高效 Java 程序员不能错过的 10+ 个最佳库！

java1856905 java1856905 博客等级 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 214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 码龄8年
关注
原创 最新推荐文章于 2026-05-23 14:27:28 发布 214 阅读 AI 写同款· GEO 优化 ›
java library.zip c3p0连接mysql5,使用的jar库 立即下载

举些例子，最常用的官方库有 java.lang、java.util、java.io、java.sql、java.net 等；而至于目前最流行的第三方库，就有 Junit、SLF4J、Google Guava、XStream、JSoup、Gson、Joda Time 等，可以说是不胜枚举。

我到底需要用到哪些 Java 库呢？

某些库再热门也好，你的项目也未必适用。然而即便如此，大部分项目实际上都还是需要进行单元测试、日志记录、序列化、代码规范化等工作的，因此用一些相关的 Java 库去解决问题，还是不错的选择。

下面，就让我来介绍一些可以用来解决常见开发问题的热门 Java 库吧。

 

01

JUnit

JUnit 起源于 xUnit 家族的单元测试框架，目前可以说是最知名及常用的测试框架。通过 JUnit，可以轻松地写出可重复测试的代码。早期版本的 JUnit 属于 junit.framework 包；而从 JUnit 4 开始，便转移到了 org.junit 包。

JUnit 的一大特色在于给开发者提供了简洁的图形界面，如此一来编写测试代码便更为轻松，开发的进度也得以显著加快。

Junit 允许多个测试一个接一个，或是并发同时执行，并且会实时返回测试结果，而且还带有进度条，提示开发者测试进度如何。一般当测试正常进行时，进度条是绿的；而当遇到了错误，就会变红。

此外，JUnit 还允许开发者创建测试套件 (Test Suite) 来查看、检测整体的测试进度及测试期间发生的副作用。

对于很多项目而言，单元测试是非常重要的。JUnit 之所以能够成为 Java 圈中最热门的测试库，正是因为它既简洁又高效。

 

02

SLF4J

SLF4J 或 Simple Logging Facade for Java，为不同的框架提供了一个抽象概念，允许开发人员在部署时插入任何框架。SLF4J 的功能在于基于外观模式的简单日志 API，并将客户端 API 与日志后端分开。

通过向 classpath 中添加所需的绑定，可以发现其后端。由于客户端 API 和后端完全解耦，因此它可以集成到任何框架或现有的代码片段。

创建这个有用的机制的人是 Ceki Gülcü。 你可以在 SLF4J 下载链接伤下载 SLF4J。

 

03

Google Guava

Google Guava 是 Java 编程的另一个受欢迎的 Java 核心库，它是开源的，由 Googl 开发的。Google Guava 项目中包含的库可用于每天在谷歌上开发/升级的 Java 的产品。

Google Guava 软件包中的库或多或少是对核心库的对应部分有增强功能，并使编程更加高效和有效。Guava 包括内存缓存、不可变集合、函数类型、图形库和可用于 I/O、散列、并发、原语、字符串处理、反射等等的 API 实用程序。

 

04

XStream

当涉及将对象序列化到 XML 中时，XStream 库是开发人员值得信赖的选择。 该库允许开发人员轻松地将对象序列化为 XML 并返回。

反射是这里的关键，用于识别在运行时序列化的对象图的结构。 对象不需要修改。 任何内部字段都可以使用 XStream 序列化。

说到 XStream 的功能 - 大多数对象可以被序列化，并提供特定的映射，提供高性能和低内存占用，适用于具有较高吞吐量的大型对象图和系统，信息不重复，可自定义的转换策略，安全的框架，异常情况下的详细诊断等等。

诸如传输，配置，持久化和单元测试等广泛的应用使它成为Java开发人员社区中流行的 Java 库。

05

Log4j

Log4j 是 Apache 中的一个库，可用作日志工具。该工具最初由 Ceki Gülcü 开发。 但是现在，Apache Software Foundation 已经接管了这个项目。

Log4j 恰好是其所在应用领域中最可靠的库，可以扩展到支持自定义组件配置。配置语法非常简单，支持 XML、YAML 和 JSON。

Log4J 提供对多个API的支持，可以在白名单应用程序中使用不同版本的 Log4j 或 SLF4J。另一个有趣的功能是它支持用户自定义的消息对象。最重要的是，它的工作速度相当令人印象深刻。

 

06

iText

iText 是用于在 Java 中创建和操作 PDF 文件的 Java 开源库。这个库是由包括布鲁诺·洛皮杰（Bruno Lowagie）和保罗·苏亚雷斯（Paulo Soares）在内的团队创建的。

虽然以前的 iText 版本有很多限制，但最近的版本包括许多新功能，如创建 pdf 的选项，将文档从 XML、HTML、CSS 或数据库转换为 PDF。生成的 PDF 符合全球通用标准。它还允许在 PDF 中添加交互性并添加数字签名。你可以复制、合并文档、导入、更改结构、在 PDF 中添加水印或条形码 F。

 

07

jsoup

jsoup 是一个有用的 Java 库，用于处理和解析 HTML。Jsoup 提供了一个有用的用于提取数据的 API。jsoup 中实现的标准是 WHATWG HTML5。和最新的浏览器作法一样，jsoup 将 HTML 解析为 DOM。

它允许或解析来自任何 URL 或文件的 HTML，例如，你可以获取 http://noeticforce.com 的主页信息，解析它，并将所有 H2 标题提取到元素列表中。

它的用途包括清理和操纵 HTML 元素和属性，以检索用户提交的数据并过滤掉 XSS 攻击属性，使用 jsoup 还可以完成更多功能。

 

08

Gson

Gson 是 Google 的另一个库，它轻而易举的将 Java Objects 转换成等效的 JSON 表示形式。

虽然有一些允许将 Java 对象转换为 JSON 的开源项目，但它们要求您将 Java 注释放在您使用的类中。 显然，如果您无法访问源代码，则无法执行此操作，此外，大多数开源项目都不支持 Java 泛型。 Gson考虑到这些问题。

它提供了简单的 toJson（）和 fromJson（）方法，可用于将 Java 对象和 JSON 互相转换。 Gson 库允许将不可修改的对象转换为 JSON 并返回。 如上所述，它为 Java 泛型提供了极大的支持，并允许对象的自定义表示。

 

09

Apache PDF box

Apache PDFBox 是另一个可用于操作 PDF 文件的开源库。这个项目最初由本·利奇菲尔德（Ben Litchfield）发起的，后来被 Apache 接管。

PDFBox 的主要功能使其成为超级库，其中包括 PDF 创建、将单个 PDF 分割为多个 PDF 文件、合并并提取 PDF 文本的 Unicode 文本，填写 PDF 表单，根据 PDF/A 标准验证 PDF 文件，将 PDF 保存为图像并对 PDF 进行数字签名。

 

10

Joda Time

这就是我一直强调的简单但功能强大的库，它节省了大量的开发时间。 Joda-Time 是一个 Java 库，作为 Java 中日期和时间类的一个很好的替代品。

Joda Time 很容易使用，并且像 getYear（）或 getDayOfWeek（）这样的属性访问器可以直接获取日期，及其更详细的信息。

Joda Time 还提供计算日期和时间的功能，并支持几乎所有需要的日期格式，而且肯定难以用简单的 JDK 方法进行复制。

除了上述 10 个库外，还有许多其他通用于特定领域的 Java 库应用于一些小型或大型的项目。以下是其中一些库：

 

Ok HTTP

 

用于通过 HTTP 协议有效地在现代应用程序之间交换数据。 Okhttp 在断网时恢复连接，在多个基于 IP 的服务中切换 IP 地址。 okhttp 的一个有用的功能是与现代 TLS（SNI，ALPN）的自动连接，并且在发生故障时回到 TLS 1.0。

 

Quartz

这是另一个通用且有用的 Java 库，它集成了任何规模和大小的 Java 应用程序。

Quartz 库可用于创建数百，数千或更多的作业，可根据应用需求进行扩展。 Quartz 具有诸如 JTA 事务和集群等功能，可用于企业级应用程序的支持。

JAVA具有庞大的生态圈，所以你可以很容易的找到各种各样的插件库，你需要做的只是从海量的插件库中选出哪一个对你的项目更加适合。

欢迎工作一到五年的Java工程师朋友们加入Java架构工程师：585550789

收录于
activeMQ

当前文章被收录于：

activeMQ
228 篇文章 2 人学习
订阅专栏 查看详情
maven

当前文章被收录于：

maven
228 篇文章 1 人学习
订阅专栏 查看详情
netty

当前文章被收录于：

netty
228 篇文章 1 人学习
订阅专栏 查看详情
标签
#java #程序员 #互联网
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
BeikeShop跨境电商独立站系统V1.5.0免授权全开源版 BeikeShop 一款开源好用的跨境电商系统，BeikeShop 是基于 Laravel 开发的一款开源商城系统，主要面向外贸/跨境电商行业提供商品管理、订单管理、会员管理、支付、物流、系统管理等功能。BeikeShop商城 Beike多语言商城 多货币商城B2C商城系统 代码100%开源 PHP商城系统 H5/PC商城 跨境电商系统 跨境商城系统 电商商城系统 Laravel 9 框架插件化开发，MVC架构 支持插件市场。Event 机制实现Hook功能，自定义可视化装修。 阅读详情

相关推荐

Unity详细介绍说明限制Unity帧率的方式

在Unity开发中，帧率（FPS，Frames per Second）是一个非常重要的表现标准，它直接影响了游戏运行的流畅度。在某些应用场景里，我们可能需要手动限制帧率。限制帧率可以减少电脑的CPU和GPU负载，使运行更加稳定，同时对于移动设备来说还能有效降低电量消耗。下面就详细介绍几种限制Unity中帧率的方式。

zjw1349547081的专栏 5437

欢迎光临 Javen-Studio 新网址：http://javenstudio.org

 欢迎光临 Javen-Studio 新网址：http://javenstudio.org 

navychen的专栏 2万+

DEAP数据集实战：用PyTorch搭建DNN/CNN脑电情绪识别模型（附完整代码）

本文详细介绍了如何使用PyTorch搭建DNN和CNN模型对DEAP数据集进行脑电情绪识别。从数据预处理到模型架构设计，再到训练优化和部署，提供了完整的实战指南和代码示例，帮助研究者快速掌握脑电信号识别技术。

k8l9m0n的博客 393

Java 库：为 Java 程序员而生的 10 + 最佳库

众所周知，Java 的生态环境相当庞大，包含了数量相当可观的官方及第三方库。利用这些库，可以解决在用 Java 开发时遇到的各类问题，让开发效率得到显著提升。 举些例子，最常用的官方库有 java.lang、java.util、java.io、java.sql、java.net 等；而至于目前最流行的第三方库，就有 Junit、SLF4J、Google Guava、XStream、JSoup

程序猿开发日志【学习永无止境】 699

描边盛开火玫瑰

python描边盛开火玫瑰 代码如下 import turtle as t t.setup(800,800) t.hideturtle() t.speed(11) t.penup() t.goto(50,-450) t.pensize(5) t.pencolor("black") t.seth(140) t.pendown() t.speed(10) t.circle(-300,60) t.fd(100) #jiaodu80 #1ye t.seth(10) t.fd(50) t.fillcolor("gr

weixin_50973371的博客 2066

同花顺PC端逆向解析：Hook注入与加密破解实战指南

在Windows客户端数据采集场景中，当常规HTTP爬虫失效时，内存级逆向分析成为获取实时行情数据的关键路径。其核心涉及进程注入、运行时解密、反调试绕过等底层技术，本质是理解PE加载机制、函数调用约定与内存保护策略的协同过程。同花顺作为典型加固客户端，采用ASPack加壳+自研解密+多线程校验三重防护，迫使开发者转向APC注入、动态密钥提取与XXTEA算法复刻等高阶手段。本文聚焦于DLL注入选型依据、解密函数定位方法及二进制Blob结构化解析，最终实现从内存读取到Pandas DataFrame的端到端数据

weixin_32234493的博客 1211

2024 zlibrary 最新免翻可用地址，禁止传播，全网电子书免费下载

苏生不惑第499 篇原创文章，加入我的知识星球。之前分享过文章全网电子书都在这了：ZLibrary 官方通道来了，不再担心找不到最新地址，配合这个脚本简直完美， zlibrary地址经常挂，总有人问我最新地址，今天就再整理分享下。想获取zlibrary最新地址，发邮件到 blackbox@zlib.se 会收到最新地址，或者在公众号苏生不惑后台对话框回复 电子书，我会持续更新最新地址。搜索《万历十...

sushengbuhuo的博客 1万+

从DMD芯片到3D视觉革命：揭秘DLP工业投影光机的核心技术

本文深入解析了DMD芯片在DLP工业投影光机中的核心技术应用，揭示了其如何通过3D结构光技术实现微米级精度。从DMD芯片的机械设计到工业级光机的特殊优化，再到光固化3D打印和系统集成，展现了DLP技术在工业自动化和智能制造中的革命性作用。

weixin_29048775的博客 518

java.library.path在哪？

编译运行可得Code: public class HelloWorld{      public static void main(String args[]){      System.out.println("Hello! World");   System.out.println(System.getProper

shy_snow的专栏 5万+

Open3D 计算点云基本特征

在 Open3D 中，可以通过 PCA（主成分分析）来求得点云的特征值和特征向量。然后基于这些特征值，进一步计算各种几何特征，如线性、平面性、球度等。

纵马踏花向自由 1607

CloudCompare 和 PCL：点云网格化分析与处理

点云网格化是将点云数据转化为规则网格的过程，其主要思想是将离散的点云投影到一个平面上，然后对该平面进行划分，形成一系列小区域。在点云网格化方面，PCL 提供了各种算法和工具，可以实现高效的点云网格化操作。以上示例代码中，首先加载了输入的点云数据，然后通过设置合适的网格化算法参数，如搜索半径和最大三角形边长等，执行了网格化操作，最后将网格化结果保存到输出文件中。以上示例代码中，首先加载了输入的点云数据，然后通过设置合适的网格化参数，如分辨率等，执行了网格化操作，最后将网格化结果保存到输出文件中。

TechPulseZ的博客 1294

高效Java程序员不能错过的10+个最佳库

高效Java程序员不能错过的10+个最佳库

jcj_2012的专栏 152

杰理AC695N系列芯片 LED7数码管使用教程

杰理AC695N数码管使用摘要 本教程介绍了杰理AC695N芯片驱动LED7数码管的实现方法： 硬件配置：支持7/12/13脚三种数码管类型，详细说明了7脚数码管的标准段码定义和GPIO接线方式。 软件设置： 通过修改配置文件启用LED7功能 配置GPIO引脚映射（PORTC/PORTA组） 选择与硬件匹配的真值表 层次架构：包含硬件层、驱动层、UI层和应用层的完整设计，支持数字、字符和图标显示功能。 实现要点包括正确配置引脚类型、选择真值表，并通过UI风格设置为LED7模式。

qq_42014563的博客 1362

Java 程序员必须掌握的 10 款开源工具！

点击上方“Github中文社区”，关注]看遍Github好玩的项目雨轩小晴https://www.seoxiehui.cn/article-178878-1.html本文主要介绍Java...

Github中文社区 563

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。

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。

Java 程序员要掌握的 10 款工具！

因为它结合了其他构建工具的最佳特性，例如它具有Ant的灵活性和控制，Ivy的依赖管理，Maven的配置和插件的约定，以及可以在Ant上使用Groovy DSL。如果你是一位经验丰富的Java开发人员，那么你一定非常了解Maven了，Apache Maven是一个构建和项目管理工具，基于项目对象模型（POM）的概念，Maven可用于管理项目的生成、报告和文档记录。如果你是一位经验丰富的Java开发人员，你可能对这些工具很相熟，但如果不是，当初就是是开始学习这些工具的好时机。

xuezhangmen的博客 476

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

身为 Java 程序员必须掌握的 10 款开源工具！

本文主要介绍Java程序员应该在2019年学习的一些基本和高级工具。如果你是一位经验丰富的Java开发人员，你可能对这些工具很熟悉，但如果不是，现在就是是开始学习这些工具的好时机。 Java世界中存在许多工具，从Eclipse，NetBeans和IntelliJ IDEA等著名的IDE开始到Java开发人员应该知道的JVM分析和监视工具，如JConsole，VisualVM，Eclipse Me...

weixin_45932854的博客 206

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")

身为Java程序员必须掌握的10款开源工具！

点击上方“全球Java架构师集中营”，选择“设为星标”技术文章第一时间送达！本文主要介绍Java程序员应该在2019年学习的一些基本和高级工具。如果你是一位经验丰富的Ja...

Java架构师集中营 192

Java程序员必须掌握的10款开源工具

本文主要介绍Java程序员应该在2019年学习的一些基本和高级工具。如果你是一位经验丰富的Java开发人员，你可能对这些工具很熟悉，但如果不是，现在就是是开始学习这些工具的好时机。Java世界中存在许多工具，从Eclipse，NetBeans和IntelliJ IDEA等著名的IDE开始到Java开发人员应该知道的JVM分析和监视工具，如JConsole，VisualVM，Eclipse Memo...

十指波课堂的博客 264

阿里巴巴Java 程序员常用的 10 款开源工具！用好了，事半功倍！

点击上方“码农突围”，马上关注这里是码农充电第一站，回复“666”，获取一份专属大礼包真爱，请设置“星标”或点个“在看”本文主要介绍阿里巴巴Java程序员常用的一些基本和高级工具。如果你...

欢迎关注公众号：【码农突围】，回复9999，可以获取一份LeetCode刷题笔记 254
上一篇： 面试官问我，使用Dubbo有没有遇到一些坑？我笑了。
下一篇： Java程序员那么多，如何才能脱颖而出？
点赞 0
评论 0
书签 书签 0
java1856905
java1856905
博客等级 码龄8年 100粉丝 249原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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