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
200+累计阅读
244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
设置签名模板的话,很多博客都有提到,但问题在于很多博客的模板都不符合java Doc的规范,所以在这里我再总结一次
步骤非常简单,将参考模板复制到如下图设置位置即可
参考模板
/**
* @author Yi Qiang
* @date ${DATE} ${TIME}
* @version 1.0.0
*/
设置位置
新建class文件,可以自动生成签名
错误效果
可以看到@Author存在警告信息,显然系统并没有识别到这个标签.不想每次都点那个自定义标签的话,最好直接复制上面所提供的模板.
IDEA中Maven工具栏与命令执行全攻略：高效开发必备技巧
IntelliJ IDEA 作为强大的 Java 开发工具，其 Maven 功能独具优势。Maven 工具栏位于工作区右侧，图标功能丰富，涵盖项目导入、源码处理、依赖操作等。执行 Maven 命令有多种途径，Run Anything 窗口可输入或选目标执行，上下文菜单能右键运行目标，还可创建运行配置，指定命令参数后运行，为开发者高效管理 Maven 项目、便捷执行命令提供有力支持。
教你一些IDE中比较骚的操作技巧！
本文转自微信公众号「程序员的成长之路」id:cxydczzl IDEA 有个很牛逼的功能，那就是后缀补全（不是自动补全），很多人竟然不知道这个操作，还在手动敲代码。 这个功能可以使用代码补全来模板式地补全语句，如遍历循环语句（for、foreach）、使用 String.format() 包裹一个字符串、使用类型转化包裹一个表达式、根据判（...
推荐一个基于opencv开源跨平台分析小动物视频活动和路径跟踪的程序
本文主要介绍一种基于OpenCV的多平台程序可以可靠且可重复地跟踪啮齿动物或昆虫等小动物的运动，并量化包括距离和速度在内的动作参数，以便检测由于处理，环境富集或温度变化而引起的活动变化。该系统提供了一种准确且可重现的实验方法，具有潜力，可以在各种模型系统中对运动和行为进行简单，快速和灵活的分析。 介绍 大多数实验性体内手术模型或动物会导致影响行为和运动的生理效应。例如，诱发慢性疼痛或对光敏感可...
Intellij IDEA-IDEA常规配置
1.配置maven 1.1 打开-File-Settings 1.2添加的配置为 archetypeCatalog=internal 新建文件夹：(mavenweb工程只有webAppp文件夹)IDEA常用的快捷键（与Eclipse不同）psvm ---> main函数sout ---> system.out.println();部署tomcatrun --> Edit ...
PVE 8.0 保姆级换源教程：从Debian到LXC仓库，一次搞定国内镜像（附弹窗去除）
本文提供PVE 8.0保姆级换源教程，涵盖从Debian基础源到LXC仓库的国内镜像配置，并附赠去除订阅弹窗的实用技巧。通过详细步骤和命令示例，帮助用户快速优化ProxmoxVE环境，提升下载速度并消除干扰提示，适用于虚拟化平台的高效管理。
安装破解IAR EWARM 8.2，提供注册机
IAR Embedded Workbench for ARM（IAR for ARM）是一款微处理器的集成开发环境软件，该集成开发环境中包含了IAR的C/C++编译器、 汇编工具、链接器、库管理器、文本编辑器、工程管理器和C-SPY调试器，支持ARM，AVR，MSP430等芯片。 一、安装 双击运行安装程序，点击Install IAR Embedded Workbench for ARM...
idea 高级调试技巧
两年前写过一篇关于idea的高级用法，今天再来一篇关于调试方面的技巧讲解： 一、条件断点 循环中经常用到这个技巧，比如：遍历1个大List的过程中，想让断点停在某个特定值。 参考上图，在断点的位置，右击断点旁边的小红点，会出来一个界面，在Condition这里填入断点条件即可，这样调试时，就会自动停在i=10的位置 二、回到"上一步" 该技巧最适合特别复杂的方法套方法的...
Golang实现企业级AI智能体安全合规自动化检测系统
需求：自动化解析欧盟AI法案、中国网络安全法、美国NIST框架等多国法规，提取具体合规要求并映射到企业技术实现。技术挑战法规文本非结构化，语义复杂，存在大量法律术语与技术术语交叉多语言支持（中文、英文、欧盟24种官方语言）法规动态更新（平均每季度更新2-3次）架构创新性：提出了"规则引擎+AI模型+实时监控"的混合架构，兼顾了合规要求的明确性与智能体行为的动态性。性能突破：通过Golang协程、多级缓存、数据库优化等技术，实现了12,800 req/s的高吞吐量和38ms的低延迟。准确性提升。
Multiple operations have reported errors Select an error to view its details
在myeclipse中保存时总是弹出错误提示框： 错误信息： Multiple operations have reported errors Select an error to view its details Update Progress 解决办法： 关闭myeclipse 并在其安装路径： 如：F:\Program Files\MyEclipse 6....
SGX软硬件栈（二）——硬件指令
硬件指令分为内核权限硬件指令和用户权限硬件指令。内核权限硬件指令指的是指令需要通过内核态下才能访问，缩写是ENCLS。用户权限硬件指令指的是指令用户态下便能访问，缩写是ENCLU。每一个具体的功能指令被称为叶功能，如EADD叶功能，因为叶功能之间的区分是硬件指令（如ENCLS指令：0x 0F 01 CF）的EAX值不同，因此ENCLS指令的EAX在输入时都是用作叶功能号。 内核权限硬件指令-ENCLS 如图2所示，SGX 1代指令中，ENCLS主要用于管理Enclave生命周期等。比如下文将介绍的Enc
机器人行业面试全攻略：从0到1拿下心仪Offer，看这一篇就够了
【摘要】2026年机器人行业迎来爆发期，全球市场规模超800亿美元，人才争夺激烈。本文针对机器人行业面试提供系统攻略：首先需明确岗位方向、打造差异化标签并了解目标公司；技术面试高频考点包括ROS框架、SLAM导航、运动控制、深度学习和嵌入式系统；项目介绍需采用STAR+R结构并量化成果；行为面试需注意协作能力与职业规划。文章还总结了简历堆砌、单向输出等五大常见误区，强调长期积累与精准准备的重要性，助力求职者把握行业窗口期机会。
IDEA的这几个调试的骚操作，用了都说爽！
点击上方 "程序员小乐"关注,星标或置顶一起成长每天凌晨00点00分,第一时间与你相约每日英文The most precious thing is not what ...
【科研绘图系列】R语言绘制代谢物与临床表型相关性的森林图
本研究通过森林图展示了特定代谢物与三种临床比较之间的相关性分析结果。这种方法不仅直观地展示了每个代谢物的效应大小和不确定性，还允许我们比较不同代谢物在不同临床比较中的影响。森林图的结果表明，某些代谢物在特定临床比较中显示出显著的相关性，这可能为理解疾病的代谢机制提供了重要线索。
IDEA2021.2安装与配置（持续更新）
IDEA2021.2安装与配置一、下载二、安装三、配置配置全局生效首次启动激活字体，字体大小配色方案注解生效自动导包移包自动补全快捷键格式化代码代码忽略大小写git配置maven配置四、插件Vue.jsTranslationlombok 一、下载 下载地址：https://www.jetbrains.com/zh-cn/idea/download/other.html 选择相应的版本下载，这里以 2021.2 版本为例。 二、安装 更改安装位置 创建桌面快捷方式 三、配置 配置全局生效 不要打开项目，直
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
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。
IDEA 常用配置、持续更新
设置Maven信息 1.File->settings->搜索maven 2.Mavanhome directory--设置maven安装包的bin文件夹所在的位置 3.Usersettings file--设置setting文件所在的位置 4.Localrepository--设置本地仓库 IDEA 设置代码行宽度 1.File->settings->Editor->Code Style 2.有人会问，如果输入的代码超出宽度界线时，如何让IDE自动将...
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
IDEA常用操作总结(长期更新)
1.常使用快捷键 Ctrl + Alt + L 规范代码，主要在"="两边加多空格 2.回滚 3.查看当前类的历史记录
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")
IDEA工具插件(持续更新中...)
1.如何下载 工程点击File–》Settings 如何会打开一个窗口 IDEA所有的创建都是这样下载的，只不过插件名称不同。 2.插件 1.驼峰命名法工具 名称：CamelCase 使用方法：在变量名中选择后 按快捷键 Shift + Alt + U ...
我的IDEA配置（持续更新中）
忽略idea创建项目时自动生成的文件 当我们通过idea创建一个新项目时候，可能会创建一些多余的文件，如下图 那我想让它们消失可以通过 File --> Settings --> File Types 配置maven File --> Settings --> Maven 选择你的maven安装路径以及配置文件与仓库路径 配置JDK版本，我一般选择8 File --> Settings --> Java Compiler File --> Proj
IDEA常用配置及快捷键（持续更新）
IDEA常用配置及快捷键 示例版本IntelliJ IDEA 2019.2.3 (Ultimate Edition) 有其他好用的配置或者快捷键，欢迎评论区留言。 常用配置 打开菜单页面：File -> Settings 、快捷键：Ctrl+Alt+S 1. 主题配置 Settings -> Appearance & Behavior -> Appearance 2...
工具篇--Idea-常用汇总(持续更新)
本文对工作中idea 中常用的一些功能进行总结。本文是在本地已经安装git 和git hub desktop的基础上进行的。本文对idea 使用过程用到的工具进行汇总，后续会不断进行更新。
IDEA常用配置（持续更新中。。。）
资源文件自动解码 Editor > File Encodings > Properties Files (*.properties) Transparent native-to-ascii conversion 关闭参数提示 Editor > General > Apperance > Show parameter hints 单元测试部分中文乱码，可能是log4j......
IDEA202403 常用设置【持续更新】
IDEA编辑器常用配置
IDEA中常用快捷键（小白必看，持续更新...）
对于使用IDEA工具编写java程序，一些常用的快捷键可以提高编程效率，记录在博客中 1. main函数快捷键 —— main 2. 或者—— psvm( 易记：public static void main的缩写 ) 3. System.out.println();输出快捷键 —— sout 4. Ctrl+/：使用//注释（光标放在要注释的那一行即可） 5. Ctrl+Shift+/：使用多行注释（鼠标选中要注释的代码） 6. Ctrl+D:复制行（光标放在需要复制行即可） 7. Ctrl
IDEA日常Coding环节常用的基本配置总结（持续更新中）
1、idea：设置Java中的常量类，等号对齐 a.步骤 setting——>code style——>Java——>Wrapping and baces——>Group declarations ——>Align fields in columns 和 Align variables in columns（（勾上）--点击右下角Apply,然后点击OK...
IDEA最常用快捷键及配置步骤
之前一直用Eclipse开发工具，其中唯一不好的就是项目多了就会卡；最近，也是公司要求，统一使用IDEA开发工具，所以下面对使用IDEA时最常用快捷键及配置做以下总结。 安装 官网下载即可：https://www.jetbrains.com/idea/download/#section=windows 设置字体大小 File --> Settings --...
IDEA常用配置和常用插件
三个工作日收到了offer，头条面试体验还是很棒的，这次的头条面试好像每面技术都问了我算法，然后就是中间件、MySQL、Redis、Kafka、网络等等。第一个是算法关于算法，我觉得最好的是刷题，作死的刷的，多做多练习，加上自己的理解，还是比较容易拿下的。而且，我貌似是将《算法刷题LeetCode中文版》、《算法的乐趣》大概都过了一遍，尤其是这本。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2033
扫一扫
