顶级程序员常用的 14 个开源框架,YYDS!

2021年最值得学习的5款开源Java框架 原文链接:https://mp.weixin.qq.com/s/wYFlvg2tomcaOEby8tlPQQ 自从1996年首发,至今25年以来,Java凭借在后端、大数据、机器学习、Web、Android等领域的应用,使其仍然占据着统治地位,长期占据全球最受欢迎编程语言前三名。 在Python、JavaScript等脚本语言中出现了大量的框架、工具包,使得开发变得更轻松、更快。 在Java中亦是如此,它也提供了大量框架,这些框架可以为开发人员提供适合不同领域、不同方向的最佳解决方案,例如,网络开. 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 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

6b0e3b89e16884f395140186e6c02ed6.png


昨天下载下来Java16尝尝鲜。一看,好家伙,足足有176MB大。即使把jmc和jvisualvm给搞了出去,依然还是这么大,真的是让人震惊不已。

但即使JDK足够庞大,它的功能也已经不够用了。我们需要借助于第三方库,来完成企业级开发。比如,一个常见的SpringBoot服务,上百兆是轻轻松松的。

在这里,我盘点一下项目中常用的工具类库和Jar包,来看一看一个Java程序员要学多少东西才能走的更加长远。

1. Netty

第一送给Netty。其实我是有私心的,也只有在使用Netty开发一些网络应用的时候,我才能理直气壮的不引入Spring这个目前变得越来越重的家伙,还我一个清清爽爽的世界。

b016f4edf6df8b313738ad6192103ab1.png

Netty已经成为了目前最流行的Java网络编程框架。有了它,Java才有了与golang等语言相提并论的权利。

推荐下自己做的 Spring Boot 的实战项目:

https://github.com/YunaiV/ruoyi-vue-pro

2. SpringBoot

在很多中小公司,Java企业级开发首选SpringBoot,这是没得说的。由于它的应用实在是太广泛,我这里就不浪费笔墨做过多介绍了。

fad37c94183062b96df3d12432515906.png

Spring当年的目标,是为了干掉J2EE。屠龙的少年如今变成了龙,现在在干着J2EE当年做的事情。

不过,尽量的做的轻量级,一直是它的主旋律,这一点从来没有变过。因为错的不是Spring,错的是这个世界。

推荐下自己做的 Spring Cloud 的实战项目:

https://github.com/YunaiV/onemall

3. 工具类库

由于历史原因,apache-commons工具类库,几乎遍布了项目中的每个角落,比如lang3、beanutils、collections、codec等。个人觉得,apache-commons的很多工具,已经是过度设计了,在一些新项目里,我已经很少使用了。

取而代之的,是大量使用guava工具类库,以及国产的hutool工具类库。有了这些工具,就不用再在项目里写一些拼拼凑凑,让人难受的小工具类了。

10950f044bc883068084619cd56a40e7.png

说点有意思的事情,guava这个词朗朗上口,它的中文意思是一种热带水果:番石榴,长的就像是小西瓜一样。

4. 单元测试

JUnit几乎成了Java单元测试的标配。JUnit5更是对整体模块进行了重构。现在,它包含3个主要的模块:JUnit Jupiter、JUnit Platform、JUnit Vintage等。

Vintage是为了兼容比较老的版本而存在的,Platform是为了兼容其他测试引擎,这样在JUnit上使用Mockito也成为了可能。如果你的项目比较新,建议直接上Jupiter。

82dff650e66d998a558e6aab0a85501e.png

很多国外系统对单元测试看的比较重,这和国内的开发模式是不太一样的。虽然说,单元测试是一个程序员的基本功,但离着普及还有一段距离。不过现在也有很多公司强制要求写单元测试,以任务指标的形式存在。

5. JMH

JMH是最装逼,最牛逼的基准测试工具套件,主要用在性能测试方面。如果定位到了热点代码,要测试它的性能数据,评估改善情况,就可以交给 JMH。它的测量精度非常高,可达纳秒级别。

179419787ce61956c969b22787fd35bd.png

它能够消除JIT的差异,测试出真正的代码性能。JMH 已经在 JDK 12中被包含,其他版本的需要自行引入 maven。

6. OkHTTP

最新的JDK已经内置了HTTP的功能,但这种协议层面的东西,放在基础类库里老感觉不是那么妥当。

很长一段时间里,Apache 的HttpClient统治了世界,甚至重构后在不同版本之间不能够做到兼容。我更喜欢轻量级的OkHTTP多一些,第一次见它还是在Android的应用代码里,现在用在应用代码里也很香。OKHTTP的透明压缩,显得也更加智能一些。

bb16b202c2c6b1f026594fb6da7c71f1.png

像SpringCloud这样的组件,在底层是可以选择切换成HttpClient还是OkHTTP的。

应用层的协议变动都比较大,更新也比较快。比如HTTP2,Quic等支持,显然要对整个类库做很多的修改才能适配。

7. 数据库连接池

SpringBoot2默认选择了hikaricp作为连接池,据说是速度最快的连接池,而且代码量非常的精简。c3p0、dbcp等老旧的数据库连接池已经慢慢退位。

hikaricp非常的卷,它采用无锁化的思想,核心类库只有ConcurrentBag一个,甚至使用Javassist修改字节码来增加执行速度。

f8b5cd34a73e4c604f9586ee05778309.png

在国内,还有一个使用较为广泛的连接池是Druid,它有着完整的监控功能。通过开启后台可以直接在web端查看整个连接池的状态。

8. caffeine

堆内缓存,首选caffeine。很长一段时间,我都在用Guava的LoadingCache。自从测试caffeine之后,我就决定是它了。

它结合了LRU和LFU,两者合体之后,变成了新的W-TinyLFU算法,命中率非常高,内存占用也更加的小。

117318533e9287bd31c599bfac7911d9.png

在SpringBoot里,通过提供一个CacheManager的Bean,即可与Springboot-cache进行集成,可以说是很方便了。

9. hazelcast

说完了堆内的,就再说个堆外的。

除了有redis这种选择之外,我们还可以选择hazelcast。hazelcast采用raft算法进行分布式协调,在一致性方面强于redis。据hazelcast测试,在达到一定规模的时候,速度竟然比redis还快,hazelcast和redis甚至有过激烈的口水战。

bc3fbbb9a638bf9a922c81e3f9c350b3.png

hazelcast可以以jar包的方式集成在Java应用中,自身同时作为客户端和服务端,组件多节点的集群。它提供了类似redisson一样的功能齐全的分布式数据结构,比如Queue,你只需要直接在Java代码中调用相应的API,它就能把数据同步到所有的节点上去。

10. 日志组件

日志组件是常用的类库,最早得到广泛使用的是log4j,而现阶段比较流行的是slf4j+logback。由于这些类库非常的好用,JDK自带的JUL反而无人问津。

700fe18cd1b2a90a3510628e26c7f436.png

slf4j是门面模式的典型应用,它本身是一套接口,背后可以使用logback和log4j。这些关系,我们能够从上面的图很容易的看出来。

11. JSON、XML、YAML解析

由于Fastjson频频爆出漏洞,现在在Java中使用最广泛的JSON解析类库,就是jackson库。它最主要的入口工具类是ObjectMapper,解析方法是线程安全的,我们可以在整个项目中共享一个解析对象。

78fb4ba7683eb56ad34ed8fa3b9611a9.png

jackson库不仅仅可以解析JSON,它还可以解析XML、YAML、TOML等。事实上,它的抽象接口,可以实现Avro、Protobuf、CSV等格式数据的加载,但我们最长使用的,就是它的JSON解析。

12. Jolokia

我相信J2EE当年的目的肯定是好的,但总是做一些又大又笨重的东西。JMS算一个,JMX也算一个。

JMX其实是非常不好用的,因为它把功能隔离在了Java体系之内。现在的Promethus监控系统就做的比较好,一切都是HTTP交互的文本格式。

c37f6ce036f117ba59e34aabb82b0145.png

Jolokia就可以提供JMX的远程访问方法,把JMX接口给强制转化成HTTP接口,以便于其他的监控系统进行功能对接。从这个描述上来看,Jolokia就是一个适配器。不过,通过Agent或者Jar包的方式,它能让ActiveMQ,JBoss等这些老掉牙的系统接入到现代化的监控系统中来,也算是大功一件。

13. hibernate-validator

hibernate留下了一个很棒的遗产,那就是它的验证框架,它是Bean Validation 的参考实现,被广泛的应用于数据库模型校验、参数校验等领域。

4493b2273685b33adbd2f75c7a4d4f4d.png

在JPA中,@Table的字段可以根据这些验证,自动生成数据库约束。在Spring的Controller中,也可以使用@Valid注解,来自动对传入的对象进行参数验证。

14. freemarker

FreeMarker 是一款模板引擎,在很早之前,我主要用它来生成Web页面。

ce6ab1e5b86e5a758db91ae2525f708e.png

不过,随着前后端分离的流行,我现在主要在一些代码生成器工具中用到它。它的应用比较广泛,比如做一个邮件模板,短信模板之类的。如果你写过JSP的话,一定会知道它做的功能是类似的。

在Spring中,还有一个更加轻量级的模板引擎,叫做SPEL--一个表达式语言。你在@Value注解中所使用的语法就是它,它们都是类似的技术。

End

这些类库,是我在工作中最长用到的,也是关注最多的。其实,一个Spring就够大家折腾的了,但Spring的功能有时候仍然不够,因为它本身更多的是一个整合型的工具,我们不得不关注到更底层的技术。

正是得益于这些稳定、可靠的类库,我们的应用开发才能够如此迅速。想要什么功能?找个类库吧,大体就能实现,这就是目前的开发幸福的地方。

获得了如此方便快捷的功能,记得点赞鼓励一下作者;遇到问题了,提个bug,修个错误,都是无声的支持。就如同你看完本篇文章,顺手点个赞点个再看一样,道理都是一样的。



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:

fb06dd7a451d4dbb915c7ac1891d3260.png

已在知识星球更新源码解析如下:

060b81f6ac1d9d8556686fa9bdfa6ac3.png

c96efb47bcb77b8236057529611a390a.png

97785a5444a900d61c1c456f348a07e7.png

3d0960a3b66d633eba6d568752111d73.png

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 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。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
renren-security开源版框架搭建并新建页面 renren-security是基于Spring、MyBatis、Shiro框架,开发的一套后台脚手架框架(权限系统),极低门槛,拿来即用。支持分布式部署、Quartz分布式集群调度、Activiti工作流、部门管理、数据权限、云存储等功能。 今天就来教大家搭建一个renren-security框架。 1、首先,访问下载框架源码:gitee地址,下载完整zip 2、解压文件到项目目录,使用开发工具(比如idea)打开项目。如下图所示目录结构: 3、在renren-admin下db目录找到my 阅读详情

相关推荐

五大.NET开源框架,助你快速构建高效应用,告别996!

中台Admin(Admin.Core)是一个基于Vue3前端与.NET 8.0后端构建的权限管理系统,它集成了多种先进的技术和设计理念,如多租户支持、接口权限管理、数据权限控制、动态API生成等功能。此外,该框架还内置了任务调度、OSS文件上传、滑块拼图验证等多项实用特性,并兼容国内外主流数据库,使得开发者可以根据具体业务场景自由切换存储引擎。

墨夶的博客 1528

顶级Javaer,常用的 14 个类库

????????关注后回复“进群”,拉你进程序员交流群????????来源丨小姐姐味道(ID:xjjdog)原创:小姐姐味道(微信公众号ID:xjjdog),欢迎分享,转载请保留出处。昨天下载下来Java16...

<sdffdsfsdfdfs>sfsfsfsdfsdffds</sdfsDS>Fsd 775

GD32 YYDS

大家好,我是程序员小哈。 最近单位赶两个项目,可把我忙毁了,期间准备买几个STM32的芯片,去常购的店家咨询了一下价格,这个价格真心是用不起的节奏。 没办法,找了一个“靠谱”的店家,买了几个翻新的STM32F103(现在便宜的STM32,十之八九都是翻新的,所以不如直接就买翻新的,自我感觉也比店家宣称是全新原装要好),结果不知道怎么回事,回来之后,各种问题不断,说好是经过测试的翻新芯片,结果还是翻车了。 全新原装贵的离谱,便宜的还不靠谱,一直听说国产32与STM32的兼容性都不错,个别还可以直接替代,报

程序员小哈的专栏 828

Web前端开发必不可少的10个开源框架,你知道多少

总结来说,面试成功=基础知识+项目经验+表达技巧+运气。我们无法控制运气,但是我们可以在别的地方花更多时间,每个环节都提前做好准备。面试一方面是为了找到工作,升职加薪,另一方面也是对于自我能力的考察。能够面试成功不仅仅是来自面试前的临时抱佛脚,更重要的是在平时学习和工作中不断积累和坚持,把每个知识点、每一次项目开发、每次遇到的难点知识,做好积累,实践和总结。点击这里领取Web前端开发经典面试题加薪,另一方面也是对于自我能力的考察。

2401_84091321的博客 6613

【C#程序员入门AI】本地大模型落地:用Ollama+C#在本地运行Llama 3/Phi-3,无需云端

极简部署,本地可控Ollama:把大模型的部署门槛降到最低,一行命令跑起Llama 3/Phi-3,新手也能上手~C#:通过OllamaSharp SDK无缝对接,基础对话、函数调用、模型管理全实现,还能集成到ASP.NET Core做本地API~核心优势:不用云端、不花Token、数据本地、内网可用,咱C#程序员能轻松做出落地的AI应用,再也不用被云端限制~

人工智能AI技术 722

手机流畅的秘密:拆解LPDDR5X在骁龙8 Gen2平台上的电源与信号完整性设计

本文深入解析了LPDDR5X内存与骁龙8 Gen2处理器在旗舰手机中的协同设计,重点探讨了0.5V超低电压下的电源完整性设计以及8.5Gbps高速传输中的信号完整性挑战。通过详细的电源树架构、关键器件选型和布线策略分析,揭示了如何实现高性能与低功耗的完美平衡,为手机流畅体验提供硬件保障。

weixin_30235225的博客 485

常用的 14 个开源框架

顶级程序员常用的 14 个开源框架,YYDS! 昨天下载下来Java16尝尝鲜。一看,好家伙,足足有176MB大。即使把jmc和jvisualvm给搞了出去,依然还是这么大,真的是让人震惊不已。 但即使JDK足够庞大,它的功能也已经不够用了。我们需要借助于第三方库,来完成企业级开发。比如,一个常见的SpringBoot服务,上百兆是轻轻松松的。 在这里,我盘点一下项目中常用的工具类库和Jar包,来看一看一个Java程序员要学多少东西才能走的更加长远。 1. Netty 第一送给Netty。其实我是有私心的,

qq794554587的博客 8444

FPGA中Verilog HDL/VHDL实现NCO(数字控制振荡器)的查表法优化与性能分析

本文深入探讨了在FPGA中使用Verilog HDL/VHDL实现数字控制振荡器(NCO)的查表法优化与性能分析。文章详细解析了NCO的核心工作原理,包括相位累加器、查找表(ROM)的设计,并重点介绍了利用波形对称性压缩ROM、相位抖动注入等关键优化技巧,以提升无杂散动态范围(SFDR)并平衡速度、精度与资源消耗。

vscode6remote的博客 457

推荐 4 个 yyds 的开源项目!

在这里你可以了解最前沿AI技术资讯、Paper、大模型、多模态,算法竞赛、实战项目、获取AI算法的校招/社招准备攻略、面试题库、面试经验分享、Offer选择、内推机会、学习路线、求职答疑和海量学习资料等内容。• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;同时,你也可以与来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~

2401_85378759的博客 1368

桌面云架构讲解(VDI、IDV、VOI/TCI、RDS)

什么是云桌面桌面云是虚拟化技术成熟后发展起来的一种应用,桌面云通常也称为云桌面、VDI等桌面云中的云一般指的是企业的数据中心,通过在数据中心的服务器上安装若干个虚拟机,这个虚拟机就是桌面;但是终端无法直接连接到这个虚拟机(云桌面),因此就需要通过技术将就虚拟机变为桌面云发放出来;发放出来之后只需要瘦客户端(PC、手机、瘦客户机等)连接到数据中心的云桌面服务器平台,最终就可以连接到桌面来进行使用云桌面的优势终端与数据信息分离,数据在后台集中处理和存储 ,数据实现统一管理。

m0_49864110的博客 3万+

【学习总结】飞跨电容三电平boost拓扑发波分析与matlab仿真

正常工作时,飞跨电容的电压大约控制在输出电压的一半,降低了开关器件的耐受电压。

晞子的技术札记 1万+

别只用ChatGPT!2026年这5个开源AI工具才是程序员的真正利器

兄弟们!2026年了还天天抱着ChatGPT不放呢?咱程序员搞AI,开源工具才是王道啊!免费、可私有化部署、能二次开发,香到飞起有没有~今天就给大家盘点5款2026最新迭代的开源AI神器,全是程序员刚需,附实操代码,小白也能直接上手,快码住!兄弟们发现没?2026年的开源AI工具已经卷到飞起,本地化、轻量化、可定制化是主流,不用再依赖付费API,自己搭一套AI工具链,不管是提升工作效率,还是搞副业接单都超香~

人工智能AI技术 1981

STM32H750VB与AD5292通讯,写入阻值后,AD5292 的阻值没有变化,如何解决?

🏆 本文收录于《全栈Bug调优(实战版)》专栏,致力于分享我在项目实战过程中遇到的各类Bug及其原因,并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者,本文将为你指引出一条更高效的Bug修复之路,助你早日登顶,迈向财富自由的梦想🚀!同时,欢迎大家关注、收藏、订阅本专栏,更多精彩内容正在持续更新中。让我们一起进步,Up!Up!Up!    备注: 部分问题/难题源自互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验总结所得,数条可行方案供所需之人参考。

**My Coding Family** 1103

❤️Java17 发布了,YYDS!重磅!Oracle 宣布 JDK 17 可以免费商用了。。

不过,苹果 13 确实不那么 13 香,库克一如既往在挤牙膏式的更新。 对比之下,我觉得还是 JDK 17 比较香,除了新增了不少新特性,Oracle 官方竟然宣布 JDK 17 可以免费商用了! 从官方的声明中可以看得出:Oracle JDK 17 和未来的 JDK 版本是在免费使用许可下提供的,直到下一个 LTS 版本发布整整一年。 LTS 是什么意思呢?就是 Long-Term-Support,长期支持版本,不同于 16、15、14、13、12 这些过渡版本。 生产环境下,最常用的三个版本,就是 J

沉默王二 1万+

Python爬虫实战:利用Requests-HTML与异步技术高效爬取B站视频信息及弹幕数据分析

B站的弹幕,远非简单的评论功能,它是一种独特的、实时互动的社交方式,是观众情感的集体宣泄和共鸣。无论是用于内容创作者优化视频结构,还是用于社会学、传播学的研究,亦或是简单的个人兴趣分析,都具备极高的价值。stop_words = {'的', '了', '是', '我', '你', '他', '她', '它', '在', '有', '不', '吗', '吧', '啊', '这', '那'}本文不仅是代码的堆砌,更注重原理的剖析、反爬策略的应对以及工程化的思考,旨在为读者提供一份紧跟技术前沿的实战指南。

2201_76125261的博客 391

【GlobalMapper精品教程】027:路径剖面和和视线工具的使用

路径剖面视线工具允许您使用加载的高程数据集沿用户指定的路径获取垂直剖面。要定义生成3D路径剖面所遵循的路径,只需单击鼠标左键选择路径的点,然后石键单击以结束路径。出现一个带有剖面的对话框,允许您设置视线分析或优化端点。

智慧空间实验室 2053

又一份 yyds 笔记开源了!

年前公司 Java 岗位面了 30+ 候选人,面试下来发现几类几乎过不了的情况,真的不能再真实了。。。1.新技术倒是掌握得挺多,基础的却一塌糊涂。2.工作多年,从未学习过工作之外的技术栈,...

公众号:逛逛GitHub 205

GEE高阶应用——如何绘制2000-2022年土地利用变化轨迹时序图

土地利用变化是指在一定时间范围内,土地利用类型和结构发生的变化。时序变化是指这种变化随时间的推移而发生的序列变化。土地利用变化轨迹的时序变化具体介绍如下:首先,土地利用变化轨迹的时序变化体现在土地利用类型的演变上。在过去的几十年里,随着人口的增加、经济的发展和城市化的推进,土地利用类型发生了显著的变化。传统的农田逐渐减少,而城市、工业、交通、居住等用地的面积不断扩大。同时,随着环境保护意识的提高,生态保护用地、森林、湿地等绿色用地的面积也在增加。

此星光明博客 1114

字节跳动前技术总监开源分享《Android架构设计权威指南》,YYDS!

架构就像是一场进化史,根据不同时期的需求,演变出不同的架构,车轮滚滚,到今天,移动端框架百花齐放,让人目不暇接。但是其中的本质是磨灭不了的,换言之根本没有磨灭而是隐藏到了人们所看不到的地方,但是依旧发挥着不可或缺的作用。 为什么需要架构? 一个Activity走天下,包含各种模块和功能 臃肿类太多 不同功能,不同层次拎不清楚,混合在一起 重复代码太多,复用性为差 无法协作开发, 耦合严重,bug太多 等等 当我们新进一个公司,接受别人的项目的时候,基本都会说句MMP,SHI一样的代码啊,啥玩意啊,搞得什

Android23333的博客 219

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")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

yyds!疯传全网的AI资源,请低调使用!

要说今年IT领域最火的技术,还数AIGC!前段时间阿里旗下的开源项目,登上GitHub热榜!AI大热,如今ChatGPT的优异表现,必然会出现各种细分场景应用的工具软件,和大量岗位项目!据猎聘大数据研究院发布的《AIGC就业趋势大数据报告2023》报告显示:2023一季度AIGC人才需求是三年前同期的5.6倍,近一年AIGC新发职位同比增长超43%!Google、百度、腾讯等等巨头互联网公司,无不...

算法码上来 420

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

(待会删)yyds!疯传全网的AI资源,前端人请低调使用!

要说今年IT领域最火的技术,还数AIGC!前段时间阿里旗下的开源项目,登上GitHub热榜!AI大热,如今ChatGPT的优异表现,必然会出现各种细分场景应用的工具软件,和大量岗位项目!据猎聘大数据研究院发布的《AIGC就业趋势大数据报告2023》报告显示:2023一季度AIGC人才需求是三年前同期的5.6倍,近一年AIGC新发职位同比增长超43%!Google、百度、腾讯等等巨头互联网公司,无不...

前端达人 301

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

【小白必看】2025年五大国产大模型编程能力大PK!文心、星火、盘古谁才是程序员yyds?附开发指南

百度文心一言科大讯飞星火华为云盘古阿里云通义智谱AI。

m0_59235245的博客 1583

21 款 yyds 的 IDEA插件

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 10:33更新文章,每天掉亿点点头发...源码精品专栏原创 | Java 2021超神之路,很肝~...

芋艿V 296

Qwen2.5-Coder深夜开源炸场:Prompt编程时代来了!附Cursor使用教程!

2024年11月12日凌晨,阿里通义千问团队悄然发布了Qwen2.5-Coder全系列模型,瞬间引爆了开发者社区。这一系列不仅将开源代码生成模型推上新的高度,也为开发者提供了强大、灵活、实用的多尺寸选择。无论是代码生成、代码修复还是多语言支持,Qwen2.5-Coder都展现出强大的性能,为开发者带来了惊人的智能潜力。接下来,让我们深入了解Qwen2.5-Coder如何在Cursor、Artifacts和Interpreter等实际应用场景中“闪耀登场”!

m0_59235699的博客 4853

2021年互联网公司“死亡”名单! 2022 年跳槽一定要谨慎些

往期热门文章:1、SpringBoot 配置文件敏感信息如何加密? 2、线上订单号重复了?一招搞定它! 3、一款高颜值的MySQL管理工具:Sequel Pro 4、2021 年 GitH...

Java之间 410

DDD 洋葱架构才是 yyds,阿里手记(DDD)领域驱动设计应对之道

虽然身为架构师,设计一个高质量的架构依然是复杂与困难的。简单来说,动用大量的资源只为了一套优质的三高架构并不正确,而是该在了解当前业务现状的情况下,创造出灵活、可维护、健硕能成长的。就拿近两年程序员行业饱受争议的 DDD(领域驱动设计)来说,事实上,领域驱动设计的思维可以很好的解决企业的大型架构所遇到的绝大部分难题(理论层面至少是这样),例如上下映射,就可以在本质上把业务的架构模块解耦,最高程度做到降低成本增强功效。在实际应用中,落地的 DDD 好处也是十分明显。

Q54665642ljf的博客 328
上一篇: Cache 工作原理,Cache 一致性,你想知道的都在这里
下一篇: 论异步编程的正确姿势:十个接口的活现在只需要一个接口就能搞定!
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