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
2.4w累计阅读
2.5w+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
最近开始学习java中的Spring框架，俗话说“工欲善其事，必先利其器”，我们先首先将Spring的开发环境搭建起来。
我使用的编辑器是IntelliJ IDEA，搭配Maven来搭建Spring开发环境。
IntelliJ IDEA下载：下载链接
Maven介绍与使用：点击查看
Spring介绍与使用：点击查看
因为IDEA自带Maven插件，所以使用IDEA的童鞋是不需要在下载Maven的文件的。Spring我们则是通过Maven来下载构建，所以也是不需要下载jar包的。
废话不多说，我们开始创建一个新项目
我们选择Maven项目，在右边配置好java的sdk，选中Create from archetype前面的单选框，在下面的列表里找到如图所示的quickstart并选中。
下一步：
IntelliJ IDEA 创建Spring+SpringMVC+hibernate+maven项目
第一步: 新建maven管理的web项目, 具体步骤参考:http://www.cnblogs.com/gczmn/p/8693734.html第二步: 创建项目结构, 完整项目结构如下: 第三步: 填充文件,有些地方如果不是上面目录的样子需要自己改变,已经使用颜色做出标记 pom.xml<project xmlns="http://maven.apache.org/POM/4.0.0" ...
IntelliJ IDEA Web项目创建与管理视频教程
IntelliJ IDEA是由JetBrains公司在2001年首次发布的，旨在提高开发者的编程效率。自那时起，它就因其智能化特性和对Java语言的深入理解而在开发者中广受欢迎。IDEA不断进化，推出了社区版和旗舰版，并且逐步支持了包括Kotlin、Scala在内的更多编程语言。虽然Maven有默认的目录结构约定，但有时开发者可能需要自定义源代码目录的位置。可以在pom.xml文件中使用<build>标签定义源代码目录。Maven和Gradle是当今最流行的两个Java项目管理和构建工具。
IntelliJ IDEA搭建SSM框架完整项目实战
SSM框架是Spring、Spring MVC和MyBatis三者整合形成的Java Web开发架构，因其轻量级、模块化和易维护性，广泛应用于企业级开发中。Spring负责业务逻辑层的管理与解耦，实现依赖注入（DI）和面向切面编程（AOP）；Spring MVC专注于Web层的请求处理与视图渲染，实现了前后端分离的清晰结构；MyBatis则作为持久层框架，提供了灵活的SQL映射机制，兼顾性能与开发效率。
Windows显卡TDR超时导致Unity崩溃？手把手教你修改注册表延长响应时间
本文详细解析了Windows显卡TDR超时导致Unity崩溃的问题，并提供了修改注册表延长响应时间的完整解决方案。通过调整TdrDelay和TdrDdiDelay键值，开发者可以有效避免D3D11设备丢失错误，提升Unity编辑器的稳定性。文章还包含显卡驱动优化、系统性能调优等实用技巧，帮助开发者彻底解决编辑器崩溃问题。
Android14_MTK调试LCD屏功能
android14 MTK平台调试LCD屏
基于OSPF技术的某企业网络设计（完整文档+ENSP拓扑图)
主要对网络规划与设计，以企业网络为背景，对某个中型企业网络进行规划设计，该企业总部在南京，在常州有一个分公司，需要实现总部和分公司能够访问外网，能够让分公司内的用户或主机访问总部服务器的资源，并且保证数据的安全性。在这次总部企业网络设计中，考虑到资金的问题，核心层部署2台核心三层交换机，负责转发总部内部用户的流量，并充当内部用户网关，能够实现内部不同网段的用户之间的连通性。对于一些对网络比较敏感的企业或用户，对网络的要求较高，对于网络的稳定性和安全性也有较高的要求。
[Adaptive Autosar]深入理解--Time Synchronization
目录 1.TS典型应用场景 2.CP和AP时间同步对比 3.时间同步基础知识 4.TBR部分参数说明 5. TS功能说明 5.1 基本说明 5.2 时间纠正计算说明 5.3 时间验证 Time Synchronization 时间同步，后面简称TS 1.TS典型应用场景 时间同步，典型应用就是在自动驾驶领域，自动驾驶领域涉及到各个传感器的数据采集，如IMU采集当前车身姿态和运动信息，毫米波雷达-超声波雷达-环视摄像头-前视摄像头...等等传感器捕获的数据，在算法中需要精确知道每个数.
Colmap中 patchmatch源码
惊世骇俗的Colmap PatchMatch源码 500多行，简明易懂 先了解PatchMatch的options： max_image_size: 任一维度的最大图像尺寸 gpu_index： gpu的下标 depth_min，depth_max： 随机采样的深度范围 window_radius：用于计算NCC（两图片的归一化互相关），NCC的计算需要用到 win_size. 图像匹配 | NCC 归一化互相关损失 | 代码 + 讲解 - 知乎 (zhihu.com) window_step: 用.
基于 openEuler 24.03 LTS 源码编译安装 Zabbix 7.4
Zabbix是一款开源的企业级分布式监控系统，支持网络、服务器、应用等多种IT资源的监控。核心功能包括数据采集、告警通知、可视化展示等，采用Server/Agent架构，支持多种操作系统。本文详细介绍了在openEuler 24.03系统上部署Zabbix 7.4.2的完整流程，包括环境准备、MySQL配置、PHP/Apache安装、Zabbix编译安装等步骤，为构建企业级监控系统提供了实践指导。
48、住宅抵押贷款支持证券的定价、风险评估与结构化设计
本文深入探讨了住宅抵押贷款支持证券（RMBS）的定价、风险评估与结构化设计。内容涵盖提高定价准确性的方差缩减方法，如准蒙特卡罗序列的应用；分析RMBS面临的利率风险、信用风险和模型风险，并提出相应的度量与应对策略；介绍利用动态规划优化CMO分层结构以最大化发行利润的方法。同时总结了RMBS的基本类型、定价流程及市场发展趋势，为投资者和发行人提供全面的决策支持。
C/C++ 静态代码检查工具cppCheck
Cppcheck是一个用于C/C++代码的静态分析工具，它可以帮助开发者检测代码中的错误；Cppcheck可以检测出许多类型的错误，包括语法错误、未使用的函数、内存泄漏、未初始化的变量等；Cppcheck还支持用户自定义规则，这使得开发者可以根据自己的需求定制Cppcheck的行为；使用--suppress如果你想要忽略某些警告，可以在命令行中使用 --suppress 选项。
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")
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。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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，
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2974
扫一扫
