今儿一个早起,艿艿整理了一波百度开源的 Java 项目,哎哟有点东西...

15 个Github大神项目让你学习,Java教程类开源项目 疫情期间, 在家闲着还不如来学习,今天给大家推荐 15 个新手也能看懂的 Java 教程方向的开源项目。这些项目无论是对于你学习 Java 还是准备 Java 方向的面试都非常有帮助。 开源项目在于大家的参与,这才使得它的价值得到提升。 JavaGuide 简介: 一份涵盖大部分 Java 程序员所需要掌握的核心知识。 推荐理由: JavaGuide是我在大三的时候开源... 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 8:55 更新文章,每天掉亿点点头发...

源码精品专栏

 

摘要: 原创出处 http://www.iocoder.cn/Fight/Today-a-early-rise-a-wave-of-baidu-is-Java-project/ 「芋道源码」欢迎转载,保留摘要,谢谢!

  • 1. Disconf

  • 2. UidGenerator

  • 3. BRPC-Java

  • 4. Spring Cloud Formula

  • 5. JProtobuf

  • 6. Jprotobuf-rpc-socket

  • 7. BI 平台 BiPlatform


今儿 7 点一大早,早起群的死变态已经纷纷打卡起来学习了。

菜逼互啄群

吓得艿艿这个小帅胖,翻了一圈“年轮”,赶紧起来 = =。

点了一套煎饼果子,看到《百度开源的 71 款项目》文章,于是乎去百度的 https://github.com/baidu 愁一愁有哪些和 Java 相关的,还是有点东东的。。。

1. 分布式配置管理平台 Disconf

https://github.com/knightliao/disconf

Distributed ConfigurationManagement Platform(分布式配置管理平台)专注于各种 分布式系统配置管理 的通用组件/通用平台, 提供统一的配置管理服务。

目前已经不维护,建议采用 Apollo 或者 Nacos 作为配置中心。

2. 分布式 ID 生成器 UidGenerator

https://github.com/baidu/uid-generator

UidGenerator 是Java实现的, 基于Snowflake算法的唯一ID生成器。

UidGenerator 以组件形式工作在应用项目中, 支持自定义workerId位数和初始化策略, 从而适用于 docker 等虚拟化环境下实例自动重启、漂移等场景。

在实现上, UidGenerator 通过借用未来时间来解决sequence天然存在的并发限制; 采用 RingBuffer 来缓存已生成的UID, 并行化 UID 的生产和消费, 同时对CacheLine补齐,避免了由 RingBuffer 带来的硬件级「伪共享」问题. 最终单机QPS可达 600 万。

有胖友读过 UidGenerator 的源码实现,还是非常不错的,值得撸一撸

3. 高性能 RPC 框架 BRPC-Java

https://github.com/baidu/brpc-java

brpc-java 是 baidu rpc 的 java 版本实现,支持 baidu rpc、nshead、sofa、hulu、http、stargate、dubbo 等协议。

目前 BRPC 的 C++ 版本已经进入 Apache 进行孵化,详细可见:https://github.com/apache/incubator-brpc

不过问了一圈,貌似木有胖友在使用~

4. 微服务框架 Spring Cloud Formula

https://github.com/baidu/spring-cloud-formula

基于 Spring Boot 兼容 Spring Cloud 生态开发的微服务框架,是百度云 CNAP(云原生微服务应用平台 Cloud-Native Application Platform)的面向客户提供的 Java 微服务框架设施。

里面提供了各种增强的 Starter,胖友可以选择看看。

例如说,RateLimiter Spring Boot Starter 基于 resilience4j 或 令牌桶算法,提供了服务限流的功能。

Route Spring Boot Starter 兼容 OpenFeign,Ribbon,RestTemplate 组件,支持按请求的 IP,tag,路由到一个或者多个 tag (按比例分配)的集群。

5. 工具库 JProtobuf

https://github.com/jhunters/jprotobuf

jprotobuf 是针对 Java 程序开发一套简易类库,目的是简化java语言对 protobuf 类库的使用。

使用 jprotobuf 可以无需再去了解 .proto 文件操作与语法,直接使用 Java 注解定义字段类型即可。

6. 基于 Protobuf 的 RPC 框架 Jprotobuf-rpc-socket

https://github.com/baidu/Jprotobuf-rpc-socket

Protobuf RPC 是一种基于 TCP 协议的二进制高性能RPC通信协议实现。

它以 Protobuf 作为基本的数据交换格式,支持完全基于POJO的发布方式,极大的简化了开发复杂性。

= = 发现 RPC 框架是真的多~

7. 百度 BI 平台 BiPlatform

https://github.com/baidu/BIPlatform

百度开源,业内领先的Holap敏捷BI分析平台,提供高性能、准实时、可扩展的、一站式的BI建模、分析平台。

看了下最后时间是 3 年前,可能...



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

已在知识星球更新源码解析如下:

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 20 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

基于java的百度语音识别示例 最近在弄语音识别这块,然后就看了下百度的语音识别: 这里介绍了使用java实验语音识别。首先你需要的东西: 1、一个pcm或这个wav格式的语音文件(我使用的是官网提供的案列16k.pcm)点击下载。 2、准备sdk包(将这个包的jar包通过build path附上就可以)点击下载; 3、需要在百度云上申请一个百度语音的项目,然后将apikey和secretkey复制到项目 阅读详情

相关推荐

java芋道源码-ThinkInTechnology:用技术思考

java芋道源码 个人知识仓库 记录 & 分享 & 交流 目录云 技术网站分享 - 纯源码解析博客 技能树 java jvm java多线程 License Copyright (C) Apache Software Foundation

芋道源码 -- 纯源码解析博客

本文转载:   原文地址:   芋道源码 -- 纯源码解析博客                                                

dear_Alice_moon的专栏 3844

rabbitMQ-YuDao:芋道源码-rabbitMQ

兔子MQ-玉岛 芋道源码-rabbitMQ

芋道以开源之名行下作之事 恬不知耻 标榜自己开源 特公开全部源码+sql 不用再加入知识星球 2024-08-14

链接: https://pan.baidu.com/s/1TeuxbAUfLQ5_BqMBF1kniQ?pwd=cqud 提。依次为后端、补充版的sql、前端。此文档内安装部署等一应俱全。

bojikeqian的博客 5042

芋道源码主子表代码生成[项目代码]

本文详细介绍了基于芋道源码生成主子表代码的过程,以学生管理系统为例。主子表指的是一个主表被多个子表关联,关联关系可以是一对一或一对多。文章首先解释了主子表的概念,并提供了三种主子表模式:标准模式、内嵌模式和ERP模式。接着,详细说明了数据库表结构的设计,包括主表system_student和学生课程表system_student_course(一对多关系)、学生班级表system_student_grade(一对一关系)。随后,文章逐步演示了代码生成的步骤,包括导入表、编辑主表和子表配置、预览代码以及生成代码。最后,简要提到了代码运行的部分。整个过程清晰明了,适合开发者参考学习。

Java 开发打飞机小游戏(附完整源码)

上图 写在前面 技术源于分享,所以今天抽空把自己之前用java做过的小游戏整理贴出来给大家参考学习。java确实不适合写桌面应用,这里只是通过这个游戏让大家理解oop面向对象编程的过程,纯属娱乐。代码写的很简单,也很容易理解,并且注释写的很清楚了,还有问题,自己私下去补课学习。 完整代码 敌飞机 import java.util.Random; 敌飞机: 是飞行物,也是敌人 public class Airplane extends FlyingObject implements Enemy {

一只独孤的程序猿 1万+

芋道源码yudao-cloud RuoYi-Vue 全新 Cloud 版本

我用夸克网盘分享了「【4702】芋道源码yudao-cloud RuoYi-Vue 全新 Cloud 版本」,点击链接即可保存。打开「夸克APP」,无需下载在线播放视频,畅享原画5倍速,支持电视投屏。链接:https://pan.quark.cn/s/9a12e98b2572。

MAXAzZ的博客 1099

EtherCAT从站协议栈---- sampleappl.c 文件解析

这个源文件实际上包含该项目的入口函数main函数。 那么如何找到入口函数呢? 可以进入debug的simulator模式,选中run to main(), 当执行完启动文件startup_cm3.s后就进入了main函数(注意在main函数之前还进入了SystemInit函数), 如下图所示: 这个main函数主要架构如下: int main(void) { HW_Init(); /*PDI(过程数据接口)初始化,这里用的是MCI接.

Jiawei_Z的博客 3071

跟着源码学IM(八):万字长文,手把手教你用Netty打造IM聊天

本文作者芋艿,原题“使用 Netty 实现 IM 聊天贼简单”,本底价有修订和改动。 一、本文引言 上篇《跟着源码学IM(七):手把手教你用WebSocket打造Web端IM聊天》中,我们使用 WebSocket 实现了一个简单的 IM 功能,支持身份认证、私聊消息、群聊消息。 然后就有人发私信,希望使用纯 Netty 实现一个类似的功能,因此就有了本文。 注:源码请从同步链接附件中下载,http://www.52im.net/thread-3489-1-1.html。 学习交流: - 即

hellojackjiang2011的博客 461

DP3(3D Diffusion Policy)算法详解:从点云感知到扩散动作生成

DP3 的全称是:DP3 = 3D Diffusion Policy\boxed{\text{DP3 = 3D Diffusion Policy}}DP3 = 3D Diffusion Policy​对应论文题目是:3D Diffusion Policy: Generalizable Visuomotor Policy Learning via Simple 3D Representations该工作发表于 Robotics: Science and Systems(RSS)2024。DP3 是一种面向机器

u013250861的博客 360

【STM32Cube HAL】输入捕获(六)——PWM测量

实验内容:使用通用定时器输入捕获测量信号的脉宽(检测按键按下的时间)。 一、原理图 二、 CubeMX配置 Step1.打开 STM32CubeMX,点击“New Project”,选择芯片型号,STM32F103VETx。 Step2.选择时钟源,并配置时钟树。选择Crystal/Ceramic Resonator,并配置系统时钟为72M。 Step3.配置SYS,我们这里选择的是Serial Wire。(正常情况配置不配置不影响,debug可以使用。但是你不可以把这...

HAHAHA 1万+

delphi精品项目源码_今儿一个早起,艿艿整理了一波百度开源的 Java 项目,哎哟有点东西......

1. Disconf2. UidGenerator3. BRPC-Java4. Spring Cloud Formula5. JProtobuf6. Jprotobuf-rpc-socket7. BI 平台 BiPlatform《Java 2019 超神之路》《Dubbo 实现原理与源码解析 —— 精品合集》《Spring 实现原理与源码解析 —— 精品合集》《MyBatis 实现原理与源码解析 ...

weixin_39654436的博客 376

YOLO26优化:原创自研 | 自研独家创新DSAM注意力 ,基于BiLevelRoutingAttention注意力升级

提出新颖的注意力DSAM(Deformable Bi-level SpatialAttention Module),创新度极佳,适合科研创新,效果秒杀CBAM,Channel Attention+Spartial Attention升级为新颖的Deformable Bi-level Attention+Spartial Attention

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 370

百度开源RPC框架brpc

9 月 14 日,百度正式在 GitHub 上基于 Apache 2.0 协议开源了其 RPC 框架 brpc。brpc 是一个基于 protobuf 接口的 RPC 框架,在百度内部称为“baidu-rpc”,它囊括了百度内部所有 RPC 协议,并支持多种第三方协议,从目前的性能测试数据来看,brpc 的性能领跑于其他同类 RPC 产品。 brpc 开发于 2014 年,主要使用的语言是 C++ 和 Java,是百度内部使用最为广泛的 RPC 框架,它经受了高并发高负载的生产环境验证,并支撑了百度内部大

好习惯成就伟大 7163

R 语言 ggplot2 绘制精美高级全球地图

在本教程中,我们将学习如何使用R语言和ggplot2包绘制精美高级地图。ggplot2是一个功能强大的数据可视化包,它可以让我们创建漂亮、交互式的地图。我们将使用R中的一些其他包来处理地理空间数据,以便与ggplot2无缝协作。

Mrrunsen的博客 1867

QT开发串口程序与单片机通讯

如果有对象对这个信号感兴趣,想要处理的信号和自己的一个函数(称为槽(slot))绑定来处理这个信号。的内容,虽然实现的功能很简单,但是QT上位机开发的步骤基本就是这些步骤,通过这个基础实例把这些套路摸透我们就可以接着进行后续更多QT程序地开发学习了。QWidget类:所有用户界面对象的基类,窗口部件是用户界面的一个基本单元,它从窗口系统接收鼠标,键盘和其他消息,并在屏幕上绘制自己。我们上面运行的上位机都是在Qt Creator中编译运行的,如果我们需要把编写好的可执行文件发送给别人使用的话还需要进行打包。

谢谢大家的关注和点赞!这里只有纯纯的知识干货,没有一句废话。希望能实实在在帮到大家~要是觉得有用,别忘了给我点支持哟,你 948

强烈推荐!15 个 Github 顶级 Java 教程类开源项目推荐!

B站在线观看地址:https://www.bilibili.com/video/av90155402 ,来个三连和关注啊! 大家好,我是 Guide 哥!今天给大家推荐 15 个新手也能看懂的 Java 教程方向的开源项目。这些项目无论是对于你学习 Java 还是准备 Java 方向的面试都非常有帮助。 正如我第一个要推荐的开源项目 JavaGuide 说的那样:开源项目在于大家的参与,这才使得它...

JavaGuide 3万+

用 ABAP CDS 把树建起来:Hierarchy 的建模、调试与消费全流程

CDS Hierarchy 将树形数据结构作为一等公民引入 ABAP 开发,通过定义父子关联、根节点条件和兄弟排序规则,让数据库原生支持层级查询。相比传统递归处理方式,它能避免性能瓶颈,提供$node系统字段描述节点结构信息,并支持与SAP UI框架无缝集成。这种方法简化了组织架构、成本中心等业务场景的层级数据处理,使开发人员能够专注于业务逻辑而非底层实现。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 210

百度正式开源其RPC框架brpc

嘉宾|戈君编辑|Gary百度开源的这款 RPC 框架 brpc,背后有什么门道?写在前面 9 月 14 日,百度正式在 GitHub 上基于 Apache 2.0 协议开源了其 RPC 框架 brpc。brpc 是一个基于 protobuf 接口的 RPC 框架,在百度内部称为“baidu-rpc”,它囊括了百度内部所有 RPC 协议,并支持多种第三方协议,从目前的性能测试数据来看,brpc 的性...

weixin_34241036的博客 1106

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Java面试必看的18个开源项目

份涵盖大部分 Java 程序员所需要掌握的核心知识。

2509_93929803的博客 871

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!

baidu面试Java工程师的三份要求;我不会,进不去,别找我

baidu面试Java工程师的三份要求;我不会,进不去,别找我 作为Java程序员心目中的圣地,城有北上广,名成BAT。BAT基本代表了中国互联网市场、特别是程序员心目中的圣地。那么百度作为BAT的老大,每年所流传的面试题也自会被人熟知了,小编整理了近几年百度的Java面试题。有点感想,分享给大家。 baidu面试Java工程师的三份要求;我不会,进不去,别找我 这...

JAVA高级架构 956

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")

国内大公司的开源项目( 阿里 腾讯 百度 新浪 搜狐 豆瓣 大众点评)

阿里 阿里的开源项目很多,这也跟@淘宝正明的开源态度密不可分。有很多重量级的项目,例如LVS、Tengine,或者很有实践价值的中间件,例如 MetaQ(分布式消息系统)、dubbo(RPC框架)、cobar(数据库中间件),或者是Java世界的工具,例如druid、fastjson。都说国内Java公司的技术架构大部分来自阿里系,我觉得一方面来自阿里员工,一方面也可以来自阿里的开源项目。 地...

fengsuiyingdong的专栏 1002

你必看的Java实战练手项目(附源码)

Ting域主持人项目是一个标准的互联网项目,主要为各种需要主持人的场合提供主持人聘请相关功能。项目包含了前台和后台。前台主要是让新人和婚庆公司搜索相关主持人并进行聘请,在线对主持人下订单。后台是让主持人对自己订单的管理以及管理员对整个平台的管理。

AIBIANCHENGING的博客 1万+
上一篇: Apollo 源码解析 —— Config Service 通知配置变化
下一篇: 思考个问题,Java 最多支持多少个线程?
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377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