clientComponent属性为true来做到。当你设置某个组件的clientCo
监听客户端事件----ADF Faces入门（文档阅读）
如何监听客户端事件：在传统的JSF应用中，如果你想处理客户端的事件，你必须去监听DOM级别的事件。然而，这些事件都不以一种简易的方式进行交付。ADF Faces客户端事件监听模型类似于JSF的，但是它是实现在客户端。它从DOM中抽象出来，提供了组件级别的事件模型和生命周期，可以独立于服务器执行。因此，你不需要侦听按钮的Click事件。你可以监听AdfActionEvent事件，可通过按键或鼠标事件触发。由客户端发送的事件都是AdfBaseEvent类的子类。每个客户端事件都存在着事件源，这就是触发事件的组件
在客户端访问组件属性----ADF Faces入门（文档阅读）
在客户端访问组件属性 对于每个内置的组件属性，组件类种的便捷的访问 方法都是有效的。例如，你可以在客户端使用使用getValue() ，获取到的值和服务器端使用这个方法是一样的。在ADF Faces的所有客户端属性使用getXyz函数的命名约定，包括布尔属性。在类对象中，常量也是有效的。例如，你可以使用AdfRichDialog.STYLE_CLASS，而不是使用常数styleClass。PS:在JavaScript中，它是更有效地指向一个常量，而不是代码中的字符串，因为后者需要在每次调用的对象分配
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
504
扫一扫
