一起学Springboot -- 第二节 EDEA 创建Springboot应用

环境搭建

在开发之前请先安装 java jdk1.8 及以上和 IDEA 集成开发工具,下载链接和教程请自行查找。

本节需求:用 IDEA 创建一个Springboot 应用。

Hello Springboot 创建过程

打开IDEA,点击Create New Project.
在这里插入图片描述
在这里插入图片描述

ceshi

在这里插入图片描述

在这里插入图片描述
上一步Finish 之后稍等一会即可看到下面的界面,这样一个工程就建好了,是不是 so easy。

在这里插入图片描述

启动项目,如果出现下面的日志,说明启动成功。接下来就可以正式开发了。为了让项目目录更加简洁,可以删除掉以下文件夹或者文件,.mvn、HELP.md、mvnw、mvnw.cmd。

在这里插入图片描述

在浏览器中访问应用

在启动类上添加 @RestController ,然后在类中添加
@GetMapping("/demo")
public String demo() {
return “Hello SpringBoot”;
}

如下图所示:

在这里插入图片描述

然后再启动应用(不要忘了,否则新添加的代码不起作用)最后在浏览器中访问 http://localhost:8080/demo
不出意外的话,将会看到下图所示,说明应用可以正常访问了。

在这里插入图片描述

依赖第三方库文件

最后看下依赖的文件类,可以在这里管理依赖,或者修改项目信息。

在这里插入图片描述

内容概要:本文详细介绍了如何使用STM32微控制器精确控制步进电机,涵盖了从原理到代码实现的全过程。首先,解释了步进电机的工作原理,包括定子、转子的构造及其通过脉冲信号控制转动的方式。接着,介绍了STM32的基本原理及其通过GPIO端口输出控制信号,配合驱动器芯片放大信号以驱动电机运转的方法。文中还详细描述了硬件搭建步骤,包括所需硬件的选择与连接方法。随后提供了基础控制代码示例,演示了如何通过定义控制引脚、编写延时函数和控制电机转动函数来实现步进电机的基本控制。最后,探讨了进阶优化技术,如定时器中断控制、S形或梯形加减速曲线、微步控制及DMA传输等,以提升电机运行的平稳性和精度。 适合人群:具有嵌入式系统基础知识,特别是对STM32和步进电机有一定了解的研发人员和技术爱好者。 使用场景及目标:①习步进电机与STM32的工作原理及二者结合的具体实现方法;②掌握硬件连接技巧,确保各组件间正确通信;③理解并实践基础控制代码,实现步进电机的基本控制;④通过进阶优化技术的应用,提高电机控制性能,实现更精细和平稳的运动控制。 阅读建议:本文不仅提供了详细的理论讲解,还附带了完整的代码示例,建议读者在习过程中动手实践,结合实际硬件进行调试,以便更好地理解和掌握步进电机的控制原理和技术细节。同时,对于进阶优化部分,可根据自身需求选择性习,逐步提升对复杂控制系统的理解。
### EDEA 和 Deepseek 技术概述 #### EDEA 技术解析 EDEA(Enhanced Differential Evolution Algorithm)是一种改进型差分进化算法,在优化计算领域有着广泛应用。该算法通过引入自适应机制和局部搜索策略,提高了全局收敛速度以及寻优精度。对于复杂多模态函数优化问题尤其有效[^1]。 ```python import numpy as np def edea_optimize(objective_function, bounds, max_iter=1000): population_size = 50 dimensionality = len(bounds) # 初始化种群 population = np.random.rand(population_size, dimensionality) min_b, max_b = np.asarray(bounds).T diff = np.fabs(min_b - max_b) population_denorm = min_b + population * diff fitness = np.asarray([objective_function(ind) for ind in population_denorm]) best_idx = np.argmin(fitness) best = population_denorm[best_idx] for i in range(max_iter): for j in range(population_size): idxs = [idx for idx in range(population_size) if idx != j] a, b, c = population[np.random.choice(idxs, 3, replace=False)] mutant = a + 0.8 * (b - c) cross_points = np.random.rand(dimensionality) < 0.9 if not np.any(cross_points): cross_points[np.random.randint(0, dimensionality)] = True trial = np.where(cross_points, mutant, population[j]) trial_denorm = min_b + trial * diff f = objective_function(trial_denorm) if f < fitness[j]: fitness[j] = f population[j] = trial if f < fitness[best_idx]: best_idx = j best = trial_denorm return best, fitness[best_idx] ``` #### DeepSeek 技术探讨 DeepSeek 是一种基于深度习框架构建的大规模搜索引擎解决方案。它利用神经网络模型对海量文本数据进行索引建立,并支持高效的查询匹配操作。相比于传统方法,DeepSeek 不仅能够提供更精准的结果返回,还具备强大的语义理解能力,可以识别用户意图背后深层次的信息需求[^2]。 ```python from transformers import BertTokenizer, BertModel import torch class DeepSeekSearchEngine: def __init__(self): self.tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') self.model = BertModel.from_pretrained('bert-base-uncased') def encode_query(self, query_text): inputs = self.tokenizer(query_text, return_tensors="pt") outputs = self.model(**inputs) embeddings = outputs.last_hidden_state.mean(dim=1) return embeddings.detach().numpy() def search_documents(self, encoded_query, document_embeddings, top_k=5): similarities = cosine_similarity(encoded_query, document_embeddings)[0] closest_docs_indices = similarities.argsort()[-top_k:][::-1] return closest_docs_indices.tolist() ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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