黑马程序员-java之网络编程

【理论&实战篇】大模型RAG技术详解(一)-基础篇 RAG的初衷是为了增强大模型的事实性、时效性,减少幻觉,引入专业知识优化生成回复,是一种结合了信息检索技术与语言生成模型的人工智能技术。通过,并将其作为提示(Prompt)输入给大模型(LLM),来。 阅读详情

------------------android培训、java培训、期待与您交流-----------------

 

需求:自定义服务端,允许浏览器或者telnet作为客户端访问
代码:
class ServerDemo{
 public static void main(String[] args) throws Exception{
  ServerSocket ss = new ServerSocket(11000);//创建一个服务器Socket对象,监听

11000端口
  Socket s = ss.accept();//获取服务器接收到的客户端Socket信息
  System.out.println(s.getInetAddress().getHostAddress());//打印客户端IP地址
  InputStream in = s.getInputStream();//获取输入流
  byte[] buf = new byte[1024];//定义个长度为1KB的字节数组,用于接受客户端信息
  int len = in.read(buf);//输入流接收到信息的字节长度
  System.out.println(buf,0,len);//打印读取到的客户端发送的信息
  PrintWriter out = new PrintWriter(s.getOutputStream(),true)//创建一个

PrintWriter对象,关联输出字节流
  out.println("<font color='red' size='7'>客户端你好</font>");//向客户端发送

固定信息
  s.close();//关闭接收字节流
  ss.colse();//关闭服务器Socket端口
 }
}

需求:自定义浏览器,访问Tomcat服务器
代码:
 Socket s = new Socket("192.168.1.254",8080);//创建客户端Socket对象
 PrintWriter out = new PrintWriter(s.getOutputStream(),true);创建字符流PrintWriter对

象关联字节输出流
 out.println("GET /myweb/demo.html HTTP/1.1");//发送信息(get方式访问服务器)
 out.println("Accept:*/*");//接收所有类型的文件
 out.println("Accept-Language:zh-cn");//接收简体中文
 out.println("Host:192.168.1.254:8080");//发送到的主机地址和端口
 out.println("Connection:Keep-Alive");//连接状态:保持存活
 out.println("");
 out.println("");//空行用于和主体消息隔开
 BufferedReader buf = new BufferedReader(new InputStreamReader(s.getInputStream

()));///创建缓冲字符流关联字节输入流
 String line = null;//定义字符串变量用于接收一行输入字符流
 while((line=bufr.readLine())!=null){//读取到的字符输入流不为空则打印信息
  System.out.println(line);
 }
 s.close();

浏览器主页被2345劫持简单处理方法 本人比较常用的浏览器是IE和Chrome IE: 将网址修改为https://www.baidu.com 应用-确定-重新打开IE浏览器 或者win+r运行regedit打开注册表找到这个值   HKEY_CURRENT_USER\Software\Microsoft\Internet Explorer\Main下  和HKEY_CURRENT_USER\Software\Policies\Microsoft\Internet Explorer\Main这个下面的StartPage ... 阅读详情

相关推荐

【基于51】红外寻迹智能小车 - 代码篇

这是一个基于C51单片机的红外巡线智能小车,是一个适合嵌入式单片机、C语言初学者练习的小Demo,文章提供完整的项目思路、免费的源代码。

ZER00000001的博客 3万+

黑马程序员—Java网络编程

13. 网络编程     13.1. 概述   数据要发送到对方指定的应用程序上,为了标识这些应用程序,所以给这些网络应用程序都用数字进行标识。为了方便称呼这个数字,叫做端口。   端口范围: 0~65535   系统一般占用0~1024   网络模型: OSI参考模型 :将网络分成七层(应用层、表示层、会话层、传输层、网络层、数据链路 层、物理层) TCP/IP参考模型

rubiolelouch的博客 530

光模块组成

时钟恢复电路(Clock Data Recovery,简称CDR)是光模块中的关键组成部分,CDR的作用主要是从接收到的信号中提取出数据序列,并且恢复出与数据序列相对应的时钟时序信号,从而还原接收到的具体信息。因为光信号传输至一定距离的时候,通常是长距离传输,其波形会出现一定程度的失真,接收端接收到的信号是一个个长短不一的脉冲信号,这个时候在接收端,我们就无法得到我们需要的数据。所以,这个时候就需要有信号的再生,信号的再生功能为再放大、再整形和再定时,其中的再定时指的就是CDR时钟数据恢复。

han_better的博客 5721

黑马程序员——Java之网络编程

-------------------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! --------------------- 一、Java网络编程 线程与线程可以通过通信来实现内存共享,而所谓的网络编程就是实现应用程序间的相互通信来实现信息共享。 1、概述 网络编程就是两个或多个设备之间的数据交换,其实更具体的说,网络编程就是两个或多个程序之间的数据

Meteor_Come 1068

eMMC FFU固件更新实战:从协议解析到设备修复

本文详细解析eMMC FFU固件更新技术,从协议原理到实战操作,涵盖EXT_CSD寄存器操作、命令流状态机解析及专业工具使用指南。通过真实维修案例,展示如何利用FFU机制修复设备故障,并提供高级优化技巧与安全注意事项,是硬件工程师和维修技术人员的实用参考。

weixin_29191761的博客 378

雷光联动自动化标校方法

动态标校需要利用动目标,在雷达和光电同时看到目标时记录光电的方位、俯仰,以及利用雷达给的目标信息计算的方位俯仰,手动记录两者的数值,多方位,多距离段记录,费时费力,且人工记录数据不全,计算容易出差错,耗费成本和精力太大。目标相距设备的水平距离 = acos(cos(设备纬度弧度值) * cos(目标纬度弧度值) * cos(设备经度弧度值 – 目标经度弧度值) + sin(设备纬度弧度值) * sin(目标纬度弧度值)) * 6378137;本发明涉及光电技术领域,安防领域,尤其涉及雷达光电动态标校等。

u013358093的博客 1579

黑马程序员——Java网络编程

黑马程序员——Java网络编程 ---------------------- android培训、java培训、期待与您交流! ---------------------- 一、TCP和UDP ●  UDP ■  将数据的源和目的封装在数据包中,不需要建立连接 ■  第个数据报的大小限制在64K内 ■  因无连接,是不可靠的协议,速度快 ●  TCP ■  建立连接,开成传输数

冯焱 946

使用CubeMX配置STM32H7的FreeRTOS

本文将介绍如何使用CubeMX配置STM32H7的FreeRTOS,并提供相应的源代码示例。通过使用CubeMX,你可以轻松地配置FreeRTOS和系统资源,并生成相应的初始化代码和配置文件。在"FreeRTOS"选项卡的"Tasks"部分,可以配置系统中的任务。首先,打开CubeMX软件。在"FreeRTOS"选项卡的"Resources"部分,你可以配置FreeRTOS使用的资源,例如,堆内存和信号量。例如,我们可以创建两个简单的任务,一个任务将在循环中切换LED的状态,另一个任务将通过串口打印消息。

JeeVue的博客 711

黑马程序员——Java基础之网络编程

-----------android培训、java培训、java学习型技术博客、期待与您交流!------------ Java基础之网络编程 1.网络编程基本概念          网络编程的本质是两个设备之间通过网络的数据交换,在计算机网络中,设备主要指计算 机。概括的说是把一个设备中的数据发送给另外的一个设备,然后 接受另外一个设备反馈的数据。现在的网络编程基本上都是基于请

ajin2015的博客 846

手把手教你学 Simulink (1.3)--Simulink 的模块库及其模块介绍

Simulink 提供了丰富的模块库,涵盖了从基本的信号生成和处理到复杂的数学运算和系统建模的各种功能。通过熟悉这些模块库及其模块,你可以更高效地构建和仿真动态系统。

MHD0815的博客 5150

YOLOv8改进策略【卷积层】| DEConv: 强度信息与梯度特征融合的细节增强 适用于小目标与细节目标检测任务

本文记录的是利用 模块优化 的目标检测网络模型。(Detail-Enhanced Convolution,细节增强卷积)的设计旨在,解决 目标检测网络中传统普通卷积缺乏目标细节相关先验、对小目标边缘、目标与背景边界等关键细节捕捉能力不足的问题,同时避免引入额外参数量与计算开销,以适配 对实时推理性能与检测精度的双重需求。DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided atte

Limiiiing的博客 348

黑马程序员——java网络编程

——- android培训、java培训、期待与您交流! ———-网络的概念网络:一组相互连接的计算机 多台计算机组成 使用物理线路或无线信号进行连接 网络的优点: 交换数据 资源共享B/S:浏览器/服务器 浏览器将请求发送给服务器,服务器对请求进行处理,将响应发回浏览器 C/S:客户端/服务器(Client/Server) 客户端向服务器发出请求,服务器处理请求并将响应发送给客

serge666的博客 459

duilib 之 事件--bubbled冒泡事件应用、通用点击事件、进入离开事件、XML样式中直接添加事件

1. box 绑定点击事件 ui::Box *pSmallVideoBox = (ui::Box*)FindControl(L"rightBox"); if (pSmallVideoBox) { auto SwitchVideo = [this](ui::EventArgs* param){ m_bSecScreenIsScale = m_bMainScre...

目前打算换一个工作,有招聘windows c++方向的也欢迎联系,北京、济南 最好 972

黑马程序员——Java基础———网络编程

----------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ----------------------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------------                                                      网络编程 一、概述   1、 网络模型

lifeoflive521的专栏 575

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。

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。

黑马程序员——Java 网络编程

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- Java 网络编程 1.网络编程概述   1.计算机网络概述 是指将地理位置不同的具有独立功能的多台计算机及其外部设备,通过通信线路连接起来,在网络操作系统,网络管理软件及网络通信协议的管理和协调下,实现资源共享和信息传递的计算机系统。 2.网络编程目的 就

毒匠的专栏 954

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")

黑马程序员--JAVA网络编程

1,网络模型 a,OSL参考模型 b,TCP/IP参考模型 2,网络通讯要素: 1,Ip地址:网络中设备的标识,不易记忆,可用主机名, 本地回环地址:127.0.0.1主机名localhost----- ping localhost  ping 127.0.0.1 2,端口号,用于标识进程的逻辑地址,不同进程的标识,有效端口:0-65535,其中0-1024系统使用或

独自走下去 1223

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

黑马程序员——Java 网络编程学习

网络编程的核心是IP、端口、协议三大元素 网络编程的本质是进程间通信 网络编程的2个主要问题:1是定位主机,2是数据传输

binbinsex的专栏 698

黑马程序员_王康java 网络编程

java  网络编程 1, Java Applet小应用程序基本结构    import java.applet.*;     import java.awt.*;   class  类名  extends Applet   {     类成员声明   }   Test.html 测试网页        MyFirstJavaApplet

wk458469748的专栏 6828

黑马程序员-java网络编程

网络编程: 基础知识:  端口号的范围为0~65535之间,0~1023之间的端口数是用于一些知名的网络服务和应用。  TCP:传输控制协议(Transmission Control Protocol),是面向连接的通信协议。  UDP:用户数据报协议(User Datagram

lnb19891219的专栏 662

黑马程序员 java网络编程

1、网络模型 OSI的网络模型分为七层:应用层,表示层,会话层,传输层,网络层,数据链路层,物理层。 注:127.0.0.1是回环地址(测试网卡的),Localhost默认主机名  端口是从0~65535,其中0~1024系统程序保留 (web端口是8080或80,mysql端口为3306) 2、TCP和UDP区别: TCP协议 ①.在传输数据前需要建立连接,通过三次握手完成,TCP通

sunshuai686的专栏 375

黑马程序员——Java网络编程-整理笔记

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! 网络编程概念:网络编程的实质就是两个(或多个)设备(例如计算机)之间的数据传输。 网络通信的步骤:                  ①找到对方的IP地址;                  ②数据要发到对方指定的应用程序上,为了标识这些应用程序,所以给这些网络应用程序都用数字进行了标识

nanfp的博客 773

java网络编程小结(黑马程序员基础java总结)

java学习笔记

weixin_60207610的博客 5577

黑马程序员 java 网络编程

Java网络编程 InetAddress类 InetAddress类是个表示ip地址的类。 InetAddress没有构造函数,是用它的static方法类返回InetAddress对象的。 getByAddress public static InetAddress getByAddress(byte[] addr) throws UnknownHostException public

i am me,haha,么么哒。。。 1060

黑马程序员——Java中网络编程笔记

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 网络编程   网络参考模型: OSI参考模型              TCP/IP参考模型 |-- 应用层                  | |-- 表示层                  |-- 应用层 |-- 会话层                  

bayueqinglian的专栏 528

黑马程序员————JAVA之GUI网络编程

------- android培训、java培训、期待与您交流! ----------

King_D_L的专栏 636

黑马程序员—Java 网络编程

网络编程: 逻辑端口:用于标识进程的逻辑地址,不同进程的标识;有效端口:0~65535,其中0~1024系统使用或保留端口。

welcome to my blog,thank you! 789
上一篇: 黑马程序员-java之IO流应用
下一篇: 黑马程序员-Java之自定义图形化界面的浏览器访问本地的Tomcat服务器
forTomorrow_java
博客等级 码龄11年 0粉丝 14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
 
 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