从零开始:JBoss与Tomcat的深度对比与选型指南(2023最新版)

MyEclipse Java Web开发全栈配置指南:Tomcat集成与Web Project实战 Java Web开发环境配置是企业级应用落地的第一道门槛,其本质是JVM运行时、Servlet容器(如Tomcat)与IDE工程模型之间的深度协同。理解JDK版本约束、web.xml部署规范、动态Web模块版本匹配等底层原理,才能避免常见编译失败、热部署失效和中文乱码等问题。MyEclipse作为预集成Java EE工具链的IDE,核心价值在于开箱即用的Tomcat适配、Maven内嵌支持与Database Explorer能力,显著降低Web Project从创建、调试到部署的路径复杂度。本文聚焦真实项目 阅读详情

从零到决策:2023年Java应用服务器选型深度实战指南

在技术架构的十字路口,选择一款合适的Java应用服务器,远不止是下载一个软件那么简单。它关乎未来数年的系统稳定性、团队技术栈的平滑演进,以及应对业务爆发式增长时的底气。对于技术决策者和架构师而言,JBoss(现为WildFly/EAP)与Tomcat的对比,是一个经典且常谈常新的话题。网络上充斥着各种“对比表格”,但真正能穿透表象,结合现代云原生、微服务架构实践,给出可落地建议的深度分析却不多见。本文将抛开泛泛而谈,从内核架构、性能实质、运维成本和真实场景出发,为你构建一个立体、可操作的选型决策框架。

1. 内核解析:不仅仅是“全栈”与“轻量”之别

很多人将JBoss与Tomcat的区别简单归纳为“全功能应用服务器”与“轻量级Web容器”。这种说法没错,但过于表面,容易误导决策。我们需要深入其内核设计哲学,理解这种差异带来的连锁反应。

Tomcat 的核心是一个精巧的Servlet容器。它的设计目标非常明确:高效、稳定地处理HTTP请求,执行Servlet和JSP规范。你可以把它想象成一个高度专精的“HTTP请求处理器”。它的模块化程度高,启动速度快,资源占用小,这都得益于其专注性。然而,这种专注也意味着,如果你需要企业级特性,如分布式事务(JTA)、消息队列(JMS)、完整的EJB容器,你需要自己寻找并集成第三方实现,例如将Tomcat与ActiveMQ、Atomikos等组合。这带来了灵活性,但也引入了集成复杂度与一致性风险。

JBoss/WildFly 则是一个完整的Java EE(现Jakarta EE)应用服务器实现。它的内核是基于JMX(Java Management Extensions)的微内核架构,所有核心服务(如事务管理、安全、命名服务、资源池)都以MBean的形式存在,并通过一个统一的、可插拔的模块化类加载器系统进行管理。这带来了几个关键优势:

  • 热部署与模块化:得益于统一的类加载器,你可以动态部署、更新或卸载应用模块,而无需重启整个服务器。这对于需要7x24小时高可用的系统至关重要。
  • 开箱即用的集成:事务管理器(Narayana)、消息中间件(Artemis)、Web服务栈等,都是其内核的一部分,经过深度优化和测试,保证了企业级场景下的可靠性与性能一致性。
  • 面向服务的内部架构:其本身就是SOA理念的实践,内部服务通过清晰的接口通信,这使得它天生适合构建和运行基于微服务(尽管现代微服务更倾向于轻量级容器)或传统分布式组件的应用。

注意:这里说的JBoss通常指其社区版WildFly或商业版Red Hat JBoss EAP。自JBoss AS 7之后,项目已更名为WildFly,其内核经过彻底重写,更加轻量、模块化和快速启动。

为了更直观地对比两者在技术栈支持上的差异,可以参考下表:

特性维度Apache TomcatWildFly / JBoss EAP
核心定位Servlet/JSP容器 (Web容器)完整的Jakarta EE应用服务器
标准支持Servlet, JSP, EL, WebSocket完整的Jakarta EE Platform Profile
关键企业服务需第三方集成 (如 Atomikos for JTA)内置 (JTA, JMS, JPA, EJB Lite/Full, CDI等)
默认通信协议HTTP/1.1, AJPHTTP/1.1/2, AJP, 远程EJB, IIOP (CORBA)
管理方式Web控制台, JMX, 脚本功能丰富的Web控制台, 命令行CLI, 管理API, 商业版提供集中管理
配置复杂度相对简单, server.xml 为主更复杂, 基于域模型和子系统配置
典型启动时间几秒十几秒至几十秒(取决于激活的子系统)
内存占用较低较高(因加载更多服务)

这个表格揭示了一个核心事实:选择Tomcat,你是在组装一个定制化的运行时环境;选择WildFly/JBoss,你是在配置一个功能完备的运行时平台。前者给你极致的控制权和精简度,后者给你开箱即用的生产就绪特性。

2. 性能迷思:基准测试与真实负载的鸿沟

“哪个性能更好?”这是最常见的问题,但答案往往是“看情况”。脱离具体场景谈性能是片面的。我们分别从几个关键维度来剖析。

静态资源与高并发连接:这是Tomcat早期版本的软肋,但通过APR/Native连接器,Tomcat可以直接调用操作系统原生库进行网络I/O和文件传输,性能得到质的飞跃,足以媲美Apache HTTP Server或Nginx。WildFly同样集成并优化了这部分能力。在静态文件处理上,两者在现代版本中的差距对于绝大多数应用来说已可忽略。关键在于你是否正确配置了Native连接器。

<!-- Tomcat server.xml 中启用APR连接器示例 -->
<Connector port="8080" protocol="org.apache.coyote.http11.Http11AprProtocol"
           connectionTimeout="20000"
           redirectPort="8443" />

动态请求处理与线程模型:对于Java动态内容(Servlet、JSP),两者的性能核心取决于JVM优化、代码质量和线程池配置。WildFly因为内置了更多服务,在处理涉及EJB远程调用、分布式事务的复杂业务链时,其内部优化的通信机制(如Netty)会带来优势。而对于纯粹的Spring MVC或Jakarta RESTful Web Services应用,运行在Tomcat上可能更轻快,因为避免了应用服务器额外抽象层的开销。

内存与启动时间:Tomcat无疑是赢家。更小的内存占用和更快的启动速度,使其在需要快速弹性伸缩的云环境、容器化部署和开发测试循环中极具吸引力。WildFly通过其模块化设计,允许你只启用需要的子系统,从而构建一个更“瘦”的服务器,但这需要一定的调优经验。

集群与会话复制:两者都支持集群。Tomcat提供了多种会话管理器(如DeltaManager、BackupManager)和序列化方案,但配置相对繁琐。WildFly的集群功能更为成熟和集成化,基于JGroups提供可靠的组通信,并支持细粒度的会话复制策略,对于有状态应用的高可用部署更为友好。

真正的性能决策点不在于某个基准测试的数字,而在于:

  1. 你的应用类型:是传统的、重度依赖EJB和JTA的遗留应用,还是现代的、无状态的RESTful微服务?
  2. 你的团队 expertise:是否有能力对Tomcat进行深度调优和第三方组件集成?
  3. 运维成本:是愿意在部署时多花时间集成,还是在前期选择功能齐全但更复杂的平台?

3. 现代架构下的演变:云原生与微服务时代的角色重塑

随着容器化、Kubernetes和微服务架构的普及,应用服务器的角色正在发生深刻变化。传统的“大而全”的单体应用服务器模式受到挑战。

Tomcat在云原生时代的天然优势:

  • 轻量级:更小的镜像尺寸,意味着更快的分发、部署和启动速度,符合容器“一次构建,到处运行”和快速扩缩容的理念。
  • 单一职责:作为纯粹的Web容器,它与Sidecar模式(如服务网格Istio)结合得更好。业务逻辑与跨切面关注点(如熔断、链路追踪)分离,架构更清晰。
  • 与Spring Boot的完美融合:Spring Boot默认内嵌Tomcat,使得应用可以打包成一个独立的、可执行的JAR文件。这种“应用即服务器”的模式,极大地简化了开发、测试和部署流程,成为现代Java微服务的事实标准。

WildFly/JBoss的适应性变革: 红帽也敏锐地捕捉到了这一趋势。WildFly现在提供了:

  • 云优化配置:通过cloud配置集,预置了更适合容器环境的设置,如更小的内存占用、更快的启动优化。
  • WildFly Bootable JAR:这是一个革命性的特性。它允许你将WildFly服务器和你的应用一起,构建成一个可执行的、高度定制的JAR文件。你可以选择只包含应用所需的服务器模块,从而获得接近Spring Boot的体验,同时保留完整的Jakarta EE能力。
    # 使用Maven插件构建Bootable JAR
    mvn package wildfly-jar:package
    # 运行
    java -jar my-app-bootable.jar
    
  • 对MicroProfile的全面支持:MicroProfile是一组为微服务架构优化的API规范(如配置、容错、健康检查、度量、OpenAPI等)。WildFly通过其microprofile配置集原生支持这些特性,让开发者能在熟悉的Jakarta EE环境中构建现代化的微服务。

因此,选型决策必须考虑你的架构演进方向。如果你的团队全面拥抱Spring Cloud生态和容器化,Tomcat(或Undertow)是更自然的选择。如果你的企业拥有大量基于EJB等传统Jakarta EE技术的资产,并希望以渐进、可控的方式向云原生迁移,WildFly/JBoss EAP及其Bootable JAR提供了平滑的路径。

4. 运维、生态与成本综合考量

技术选型不能只看技术,还必须权衡运维复杂度、社区生态和总体拥有成本。

学习曲线与运维复杂度:

  • Tomcat:配置简单直观,server.xml、web.xml是核心。故障排查相对直接,社区资源极其丰富。但对于需要集成复杂企业特性的场景,运维团队需要掌握多个中间件(如独立的事务管理器、消息队列)的维护技能。
  • WildFly/JBoss:拥有更强大的管理能力,包括统一的管理控制台和功能丰富的命令行接口(CLI)。但其配置基于域模型和子系统,概念更复杂。例如,配置数据源不再是通过简单的XML文件,而是通过CLI或管理界面操作。
    # WildFly CLI 添加数据源示例
    /subsystem=datasources/data-source=MyDS:add( \
      jndi-name=java:/jdbc/MyDS, \
      connection-url=jdbc:postgresql://localhost:5432/mydb, \
      driver-name=postgresql, \
      user-name=dbuser, \
      password=dbpass)
    

社区与商业支持:

  • Tomcat:由Apache软件基金会维护,拥有庞大活跃的社区。遇到问题通常可以通过社区论坛、Stack Overflow找到答案。但缺乏官方的、有服务等级协议(SLA)的商业支持。
  • WildFly/JBoss:社区版WildFly由红帽主导,社区活跃。其商业版Red Hat JBoss Enterprise Application Platform (EAP) 提供了长期支持(通常5-10年)、安全补丁、经过严格测试的认证组合、以及红帽全球技术支持。这对于对稳定性、安全性和合规性有严格要求的企业客户至关重要。

许可证与成本: 两者核心都是开源软件(Tomcat - Apache License 2.0, WildFly - LGPL)。真正的成本差异体现在:

  • 集成与开发成本:使用Tomcat可能需要额外集成组件,这部分的设计、开发和测试成本需计入。
  • 商业支持订阅费:如果选择JBoss EAP,需要支付订阅费用,但这笔费用包含了技术支持、更新和保障。
  • 运维人力成本:维护一个由多个松散组件集成的环境,可能比维护一个统一平台需要更多资深运维人员。

在我的经验里,很多团队初期为了“节省成本”选择Tomcat并自行集成,但在项目规模扩大、遇到棘手的生产环境问题时,所耗费的专家人力和停机成本,早已超过一套成熟商业支持软件的费用。因此,对于核心业务系统,预算中必须考虑风险缓解成本。

5. 实战选型决策树:告别纠结,做出你的选择

最后,我们抛开理论,用一个实战决策树来收尾。下次当你面临选择时,可以顺着这个思路问自己几个问题:

第一步:明确应用架构

  • 这是一个全新的微服务或云原生应用吗?并且团队主要使用 Spring Boot/Cloud 技术栈?
    • 是 -> 强烈倾向 Tomcat(或Undertow、Jetty)。它是这个生态的自然组成部分,能最大化开发效率和云兼容性。
    • 否 -> 进入下一步。

第二步:评估技术需求

  • 应用是否重度依赖完整的Jakarta EE规范,如EJB、JTA、JMS、JAAS安全等?或者它是一个需要热部署的复杂传统单体应用?
    • 是 -> 强烈倾向 WildFly/JBoss EAP。开箱即用的集成和统一管理将为你节省大量时间和避免集成风险。
    • 否 -> 进入下一步。

第三步:权衡运维与商业因素

  • 团队是否拥有强大的中间件运维能力,并且能够接受自行集成、排查多组件问题的责任?项目预算是否无法承担商业支持订阅费用?
    • 是 -> 可以选择 Tomcat。但请务必为关键第三方组件(如事务管理器)制定好备份和支持计划。
    • 否 -> 倾向于 WildFly (社区版) 或 JBoss EAP (商业版)。WildFly提供了比Tomcat更丰富的企业功能基线,而EAP则提供了兜底的安全网。对于需要稳定保障的企业级应用,直接评估JBoss EAP的商业订阅。

第四步:考虑未来与弹性

  • 技术路线图里是否有向容器化和Kubernetes迁移的计划?是否要求极快的启动速度和最小的内存 footprint?
    • 是 -> 无论选择哪个,都需采用其优化模式:Tomcat保持精简;WildFly使用cloud配置集或Bootable JAR。在这一条件下,Tomcat的初始优势仍然存在,但WildFly的Bootable JAR正在快速缩小差距。

没有银弹。对于大多数以Web服务、REST API为主的现代应用,特别是基于Spring框架的,Tomcat是默认的、也是最务实的选择。而对于那些承载企业核心业务逻辑、涉及复杂事务和集成、且需要长期稳定支持的传统或混合型应用,WildFly或JBoss EAP则提供了更坚实的基石。最终,结合你的团队基因、应用特质和长期战略做出的选择,才是最好的选择。

Java开发全栈指南:从基础到企业级应用实战 Java作为面向对象编程语言的代表,通过JVM虚拟机实现跨平台特性,其核心价值在于稳定的性能表现和丰富的生态系统。在并发编程领域,Java提供了从基础线程管理到高级并发工具类的完整解决方案,特别是JDK21引入的虚拟线程显著提升了高并发场景下的资源利用率。企业级开发中,Spring框架的IoC容器和AOP机制构成了现代Java应用的基石,而微服务架构则依赖Spring Cloud Alibaba等组件实现服务治理。对于开发者而言,深入理解JVM内存模型和GC调优原理是解决性能问题的关键,配合Arthas等诊 阅读详情

相关推荐

Lithe-IDEA:面向Spring Boot的轻量级开源Java IDE

IDE(集成开发环境)是Java开发者的核心生产力工具,其本质是基于语言服务、代码分析与项目构建能力的可扩展工作台。现代Java开发已高度聚焦于Spring Boot生态,对启动速度、内存占用和框架感知能力提出更高要求。Lithe-IDEA并非简单裁剪的‘精简版IDEA’,而是基于IntelliJ Platform内核重构的JVM专用开发工作台,通过剥离企业级功能模块、强化Spring Boot专属能力(如@ConfigurationProperties校验、Actuator端点导航)、采用按需PSI解析与

weixin_34054931的博客 458

tomcat 配置目录及相关连接数相关配置

TOMCAT1、主目录下有bin,conf,lib,logs,temp,webapps,work bin目录主要是用来存放tomcat的命令 conf目录主要是用来存放tomcat的一些配置文件。 重要: server.xml可以设置端口号、设置域名或IP、默认加载的项目、请求编码 web.xml可以设置tomcat支持的文件类型 context.xml可以用来配置...

weixin_33772645的博客 309

从任意文件读取到RCE:一次完整的Web安全漏洞链实战剖析

在Web安全领域,路径遍历(Path Traversal)和命令注入(Command Injection)是两类基础但危害巨大的安全漏洞。路径遍历漏洞的根源在于应用程序对用户输入的文件路径参数未做严格校验,攻击者通过构造特殊序列(如../)可越权读取服务器上的敏感文件,如系统配置文件或应用程序源码。命令注入则发生在应用程序将未经验证的用户输入拼接到系统命令中执行时,攻击者可通过注入分隔符(如;、&&)执行任意操作系统命令,直接获取服务器控制权。这两类漏洞的技术价值在于,它们往往能形成致命的攻击链:通过任意文

weixin_30765505的博客 452

jboss和tomcat的区别

一般运行命令:run -c 服务器名,例如:run -c all 或 run -c default 或自定义的服务器 run -c ejbtest。bin目录主要是用来存放tomcat的命令,主要有两大类,一类是以.sh结尾的(linux命令),另一类是以.bat结尾的(windows命令)。logs目录用来存放tomcat在运行过程中产生的日志文件,非常重要的是在控制台输出的日志。work目录用来存放tomcat在运行时的编译后文件,例如JSP编译后的文件。一般,我们使用-S选项来停止服务器。

JBIB ENGINE 1727

JBoss与Tomcat:Java Web开发中的两个选择

JBoss的适用场景:由于JBoss提供了全面的Java EE功能和服务,它适用于大型复杂的企业级应用程序。Tomcat是一个轻量级的Servlet容器和JSP引擎,适用于中小型的Web应用程序和简单的Java Web开发。根据您的需求和项目规模,选择适合的服务器是非常重要的。Tomcat是一个精简而高效的服务器,适用于中小型的Web应用程序和简单的Java Web开发。如果你只需要一个轻量级的Servlet容器和JSP引擎,而不需要完整的Java EE功能,那么Tomcat是一个不错的选择。

TechProX的博客 978

Eclipse JEE版文件名解析与JVM启动配置指南

Eclipse IDE 是面向Java开发者的主流集成开发环境,其发行版命名体系隐含平台、功能、版本、架构等关键信息。理解如 'eclipse-jee-2023-09-R-win32-x86-64' 这类文件名,本质是掌握Jakarta EE开发环境的兼容性契约;而JVM启动参数(如 -Xmx、-XX:+UseParallelGC、-vm)则直接决定IDE在Windows下的稳定性与性能表现。这些配置不仅影响Tomcat集成、Maven构建和中文支持,更关系到企业级Web项目能否顺利启动与调试。本文聚焦Ec

weixin_30236595的博客 476

tomcat,Jboss,weblogic等web服务器的特点(转)

一、tomcat     Tomcat 服务器是一个免费的开放源代码的Web 应用服务器,它是Apache 软件基金会(Apache Software Foundation)的Jakarta 项目中的一个核心项目,由Apache、Sun 和其他一些公司及个人共同开发而成。由于有了Sun 的参与和支持,最新的Servlet 和JSP 规范总是能在Tomcat 中得到体现,Tomcat ...

wangshuxing的专栏 1131

2-6-1-1 QNX编程入门之进程和线程(一)

文章围绕进程和线程展开介绍。先是将进程类比为房子,线程类比为居住者,阐述其基本概念,如进程占用内存,线程可共享内存。接着讲解同步相关内容,介绍了互斥,线程通过互斥锁来控制对特定资源的访问,像使用浴室一样。还提到优先级,线程按优先级和等待时长来决定获取资源顺序。此外,说明了信号量,以厨房为例,区分计数为 1 和大于 1 的信号情况,且指出信号量可当互斥锁用,但互斥锁是特殊用途信号量,二者存在区别,最后提及后续会介绍其他同步机制。

星原飞火的博客 1324

Web服务器技术选型指南:主流方案、核心对比与策略选择

在当今互联网架构中,Web服务器承担着处理HTTP请求、管理资源分配和保障服务稳定性的核心职责。

你的灯在亮 1306

从AP到ADSP:高通8650 AudioReach中GSL-Passthru-GPR的数据通路剖析

本文深入剖析了高通骁龙8650平台AudioReach架构中,音频数据从应用处理器(AP)到音频数字信号处理器(ADSP)的完整传输路径。重点解析了GSL(Graph Service Layer)如何封装命令,并通过Passthru驱动与GPR(Generic Packet Router)协同工作,实现跨处理器的高效、异步数据交换,揭示了现代手机复杂音频系统背后的核心通信机制。

cherry的博客 538

用Python+Charles搞定小程序付费短剧下载(附完整代码与避坑点)

本文详细介绍了如何利用Python和Charles抓包工具实现小程序付费短剧的自动化下载。通过分析小程序视频接口、破解请求参数,并编写Python脚本,读者可以轻松获取并保存短剧内容。文章还提供了完整的代码示例和常见问题的解决方案,特别适合对视频采集和抓包技术感兴趣的开发者。

weixin_28731231的博客 1192

web中间件——Tomcat

本文介绍了Java技术栈中的关键组件及选型建议。主要内容包括:1) Java Web中间件选型对比,涵盖Tomcat、Jetty等主流中间件特点及应用场景;2) JVM-JDK-JRE架构解析,解释Java跨平台原理;3) JDK版本选型指南,详细列出各LTS版本支持周期;4) Tomcat基础配置,包括版本依赖关系和目录结构说明。文章为Java开发者提供了中间件选择、JDK版本管理和Tomcat部署的实用参考方案。

不知道 972

Claude code-review 插件深度解析:AI 驱动的智能代码审查系统

Claude Code Review 插件深度解析:AI 驱动的智能代码审查系统 该插件通过多 Agent 并行工作方式自动审查 PR,采用置信度评分机制(80+分保留)过滤误报,确保高质量反馈。核心功能包括: 5个专业化 Agent 并行审查(规范合规性、bug检测、历史分析等) 8步工作流程:从资格检查到 GitHub 评论发布 创新性置信度评分系统(0-100分),严格过滤7类误报 结合 CLAUDE.md 规范和历史 PR 评论实现一致性审查 技术亮点: 多 Agent 架构(Haiku/Sonne

虚心若愚 2273

2023年Java最新面试题10道(原创)

2023年Java最新面试题10道(原创)

403

Python3 ACM模式输入输出全攻略:从牛客网到华为机试的实战技巧

本文详细解析了Python3在ACM模式下的输入输出处理技巧,针对牛客网、华为机试等在线评测系统。文章从input()函数本质出发,总结了六种高频输入模式的处理模板,并提供了链表、二叉树等数据结构的I/O实战方案,最后给出性能优化与常见避坑指南,帮助开发者高效应对算法笔试。

zero1的博客 1000

Qoder CN 完全指南:阿里云AI智能体的全景拆解

阿里云旗下AI编程助手"通义灵码"于2026年5月20日升级为QoderCN,转型为覆盖软件开发与办公场景的AI智能体产品矩阵。该平台具备四大核心能力:代码补全、智能问答、文件编辑和智能体模式,支持GLM、DeepSeek等多模型切换。特色功能包括Quest2.0任务委派、专家团协作和记忆感知,满足金融、政务等行业的合规需求。产品形态涵盖IDE插件、CLI工具、办公助手和数字员工,形成"全家桶"式解决方案。相比Cursor等海外产品,QoderCN更注重全链路覆盖,个

几十年资深高级架构师,技术专家的技术笔记。专注C、Java、Python、微服务、云原生、AI工程化及高并发系统分布式架构实战,分享源码剖析、性能调优与架构治理经验。 993

X-Scan插件深度调优指南:如何定制端口字典和弱口令规则提升扫描精度

本文详细介绍了如何通过定制X-Scan插件的端口字典和弱口令规则来提升扫描精度。针对不同服务类型,提供了精准的端口扫描策略和智能构建弱口令字典的方法,帮助安全测试人员从“广撒网”转变为“精准打击”,大幅提升渗透测试效率。

weixin_28716443的博客 306

Microsemi Libero系列教程(全网首发)

关于Libero IDE和Libero SoC Libero分为Libero IDE和Libero SoC,Libero IDE最新版本是v9.2 SP3(2016年4月4日)已经不再更新维护了,而Libero SoC是Libero IDE的升级版,官方推荐的开发工具,文中的Libero指的是Libero SoC。 Libero SoC Libero® SoC是Microsemi(美高森美)官方...

whik1194的博客 2万+

OpenRASP安全防护:5步实现Web应用实时监控与攻击防御

OpenRASP是一款开源的应用运行时自我保护(RASP)解决方案,为Web应用提供实时的安全防护能力。作为一款创新的开源安全工具,OpenRASP通过将保护引擎注入到应用服务器中,实现对应用执行流的实时监控和攻击拦截,为应用安全提供了革命性的防护方案。 ## 1. 项目价值定位与核心优势 ### 1.1 传统安全防护的局限性 传统WAF和IDS等边界防护方案存在以下问题: - 基于规则匹配

gitblog_00554的博客 1177

innovus: ccopt_design如何给不同clock设置max_transition

sdc命令的max_trans约束,对应spec里的set_ccopt_property target_max_trans_sdc -delay_corner ss -early/-late -clock_tree xx 0.2。其他的就用set_max_transition 0.5 -clock_path [all_clocks]或者set_ccopt_property target_max_trans 0.5。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 180

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")

Lithe-IDEA:面向Java开发者的轻量级开源IDE重构实践

IDE(集成开发环境)作为Java开发者的核心工具,其性能与架构设计直接影响编码效率与学习门槛。传统IDE如IntelliJ IDEA虽功能强大,但因平台耦合深、模块冗余多、内存占用高,难以适配教学、边缘计算及快速贡献等轻量场景。Lithe-IDEA并非简化版IDEA,而是基于LSP协议、Maven原生构建与三层解耦架构的全新实现,将核心引擎压缩至23MB以内,启动时间低于2.5秒,并深度优化Spring Boot配置跳转与AST解析精度。它代表了一种‘精准裁剪’的技术范式:以开源为前提,用数据驱动功能取舍

weixin_34122604的博客 155

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

从漏洞利用到内网渗透:攻击未打补丁服务的完整攻击链解析

在网络安全领域,漏洞利用是攻击者获取初始访问权限的核心技术手段。其基本原理是,攻击者通过识别并利用软件或系统中已知但未修复的安全缺陷,绕过正常认证或执行非授权操作。这项技术的价值在于,它往往是网络入侵的起点,能够为后续的横向移动和数据窃取奠定基础。常见的应用场景包括针对Web服务器、数据库以及各类中间件的远程攻击。攻击链通常始于侦察与武器化,通过扫描发现未打补丁的服务版本,并准备相应的漏洞利用代码。随后,在漏洞利用与安装阶段,攻击者利用诸如SQL注入、反序列化或远程代码执行等技术获取初始立足点。进入后渗透阶

weixin_34013044的博客 323

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

30 个渗透实战技巧 从弱口令爆破到权限提升全攻略!

本文分享的 30 个实战技巧,均面向企业安全运维与合法渗透测试场景,旨在帮助安全从业者提升防御能力,而非提供攻击工具。

2401_84618514的博客 505

渗透测试 ( 3 ) --- Metasploit Framework (MSF)

Metasploit专业版和精简版的主要差别在于专业版上面集成了全自动攻击模块,通过远程API集成网络分割测试模块、标准基线审计向导模块、闭环漏洞验证优先处理功能、动态载荷规避防病毒解决方案、钓鱼意识管理和鱼叉式网络钓鱼模块、对OWASP Top 10漏洞的Web应用程序测试模块、高级命令行和Web界面的选择模块。但是,专业版是必须要付费的,所以除非用到非个人的功能,否则没有必要去使用专业版,而且,专业版和精简版的渗透攻击模块是一样的。.........

freeking101的博客 1万+
上一篇: 树莓派原生系统下Gstreamer硬件加速视频推流实战
下一篇: 旋转矩阵实战指南:从理论到代码实现
梦想总是可以实现的
博客等级 码龄6年 105粉丝 1480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  | 博主筛选后可见
 
 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