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
400+累计阅读
438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
1、一些mongodb数据库操作
insert into 多条数据_MongoDB数据库操作_weixin_39626181的博客-优快云博客
2、关于@ApiImplicitParams、ApiImplicitParam的使用说明
https://www.jb51.net/article/226090.htm
3、POST四种传参
POST四种传参_嗷嗷的昶卅的博客-优快云博客_post传参
post请求，注意requestbody里必填字段
4、boolean类型get()和set()方法出错的问题
Unity 接入HybridCLR的点点滴滴，亲测三平台（PC、Android、WebGL）妥妥的。-问题分享
一入热更深似海啊，没有热更是真恼火啊，干啥啥不方便，动不动就得重新发包；说实在的，也是工作之余研究这个，在原有框架基础上接入这个热更，既要保持原有功能，还要支持热更，实实在在、断断续续搞了这么久，终于是接入并测通了，这一路是坎坎坷坷，下面把走过的弯弯绕绕记录下，希望对后来想接入的小伙伴有帮助吧。
@GetMapping，@PostMapping，@ApiOperation，@ApiParam，@ApiImplicitParams
今天看项目遇到几个注解，记录一下 @GetMapping 组合注解，意思是@RequestMapping(method=RequestMethod.GET) @PostMapping 组合注解，意思是@RequestMapping(method=RequestMethod.POST) @GetMapping,@PostMapping 等引进于Spring4.3中 @ApiOperation(va...
瑞萨RA6M5驱动ST7735屏幕避坑指南：从软件SPI到显示汉字与图形的完整流程
本文详细介绍了瑞萨RA6M5单片机驱动ST7735屏幕的完整流程，涵盖硬件连接、软件SPI控制、汉字显示及图形绘制优化等关键步骤。通过避坑指南和实用代码示例，帮助开发者解决屏幕初始化、时序控制、字库移植等常见问题，实现高效稳定的显示效果。
swagger2 注解说明 ( @ApiImplicitParams )
@Api：用在请求的类上，表示对类的说明 tags="说明该类的作用，可以在UI界面上看到的注解" value="该参数没什么意义，在UI界面上也看到，所以不需要配置" @ApiOperation：用在请求的方法上，说明方法的用途、作用 value="说明方法的用途、作用" notes="方法的备注说明" @ApiImplicitParams：用在请求的方...
Plecs仿真进阶：半桥LLC谐振变换器从开环到闭环的实战解析
本文通过Plecs软件，详细解析了半桥LLC谐振变换器从开环模型搭建到闭环控制实现的完整仿真流程。文章深入探讨了谐振参数设置、关键波形解读，并重点分享了基于PI控制器的闭环调试实战经验与参数整定技巧，帮助工程师高效掌握这一高效拓扑的仿真与设计方法。
Oracle19c集群节点故障恢复：从主机重装到重新加入集群的完整指南
本文详细介绍了Oracle19c集群节点故障恢复的全过程，从主机重装到重新加入集群的完整指南。重点讲解了保持集群配置一致性、彻底清理故障节点残留信息和分阶段验证等关键恢复原则，帮助DBA高效解决节点故障问题，确保集群稳定运行。
【java】swagger中api接口传多个参数 @ApiImplicitParam和@ApiImplicitParams
【java】swagger中api接口传多个参数 @ApiImplicitParam和@ApiImplicitParams
【计算机三级-数据库技术】操作题大题(第1套）
从触发器的语法中可知，【1】处应该填写的是执行触发器的表，【2】处应该填写指定在表或视图上执行哪些数据修改语句时将激活触发器的关键字。使用FOR或AFTER选顶定义的触发器为后触发器，即只有在引发触发器执行的语句中的操作都已成功执行，并且所有的约束检查也成功完成后，才执行触发器。转换成新的独立的模式，模式的属性由联系本身的属性及两个实体的键构成，主键由两端实体的键组合而成。实体的转换：在从ER图转换为关系模式时，一个实体转换成一个关系模式，实体的属性就是关系模式的属性，实体的键就是关系的主键。
解决@ApiImplicitParams不生效问题
但如果在参数里面加了其它注解，比如`@NotNull`，那么可能就会失效。需要在参数前加入`@RequestParam`参数。
论文解析-sciPENN
用这2个CITE-seq共有的protein作为训练集，分别将他们特有的protein作为测试集，评估sciPENN对CITE-seq数据集中缺失的protein丰度预测准确度。来自Seurat 4 的PBMC数据集，样本被注射水疱性口炎病毒 （VSV） 载体 HIV 疫苗，数据集包含每个样本注射疫苗0天、3天、7天的CITE-seq数据。PBMCs作为训练集，MALT作为测试集，利用scRNA-seq测试17个蛋白质表达水平。Monocyte：随机取4个样本作为训练集，剩余4个样本作为测试集。
【读代码】SQLBot：开源自然语言转SQL智能助手原理与实践
SQLBot是 DataEase 团队开源的自然语言转 SQL 智能助手，致力于让非技术用户也能通过自然语言与数据库对话，自动生成 SQL 查询，实现自助数据分析、智能BI问答、报表生成等场景。SQLBot 结合了大语言模型（LLM）、数据库元数据解析、SQL解析与执行等多项技术，具备强大的多数据库适配能力和灵活的扩展性。降低数据分析门槛，让业务人员无需掌握SQL即可获取数据洞察支持多种数据库类型，适应企业多样化数据环境提供可扩展的API和插件机制，便于集成到各类BI、数据平台和业务系统。
Swagger 2——@ApiOperation注解、@ApiModel注解、@ApiImplicitParams注解、@ApiImplicitParam注解无效解决方案
问题描述 Spring MVC REST API使用springfox-swagger2。swagger一切都可以正常工作，但是我的问题是我无法在我的swagger文档中添加其他信息。 @RestController @RequestMapping("/persons") public class PersonController { Logger LOGGER = LoggerF...
配置 SAP Web Dispatcher 的实战指南：打通 SAP Fiori、SAP Gateway 与前端系统的关键一跳
SAP Web Dispatcher 在 Fiori 架构中扮演关键角色，作为统一入口处理 HTTPS 请求、实现安全代理和流量分发。它将分散在不同系统的访问路径统一收口，解决浏览器同源策略限制，集中管理 HTTPS 终止和客户端信息传递。典型配置中，Web Dispatcher 监听 443 端口，根据路径将 OData 请求转发至 Gateway 系统，静态资源请求送至前端服务器。SSL 相关配置（如 PSE 文件）确保安全通信，而路由规则（wdisp/system_xx）决定请求转发目标。实施时需注意
Swager @ApiImplicitParams使用
注意 @ApiImplicitParam中的paramType 必须要有，不然接口传递过来的是null 代码 import java.util.List; @RestController @Api(value = "myClass") @RequestMapping("/myclass") public class myClass { @RequestMapping(method = Re...
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
解决post请求httpServletRequest对象.getParameter获取不到参数!
httpServletRequest对象.getParameter（）接收post请求参数，
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")
java-1.swagger注解的使用
@Api：用在请求的类上，表示对类的说明 tags=“说明该类的作用，可以在UI界面上看到的注解” value=“该参数没什么意义，在UI界面上也看到，所以不需要配置” 4@ApiOperation：用在请求的方法上，说明方法的用途、作用 value=“说明方法的用途、作用” notes=“方法的备注说明” @ApiImplicitParams：用在请求的方法上，表示一组参数说明 @ApiImpl...
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
@ApiImplicitParams、ApiImplicitParam的使用
@ApiImplicitParam：作用在方法上，表示单独的请求参数参数：1. name ：参数名。2. value ： 参数的具体意义，作用。3. required ： 参数是否必填。4. dataType ：参数的数据类型。5. paramType ：查询参数类型，这里有几种形式： 类型 作用path 以地址的形式提交数据query 直接跟参数完成自动映射赋值body ...
Swagger 中 @ApiImplicitParam和@ApiImplicitParams的用途
1、@ApiImplicitParam 作用在方法上，用于设置单个请求参数，用法示例： @PutMapping("/update") @ApiOperation(value = "更新用户信息", notes = "根据用户登录token更新客户端提交的用户资料") public Object update() { Map<String,Object> map = new...
swagger2 注解说明
@Api：用在请求的类上，表示对类的说明 tags="说明该类的作用，可以在UI界面上看到的注解" value="该参数没什么意义，在UI界面上也看到，所以不需要配置" @ApiOperation：用在请求的方法上，说明方法的用途、作用 value="说明方法的用途、作用" notes="方法的备注说明" @ApiImplicitParams：用在请求的方法上，...
swagger2 注解说明 @ApiImplicitParam和@ApiImplicitParams的用法
@Api：用在请求的类上，表示对类的说明 tags="说明该类的作用，可以在UI界面上看到的注解" value="该参数没什么意义，在UI界面上也看到，所以不需要配置" @ApiOperation：用在请求的方法上，说明方法的用途、作用 value="说明方法的用途、作用" notes="方法的备注说明 示例如下： @Api(tags =......
SpringBoot整合Swagger：@RequestBody接收参数，@ApiImplicitParam和@ApiModel(value="userVo")不能同时使用
问题，如标题所说。 @ApiOperation(value = "添加用户", notes = "添加某个项目的用户") @ApiImplicitParam(name = "vo", value = "用户实体类", paramType = "body", required = true, dataType = "UserVo") @PostMapping("/addUser"...
swagger常用注释API @ApiModel、@ApiModelProperty的用法
swagger常用注释API @ApiModel、@ApiModelProperty的用法
spring boot 配置 swagger
Maven 增加 Swagger2 所需依赖，pom.xml 配置如下： <!-- Swagger2 Begin --> <dependency> <groupId>io.springfox</groupId> <artifactId>springfox-swagger2</artifactId> ...
使用@ApiImplicitParam为多个参数注释
1、使用 @ApiIlplicititParam为单个参数注释、设置默认值、必传参数等.2、@ApiIlplicititParams为多个参数注释、设置默认值、必传参数等.3、@ApiIlplicititParam 参数: name:参数名 value:参数的具体意义，作用（一般是注释） required:参数是否必填 dataType:参数的数据类型 paramType:查询参数类型，以下是它的几种形式：...
记录一下使用Swagger2的@ApiImplicitParam注解遇到的坑
使用的是前后台分离框架，后台有个打印接口传参的aop，会打印所有接口接收到的参数。当接口类型是get时一切正常，但是post类型时，在本机的swagger上测试都正常，但是到了linux服务器是时，却出现有的时候有参数打印，有时则是打印的null的情况。 找了好久才发现问题所在：1.在用@ApiImplicitParam配置参数时，将paramType设置成了query，导致swagger在...
@ApiResponses、@ApiResponse、@ApiImplicitParams、ApiImplicitParam
@ApiImplicitParam： 作用在方法上，表示单独的请求参数 参数： 1. name ：参数名。 2. value ： 参数的具体意义，作用。 3. required ： 参数是否必填。 4. dataType ：参数的数据类型。 5. paramType ：查询参数类型，这里有几种形式： 类型 作用 path 以地址的形式提交数据 query ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
