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
700+累计阅读
751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.首先下载resin：
2.下载resin 的eclipse插件：
在eclipse的更新地址填上http://caucho.com/eclipse/
3.eclipse-》窗口-》首选项-》java-》已安装的JRE，添加本机的JRE6，而且要加上JDK中的tools.jar：
添加tools.jar是因为resin启动需要，否则会报错
4.把JAVA_HOME\jdk1.6\jre\bin\ 下的server文件夹复制到JAVA_HOME\jre1.6\bin 目录下。因为resin启动会读取JAVA_HOME\jre1.6\bin\server\jvm.dll 这个文件
5.在eclipse中添加resin服务器：
不要选（in place）和（tem。。。）而且在 配置运行时环境 那里选已配置好的JRE
6.把WEB项目添加进在eclipse中新建的resin服务器
7.修改resin安装目录下的conf/resin.conf：
eclipse插件(plugin) for resin 4
以前的resin 插件并不支持4.0.X 现在官方已支持，但是是在线更新，比较慢， 现把其插件放在csdn上，供喜欢resin的朋友下载
近红外脑功能成像数据分析全流程实战：从原始信号到统计图表
近红外光谱技术是一种非侵入式脑功能成像方法，通过测量大脑皮层血红蛋白浓度变化来间接反映神经活动。其核心原理基于修正的比尔-朗伯定律，利用氧合血红蛋白和脱氧血红蛋白对不同波长近红外光吸收特性的差异。这项技术的价值在于为认知神经科学、临床医学和心理学研究提供了便捷、安全的脑活动监测手段。在实验设计、临床诊断和脑机接口等领域有广泛应用。本文将聚焦于近红外数据分析的标准化操作流程，涵盖数据预处理、运动伪迹校正、血红蛋白浓度计算、统计分析和结果可视化等关键环节，并提供针对常见问题的避坑指南，帮助研究者高效地从原始光强
Eclipse配置Resin说明
Eclipse配置Resin说明（原创）
Eclipse中配置resin 4.x
开发web项目时，你还困扰在，反复启动web容器的痛苦中么？也许会有人说，用调试模式。但是如果涉及到配置文件或者service类，还是不得不重启web容器吧，而且偶尔会出现抽风情况，没生效的情况（这时候会让你觉得到底是没生效？还是代码有问题？是不是很纠结）。 下面介绍下resin在开发web项目时的方便之处 除非修改web.xml文件，其他的java文件修改，resin会自动刷新--类...
Android加密开发实战：Spongy Castle集成与国密算法应用指南
在移动应用开发中，数据加密是保障用户隐私和信息安全的基石。其原理基于密码学算法，通过对数据进行编码转换，确保即使数据被截获也无法被未授权方解读。这项技术的核心价值在于为敏感信息提供机密性、完整性和身份验证，广泛应用于用户登录、本地存储、网络通信等场景。对于Android开发者而言，系统自带的加密功能有时无法满足需求，特别是涉及国密算法或更丰富算法套件时。本文聚焦于Spongy Castle这一专为Android定制的加密库，它有效解决了与系统内置Bouncy Castle的兼容性问题，并提供了对SM4等国密
基于boot + 双app升级方案
基于boot+双app的升级方案
eclipse如何配置Resin？
本文分为Eclipse中Resin插件的配置和配置Resin两部分，具体如下：一、Eclipse中Resin插件的配置1、Help->Install New Software...2、点击 Add3、Name输入Resin，Location输入http://caucho.com/eclipse，点击OK4、选中Resin Application Server Adapter，点击Next5、...
英飞凌IGBT驱动芯片2ED020I12F2去饱和电路设计总结整理收集
记录下英飞凌IGBT驱动芯片限流电阻阻值设计
Eclipse(Luna)集成Resin4.0+服务器，以及配置参数
Eclipse(Luna)集成Resin4.0+服务器，以及配置参数
别再乱设阻尼了！Abaqus动力分析中瑞利阻尼的α和β到底怎么算？
本文深入解析Abaqus动力分析中瑞利阻尼参数α和β的科学计算方法，帮助工程师准确设置阻尼参数以提升仿真精度。详细介绍了基于模态阻尼比的经典计算方法和多模态优化法，并结合工程案例演示参数设置流程，避免常见的阻尼设置误区。
实验手册（灾难恢复）
我们发现DC1与DC2的复制出现问题，此时我们检查了在DC2中，DC1是否被正确注册。这里选择还原系统状态，因为我们原DC1上只备份了AD的数据，所以我们在新的这台服务器上还原的也是AD数据库。因为我们是单域下的测试，只测试了一个域，所以它会出现这样的报错。我们选择远程共享文件夹，我们备份的时候，是在备份这台服务器上的。同时删除SRV记录，A记录，NS记录，SOA记录，框框里面的所有有关dc1的记录全部删除。如果在企业中AD数据的备份是每周或者每月都会有一次备份，选择恢复AD数据库的时间。
eclipse3.7 简单配置resin4
先要下载完resin4（http://www.caucho.com/download/），下载后进行解压。 然后打开eclipse3.7 先装一个resin server的插件 本身的eclipse3.7是没有装resin的server，所以需要下载安装，点击后。 选择resin，比较简单就装好，不过唯一要提醒的是其运行环境需要jdk，注明不是jre，所以得自己在eclipse里面
太空安全卫士：基于YOLOv5的空间态势感知系统（实现轨道碰撞预警与太空环境保护）
做完这个项目，你会发现自己完整走过了“数据采集→标注→模型训练→功能集成→界面开发”的毕设全流程，这不仅是技术能力的证明，更是对“技术守护宇宙安全”这一理念的实践。答辩时，你可以重点讲这几点：系统解决了航天监测的哪些痛点、YOLOv5在太空目标检测中的性能优势、系统未来能怎么优化（比如对接航天监测网络、实现实时轨道预测）。未来，这个系统还能往“更智能”的方向发展：比如结合轨道计算预测碰撞风险、开发移动端APP让天文爱好者参与太空垃圾上报、在航天任务中实现全自动避障决策……想象空间很大。
resin4.0.25 安装配置 及结合eclipse开发
resin4.0.25 安装配置 及结合eclipse开发 本文大部分内容是对官网的翻译，及自己配置后的一些体会。一、 基于win ，resin基本安装1，安装jdk1.6或更高版本2，配置环境变量JAVA-HOME ，RESIN-HOME3,配置classpath %RESIN-HOME%\lib\resin.jar (如果是win7的话没必要设置)否则报异常：com.caucho....
零基础 ABAP 学习教程系列文章的目录
曾几何时，ABAP 就是 SAP 的代名词。ABAP 这门编程语言造就了 SAP 名噪一时的 R/3 产品，同时也是如今 SAP 旗舰级产品，SAP S/4HANA 底层的实现语言。 ABAP 不仅代表着 SAP 这家公司在企业级管理软件市场辉煌的过去，ABAP 自身也在不断地进化着。SAP 不仅在本地部署(On-Premise)领域继续保持着自己绝对的统治地位，而且在云应用领域（Software-as-a-Service, 简称 SaaS), 也推出了自己的解决方案，比如 SAP S/4HANA Clo
CAN总线入门（硬件部分）
这篇博客讲述CAN总线入门知识。
eclipse下使用resin3启动项目 ,不用安装resin插件，手动配置！
新版的eclipse已经不支持resin3.*版本了，但是resin4和resin3差异比较大且存在hessian序列化冲突的问题，因此resin3在短期内不会消失，通过下方式配置项目可以使eclipse使用resin3.*启动项目
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
Eclipse无插件配置Resin
此配置适用于Resin2.x和Resin3.x版本。运行时需要在每个project目录下放置一个resin.conf文件，由于Resin2.x和Resin3.x版本的配置文件不同，所以需要两个文件，resin.conf文件用于启动resin2.x，resin30.conf用于启动resin3.x。 以下说明以配置Resin2.1.16版本为例，具体步骤如下：1、打开“window->P
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
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")
resin设置权限_eclipse配置resin
1打开“window->Preferences->Java->BuildPath->Classpath Variables”，添加classpath variables，将其配置到Resin的安装目录。如：Resin_2.1.16－D:/Program/JavaSoft/resin-2.1.16。最好同时配置一个JDK_TOOLS，指定到java_home下的lib/too...
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
eclipse启动Resin3配置
Resin Eclipse
Resin 与 Eclipse的集成
Resin 与 Eclipse的集成 1. Eclipse 下载 这里就不用说了。 2. Resin下载 可以到这里来下载，http://www.caucho.com/download/ 我在此下载的是Resin 3.1.12的版本。 下载后解压即可，我是放在D:\Java\OpenSourceJavaSourceCode\resin-3.x\resin-3.1
Resin安装使用
一.简介 Resin是CAUCHO公司的产品，是一个非常流行的支持servlets和jsp的引擎，速度非常快。Resin本身包含了一个支持HTTP/1.1的WEB服务器。虽然它可以显示动态内容，但是它显示静态内容的能力也非常强，速度直逼APACHESERVER。许多站点都是使用该WEB服务器构建的。 Resin也可以和许多其他的WEB服务器一起工作，比如Apache server和I...
Eclipse+resin+mysql 安装及环境配置
0. 升级windows1. 安装java开发环境先从http://java.sun.com下载j2sdk-1_4_2_11-windows-i586-p.exe安装目录：D:/j2sdk1.4.2_11设置JAVA_HOME(系统)环境变量：JAVA_HOME=D:/j2sdk1.4.2_11设置CLASSPATH(系统)环境变量：CLASSPATH=.另外在(系统)环境变量Path的最
Eclipse中配置Resin服务器
Eclipse中配置Resin服务器1 修改历史 版本 修改历史 作者
resin mysql_Eclipse+resin+mysql 安装及环境配置
1. 安装java开发环境先从http://java.sun.com下载j2sdk-1_4_2_11-windows-i586-p.exe安装目录：D:\j2sdk1.4.2_11设置JAVA_HOME(系统)环境变量：JAVA_HOME=D:\j2sdk1.4.2_11设置CLASSPATH(系统)环境变量：CLASSPATH=.另外在(系统)环境变量Path的最后加入：;%JAVA_HOME%...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
520
扫一扫
