论Java WEB应用中最基本的单表增删改查的实现和及相关错误模式

javaMVC框架带分页的学生增删改查系统 这个真的挺完善的,大家来看看罗,,,, 这里基于web的mvc框架 立即下载
     个人感觉,现在通常人们讨论和实现Java WEB应用时,往往过度关注框架和平台,对常见实现的各种模式未有深入的考虑。
     自从在IBM DevelopWork上见到一个名词"错误模式",就一直仔细研究和收集各种错误模式,现在就针对各WEB应用中最常见的增删改查,谈一下常碰到的错误模式。

增加、编辑时常见错误
1、没有进行,界面上的效验问题                           
      有人认为,这个不算错误,呵呵,那我也不说什么了。
      很多情况下,初学的人会完全忽略这一块,刚开始我就是的,寒
      感觉这个就像程序把门的第一关口啊,最好能提前预防。
      一般情况下,都是用javascript直接实现的,也有基于框架的后台验证,如DotNet和WebWork的验证器等。通用的方法,是充分发挥正则验证的潜力来解决好这一块。

2、后台效验问题                            JS+RPC OR Server
      前台的效验完毕后,往往还需要进行后台的逻辑效验,如检查是否重名等。
      一般是通过一组查询来实现的。因为只是只读的查询,个人认为,怎么实现都没关系。
      通常是在后台,提交数据库前验证。其实业可以通过ajax技术,在前台验证,随着技术的发展,我想还是通过AJAX统一到前台实现比较一致。

3、更新失败返回问题
    更新失败的因素是多方面的,如数据连接断开等。往往,很多人都没有进行相关的保护,没有相应的提示,或者提示返回后,客户的输入就丢失了。这些都是应该仔细考虑并解决的问题,很可惜,再大量学习各类框架和平台后,相信很多人都没有仔细的在这一块加上那怕一点点保护。

4、编辑载入失败返回问题
     这个是个比较初级的问题,不过确实出现过,还是写写,看看自己忘了不.....
   
5、编辑载入,值还原问题,如回车丢失,空格丢失等
     有时候,Html标签写的不好的时候,可能会丢值,如  回车,空格 ,<等符号

6、更新时,多步操作的事务保护机制不健全
       这一点,本不该写在此处,不过,我一直觉得这是个很重要的问题,所以还是加上。也许有人会说,我用Hibernate,这个问题就不存在了.....还是要重视啊,我见过有初学者,没有很好的利用Hibernate的声明事务标签,或者根本不声明...... 而且多步操作不写在一个方法里面,也不用手工的事务控制...寒,其实有些项目我自己都没做到,因为各方面的原因@%^@#^@#^@^,悲哀ing.....

删除常见错误
1、找不到记录时错误
     这个是个比较初级的问题,不过确实出现过,还是写写,看看自己忘了不.....

2、关联数据不能自动检查并返回信息
      对于一些有关联的数据,应该通过检查机制保护破坏性的删除操作。
   
3、自动删除关联数据
      这个对于一些POJO设计得非常好的系统,完全不用考虑的,呵呵不过,大家还是要很清晰的了解这种删除的必要性,感觉初学者都忽略这些问题。

4、删除时没有清晰提示
      通过JS保护只有一行代码,就可以给客户一个避免错误操作的机会,何乐而不为呢,用框架的同仁们,你们这么做了吗?实际的系统,用户不会忘了提这一点的。

查看时错误
1、找不到数据时错误
     这个是个比较初级的问题,不过确实出现过,还是写写,看看自己忘了不.....

2、一些值得显示问题 如 回车、空格
      加几行转码的函数就可以避免,很多人忽略了,寒,如回车转为<BR>,空格转为 &nbsp;

3、下拉表单数据的回显问题 值-名对,显示值,而不显示名
      下拉表单输入时,大家都有解决方案了,回显,就是一个查询,请加上吧,不要让自己眼睛不舒服。

分页浏览时错误
1、找不到数据时的正确返回
     这个是个比较初级的问题,不过确实出现过,还是写写,看看自己忘了不.....

2、翻页后 条件保持问题(特别时有特殊字符时,如回车,"/"","/'"等)
    要把条件传递到下一个页面阿....

3、翻页的效率问题
    很多人没仔细考虑,比如我自己,刚用Hibernate时,直接用一个完全查询的HQL,取List.Count解决取总记录的方法,结果,发现,这个查询被执行了!!!现在改成一个专门取总行数的Count查询...当然用专门对数据库优化过的SQL和存储过程,永远是效率最高的方法


查询时错误
1、查询条件初始化问题
      查询条件如日期等,为什么不给客户一个最常用的时间段呢,可以避免用户的操作

其实还有很多需要注意的细节容易出问题。如格式验证...只读字段的控制.等等

一个完整的增删改查应该有几个部分的代码
1.添加载入
    控制添加数据的默认初始化值
    在Struct或者WebWork中,就是一个Action +一个视图

2.添加提交
   将用户提交的新增数据,加入数据库
   在Struct或者WebWork中,就是一个Action

3.编辑载入
    从库中载入已有的某条数据方便编辑
    在Struct或者WebWork中,就是一个Action +一个视图

4.编辑提交
   将用户提交的修改数据,更新到库中
   在Struct或者WebWork中,就是一个Action

5.查看记录
    从库中载入已有的某条数据查看
    在Struct或者WebWork中,就是一个Action +一个视图

6.删除提交
   将用户指定的记录删除
   在Struct或者WebWork中,就是一个Action

7.载入查询
   初始化查询界面
   在Struct或者WebWork中,就是一个Action+一个View

8.查询提交
    接受查询界面的提交,并组合为查询结果发送给一个View
   在Struct或者WebWork中,就是一个Action+一个View
   也可以将请求转交给分页浏览页面

9.分页浏览
   根据查询条件和页号,显示特定数据页的数据
   在Struct或者WebWork中,就是一个Action+一个View

这里,我没有专门写出formBean,个人认为FormBean只是一个工具
当然根据情况各种Action 和View可以进行各种整合,不过个人觉得,不管如何组合,这几个环节都是很必要的,必须思路非常清晰才好。

附上我以前总结的一些常见的错误检查表,给同事看的...
******************************************************************************************************
JAVA WEB应用常见的错误
在本系统中一些常见Bug和对策


1.Null指针错误

 A.引用的Bean未在 Hibernate配置文件,Spring配置文件中正确的配置

 B.调用的Session及Request 未能正确的取到

 C.对象未初始化,或者在传递中失去了,往往使webWork托管的对象出现这种问题

 D.未正确的写上Getter,Setter方法

2.无任何提示的错误...
 A.一般情况是HibernatePO执行的时候发生的错误,未将错误正确的抛出..

 B.转入Error页面采用Redirect模式,错误信息不能显示

其他
 A.WebWork Action中未找到对应的映射

 B.在弹出窗口中,Session丢失

 C.Tomcat,MYSQL乱码问题
   在WebWork值得注意的是URL传递的参数,需要手工用toCN转码
   Form传递的不需要

 D.WebWork标签的引用问题,Map request并不是和request映射的那个对象
   有一个同名对象,但是类型是httpRequest的Request才是..

 E.Hibernate查询书写出错

 F.Delete方法使用出错

 G.验证器使用出错

 H.类型格式定义不正确..如日期时间型显示为日期型

 I.在WebWork的JavaScript中,好像不好直接使用'和"符号,也许要HtmlEncode后,才能用??,还是要UrlEncode?

 J.全角作主键时,传递异常...

 K.JS 调试的时候,层次关系中,<!--注释-->也是一个子对象..

 L.验证实现不精确..

 M.再次注意,空值的包装问题,再webWork中自动处理了,用其他框架时,要充分考虑

 N.JDO对象需要及时更新,并且要及时调整相关的Bean

 O.缺少JDO请及时加上

1.纯JSP编写时发生的错误
 一般是没有正确编译,将编译中的Java文件放到IDE中编译一下,就可以看到提示.
******************************************************************************************************
  

1、对Null字符进行String处理出错
产生原因:数据库中数据为空值,却用字符处理函数进行处理了
    后果:崩溃性错误
预防方法:
         A.给数据库中可能出现空值的字段,加上默认值
         B.提交时,用JS脚本进行验证
         C.在处理可能是空值的字符时,用CheckNullStr(vValue) 对数值进行保护处理
         D.对处理过程加上错误陷阱,防止出现崩溃性错误

2、传递参数时,"  '  等字符造成问题
产生原因:处理" '等字符时,和Html中使用 "  '   等冲突,造成数据传送失败
    后果:崩溃性错误
预防方法:
         A.统一" '等符号的使用模式和策略
      如 JS中,字符串用""包起来    ' 需要用 /'代替
        如传递查询参数时,其中可能有 ' 和 %  需要特别的处理,所以用""包字符串
         B.在不丢失数据的情况下,根据情况使用
            Server.HtmlEncode(vValue)
            Server.UrlEncode(vValue)
         C.对处理过程加上错误陷阱,防止出现崩溃性错误

3、数据库里面未设置主健
产生原因:构建数据库时,未设置主健,
    后果:造成查询时,RecordCount显示不正常,更新时得不到主健值,造成崩溃性错误
预防方法:
     A.建表时仔细检查主健是否建立,如没有一定要建立
         B.对处理过程加上错误陷阱,防止出现崩溃性错误

4、数据库里面字段范围设置太小
产生原因:字段设置太小
    后果:如发生越界情况,就造成崩溃性错误
预防方法:
         A.仔细考虑字段大小设置,如不是很密集的应用,可考虑尽量设置大一些
         B.对处理过程加上错误陷阱,防止出现崩溃性错误

5、处理各个模块,因为Copy 代码,所以显示的某些提示不准确
   如工作邮件,提示为工作任务等
产生原因:硬编码,Copy代码,粗心大意
    后果:用户感觉极差
预防方法:
         A.仔细检查,利用全文查找,Windows的功能就可以,还可以用FrontPage
         B.尽量使用一些比较模糊的提示语,可以具有通用性
         C.将某些特定的提示进行常量定义,统一替换
     

6、单位名称等不匹配
产生原因:硬编码,Copy代码,粗心大意
    后果:用户感觉极差
预防方法:
         A.仔细检查,利用全文查找,Windows的功能就可以,还可以用FrontPage
         B.对使用的特定图片检查
         C.将特定图片和文字进行登记
         C.将某些特定的名称进行常量定义,统一替换,尽量利用Customer等通用常量,避免硬编码



   



   
简单的图书管理系统实现对图书的增加,删除,修改,查询,列表等 此图书管理系统是源码用java编写的系统,主要实现对图书的增加,修改,查询,删除,列表.其中查询可以根据需要像id号和模糊查询 立即下载

相关推荐

crud增删改查-定制异常信息

SpringBoot web--错误处理、定制错误页面和错误数据,crud 增删改查

使用java代码对数据库中的表单数据进行:增,删,改,查,操作。

updataData(conn, 7, "modified", "修改过的", now.format(formatter), now.format(formatter));insertData(conn, "test", "测试", now.format(formatter), 1, now.format(formatter), 0);System.out.println("更改数据成功");// 创建自定义的日期时间格式。// JDBC连接信息。// 查询更改后的数据。// 查询删除后的数据。

wehpd的博客 2255

常见web中增删改查实例

常见web中增删改查实例 hibernate和jdbc 常见web中增删改查实例

javaweb mysql增删改查_超详细的JavaWeb用户的增删改查实现总结

前言本文是基于单体架构实现的角色的增删改查的功能。前台使用Bootstrap+Ajax+Jsp , 后端使用Spring+SpringMvc+MyBatis进行开发,相信使用过这些技术的小伙伴应该很好的理解以下的内容,也希望看了这篇文章小伙伴们有所收获。准备工作后端技术技术说明官网SpringSpring是一个轻量级控制反转(IoC)和面向切面(AOP)的容器框架。SpringMvcMVC框架ht...

weixin_32535825的博客 1659

药物重定位实战:如何用反向找靶技术挖掘老药新用(附Python代码示例)

本文详细介绍了药物重定位中的反向找靶技术,通过分子相似性计算、机器学习模型和结构对接等方法,挖掘已有药物的新治疗潜力。附Python代码示例,帮助读者快速实现从分子结构到潜在靶标的智能预测,显著提升药物研发效率。

weixin_28726671的博客 259

单像素成像技术原理与Matlab仿真实现

傅里叶变换是数字图像处理的核心数学工具,它将图像从空间域转换到频率域表示。基于傅里叶频谱分析的成像技术通过采集关键频率分量实现图像重建,这种原理催生了单像素成像这一创新技术。单像素成像利用空间光调制器和单个探测器直接测量傅里叶系数,结合压缩感知算法实现高效成像,在红外、太赫兹等特殊波段展现出独特优势。通过Matlab仿真可以验证傅里叶基测量矩阵的构建、压缩感知重建等关键技术环节,为实际系统开发提供理论基础。该技术在弱光环境成像、显微观测等领域具有重要应用价值,其低成本特性也大大降低了特殊波段成像的门槛。

weixin_29061425的博客 346

在java中对数据库进行增删改查操作时没有响应的解决办法

在web项目中对数据库操作有时得不到相应,在使用Junit单元测试时表现为sql语句成功发出去,但是收不到响应.在网页上的表现为白屏无响应. 这是很可能是因为你还打开了数据库的图形操作软件,并且对同一数据进行了还没有提交或回滚的操作. 请查看一下自己的是否开启了其他数据库的任务,并将事务提交即可. ...

朱同学的博客 1725

2025数学建模国赛A题1-4问详解(论文+完整代码)

本文介绍了数学建模国赛A题的解题思路,重点分析了三维遮蔽模型的建立和运动学代码实现。相比第一题,第二题增加了未知参数求解,需要采用遗传算法等非线性优化方法。文章强调该模型由专业团队原创开发,代码可运行,并提醒参赛者警惕市场上的保奖班现象。整体内容聚焦于竞赛解题技巧和原创性保证。

Eloveeeee的博客 2803

java web学生表的增加、修改、删除

三层架构: 1.建立包cn.sdut.dao 建立类: BaseDao.java/StudentDao.java BaseDao.java: 创建数据库的连接。public Connection getConn() 关闭数据库。public void closeAll() StudentDao.java: 数据库的增删改查函数。 2.建立包cn.sdut.po 建立类: St

3万+

一文搞懂【Linux 搭建 Dread Hunger 服务器】附本体及Docker部署集群方案

看直播发现了五花八门的开服器和版本,一时兴起按官方文档进行了搭建尝试,所以我的版本基于官方Stream2024.01.10更新的版本,也就是停服时的玩法,应该可以根据mod和补丁魔改成更那些开服器一样的版本,本文不做谈论,注重服务器搭建,毕竟8个人不可能在一个局域网里乱象:首先,我看了大量教程视频,一类是开服器的推广,另一类自建的基本采用Windows搭建,我觉得最离谱的是大部分教程都会教你买一台远程Windows虚拟机???

LHmine的博客 3990

云计算系统等保测评对象和指标选取

参考GBT22239-2019《基本要求》附录D 云计算应用场景说明。简要理解下图,主要是云计算系统安全保护责任分担原则和云服务模式适用性原则,指导后续的测评对象和指标选取。

ryanzzzzz的博客 4682

【Day2】关于mybatis操作增删改查的以及常见错误(400、404、500)的归纳

weixin_53981424的博客 2378

MicroLogix1400编程(使用RSLogix 500 + RSLinx Classic Lite)

MicroLogix1400编程

noscallion的博客 1万+

客户(用户)管理系统---基于数据库javaweb的增删改查

一.实验目的与要求: 1.客户(用户)管理系统—基于数据库javaweb的增删改查 2.功能(至少包括以下部分): 添加客户 查询客户列表 修改客户信息 删除客户 批量删除客户 条件查询

潜力股wjk的博客 4万+

手把手教你用LTspice仿真TVS二极管:从选型验证到波形分析全流程

本文详细介绍了如何使用LTspice仿真TVS二极管,从选型验证到波形分析的全流程。通过搭建仿真环境、核心参数验证和系统级防护策略,帮助工程师低成本评估TVS性能,优化电路设计。特别适用于电源设计和接口防护领域,提升工作效率和设计准确性。

weixin_29234239的博客 651

R语言机器学习:XGBoost线性回归模型的SHAP值

SHAP(SHapley Additive exPlanations)值是一种基于博弈论Shapley值的机器学习模型解释方法,能够解释任何模型的预测结果。其主要用途包括:1)提高模型的可解释性,帮助非技术用户理解模型预测;2)识别对模型预测最重要的特征,辅助特征选择;3)调试模型,发现预测中的异常;4)评估模型公平性,避免偏见。SHAP值的计算方法包括初始化、迭代计算、归一化和解释,常用工具如Python的shap库支持多种计算方式(如TreeSHAP、KernelSHAP等)。本文还提供了基于R语言计算

专注生信领域 3444

Java实战应用:MyBatis实现单表的增删改

文章出自:http://www.linuxidc.com/Linux/2014-06/103456.htm MyBatis 是支持普通 SQL查询,存储过程和高级映射的优秀持久层框架。MyBatis 消除了几乎所有的JDBC代码和参数的手工设置以及结果集的检索。MyBatis 使用简单的 XML或注解用于配置和原始映射,将接口和 Java 的POJOs(Plain Old Jav

zwj1030711290的优快云 540

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")

超详细JavaWeb应用实例,无框架实现增删改查及分页

项目预览实现代码①/day_0514_06/src/com/qst/util/DBUtil.javapackage com.qst.util; import java.sql.Connection; import java.sql.DriverManager; import java.sql.PreparedStatement; import java.sql.ResultSet; import...

年轻的心跳 1万+

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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。

[java]增删改查后给出操作提示后跳转到数据列表的小问题解决[简单实现]

(1) 数据列表 all.jsp My JSP 'index.jsp' starting page

一介草民的代码空间 1281

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

javaweb的一个增删查改的小案例(续)

1.建立一个可以进行查询也可以进入到添加到数据的页面的链接 如下为jsp页面 <% String path = request.getContextPath(); String basePath = request.getScheme()+"://"+request.getServerName()+":"+request.getServerPort()+path+"/"; %>

weidianlun的博客 2209

Java Web 单表操作

为了测试 JavaWeb 项目,我做了一个关于一张表的更新操作。 1.加群 如果需要本项目的源码,欢迎加群:438255459 2.解压 解压开这个包,然后用 Eclipse 打开项目,至于涉及到 Tomcat 之类的呀,本人默认你会。 3.启动 因为本人连的是本人本机的数据库 SQL Server,所以您需要改一下你的 Sql 的连接信息。 4.数据库建表 USE...

weixin_34375251的博客 225

web上进行增改数据不起作用的部分原因分析

某天早上五点起来补交javaweb大作业,因为剩下的内容已经不多了,打算花两个小时补冲一下就睡觉去,结果一个问题让我弄个将近一个小时,就是我进行增添用户,显示添加成功了,但是数据库里没有新增数据,但是从表单传入的值也都能取到。 解决方案: 注意 insert ,update,delete使用executeUpdate();方法 select 进行数据查询的时候使用executeQuery();

梁先森的博客 805
上一篇: 利用JS配合XMLHTTP方法实现多级联动的例子
下一篇: 再论Tomcat中的编码问题
faust
博客等级 码龄26年 2粉丝 17原创
评论 1
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