文件上传至服务器(java+[easyUi+common])

JavaWeb-10 (项目案例7 文件上传与富文本编辑器) 阅读详情

html部分:


<!-- 上传地图文件的弹出框 -->
<div id="uploadMapFiledlg" class="easyui-dialog"
		style="width: 350px; height:180px;" closed="true"
		buttons="#upload-buttons" data-options="modal:true"   >
		<form id="uploadMapFileForm" method="post" enctype="multipart/form-data" action="reportInfo/uploadMapFile.do">
			<fieldset id="newMenuSet">
				<table border="0px" cellspacing="1" cellpadding="1" >
			    	<tr style="line-height: 32px">
					<td  style="text-align: left;" ><label
						style="font-size: 12px;">上传文件:</label></td>
					<td  style="text-align: left">
					   <input  style="width: 220px; height: 25px" class="easyui-filebox" id="uploadfile" name="uploadfile" data-options="prompt:'只支持JSON格式...',buttonText:'选择文件...'">
					</td>
				</tr>
				</table>
			</fieldset>
		</form>
		<div id="resultDiv2">
</div>
<!--按钮部分-->
<div id="upload-buttons">
		<a href="javascript:void(0)" class="easyui-linkbutton"
			iconCls="icon-import" id="uploadBtn">上传</a> <a
			href="javascript:void(0)" class="easyui-linkbutton"
			iconCls="icon-cancel"
			onclick="javascript:$('#uploadMapFiledlg').dialog('close')">取消</a>
</div>  
<!--弹出框按钮懒得复制了,在datagrid里-->


js代码:

//按钮部分
$(function(){
$("#uploadBtn").click(function(){
	 if($(this).linkbutton('options').disabled == false){
		 var file =$("#uploadfile").filebox('getValue');
		 if(file==""){
			   $.messager.alert('提示', '请先选择要上传文件!', 'info');
			   return;
		 }
		 var type=file.slice(file.lastIndexOf(".")+1,file.length);
		 var checkType=type.toUpperCase();
		 if(checkType!=="JSON"){
			 $.messager.alert('提示', '所选的文件格式不正确!', 'info');
			   return;
		 };
		 var uploadFileName=file.slice(file.lastIndexOf("\\")+1,file.length);
		 $.ajax({
             type: "post",
             url: contextPathName+"/reportInfo/cheackFile.do",
             data: {"uploadFileName":uploadFileName},
             dataType: "json",
             success: function (data) {
          	   if(data.success){
          		   if(data.isExists){
          			 //用户确定覆盖?
	          		 $.messager.confirm('确认对话框', data.fileMsg, function(r){
	          			if (r){//覆盖(继续)
	          				virtualUpload();
	          			}else{ //取消
	          				var content ="<p>上传结果:</p>";
	 	        		   content +="<p>您取消了文件的上传</p>";
	 	        		   $('#resultDiv2').html(content);
	 	        		   $('#uploadMapFileForm').form("reset");
	          				return;
	          			}
	          		});
          		   }else{//文件不存在
          			 virtualUpload();
          		   }
          	   }
             },
             error:function(){
            	 $.messager.alert('提示', "服务器发生错误!", 'info');
             }
         });
		  
	 }
 });
 
   
//显示上传地图文件窗口
 $("#uploadMapFileBtn").click(function(){
 	 if($(this).linkbutton('options').disabled == false){
 		 $('#uploadMapFileForm').form("reset");
 		 $('#resultDiv2').empty();
 		 $('#uploadMapFiledlg').dialog('open').dialog('setTitle', '上传地图文件');
 	 }
 });
})
//实际上传操作
function virtualUpload(){
	var intervalId = null;  
    var progressBar = null; 
	 var options = {  
	           dataType : "json",  
	           beforeSubmit : function() {  
	        	   $.messager.progress({ 
	        		   title:'请稍后', 
	        		   msg:'正在处理中...',
	        		   });
	           },
	           complete:function(){                                     
	        	   $.messager.progress('close');  
	            },
	           success : function(data) {  
	        	   if(data.success){
	        		   $.messager.alert('提示', "操作成功", 'info');
	        		  
	        		   var content ="<p>上传结果:</p>";
	        		   content +="<p>"+data.resultMsg+"</p>";
	        		   $('#resultDiv2').html(content);
	        		   $('#uploadMapFileForm').form("reset");
	        	   }else{
	        		   $('#resultDiv2').empty();
	        		   $.messager.alert('提示', data.errorMsg, 'info');
	        	   }
	           },  
	           error : function(result) {  
	        	   $.messager.alert('提示', "服务器发生错误!", 'info');
	           }  
	       };  
	       $('#uploadMapFileForm').ajaxSubmit(options);  
	       return !1; 
}



java后台(控制器里的)

	//检查文件是否存在      
      @RequestMapping ("/cheackFile")
    @ResponseBody
    public String cheackFile (HttpServletResponse response, HttpServletRequest request)
    {
        Map <String, Object> data = new HashMap <String, Object> ();
        boolean result = Boolean.TRUE;
        // 定义容器接收文件名
        String uploadFileName = null;
        try
        {

            String brProjectPath = request.getSession ().getServletContext ().getRealPath ("/");
            uploadFileName = request.getParameter ("uploadFileName");
            // 文件保存路径
            String filePath = brProjectPath + "map\\" + uploadFileName;
            File date = new File (filePath);

            if (date.exists ())
            {

                data.put ("isExists", Boolean.TRUE);
                data.put ("fileMsg", "文件已存在!是否覆盖!");
            }
            else
            {
                data.put ("isExists", Boolean.FALSE);
            }
        }
        catch (Exception e)
        {
            _logger.error (e.getMessage (), e);
            result = Boolean.FALSE;
            data.put ("errorMsg", "文件上传失败!");
        }
        data.put ("success", result);
        String jsonStr = JSONObject.fromObject (data).toString ();
        return jsonStr;
    }

	//接收上传文件
    @RequestMapping ("/uploadMapFile")
    @ResponseBody
    public String doUploadMapFile (@RequestParam (value = "uploadfile", required = false) MultipartFile uploadfile,
                                   HttpServletRequest request)
    {

        Map <String, Object> data = new HashMap <String, Object> ();
        boolean result = Boolean.TRUE;
        // 定义容器接收文件名
        String uploadFileName = null;
        try
        {

            InputStreamReader read = new InputStreamReader (uploadfile.getInputStream (), "utf-8");// 考虑到编码格式
            BufferedReader bufferedReader = new BufferedReader (read);
            StringBuffer jsonContent = new StringBuffer ();

            String content = "";
            while ((content = bufferedReader.readLine ()) != null)
            {
                jsonContent.append (content);
            }
            String brProjectPath = request.getSession ().getServletContext ().getRealPath ("/");
            uploadFileName = uploadfile.getOriginalFilename ();
            // 文件保存路径
            String filePath = brProjectPath + "map\\" + uploadFileName;
            File date = new File (filePath);
            FileOutputStream fop = null;
            fop = new FileOutputStream (date);

            byte[] contentInBytes = jsonContent.toString ().getBytes ();
            fop.write (contentInBytes);
            fop.flush ();
            fop.close ();
            read.close ();
        }
        catch (Exception e)
        {
            _logger.error (e.getMessage (), e);
            result = Boolean.FALSE;
            data.put ("errorMsg", "文件上传失败!");
        }
        data.put ("success", result);
        data.put ("resultMsg", uploadFileName + "上传成功!");
        String jsonStr = JSONObject.fromObject (data).toString ();
        return jsonStr;
    }


效果

点击上传按钮,弹出上传文件框


选择文件:







操作提示:



显示结果:



检测到同名文件,给用户提示:


取消上传后:



我所遇见的问题

1.js报错:ajaxSubmit不是一个函数!

这里你需要引入一个js文件:jQuery/jquery.form.js,值得注意的是你还要把它放在jQuery.js的后面应为form.js基于jQuery;

2.在页面上死活找不到这个form!请求也无疾而终;

这里我的确是被坑的.....这个页面是同事写的,我本来是俩加功能的,他的页面也有form标签,但他的form标签是这样的<form><form>,结果我的form就被他吃了....
我是找了好久代码的问题没找到问题,最后还是老大帮忙找出来的.....额,感觉被人在后面捅了一刀,泪目啊!

web/easyui/ssm框架引用KindEditor富文本编辑器 web/easyui/ssm框架引用KindEditor富文本编辑器 KindEditor 是一套开源的在线HTML编辑器,主要用于让用户在网站上获得所见即所得编辑效果,开发人员可以用 KindEditor 把传统的多行文本输入框(textarea)替换为可视化的富文本输入框。 KindEditor 使用 JavaScript 编写,可以无缝地与 Java、.NET、PHP、ASP 等程序集成,比... 阅读详情

相关推荐

java 上传excel

直接附上案例: 环境:easyUi框架和ssm集成框架,java语言 ,maven管理jar包,tomcat服务器版本8.5, jdk1.8 设计思路: 1、循环遍历每行每列,内层根据列遍历根据io流读取到的信息将每个字段所处位置和实体字段相对应,根据使用set()方法保存如实体。 2、根据行遍历将实体保存入List集合中,最终返回list集合 3、遍历list集合,将每个实体存入到数据...

HY845638534的博客 454

通过easyui的filebox上传文件

以上是一个完整页面的HTML代码,我们只需要关注以下代码片段,其中设置了一个用于保存文件上传的回显图片URL,当我们提交表单时,会把这个url一起提交到后台,这时候只需要完成通过ID修改图片的操作。当我们选中某行数据时,点击【图片】按钮,就会打开我们的文件上传的对话框,同时如果这行记录本来的图片不为空,也会显示出来,并且设置隐藏域的value为该记录的image值。以上是表单的同步提交,如果是异步提交的话,又该怎么做呢?

沐雨橙风ιε的博客 4953

用easyui-filebox上传Excel文件(ASP.NET MVC)

用easyui-filebox上传Excel文件(ASP.NET MVC)。包括前端html代码和服务器端的C#代码。我写的,亲测可用。

java文件上传 easyui_文件上传至服务器(java+[easyUi+common])

html部分:style="width: 350px; height:180px;" closed="true"buttons="#upload-buttons" data-options="modal:true" >style="font-size: 12px;">上传文件:iconCls="icon-import" id="uploadBtn">上传 href="java...

weixin_35284593的博客 545

扩展easyUI,上传文件时附传参数

在用easyUI进行WEB应用开发时,往往要同时上传一些参数,使之可同时完成必要的功能处理,但easyUI默认不提供参数上传,为此进行了扩展。此扩展应用,在SSH框架中通过检验。

【easyui】kindeditor富文本(html编辑器)的使用-附件资源

【easyui】kindeditor富文本(html编辑器)的使用-附件资源

java实现把文件上传至ftp服务器

用java实现ftp文件上传。我使用的是commons-net-1.4.1.zip。其中包含了众多的java网络编程的工具包。 1 把commons-net-1.4.1.jar包加载到项目工程中去。 2 看如下代码: [java] view plaincopy import java.io.File;   import java.i

yipanbo的专栏 6531

紫光同创PDS软件操作指南:如何为FPGA新增自定义Flash型号

本文详细介绍了在紫光同创PDS软件中为FPGA新增自定义Flash型号的完整操作指南。针对官方支持列表之外的SPI Flash芯片,文章从理解FPGA配置逻辑入手,逐步讲解如何通过扫描Flash ID、在Flash Operator中精准填写参数、转换.sbit文件,最终完成固化的全过程,并分享了高级技巧与常见问题排查方法,帮助工程师摆脱对预设型号的依赖,实现灵活选型。

weixin_29204749的博客 327

Java +EasyUI+SpringMvc实现Excle导入导出(上)

前言   先介绍下项目的开发环境,采用java开发语言进行开发,前台UI使用的是EasyUI框架,接下来是SpringMvc与Ejb结合来开发,整个项目管理采用的是Maven管理,服务器用的是Jboss6.2.0企业版,来实现Excle导入导出。   正题   配置   对于Excel上传文件我们首先要引入commons-fileupload.jar包,由于我们的项目采用Maven进行项目管理,所以对于ja

5万+

网络变压器等效电路及网络变压器中间抽头作用详解

       华强盛电子导读:要详细了解网络变压器周边EMC管控及网络变压器BOB-SMITH电路的连接原理,首先我们对网络变压器的认识及其电路各参数影响都要有个简要的认识,本文,对非理想网络变压器等效电路做一个详细的分析,其中重点讨论一下网络变压器中间抽头的作用其影响                          网络变压器等效电路及                        ...

网络变压器专业资料 6006

Ubuntu18.04下Carla安装——经验史

Ubuntu下的Carla安装

m0_51267207的博客 2680

EasyUI之datagrid从java服务器自动填充数据

关于easyUI  datagrid插件从java后台获取数据前段代码&lt;table id="dg" title="dg1" class="easyui-datagrid" style="width:700px;height:250px" url="${pageContext.request.contextPath }/getUsers.do" toolbar="#toolbar&qu

qq_18453581的博客 1659

高功率半导体叠阵激光准直

摘要:研究针对高功率半导体激光器叠阵的光束整形问题,通过Zemax软件模拟5个巴条(间隔1.81mm)的LD阵列(总功率300W)。采用非序列模式建立模型,设置慢轴/快轴发散角分别为5°和19.5°,并配置包含19个发光点的巴条结构。通过S-TIH53材质的快轴准直镜(焦距0.6mm)和慢轴准直镜(焦距2.88mm)进行光束整形,有效降低了快慢轴发散角。仿真结果表明该方法能显著改善叠阵激光的光束质量,为高亮度光纤耦合提供了解决方案。

Zhaxibamao的博客 915

Java web 中实现 文件上传 进度条显示

请客官参考http://blog.itpub.net/30066956/viewspace-1775286/ 这一篇文章,来决定使用哪儿种,个人觉得使用uploadify更好更方便。感谢:http://blog.sina.com.cn/s/blog_674b23220100he8x.html ,本文参考了很多这篇博文中的内容。 摘要:          在web项目中,经常会有文件上传需求

chengwangbaiko的博客 1万+

LVGL 磁罗盘效果

环境:LVGL 9.x + SDL2,窗口 1280×800。界面文案用英文(默认 Montserrat,无 CJK)。本文按实现顺序讲:先建立两个耦合转动体,再把磁倾角误差从卡面倾斜里推出来,最后用同一套投影把刻度、数字和目标画到卡上。画面上的迟滞、涡流、摆动和读数偏差都来自方程,没有补间动画。

摸鱼专家 92

人形机器人 vs 机器狗SLAM:FAST_LIO_LOCALIZATION_HUMANOID的差异化优化方向

《FAST_LIO_LOCALIZATION_HUMANOID在人形与机器狗应用中的差异化优化策略》摘要: 格灵深瞳开源的FAST_LIO_LOCALIZATION_HUMANOID系统针对人形机器人和机器狗提出了差异化优化方案。人形机器人需应对双足步态带来的周期性晃动,通过动态盲区滤波、二阶运动模型补偿步态相位畸变,并修复重力向量计算误差。机器狗则需解决四足高频运动挑战,包括设计自适应地面分割算法、抑制IMU高频振动噪声,以及基于足端接触序列的非匀速运动建模。二者在传感器配置(高度/视角)、运动频率(1-

Studying…… 326

java maven导入导出_Java +EasyUI+SpringMvc实现Excle导入导出(上)

标签:前言先介绍下项目的开发环境,采用java开发语言进行开发,前台UI使用的是EasyUI框架,接下来是SpringMvc与Ejb结合来开发,整个项目管理采用的是Maven管理,服务器用的是Jboss6.2.0企业版。正文配置对于Excel上传文件我们首先要引入commons-fileupload.jar包,由于我们的项目采用Maven进行项目管理,所以对于jar包的引入是在pom.xml文件中...

weixin_33435461的博客 239

中台战略-第五章、中台建设方法论

文章目录第五章、中台建设方法论5.1 中台架构整体策略5.2 业务顶层设计5.3 业务中台设计方法论5.3.1 能力支撑是基础5.3.2 中心自治是承载形式5.3.3 3层模型是骨架5.3.4 5步法是指导思想1. 业务抽象2. 高阶设计3. 组件建模4. 开发交付5. 持续运营5.4 数据中台设计方法论5.4.1 总体规划5.4.2 数据集成5.4.3 模型建设5.4.4 通用研发5.4.5 资产管理5.4.6 数据服务5.5 应用向中台迁移的3中途径和方法5.5.1 方法1:新应用替换旧应用5.5.2

沧海之巅的专栏 1461

ssm框架下的文件上传和文件下载

ssm框架下的文件上传和文件下载 (你源)2019-07-04 转载 最近在做一个ssm的项目,遇到了添加附件和下载的功能,在网上查了很多资料,发现很多都不好用,经过摸索,发现了一套简便的方法,和大家分享一下。 1.在自己已经构建好的maven  web项目中 pom.xml配置文件中添加上传下载所需要的jar包 <...

qq_35759451的博客 981

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

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")

javaweb项目中的文件上传下载功能的实现

上传: @RequestMapping("/upload") public @ResponseBody res upload(HttpSession session,MultipartFile file) throws IllegalStateException, IOException { // 原文件名称 String oldName = file.getOriginalFile...

sunny潘先生的博客 2502

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

atitit.文件上传带进度条的实现原理and组件选型and最佳实践总结O7

atitit.文件上传带进度条的实现原理and组件选型and最佳实践总结O7   1. 实现原理 1 2. 大的文件上传原理::使用applet 1 3. 新的bp 2 1. 性能提升---分割小文件上传,避免一次使用内存使用过大的 2 2. Uuid还是原来文件名称:: 2 3. 监听器频繁地被调用 2 4. 结合wz easyui 2 4. 选型 2 5. Uploadif

attilax的专栏 1770

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

java导出文件到excel文件怎么打开_java实现文件导入导出到Excel

1.导入导出功能操作步骤导入:"下载导入模板" -->保存文件到本地-->在模板中输入要导入的数据行-->"导入"-->选择录入数据的模板文件-->"确定"导出:"导出"-->保存Excel文件到本地。2.功能实现原理2.1.外部组件依赖说明(1)数据库访问相关:mysql-connector-jaca-5.0.8-bin.jarc3p0-0.9.1.2.jar...

weixin_36358109的博客 371

JAVA Servlet 上传批量上传大文件

新建类 UploadServlet package org.action; import java.io.File; import java.io.IOException; import java.util.Iterator; import java.util.List; import javax.servlet.ServletException; import javax.serv

Y-CAT的专栏 4555
下一篇: 创建bootstrap的表格(含日期控件)
java_trainee
博客等级 码龄10年 12粉丝 22原创
评论 11
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