基于区块链的高校生活垃圾分类系统的设计与实现(源码+lw+部署文档+讲解等)

uniapp [全端兼容] - 实现内网使用天地图离线地图,详解项目加载天地图的离线地图服务器部署与使用教程示例源码,Uniapp如何实现天地图的离线加载部署在内网访问(兼容H5、微信小程序、App) uniapp天地图如何离线访问,无需网络调用天地图API,天地图离线地图,天地图——内网使用离线地图,uniapp中加载天地图的离线地图,uniAPP实现天地图离线访问,在内网中无法直接使用外网天地图资源怎么办,在uni-app中加载地图 -使用天地图的瓦片数据。UNIAPP天地图离线怎么使用,内网部署天地图,天地图离线瓦片,部分瓦片数据,天地图如何离线,下载天地图离线服务,并用Uniapp+天地图离线部署,天地图私有化部署,实现离线加载天地图,Java+uniapp天地图离线开发,uniapp项目中无网络 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👇🏻

用 ABAP EML 驾驭 RAP 业务对象:从事务缓冲区到落库提交的一条龙实践 摘要:ABAP EML(Entity Manipulation Language)是SAP RAP框架的核心语言能力,为ABAP开发者提供强类型、批处理友好的方式操作RAP业务对象。EML通过事务缓冲区管理数据变更,支持读取(READ ENTITIES)、修改(MODIFY ENTITIES)及事务控制(COMMIT/ROLLBACK ENTITIES)。其特点包括:基于BDEF派生类型确保类型安全,%control和%cid等特殊字段实现精细控制,统一的消息模型便于错误处理。相比传统ABAP数据访问方式, 阅读详情

相关推荐

2026 最新实战教程:AI 重构开发全流程(从需求→上线→运维)

1)做什么系统2)技术栈3)功能模块4)部署要求plaintext我要做一个:待办事项(Todo)全栈应用技术栈:前端:React + TypeScript + Tailwind后端:Node.js + Express + MongoDB部署:Docker + 本地运行(后续可上云)功能:- 增删改查任务- 任务状态切换(完成/未完成)- 简单错误处理请按企业级标准生成:架构设计 + 全部代码 + 接口文档 + 启动命令。

qq_35779316的博客 1715

Spring Boot 4 集成:@AiService、多模型路由与多租户隔离

Spring Boot 4.1.x 与 LangChain4j 1.23.0 集成需规避多租户数据串扰、模型路由僵化与降级缺失三大陷阱。推荐采用“配置→路由→隔离→降级”四层架构,优先手动 @Bean 确保可控性。通过可配置的多模型路由策略(按场景、租户、成本、健康度)实现精准调度,并结合 Resilience4j 实现熔断与降级,辅以可观测性设计,保障系统稳定性与可维护性。

weixin_43128865的博客 387

保姆级教程:从SolidWorks建模到Ansys结果分析,手把手完成BGA焊点热应力与振动仿真

本文提供从SolidWorks建模到Ansys Workbench仿真的BGA焊点热应力与振动分析全流程指南。详细讲解参数化建模、材料定义、网格划分、热-机耦合载荷设置等关键技术,帮助工程师掌握BGA焊点可靠性仿真分析的核心方法,有效预测热循环与振动条件下的失效风险。

weixin_33483304的博客 379

40 张表、20 层 e2e:把一个开源 Agent 平台迁到 Spring Boot 4.1

升级 BizBuddy 从 Spring Boot 3.5 到 4.1.1,核心挑战不在代码修改,而在验证。虽仅四类变更(Jackson 3、Starter 拆分、空安全注解、依赖坐标更新),但耗时七成用于确保行为一致:Jackson 3 的不可变映射器、序列化签名变化、Redis 缓存兼容性、旧类名导致的反序列化异常均需逐项排查。关键资产是20层HTTP与18条UI端到端用例,保障了真实场景验证。部分依赖如AgentScope仍留用Jackson 2,通过边界隔离避免硬改。建议尽早迁移,避免未来更复杂的技

长弓三石 239

模电实验室:手把手教你调试共射放大电路静态工作点(避免波形失真)

本文详细介绍了共射放大电路静态工作点的调试方法,帮助避免波形失真问题。从实验准备、电路搭建到静态工作点测量,提供了实用的电阻选值策略和常见波形失真解决方案,适合电子相关专业学生和硬件工程师参考学习。

weixin_42531128的博客 378

Centos7.9使用kubeadm部署K8S集群

使用kubeadm部署一个k8s集群,单master+2worker节点。

lldhsds的专栏 1302

Spring Boot 3.3 启动报 BeanCurrentlyInCreation:循环依赖默认被禁的代价

从 2.5 升到 3.3 启动即报循环依赖异常,它只提示环路一端。需结合堆栈还原完整依赖环,再按真实耦合点选择解环手段。此类放行仅适用于紧急止血,构造器注入的环仍须重构。

昨日种种,皆成今我。今日种种,皆成新我。 237

ollama服务暴露公网?三步搞定Nginx反向代理配置(避坑指南)

本文详细介绍了如何通过Nginx反向代理安全地将Ollama服务暴露到公网,避免直接修改OLLAMA_HOST带来的安全隐患。文章提供了从SSL证书部署到高级安全加固的全流程实战指南,包括IP白名单、基础认证、速率限制等企业级安全措施,帮助用户实现安全可靠的外部访问。

wood5的博客 179

ZeusSpring框架深度解析:基于Spring Boot的高效模块化企业级开发解决方案与实战指南

1.1 项目背景与定位在现代企业级应用开发中,如何在保证代码质量的同时提升开发效率,是每一个技术团队面临的核心挑战。ZeusSpring正是为了解决这一痛点而生。这是一个由开发者AichaelLee创建并维护的,基于Spring Boot生态的高度可扩展、模块化的开发框架。它并非简单的代码堆砌,而是对Spring Boot进行了深度的增强与封装,旨在为开发者提供一套“开箱即用”且架构清晰的基础设施。1.2 核心价值主张ZeusSpring的核心设计理念在于“模块化”与“高效”。

wulechun的博客 200

网工最容易搞混的三个概念:防火墙、网闸、堡垒机,一文让你轻松搞明白。

网闸的作用可以简单概括为:在两个或多个不同安全级别的网络(如内网和外网、普通网与高安全网、受限网与互联网)之间建立一个严格隔离、信息流转的安全桥梁。它的核心任务是实现数据安全传输与隔离,避免网络之间的直接连接带来的安全隐患。数据传输安全:网闸保证数据从一个网络到另一个网络时,能够进行审查、过滤和转换,防止恶意数据或非法信息被传入内部网络或外部泄露。高安全性隔离:网闸常常用于企业的内外网隔离、军事网络、政府机关等对数据隔离要求极高的环境。

HWP18612324139的博客 3640

第3讲:单端传输线的时域TDR仿真(基于实战的第一次仿真视角切换)

本文为CST仿真系列教程的第3讲,主要介绍传输线阻抗(TDR)的两种仿真方法:基于S参数的频域计算和基于高斯脉冲的时域计算。文章详细演示了在CST PCB Studio中修改电容参数、设置TDR仿真参数(包括截止时间和采样点数)的操作步骤,并通过对比实验展示TVS寄生电容对阻抗曲线的影响。最后将两种TDR方法的结果进行对比,验证了两种方法的一致性。本教程适合硬件工程师通过时域波形直观分析传输线阻抗特性,是信号完整性分析的重要技能。

一只豌豆象的博客 230

Spring Boot 提速记:启动 40 秒到 8 秒,GC 停顿从 850ms 降到 60ms

面向线上 Spring Boot 服务,给出启动侧延迟初始化与 AOT 编译、运行侧 GC 与虚拟线程选型,再用分层压测验证收益,附可复制的参数与代码。

2301_78967866的博客 375

手把手教你学Simulink——机器人力控场景实例:基于Simulink的永磁同步电机重力补偿力矩控制仿真

本文介绍了基于Simulink的机器人重力补偿力矩控制仿真方法。针对机器人悬停时电机发热、抖动等问题,提出通过前馈补偿重力转矩的解决方案。文章详细阐述了从机器人动力学建模、重力补偿计算、PMSM转矩控制到系统集成的完整实现流程,并以2-DOF机械臂为例验证了补偿效果。结果表明,重力补偿能显著降低电机电流和拖拽力,提高系统柔顺性。文中还提供了高级功能扩展方向,如参数辨识、摩擦补偿等,为实际工程应用提供了参考框架。

MHD0815的博客 154

Spring Boot 4 + OpenTelemetry + OpenFeign:自动传播 TraceId 的完整实践

本文演示Spring Boot 4 + OpenTelemetry + OpenFeign环境下,通过引入feign-micrometer依赖,实现调用方通过OpenFeign自动传播traceparent请求头,确保跨服务调用链路中TraceId一致。验证显示:被调方日志中包含traceparent,且两端TraceId相同、SpanId不同,符合W3C Trace Context规范,完整实现链路追踪。

宋冠巡的博客 422

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")

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Spring Boot 和 Spring Cloud 是什么关系

Spring Boot 与 Spring Cloud 是协同关系,非替代或升级。Boot 负责单个服务的快速启动与配置,Cloud 则解决多服务间的注册发现、调用、容错等分布式问题。两者能力不重叠:Boot 管进程内,Cloud 管进程间。Cloud 组件基于 Boot 的自动配置机制实现,依赖版本严格匹配,不可随意升级。是否使用 Cloud,取决于是否有跨服务治理需求,而非项目规模。小系统或已用 K8s 可无需引入完整 Cloud。

2401_89855466的博客 243

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Spring Boot 3.x 多模型统一接入实战:Spring AI 1.x 与 LangChain4j 选型对比

多模型统一接入层的本质,是把"模型"从一个 SDK 依赖变成一个可配置、可路由、可降级的运行时依赖。版本对齐是前提,Spring AI 2.0.x 与 Spring Boot 3.x 不共存,别照抄跨路线的依赖;协议兼容是杠杆,但"OpenAI 兼容"必须逐家核对,差异要显式管理而不是假装不存在;抽象层决定演进上限,接入层做对了,RAG、MCP、Agent 编排才是在其上叠加能力,而不是推倒重来。

m0_74899094的博客 318

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Java在线租房系统源码解析:Spring Boot+Vue 3+UniApp房源管理与预约看房方案

本文介绍一套基于Java、Spring Boot、Vue 3与UniApp的在线租房平台源码,涵盖租客端、房东端及管理后台三大模块,实现房源展示、在线咨询、预约看房、合同管理与审核治理等核心功能。技术架构清晰,支持多端部署,适用于区域租房平台、公寓运营及定制化开发项目。强调业务流程闭环与数据一致性,提供二次开发指导与验收标准,助力企业快速搭建自有品牌租房系统。

weixin_42648890的博客 223

ChatGPT、Codex并发排查:Spring Boot接口没有报错,为什么线程池队列越来越长,最后整批请求超时?

Spring Boot接口没有报错,CPU和数据库连接池也正常,为什么线程池队列却越来越长?本文从订单服务任务积压故障切入,分析无界队列、最大线程数、CallerRunsPolicy、下游阻塞和任务背压机制,并介绍通过Codex辅助定位线程池瓶颈的方法。

2601_96380027的博客 187

Spring Boot 系统监控与可观测性

基础的 JVM 和 HTTP 指标看不出来 Outbox 是否出问题,所以 Study 服务里添加,通过Micrometer Gauge + 定时 SQL 统计监控事件状态。status状态含义0PENDING等待发送1SENDING已被某个发布器领取2SENTBroker 已确认并通过路由检查3FAILED达到最大重试次数,待人工处理",其他SENDING、`FAILED` 指标同理;实际代码里需要异常处理,避免指标采集影响业务调度。Gauge。

m0_64642997的博客 357

Spring Boot 4 默认开虚拟线程,HikariCP 却成瓶颈

升到 Spring Boot 4.1,虚拟线程自动开启,CI 全绿,你以为高并发稳了。结果压测第一轮连接池就打满、请求超时。这篇讲清楚:为什么虚拟线程会反手拖垮 HikariCP,以及三招把它救回来。

tangyuewei.com 490

Spring Boot 升到 2.6 启动报错,循环依赖为何被默认禁掉

升到 Spring Boot 2.6 后,字段注入的循环依赖被默认禁掉,服务一启动就抛异常退出。排查按四步走,从异常类名一路定位到互相引用的字段代码。

昨日种种,皆成今我。今日种种,皆成新我。 279

RFC 9457:Spring Boot 错误却返 200

2026 年 REST 错误契约收敛到 RFC 9457。拆开 Spring Boot 3.3.4 博客,javac 编译原文异常处理器、SQLite 复刻 SQL 时序,实测 3/4 错误返 200。附错误矩阵与 8 个坑改法。

Dai_sir_man的博客 188

基于Spring Boot和Vue的经方药食两用服务平台设计与实现

介绍一套基于Spring Boot和Vue的经方药食两用服务平台,包含食材与经方资料、药膳方案、收藏、预约服务单、体质记录和后台管理,并说明默认H2演示环境及MySQL配置。

weixin_63587281的博客 301

ChatGPT、Codex工程实战:Kubernetes滚动发布时,Spring Boot正在处理的请求为什么还是会被中断?

本文从Java订单系统生产故障切入,分析Readiness Probe、EndpointSlice、preStop、SIGTERM、Tomcat优雅停机和terminationGracePeriodSeconds之间的关系,并介绍通过Codex还原Pod终止时间线、排查502和Connection reset的方法。

2601_96380027的博客 514

基于 Spring Boot 的非遗文化展览系统设计与应用报告

MySQL 负责存储非遗项目、传承人、作品、展品、展览、预约、活动、评论、审核记录、用户与权限等核心业务数据,并通过主键、外键、唯一索引和事务机制保障展览与预约数据的一致性和可追溯性;系统覆盖非遗项目管理、传承人管理、作品与多媒体资源管理、展览策划与审核、虚拟展厅配置、展览预约与核销、活动报名、评论互动、内容审核、统计报表和系统权限管理等核心业务,旨在提升非遗文化展览的数字化展示水平、展览运营效率和文化传播决策支持能力。传承人端支持非遗项目资料维护、作品与技艺资料上传、展览申请、版权声明和展览反馈查看;

2601_96666453的博客 380

MySQL 死锁怎么排查?InnoDB 锁等待与 Spring Boot 整事务重试实战

MySQL 线上事务偶发死锁,应该如何定位和修复?本文通过双会话 SQL 复现 InnoDB 死锁,介绍 SHOW ENGINE INNODB STATUS、Performance Schema 锁等待查询及索引访问路径分析,并结合 Spring Boot 和 TransactionTemplate 演示整事务重试。重点讨论统一加锁顺序、事务传播、业务幂等与重试边界,帮助开发者建立可靠的数据库死锁排查流程。

代码不止,探索不息 275
上一篇: 基于区块链的高校评教系统的设计与实现(源码+lw+部署文档+讲解等)
下一篇: 基于区块链的志愿服务预约与管理平台
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