基于区块链的在线教学平台的设计与实现(源码+LW+远程调试)

Vc出现不能连接到一个或多个 vCenter server 系统:http://vcenter-vx.utibet.edu.cn:443/sdk 问题描述: 解决办法: esxi6.7的bug 第一种通过升级系统来解决问题 第二种是通过删除数据来解决 第一步:进入到esxi的shell 第二步查看其中的服务开启状态 第二步 df -h 第三步 /opt/vmware/vpostgres/current/bin/psql -d VCDB -U postgres 第四步 SELECT nspname || '.' || relname AS "relation", pg_size_pretty(pg_total_relation_size(C.oi 阅读详情

 目录

博主介绍:  

程序视频演示:

系统技术介绍:

Mysql介绍

前后端分离架构介绍

功能截图:

代码参考:  

功能测试:

项目测试:

项目文档:

为什么选择我:

源码获取:


博主介绍:  

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟

Java精品实战案例《1000套》

2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅

📲文章末尾源码+数据库📱
感兴趣的可以先收藏起来,还有大家在毕设选题(免费咨询指导选题),项目以及论文编写等相关问题都可以给我留言咨询,博主免费解答、希望可以帮助更多人

​

视频演示:

文章底部名片,获取项目的完整演示视频,免费解答技术疑问

技术介绍:

Mysql介绍

   MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。MySQL支持多种存储引擎,如InnoDB、MyISAM等,其中InnoDB引擎支持事务处理、外键约束和崩溃恢复,适合对数据一致性要求较高的应用场景。MySQL遵循客户端-服务器架构,允许多个客户端同时访问同一个数据库,通过使用TCP/IP、Unix socket或命名管道等方式连接数据库。它提供了丰富的API接口,支持包括Java、Python、PHP、C++等多种编程语言,便于开发者进行二次开发。MySQL拥有强大的数据管理功能,支持视图、存储过程、触发器、事务、索引优化等高级特性,能够满足复杂的数据操作需求。

前后端分离架构介绍

  前后端分离架构是一种现代Web系统开发模式,其核心理念是将前端页面展示与后端业务逻辑进行解耦,从而实现职责划分更加清晰、开发协作更高效的开发流程。在该架构中,前端主要负责页面渲染、用户交互与界面展示,通常使用如Vue、React、Angular等前端框架来实现单页应用(SPA)或多页面应用;后端则使用Spring Boot、Node.js、Django等服务框架构建RESTful API或GraphQL接口,专注于处理业务逻辑、数据处理与权限控制。前后端通过HTTP协议或Ajax请求进行通信,采用JSON格式进行数据传输,实现数据与视图的分离。前后端分离架构的优势显著,一方面可以实现前端与后端并行开发,提高开发效率,降低模块间的耦合度,另一方面也便于系统的维护与扩展,例如前端页面可灵活替换为移动端App、小程序等不同形式,而无需改动后端接口。同时,该架构更适合于分布式与微服务架构的演进,有助于系统的模块化与服务化部署。

功能截图:

代码参考:  

/**
     * 查询
     */
    @RequestMapping("/query")
    public R query(ForumEntity forum){
        EntityWrapper< ForumEntity> ew = new EntityWrapper< ForumEntity>();
 		ew.allEq(MPUtil.allEQMapPre( forum, "forum")); 
		ForumView forumView =  forumService.selectView(ew);
		return R.ok("查询论坛交流成功").put("data", forumView);
    }
	
    /**
     * 后台详情
     */
    @RequestMapping("/info/{id}")
    public R info(@PathVariable("id") Long id){
        ForumEntity forum = forumService.selectById(id);
        Map<String, String> deSens = new HashMap<>();
        //给需要脱敏的字段脱敏
        DeSensUtil.desensitize(forum,deSens);
        return R.ok().put("data", forum);
    }

    /**
     * 前台详情
     */
	@IgnoreAuth
    @RequestMapping("/detail/{id}")
    public R detail(@PathVariable("id") Long id){
        ForumEntity forum = forumService.selectById(id);
        Map<String, String> deSens = new HashMap<>();
        //给需要脱敏的字段脱敏
        DeSensUtil.desensitize(forum,deSens);
        return R.ok().put("data", forum);
    }
    
	/**
     * 论坛详情
     */
	@IgnoreAuth
    @RequestMapping("/list/{id}")
    public R list(@PathVariable("id") String id){
        ForumEntity forum = forumService.selectById(id);
        getChilds(forum);
        return R.ok().put("data", forum);
    }

    /**
    *  获取子节点
    */
    private ForumEntity getChilds(ForumEntity forum) {
    	List<ForumEntity> childs = new ArrayList<ForumEntity>();
    	childs = forumService.selectList(new EntityWrapper<ForumEntity>().eq("parentid", forum.getId()));
    	if(childs == null || childs.size()==0) {
    		return null;
    	}
    	forum.setChilds(childs);
    	for(ForumEntity forumEntity : childs) {
    		getChilds(forumEntity);
    	}
    	return forum;
    }



    /**
     * 后台保存
     */
    @RequestMapping("/save")
    @SysLog("新增论坛交流") 
    public R save(@RequestBody ForumEntity forum, HttpServletRequest request){
        //ValidatorUtils.validateEntity(forum);
    	forum.setUserid((Long)request.getSession().getAttribute("userId"));
        forumService.insert(forum);
        return R.ok().put("data",forum.getId());
    }
    
    /**
     * 前台保存
     */
    @SysLog("新增论坛交流")
    @RequestMapping("/add")
    public R add(@RequestBody ForumEntity forum, HttpServletRequest request){
        //ValidatorUtils.validateEntity(forum);
    	forum.setUserid((Long)request.getSession().getAttribute("userId"));
        forumService.insert(forum);
        return R.ok().put("data",forum.getId());
    }



     /**
     * 获取用户密保
     */
    @RequestMapping("/security")
    @IgnoreAuth
    public R security(@RequestParam String username){
        ForumEntity forum = forumService.selectOne(new EntityWrapper<ForumEntity>().eq("", username));
        return R.ok().put("data", forum);
    }


    /**
     * 修改
     */
    @RequestMapping("/update")
    @Transactional
    @IgnoreAuth
    public R update(@RequestBody ForumEntity forum, HttpServletRequest request){
        //ValidatorUtils.validateEntity(forum);
        //全部更新
        forumService.updateById(forum);
        return R.ok();
    }



    

    /**
     * 删除
     */
    @RequestMapping("/delete")
    @SysLog("删除论坛交流")
    public R delete(@RequestBody Long[] ids){
        forumService.deleteBatchIds(Arrays.asList(ids));
        return R.ok();
    }
    
	/**
     * 前台智能排序
     */
	@IgnoreAuth
    @RequestMapping("/autoSort")
    public R autoSort(@RequestParam Map<String, Object> params,ForumEntity forum, HttpServletRequest request,String pre){
        EntityWrapper<ForumEntity> ew = new EntityWrapper<ForumEntity>();
        Map<String, Object> newMap = new HashMap<String, Object>();
        Map<String, Object> param = new HashMap<String, Object>();
        // 组装参数
		Iterator<Map.Entry<String, Object>> it = param.entrySet().iterator();
		while (it.hasNext()) {
			Map.Entry<String, Object> entry = it.next();
			String key = entry.getKey();
			String newKey = entry.getKey();
			if (pre.endsWith(".")) {
				newMap.put(pre + newKey, entry.getValue());
			} else if (StringUtils.isEmpty(pre)) {
				newMap.put(newKey, entry.getValue());
			} else {
				newMap.put(pre + "." + newKey, entry.getValue());
			}
		}
		params.put("sort", "clicktime");
        params.put("order", "desc");

		PageUtils page = forumService.queryPage(params, MPUtil.sort(MPUtil.between(MPUtil.likeOrEq(ew, forum), params), params));
        return R.ok().put("data", page);
    }

功能测试:

测试编号

测试用例描述

预期结果

测试结果

1

输入正确的用户名和密码进行登录

登录成功,重定向至系统首页

通过

2

输入错误的用户名或密码进行登录

登录失败,显示错误提示信息

通过

3

连续多次输入错误的用户名或密码

账户被锁定,显示锁定提示信息

通过

4

输入已锁定的账户信息

登录失败,显示账户锁定提示信息

通过

5

点击“忘记密码”链接,按照流程重置密码

密码重置成功,可使用新密码登录

通过

测试总结:

   Spring Boot前后端分离项目功能测试是确保系统稳定性和用户体验的重要环节,通过对前端Vue页面与后端Spring Boot接口进行协同测试,可以有效验证各项功能是否按预期实现。首先需要进行接口测试,使用Postman或JMeter等工具对后端RESTful接口进行验证,检查接口的请求方法、参数、返回数据格式以及异常处理是否符合规范,其次是功能测试,结合用户角色进行完整的业务流程测试,例如用户注册、登录、数据查询、信息提交、权限控制等常见操作,通过手动或自动化测试工具确保各模块逻辑正确且交互顺畅。在前后端联调阶段,需要特别关注接口兼容性与前端展示效果,避免因接口变化导致前端功能异常或页面渲染错误,同时需关注跨域问题、接口超时、无权限访问等边界情况。测试过程中还应进行输入校验测试,包括前端表单校验与后端数据校验,避免非法输入引发系统崩溃。此外,功能测试还应涵盖异常路径测试、权限边界测试及数据一致性测试,确保系统在各种操作情况下都能稳定运行。

项目文档:

​

为什么选择我:

   博主自己就是程序员、避免中介对接:博主拥有多年java软件开发经验,累计开发或辅导多名同学。有程序需求的可以随时提问,博主可以免费解答疑问。(java、python、大数据、小程序和安卓等技术等可以)

   拥有丰富开发经验:所有程序博主都自己参与开发,能够解答所有Java程序的技术难题、包远程运行调试!

源码获取:

2025-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅

Java精品实战案例《1000套》

文章下方名片联系我即可~
大家点赞、收藏、关注、评论啦 、查看👇🏻获取联系方式👇🏻

【OpenClaw从入门到精通】第10篇:OpenClaw生产环境部署全攻略:性能优化+安全加固+监控运维(2026实测版) 本文聚焦OpenClaw从测试环境走向生产环境的核心痛点,围绕“性能优化、安全加固、监控运维”三大维度展开实操讲解。先明确生产环境硬件/系统选型标准,再通过硬件层资源管控、模型调度策略、缓存优化等手段提升响应速度(实测响应效率提升50%+);接着从网络、权限、数据三层构建安全防护体系,集成火山引擎安全方案拦截高危操作;最后落地TenacitOS可视化监控与Prometheus告警体系,配套完整故障排查清单和虚拟实战案例。全文所有配置、代码均经实测验证,兼顾新手入门实操性和进阶读者的生产级部署需求。 阅读详情

相关推荐

MATLAB闪退别慌!5分钟搞定Windows系统预设文件修复(附详细截图)

本文针对MATLAB在Windows系统下频繁闪退的问题,提供了快速有效的解决方案。核心在于修复或重置损坏的MATLAB预设文件,通过图文并茂的五步法,指导用户定位AppData目录、重命名预设文件夹,从而让MATLAB自动生成全新配置以解决闪退。文章还涵盖了问题诊断、设置备份及进阶排查方法,帮助用户彻底根除启动故障。

weixin_29234423的博客 928

基于大数据二手电子产品需求分析系统的设计与实现(源码+LW+讲解和调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 1107

驱动兼容_FANUC 驱动器兼容问题探讨

近10年来,FANUC伺服驱动器随着系统的升级而升级,不同的系统,可以兼容很多种类的驱动器,作者做了一些常见经验总结如下表:电源模块伺服放大器主轴放大器bi一体18i/OIB/OIC6110-Hxxx6114-Hxxx6111-Hxxx6134-Hxxx31iA/OID6140-Hxxx6117-Hxxx6141-Hxxx6164-Hxxx31IB/35IB/OIF/OI MATE D(5包)62...

weixin_34420941的博客 1753

【区块链 + 智慧政务】基于区块链的可信数据档案管理系统 | FISCO BCOS应用案例

基于区块链的可信数据档案管理系统,以 FISCO BCOS 为底层搭建档案联盟链,协同政务 OA 系统、数字档案管 理系统,运用区块链、云计算等现代信息技术,实现电子政务文件及电子档案的可信互通、存储归档及有效管理, 实现档案的单套归档和单套管理。

FISCO_BCOS的博客 2208

基于ESP32-C3的物联网硬件设计:从免费工具链到PCB打样全流程实战

在物联网和嵌入式开发领域,硬件设计是连接软件逻辑与物理世界的关键环节。其核心原理在于通过电路设计将微控制器、传感器、通信模块等电子元件有机整合,实现特定功能。掌握硬件设计能力的技术价值在于能够自主实现产品原型,优化成本与性能,并深入理解系统底层运作。常见的应用场景包括智能家居节点、环境监测设备、工业传感终端等。本文以热门的ESP32-C3 RISC-V物联网芯片和广泛使用的KiCad免费EDA工具为例,详细解析了从核心器件选型、射频电路布局、PCB设计规则到Gerber文件生产的完整流程,并分享了在嘉立创平

weixin_30918633的博客 340

海思方案定制hi3531dv200/SS528 DVR方案解析:从硬件选型到编解码实战应用

海思方案,Hi3518EV100,Hi3518CV100,Hi3515CV100,Hi3516CV100,Hi3516ECV100,Hi3516D,Hi3516A,Hi3519,Hi3520D,Hi3521A,Hi3535,Hi3531,Hi3536,Hi3536C,Hi3536D,Hi3518EV200,Hi3518EV201,Hi3520DV200,Hi3516CV200,Hi3516CV300,Hi3516AV200,Hi3520DV300,Hi3519V101,sd3403,hi3519av200

1587

基于SpringBoot的学生心理健康系统的设计与实现(源码+LW+报告+运行调试)

通过约定优于配置,减少了复杂的 XML 配置,提供了自动配置功能,让开发者可以快速上手。内置的启动器(Starter)和自动配置功能使得新项目的搭建变得非常简单,开发者可以专注于业务逻辑。Spring Boot 支持内嵌的 Tomcat、Jetty 或 Undertow,无需外部应用服务器,方便部署和开发。与 Spring Cloud 无缝集成,提供了构建微服务架构的便利,支持服务注册、配置管理等功能。活跃的社区和丰富的文档,使得开发者在遇到问题时能够快速找到解决方案。

java,python,小程序,大数据开发 1398

R语言单因素被试内ANOVA检验

在R语言中,我们可以使用多种方法进行被试内ANOVA检验,其中包括使用内建函数或使用外部包。我们随机选择了10个被试,并对每个被试使用了三种不同的药物处理。通过上述代码示例,我们可以使用R语言进行单因素被试内ANOVA检验。假设我们的数据存储在一个名为"data"的数据框中,其中包含两个列:一个列是被试的编号,另一个列是生物指标的测量值。在上述代码中,我们创建了一个名为"data"的数据框,其中"Subject"列包含了被试的编号,"Measurement"列包含了生物指标的测量值。参数指定了数据来源。

PixelNovaO的博客 364

基于solidity的Dapp图书管理系统

区块链图书管理系统

sand_wich的博客 2548

SoulX-FlashHead 加速实践,提升3倍。

SoulX-FlashHead 加速实践,提升3倍。

jacke121的专栏 224

15、 深入理解Akka微服务:创建与管理体育博彩平台

本博文深入探讨了如何使用Akka微服务架构为体育博彩平台创建投影和管理事件数据,包括市场投影、投注投影以及数据库投影的实现。同时,介绍了通过gRPC提供HTTP端点以供外部系统访问的方法,并详细说明了在本地环境和Kubernetes中运行应用程序的步骤及配置建议。

weixin_35756624的博客 97

基于区块链的高校学生实习信息管理系统(源码+lw+部署文档+讲解等)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 724

【YOLOv8-pose姿态识别部署至RK3588:模型训练到RKNN落地,让人体姿态分析精度与边缘推理速度双突破】

本教程从YOLOv8-pose模型的姿态识别训练,到RK3588的边缘量化部署,为你打造了一套“高精度+高实时性+低成本”的人体姿态分析解决方案。无论是健身动作纠正、智能安防行为检测,还是工业人员姿态监控,这套技术都能直接复用——你只需替换数据集与业务逻辑,即可快速落地专属的边缘AI姿态识别系统。如果你在实践中遇到任何卡点,欢迎随时交流。记住,人体姿态识别的价值在于“关键点准、推理快、部署易”,而这三者的平衡,正是你通过本教程能掌握的核心能力。

FJN110的博客 332

基于区块链的小区停车位租赁平台的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 1038

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")

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

基于区块链的酒店预定管理平台的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 604

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

基于区块链的学生在线选课平台的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 763

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

基于区块链的服务器监控管理平台系统的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 1237

基于区块链的服装商城平台系统的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 654

基于区块链的公务员考试学习平台的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 576

基于区块链的毕业设计论文管理平台的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 704

基于区块链的二手物品交易平台的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 666

基于区块链的闲置物品商城的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 751

基于区块链的助农系统的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 1004

基于区块链的店铺租赁租凭平台系统的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 897

基于区块链的二手车交易平台系统的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 1026

基于区块链的医院就诊开药综合管理平台的设计与实现(源码+LW+远程调试)

💗博主开发经历:全网拥有20W+粉丝、优快云作者、博客专家、全栈领域优质创作者、平台优质Java创作者、专注于Java、小程序、python、大数据、深度学习技术领域和毕业项目实战✌💟Java精品实战案例《1000套》2024-2026年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅📲文章末尾源码+数据库📱MySQL采用结构化查询语言SQL作为数据库操作的标准语言,具有高性能、高可靠性、易使用和跨平台等优点。

leishencode的博客 883
上一篇: 基于SpringBoot的口腔牙科诊所系统的设计与实现(源码+LW+远程调试)
下一篇: 基于区块链的考研学习分享平台系统的设计与实现(源码+LW+远程调试)
雷神定制开发
博客等级 码龄1年 1322粉丝 548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