springboot 集成在线天气预报

计算机毕业设计springboot基于SpringBoot的智慧天气管理系统84z99【附源码】 选题背景: 随着科技的不断发展和人们对生活质量的要求提高,天气信息的准确性和实时性对于各行各业都变得至关重要。智慧天气管理系统作为一种基于SpringBoot的应用程序,旨在通过整合多个数据源和先进的算法模型,提供准确、实时的天气信息,并为用户提供个性化的天气服务。这样的系统可以广泛应用于城市交通、农业生产、旅游出行等领域,为人们的生活和工作带来便利。 意义: 首先,智慧天气管理系统能够提供准确的天气信息,帮助人们做出更加明智的决策。例如,在城市交通领域,系统可以根据实时的天气情况,及时调整交通信号灯的配 阅读详情

前阵子项目中遇到了需要使用接口查询天气接口,之前以为很难,后面发现贼简单,话不多说直接上代码

//    文字转译 设置时间超时
    public static final String DEF_CHATSET = "UTF-8";
    public static final int DEF_CONN_TIMEOUT = 30000; 
    public static final int DEF_READ_TIMEOUT = 30000;
//    代理商
    public static String userAgent =  "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36";

Appkey 配置 Appkey 一定是要最真实的

    @Value("${forecast.appkey}")
    private String APPKEY;

下面是逻辑代码

    public AjaxJson findForecast(String cityname) {
//        先定义一个结果
        String result =null;
        String url ="http://apis.juhe.cn/simpleWeather/query";//请求接口地址
        Map params = new HashMap();//请求参数
        params.put("city",cityname);//要查询的城市,如:温州、上海、北京
        params.put("key",APPKEY);//应用APPKEY(应用详细页查询)
        params.put("dtype","");//返回数据的格式,xml或json,默认json

        try {
            result =net(url, params, "GET");
              } catch (Exception e) {
            e.printStackTrace();
        }
        return AjaxJson.success().put("成功",result);
    }
  private String net(String strUrl, Map params, String method) throws Exception{
//        Object cityname = params.get("city");
//        System.out.println(cityname);
        HttpURLConnection conn = null;
        BufferedReader reader = null;
        String rs = null;
        try {
            StringBuffer sb = new StringBuffer();
            if(method==null || method.equals("GET")){
                strUrl = strUrl+"?"+urlencode(params);
//                System.out.println(strUrl);
            }
            URL url = new URL(strUrl);
            conn = (HttpURLConnection) url.openConnection();
            if(method==null || method.equals("GET")){
                conn.setRequestMethod("GET");
            }else{
                conn.setRequestMethod("POST");
                conn.setDoOutput(true);
            }
            conn.setRequestProperty("User-agent", userAgent);
            conn.setUseCaches(false);
            conn.setConnectTimeout(DEF_CONN_TIMEOUT);
            conn.setReadTimeout(DEF_READ_TIMEOUT);
            conn.setInstanceFollowRedirects(false);
            conn.connect();
            if (params!= null && method.equals("POST")) {
                try {
                    DataOutputStream out = new DataOutputStream(conn.getOutputStream());
                    out.writeBytes(urlencode(params));
                } catch (Exception e) {
                    e.printStackTrace();
                }
            }
            InputStream is = conn.getInputStream();
            reader = new BufferedReader(new InputStreamReader(is, DEF_CHATSET));
            String strRead = null;
            while ((strRead = reader.readLine()) != null) {
                sb.append(strRead);
            }
            rs = sb.toString();
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            if (reader != null) {
                reader.close();
            }
            if (conn != null) {
                conn.disconnect();
            }
        }
        return rs;
    }

  public static String urlencode(Map<String,String> data) {
            StringBuilder sb = new StringBuilder();
            for (Map.Entry i : data.entrySet()) {
                try {
                    sb.append(i.getKey()).append("=").append(URLEncoder.encode(i.getValue()+"","UTF-8")).append("&");
                } catch (UnsupportedEncodingException e) {
                    e.printStackTrace();
                }
            }
            return sb.toString();
        }

    }

以下是运行结果

{
  "msg": "操作成功",
  "code": 200,
  "成功": "{\"reason\":\"查询成功!\",\"result\":{\"city\":\"成都\",\"realtime\":{\"temperature\":\"6\",\"humidity\":\"93\",\"info\":\"阴\",\"wid\":\"02\",\"direct\":\"北风\",\"power\":\"2级\",\"aqi\":\"45\"},\"future\":[{\"date\":\"2020-12-03\",\"temperature\":\"4\\/6℃\",\"weather\":\"小雨转阴\",\"wid\":{\"day\":\"07\",\"night\":\"02\"},\"direct\":\"持续无风向\"},{\"date\":\"2020-12-04\",\"temperature\":\"4\\/6℃\",\"weather\":\"阴\",\"wid\":{\"day\":\"02\",\"night\":\"02\"},\"direct\":\"持续无风向\"},{\"date\":\"2020-12-05\",\"temperature\":\"4\\/7℃\",\"weather\":\"阴\",\"wid\":{\"day\":\"02\",\"night\":\"02\"},\"direct\":\"持续无风向\"},{\"date\":\"2020-12-06\",\"temperature\":\"5\\/8℃\",\"weather\":\"小雨\",\"wid\":{\"day\":\"07\",\"night\":\"07\"},\"direct\":\"持续无风向\"},{\"date\":\"2020-12-07\",\"temperature\":\"5\\/9℃\",\"weather\":\"小雨\",\"wid\":{\"day\":\"07\",\"night\":\"07\"},\"direct\":\"持续无风向\"}]},\"error_code\":0}",
  "success": true
}
基于Springboot+Vue的天气预报管理系统 随着网络科技的不断发展以及人们经济水平的逐步提高,网络技术如今已成为人们生活中不可缺少的一部分,而信息管理系统是通过计算机技术,针对用户需求开发与设计,该技术尤其在各行业领域发挥了巨大的作用,有效地促进了天气预报管理的发展。然而,由于用户量和需求量的增加,信息过载等问题暴露出来,为改善传统线下管理中的不足,本文将提出一天气预报管理系统,计算机技术作为近十年来新发展起来的科技,可运用于众多领域中,尤其在天气预报管理中,可有效地提升其效率。 阅读详情

相关推荐

2.SpringBoot简介,天气预报

1.天气预报系统 数据来源 http://wthrcdn等开放的接口 查看天气 访问:http://wthrcdn.etouch.cn/weather_mini?citykey=101280601 访问:http://wthrcdn.etouch.cn/weather_mini?city=杭州 但是用API工具返回是正常的:http://apizza.cc 自身访问:http://localhost

海客森 586

【开题报告】基于SpringBoot的天气预报可视化系统的设计与实现

天气对人们的日常生活和工作有着重要的影响,准确的天气预报信息能够帮助人们合理安排日程、选择合适的出行方式,并提供必要的防灾减灾指导。然而,传统的天气预报方式通常是通过电视、广播等媒体进行发布,用户需要手动查找并记住各个地区的天气信息,不够直观和便捷。基于SpringBoot的天气预报可视化系统的设计与实现旨在利用现代化的技术手段,将天气数据整合和可视化展示,使用户能够更加直观地了解未来天气情况。

各类程序设计成品、文档、学习资料 1905

架构师教大家如何用SpringBoot技术快速实现天气预报系统

从一个天气预报系统讲起 本节通过Spring Boot技术快速实现一个天气预报系统。 通过这个系统,一方面可以了解Spring Boot的全面用法,为后续创建微服务应用打下基础;另一方面,该系统会作为本节进行微服务架构改造的非常好的起点。 下面以前面创建的hello-world应用作为基础进行改造,成为新的应用micro-weather-basic。 开发环境 为了演示本例,需要采用如下开发环境。 . JDK8。 .Gradle 4.0。 . Spring Boot Web Star

m0_63437643的博客 1378

SpringBoot搭建一个简单的天气预报系统(二)

章节目录1. 剧情回顾2. 存在的问题3. SpringBoot集成Redis3.1 解决方案3.2 为什么选择Redis?3.3 使用Redis3.3.1 开发环境3.3.2 添加依赖3.3.3 功能需求3.3.4 手动编码3.3.5 测试4. SpringBoot集成Quartz4.1 实现天气数据的同步 1. 剧情回顾 在 SpringBoot搭建一个简单的天气预报系统(一)博客中已经实现了一个非常简单的天气预报系统------用户访问这个天气预报系统的时候,那么系统会响应给用户一个天气数据。但这个数

菩提小猿的博客 2469

Spring Boot项目:使用第三方天气API接口实现天气预报功能 weather.zip

Spring Boot项目:使用第三方天气API接口实现天气预报功能;使用redis缓存数据库进行数据缓存 接口示例:http://t.weather.sojson.com/api/weather/city/101010100

【ros2】ros2_control 全面解析与实战指南

ros2_control 是 ROS2 生态中用于机器人实时控制的核心框架,旨在统一硬件接入接口、复用控制算法,避免重复开发,实现仿真与实机硬件的无缝迁移。其核心目标是简化不同硬件(传感器、执行器、完整系统)的集成流程,让开发者专注于控制逻辑而非硬件适配。创建类型功能包,依赖rclcpp。实现on_initupdate在中声明控制器插件,编译生成动态库。在 YAML 配置文件中指定自定义控制器类型,加载测试。

EnHengNa的博客 1470

天气预报小程序案例(springboot服务端)

项目描述: 该小程序实现了当前城市30天的天气预报,可输入城市名称进行搜索,也可选中城市进行搜索。该程序服务端使用了腾讯地图key,并且使用jsoup爬取第三方天气预报网站数据,再由小程序调用服务端接口获取数据显示到页面。该小程序适合新手学习。 开发语言: WXML、WXSS、JAVA 技术框架: 后台采用springboot框架的maven项目 开发工具: IntelliJ-IDEA2017,微信开发者工具 数据库: 无 相关资料: 无 注意事项: 替换小程序中数据请求地址,..

师哥帮忙 345

python 携程登陆_Python 学习练习之用户登录接口

目的:用python实现简单用户注册,登陆,加黑功能,放个流程图吧。以下内容仅为练习 执行流程:[root@zabbix login]# python user_login.pyusername:tompassword:123456Are you want to register ? [y/n]yRegister successful,Please relogin ![root@zabbix lo...

weixin_28679635的博客 516

springboot项目实现微信公众号推送天气

SpringBoot、微信公众号相关api、Spring定时任务等。

qq_61294100的博客 685

从零到一:Silvaco中跨导曲线的自动化脚本实现

本文详细介绍了如何使用Python脚本在Silvaco中实现跨导曲线(gm曲线)的自动化分析,包括数据加载、跨导计算和结果可视化。通过自动化处理Id-Vg曲线,显著提升半导体器件工程师的工作效率,特别适用于工艺优化和DOE分析。文章还提供了批量处理和关键参数提取的高级技巧,帮助工程师快速掌握Silvaco脚本开发。

nn3456的博客 566

一篇文章认识《双目立体视觉》

双目立体视觉,由两个摄像头组成,像人的眼睛能看到三维的物体,具有深度的信息;单目视觉只能看到二维的物体。 1)双目摄像头 2)双目相机基线 3)打开双目摄像头 4)双目测距 视差disparity、 极线约束、 极线校正/立体校正、 a.双目标定 b.双目矫正 c.立体匹配 d.双目测距(三角测量) e.测距效果 立体视觉方法评测网站

黎国溥 7958

基于springboot的旅游出行指南

本文介绍了一个基于SpringBoot和Vue.js的旅游出行指南系统的开发技术与实现方案。系统采用B/S架构和前后端分离设计,后端使用Java 1.8+SpringBoot 2.2.2框架,配合MyBatis-Plus实现数据持久化,Apache Shiro处理权限控制;前端基于Vue 2.6构建,采用ElementUI组件库开发界面。系统包含管理员和用户两个角色:管理员通过后台管理旅游资源、预订订单及系统配置;用户在前台可浏览景点/酒店/餐厅信息,进行在线预订,发布旅行日记和制定旅游规划。详细阐述了系统

2401_85475633的博客 323

STM32F401RCT6最小系统原理图设计

STM32F401RCT6最小系统原理图设计一、主控芯片二、电源电路三、晶振电路三、下载电路四、完整电路图      本文章基于STM32F401RCT6进行最小系统原理图设计,包含主控芯片,电源,晶振电路,下载电路等几部分 一、主控芯片 主控芯片采用STM32F401RCT6,需注意: VBAT在不接电池的情况下需接3.3V,VDDAVREF+需接3.3V,否则会造成芯片供电不正常,无法启动和识别的情况 VDDAVREF+和VCAP1处电容需按照规格书

weixin_43278295的博客 2万+

SpringBoot 景点攻略网站 计算机毕业设计源码70222

普通用户功能 普通用户可注册登录进前台系统界面,普通用户系统界面由注册登录、首页、社区论坛、通知公告、景点资讯、留言反馈、天气预报、景点信息、旅游行程、活动信息,我的账户和个人中心(个人首页,景点订单,团体订单、报名记录,收藏,评论管理)组成。具体的功能如下: 注册登录:普通用户可以通过注册功能创建个人账号,填写必要的个人信息后完成注册流程。登录功能允许已注册的用户通过输入用户名和密码访问网站,享受个性化的服务体验。 首页:展示了精选的景点资讯与信息推荐,采用协同过滤算法根据用户的浏览历史和偏好进行个性化推

高级程序源的博客 207

Spring AI 实战:第七章、Spring AI Advisor机制之记忆大师

从金鱼到最强大脑通过 Spring AI 的记忆功能,我们成功让 AI:记住了用户身份实现了多用户隔离做到了持久化存储最终效果用户:“和上次一样” → AI 秒懂用户:“你知道我的名字吗?” → AI:“当然,张三!AI的进化路线🐟金鱼脑 →🧠最强大脑 →🏛️记忆宫殿管理员。

liaokailin的专栏 1516

英伟达DeepStream学习笔记7——DeepStream接入USB相机并实现广角摄像头的畸变矫正

deepstream官方提供了一个畸变矫正的例子,包含了鱼眼和普通广角的矫正。我目前准备做一个广角的畸变矫正,我已经使用opencv实现功能,目前增加到deepstream框架中。示例代码在\opt\nvidia\deepstream\deepstream-5.0\sources\apps\sample_apps\deepstream-dewarper-test 中,鱼眼矫正——deepstream官方版 https://developer.nvidia.com/blog/calibration-trans

耶律大石的博客 1602

(免费领源码)SpringBoot旅游景点漫游系统03328-计算机毕设JAVA、PHP、python、爬虫、APP、小程序、C# 、C++、数据可视化、大数据、全套文案

摘要:本文设计并实现了一个基于SpringBoot框架的旅游景点漫游系统。系统整合景点信息、餐饮住宿推荐等旅游资源,提供景点展示、在线购票、天气查询等核心功能,满足游客个性化需求。采用模块化设计思路,结合前端技术和MySQL数据库,构建了包含普通用户、导游用户和管理员的三级角色体系。通过功能测试验证了系统的稳定性和可用性。该系统为游客提供了便捷的旅游信息服务,有助于提升旅游体验质量,推动旅游业数字化转型。

2301_79292407的博客 1570

面试官连夜整理:103道AI Agent面试题,答对一半直接加薪50%

维度AutoGPTLangGraphAutoGen控制流LLM 驱动的隐式循环代码层定义的显式状态图对话驱动的自动流转状态存储Prompt 上下文中(易丢失)结构化 State 对象(可持久化)对话历史(自动累积)分支能力依赖 LLM 的文本输出(不稳定)条件边 + 节点路由(确定性)多 Agent 对话自然分支(涌现式)回溯/回滚无原生支持,只能重新开始原生 Checkpoint 支持时间旅行无全局回滚,单 Agent 可重启人机协同仅人工在关键点介入(需要自定义)原生支持。

weixin_35774598的博客 622

基于SpringBoot和Leaflet集成在线天气服务的区县当前天气WebGIS实战

通过本项目的实践,读者不仅能够掌握SpringBoot和Leaflet在WebGIS开发中的应用方法,还能够深入理解如何将天气数据与地理信息进行有效结合。

夜郎King的博客 1万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

基于SpringBoot的天气预报系统的设计与实现

摘要:本文设计并实现了一个基于SpringBoot的天气预报系统,采用Java语言、SpringBoot框架和MySQL数据库,实现了天气数据的采集、分析及可视化展示。系统具备用户管理、天气预报查询、天气资讯推送和出行计划等功能,通过Echarts实现数据可视化,并利用网络爬虫技术从气象网站抓取实时数据。系统采用分层架构设计,包含web、service、repository等模块,通过组件图和部署图明确了系统结构与部署方案。测试结果表明系统具有较高的准确性和稳定性,能满足用户对天气预报的需求。 关键词:天气

WEN38306482的博客 2万+

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

SpringBoot AI MCP Deepseek 1.0 集成高德天气预报完整方案

本文介绍了使用Spring AI 1.0.0集成高德天气预报服务的完整解决方案。项目采用Spring Boot作为基础框架,通过Spring AI ChatClient实现AI对话功能,并集成高德天气API提供天气预报服务。技术架构包括用户请求处理、AI对话管理、工具调用和外部服务集成等模块。

qq_42051837的博客 645

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")

SpringBoot搭建一个简单的天气预报系统(一)

1. 前言         先用SpringBoot搭建一个简单的单体项目,后期,再用SpringCluod把它改造一个微服务架构的项目。其实,写这篇博客的真实原因也就学习一下SpringCloud。从单体架构过渡到微服务架构,可以深刻地体会到这两者架构的区别。而且,从今后的发展来看,确实很有必要接触微服务架构 2. 实战         因为此项目

菩提小猿的博客 2734

SpringBoot+Vue天气预报管理系统源码+论文

该系统主要包含以下功能: 浏览首页:用户可以查看和访问系统的主页。 个人中心:用户可以管理和查看自己的个人信息和设置。 天气预报:提供实时的天气预报信息,帮助用户了解当前和未来的天气情况。 天气资讯:发布与天气相关的的重要新闻和公告,让用户及时获取最新天气资讯。 后台管理:管理员可以进行系统管理和维护,包括用户管理、天气预报管理等。 在系统首页下,还有以下几个子功能: 出行计划管理:帮助用户规划和管理他们的出行计划。 备忘录管理:用户可以记录和管理重要的提醒事项。 系统管理:管理员可以对整个系统进行管理和配

计算机毕业设计 915

【附源码】springboot 天气预报管理系统设计与实现

请联系我获取更详细的演示视频。

xmw_jx01的博客 894

【2024】基于springboot的天气预报管理系统设计(源码+文档+指导)

设计背景: 随着人们对天气信息的需求不断增加,天气预报网站成为人们获取天气信息的重要途径。基于SpringBoot的天气预报网站平台的设计,能够为用户提供准确、实时的天气信息,满足用户对天气的需求。 设计目的: 1. 提供用户准确的天气预报信息,包括当天的天气情况、未来几天的天气趋势等。 2. 提供用户个性化的天气推送服务,根据用户所在地点提供定制化的天气信息。 3. 提供用户友好的界面和交互体验,方便用户快速获取所需的天气信息。 意义: 1. 为用户提供准确的天气信息,帮助用户合理安排日常生活和工作。

weixin_41915110的博客 1983
上一篇: xlsx 导入数据库
下一篇: JAVA生成word解析HTML标签
一个小白开发
博客等级 码龄7年 1244粉丝 34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