网络编程—07—上传图片 并发登陆

光伏5G多合一融合终端|光伏多合一融合终端|光伏多合一群调群控网关|分布式光伏群控群调|光伏AGC/AVC系统这几者之间什么技术关系,多少钱一套预算? RCL-0923光伏电站电压\功率自动控制装置(光伏AVC/AGC),能够接收调度DMS下发的调节目标(电压或无功),按既定策略的调节目标计算光伏电站无功功率出力需求,支持总有、无功,最大可调范围、逆变器个数等数据的上送,通过选择控制设备并进行无功功率出力分配,并将最终控制指令自动下达给被控制设备,最终实现光伏电站无功功率控制,实现无功功率、并网点电压的监测和控制,跟踪调度中心下发的电压或无功调节目标值,实现分布式电源的可观可测,可调可控。光伏5G多合一融合终端的功能:群调群控/AGC/AVC功能。 阅读详情

 

/*
客户端:
1,服务端点
2,读取客户端已有的图片数据
3,通过socket输出流将数据发给服务端
4,读取服务端反馈信息
5,关闭
*/
import java.io.*;
import java.net.*;
class PicClient //客户端
{
 public static void main(String[] args)throws Exception
 {
  Socket s = new Socket("114.98.252.176", 10009); 
  
  FileInputStream fis = new FileInputStream("c:\\138.JPG");//关联要读取的流文件
  
  //为了发送数据,获取socket流中的输出流
  OutputStream out = s.getOutputStream();
  
  byte[] buf = new byte[1024];
  
  int num = 0;
  
  while((num=fis.read(buf)) != -1)
  {
   out.write(buf, 0, num); 
  }
  
  //告诉服务端数据传输结束
  out.shutdownOutput();
  
  //为了接收数据,获取socket流中的输入流
  InputStream in = s.getInputStream();
  
  byte[] bufIn = new byte[1024];
  
  int len = in.read(bufIn);
  System.out.println(new String(bufIn, 0, len));//输出信息
  
  fis.close();
  s.close();
 }
}

class PicServer //服务端
{
 public static void main(String[] args)throws Exception 
 {
  ServerSocket ss = new ServerSocket(10009);
  
  Socket s = ss.accept();
  
  String ip = s.getInetAddress().getHostAddress();//获取ip地址
  System.out.println(ip);
  
  //为了接收数据,获取socket流中输入流
  InputStream in = s.getInputStream();
  
  FileOutputStream fos = new FileOutputStream("serverxx.JPG"); 
  
  byte[] buf = new byte[1024];
  
  int len = 0;
  
  while((len=in.read(buf)) != -1)
  {
   fos.write(buf, 0, len); 
  }
  
  //为了输出数据,获取socket流中输出流
  OutputStream out = s.getOutputStream();
  
  out.write("接收完毕".getBytes());
  
  fos.close();
  s.close();
  ss.close();
 }
}

-------------------------------------------------------------------------------------------------

客户端并发上传图片::

/*
需求:上传图片

客户端:
1,服务端点
2,读取客户端已有的图片数据。
3,通过socket输出流将 数据发给服务端
4,读取服务端反馈信息
5,关闭。
*/
import java.io.*;
import java.net.*;
class PicClient
{
 public static void main(String[] args)throws Exception
 {
  if(args.length != 1)//判断args数组是否为1
  {
   System.out.println("请选择一个jpg格式的图片");
   return; 
  }
  
  File file = new File(args[0]);//把args封装成对象
  if(!(file.exists() && file.isFile()))//判断:文件存在并且是个文件
  {
   System.out.println("该文件有问题,要么不存在,要么有问题"); 
   return;
  }
  
  if(!(file.getName().endsWith(".jpg")))//判断文件是否为jpg格式
  {
   System.out.println("图片格式错误");
  }
  
  if(file.length()>1024*1024*5)//判断文件是否大于5M
  {
   System.out.println("文件过大");
   return;
  }
  
  Socket s = new Socket("114.98.253.36",10007);
  
  FileInputStream fis = new FileInputStream(file);
 
  //为了发送数据,获取socket流中的输出流
  OutputStream out = s.getOutputStream();
  
  byte[] buf = new byte[1024];
  
  int len = 0;
  
  while((len=fis.read(buf)) != -1)
  {
   out.write(buf,0,len); 
  }
  
  //告诉服务端数据已经写完
  s.shutdownOutput();
  
  //为了接收数据,获取socket流中的输入流
  InputStream in = s.getInputStream();
  
  byte[] bufIn = new byte[1024];
  
  int num = in.read(bufIn);
  
  System.out.println(new String(bufIn,0,num));
  
  fis.close();
  s.close();
 } 
}
/*
服务端

这个服务端有个局限性,当A客户端连接上以后,被服务端获取到,
服务端执行具体流程。这时B客户端连接,只有等待。
因为服务端还没有出来完客户端A的请求,还没有循环回来
执行下次accept方法。暂时获取不到B客户端对象。

那么为了可以让多个客户端同时被服务端同时并发访问服务端。
那么服务端最好就是将每个客户端封装到一个单独的线程中,
这样,就可以同时处理多个客户端请求。

如何定义线程呢?
只要明确了每一个客户端要在服务端执行的代码即可。将该
代码存入run方法中。
*/
class PicThread implements Runnable
{
 private Socket s;
 PicThread(Socket s)
 {
  this.s = s;
 } 
 public void run()
 {
  String ip = s.getInetAddress().getHostAddress();
  try
  {
   int count = 1;//定义计数器,为了给图片命名
   System.out.println(ip+"...");
   
   //为了接收数据,获取socket流中的输入流
   InputStream in = s.getInputStream();
   
   File file = new File(ip+"("+(count)+")"+".JPG");//为文件命名
   
   while(file.exists())// 判断文件是否存在
    file = new File(ip+"("+(count++)+")"+".JPG");
    
   FileOutputStream fos = new FileOutputStream(file);
   
   byte[] buf = new byte[1024];
   
   int len = 0;
   
   while((len=in.read(buf)) != -1)
   {
    fos.write(buf,0,len); 
   }
   
   //为了输出数据,获取socket流中输出流
   OutputStream out = s.getOutputStream();
   
   out.write("上传成功".getBytes());
   
   fos.close();
   
   s.close();
  }
  catch(Exception e)
  {
   throw new RuntimeException(ip+"上传失败");
  } 
 }
}

class PicServer
{
 public static void main(String[] args)throws Exception
 {
  ServerSocket ss = new ServerSocket(10007);
  
  while(true)
  {
   Socket s = ss.accept();
   
   new Thread(new PicThread(s)).start();
   
   
   }
   //ss.close();
 } 
}

----------------------------------------------------------------------------

/*
客户端通过键盘录入用户名。
服务端对这个用户名进行校验。

如果该用户存在,在服务端显示xxx,已登录。
并在客户端显示xxx,欢迎光临。80

如果该用户存在,在服务端显示xxx,尝试登陆。
并在客户端显示xxx,该用户不存在。

最多就登陆三次
*/
import java.io.*;
import java.net.*;

class LoginClient
{
 public static void main(String[] args)throws Exception
 {
  Socket s = new Socket("114.98.253.36",10008);
  
  //读取键盘录入
  BufferedReader bufr = new BufferedReader(new InputStreamReader(System.in));
  
  //改变默认输出流,把数据输出socket输出流中
  PrintWriter out = new PrintWriter(s.getOutputStream(),true);
  
  //获取服务端反馈信息
  BufferedReader bufIn = new BufferedReader(new InputStreamReader(s.getInputStream()));
  
  for(int x=0; x<3; x++)//客户端限定读取三次
  {
    String line = bufr.readLine();//读取键盘录入
    
    if(line == null)
    break;
    
    out.println(line);//向服务端发送数据
    
    String info = bufIn.readLine(); //读取服务端反馈信息
    
    System.out.println("info: "+info);
    
    if(info.contains("欢迎"))//判断限定次数已经登陆成功,
     break;
  }
  
  bufr.close();
  s.close();
 } 
}

class UserThread implements Runnable
{
 private Socket s;
 UserThread(Socket s)//封装客户端线程
 {
  this.s = s; 
 }
 public void run()
 {
  String ip = s.getInetAddress().getHostAddress();
  System.out.println(ip+"....connnected");
  try
  {
   
   for(int x=0; x<3; x++)
   {
    //获取客户端输入的用户名
    BufferedReader bufIn = new BufferedReader(new InputStreamReader(s.getInputStream()));
    
    String name = bufIn.readLine();
    if(name==null)
     break;
    
    //读取文件中用户名信息
    BufferedReader bufr = new BufferedReader(new FileReader("user.txt"));
    
    //服务端反馈信息到客户端
    PrintWriter out = new PrintWriter(s.getOutputStream(),true);
    
    String line = null;
    
    boolean flag = false;// 定义一个标记
    
    while((line=bufr.readLine()) != null)//读取一行校验一次
    {
     
     if(line.equals(name)) //判断
     {
      flag = true;
      break; 
     }
    }
    
    if(flag)
    {
     System.out.println(name+",已登录");
     out.println(name+",欢迎光临");//向客户端反馈信息
     break;
    }
    else
    {
     System.out.println(name+",尝试登录");
     out.println(name+",用户名不存在!!!");//向客户端反馈信息
    }
    
   }
   s.close();
  } 
  catch(Exception e)
  {
   throw new RuntimeException(ip+"检验失败"); 
  }
 }

}

class LoginServer
{
 public static void main(String[] args)throws Exception
 {
  ServerSocket ss = new ServerSocket(10008);
  
  while(true)
  {
   Socket s = ss.accept();
   
   new Thread(new UserThread(s)).start(); 
  }
 } 
}
------------------------------------------------------------------------------------------------------------

个人总结:
 

 

Mamba实战:如何用Samba框架轻松搞定RGB-D显著性检测(附避坑指南) 本文提供了基于Samba框架进行RGB-D显著性目标检测的实战指南。详细解析了从环境配置、数据预处理到模型推理与可视化的全流程,并重点剖析了多模态数据融合中的常见陷阱与调试技巧,旨在帮助开发者高效部署这一基于Mamba的先进视觉模型,规避工程实践中的典型问题。 阅读详情

相关推荐

拉曼光谱仪的原理与应用——TFN 7G F660手持式拉曼光谱识别仪

拉曼光谱仪的原理与应用——TFN 7G F660手持式拉曼光谱识别仪

TFN_yzgd的博客 926

黑马程序员_java高级篇网络编程TCP实战Day8(下)

黑马程序员_java高级篇网络编程TCP实战Day8(下)   这个个博客中将涉及到TCP的简单的图片上传, 图片的并发上传 , 客户端并发登陆.   (一)图片上传   图片上传像网络编程TCP实战Day8(上)中的文本上传,差别在于源不一样,上次读的是文本,而这次读的是图片.上次用到的上字符流,现在要用字节流。当服务端用到了while时,记住这是我们在客户端要用s.shutdo

wohenai791515672的专栏 1145

【具身算法】VLA算法-Diffusion Policy

《扩散策略:多模态机器人控制的新方法》摘要 本文提出了一种基于扩散模型的机器人控制策略(DiffusionPolicy),用于解决视觉运动控制中的多模态行为、高维动作空间和训练稳定性问题。该方法利用去噪扩散概率模型(DDPM)生成动作序列,通过迭代优化处理复杂动作分布,显著提升了性能。实验表明,在15项机器人操作任务中,扩散策略平均性能提升46.9%,有效解决了传统显式/隐式策略的局限性。其核心优势在于:1)优雅建模多模态动作分布;2)适应高维动作空间;3)训练过程稳定。未来工作将探索与强化学习的结合及计算

puzhinan7781的博客 1390

网络编程---TCP文件上传

三块内容: 一、登陆模拟 模拟登陆,返回登录信息 LoginTwoWayClient.java package com.sxt.loc; import java.io.*; import java.net.Socket; /** *模拟登陆双向 */ public class LoginTwoWayClient { public static void main(String[] args) throws IOException { System.out.prin

qq_39314683的博客 131

Oracle EBS R12.2 安装 -- Step by Step

Oracle EBS R12.2 安装 -- Step by Step

Albert Tan DBA之路 1512

AI Agent开发实战:100个真实场景题库解析

AI Agent开发涉及复杂的需求理解、架构设计及安全防护等关键技术环节。在工程实践中,开发者常面临需求偏差、系统崩溃等挑战,特别是在金融、医疗等高要求场景下。通过真实案例题库,开发者能系统性地掌握需求分析、架构决策树建模(如向量数据库选型)、安全攻防策略(如提示词注入防御)等核心技能。这些实战经验不仅能提升Agent的可用性和安全性,还能优化其在电商客服、智能家居等场景中的表现。题库采用动态难度系统,覆盖从基础到高级的开发挑战,是AI工程化落地的重要参考。

weixin_29057695的博客 342

黑马程序员——>第二十四天<网络编程(TCP-Tomcat)>

-------android培训、java培训、期待与您交流------- 01网络编程(TCP-上传图片) 需求:上传图片。 客户端。 1,服务端点。 2,读取客户端已有的图片数据。 3,通过socket 输出流将数据发给服务端。 4,读取服务端反馈信息。 5,关闭。 import java.io.*; import java.net.*; class PicClient

orchid_yong的专栏 622

BLE天线设计避坑:NRF52832官方50欧姆阻抗匹配的3个常见误区

本文深入解析NRF52832蓝牙SoC天线设计中的常见误区,重点探讨50欧姆阻抗匹配的3个关键问题:PCB板材介电常数差异、匹配元件寄生参数及VSWR测试。通过实测数据和优化方案,帮助工程师规避设计陷阱,提升BLE通信性能。

beer8的博客 214

黑马程序员—网络编程

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 网络编程:     1. 网络编程 网络通讯       1. 网络模型: • OSI参考模型:开放系统互联参考模型(Open System InterConnection) • TCP/IP参考模型:传输控制协议/互联网协议(Transmission Control 

yjb946928923的博客 503

【YOLO多模态检测顶刊】TGRS 2025范文解读,RGFNet 可见光-红外图像融合目标检测,2026年基于YOLO多模态融合属于发文热点,小论文和大论文通用,通读顶刊了解做实验和论文写作的全流程

🔥本文提出了一种反射率引导的渐进特征对齐网络(RGFNet)用于全天候无人机目标检测。该方法利用Retinex理论从可见光图像中提取光照不变的反射率特征,设计了反射率引导协同对齐模块(RCAM)实现跨模态双向特征对齐,并通过光照感知选择性融合模块(LSFM)在共享状态空间中进行高效特征交互。在DroneVehicle和DVTOD数据集上的实验表明,RGFNet分别达到81.4%和88.5%的mAP,显著优于现有方法。该方法有效解决了低光照条件下可见光-红外图像特征错位问题,为全天候无人机检测提供了新思路。

Ai缝合怪、助力小伙伴高效发论文 1077

使用Python的OpenCV库进行三维重建点云

通过这些步骤,我们可以使用Python的OpenCV库进行三维重建,并生成对应的点云。当然,这只是一个简单的示例,实际的三维重建可能涉及更多的图像处理和计算步骤。在计算机视觉领域,三维重建是一项重要的任务,它可以将多个二维图像或视频序列转换为三维场景模型。在本文中,我们将介绍如何使用Python的OpenCV库进行三维重建,并生成相应的点云。以上是使用Python的OpenCV库进行三维重建点云的简要介绍和示例代码。最后,我们可以将计算得到的三维点云可视化。安装完成后,我们可以开始编写代码。

AuSwift的博客 1646

黑马程序员 java基础<八>--网络编程(2)

-------android培训、java培训、java学习型技术博客、期待与您交流! ----------                                                                         知识点三   网络编程应用 一、TCP并发执行请求 一)图片上传: 第一、客户端: 1、创建服务端点

Sword的专栏 847

30天入门 SAP BTP 开发系列之七:动手在 SAP BTP 上开发第一个 ABAP 程序

本教程从理论转向实践,指导如何在SAP BTP上创建首个ABAP程序。首先通过Booster向导在Trial账号中配置ABAP环境,需确保已启用Cloud Foundry并创建Space。成功创建ABAP实例后,使用ABAP Development Tool连接环境:下载服务密钥文件,导入工具获取连接URL,即可建立项目开始编码。教程提供了从环境搭建到开发工具配置的完整流程,帮助ABAP开发者快速上手BTP云开发。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1674

java基础<八>--网络编程(2)

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34123613的博客 76

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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》。

java面向对象 面向网络_Java面向对象 网络编程 下

Java面向对象 网络编程 下知识概要:(1)Tcp 练习(2)客户端向服务端上传一个图片。(3) 请求登陆(4)url需求:上传图片。客户端:1,服务端点。2,读取客户端已有的图片数据。3,通过socket 输出流将数据发给服务端。4,读取服务端反馈信息。5,关闭。import java.io.*;import java.net.*;class PicClient{public static...

weixin_30433439的博客 207

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")

网络编程

网络编程 1. 网络编程概述 1.1 C/S和B/S C/S 客户端 服务器软件结构 服务提供商给予用户服务需要准备的内容 1. 各大平台的客户端 Android iOS PC Windows Linux macOS QQ 微信 淘宝 JD 剑与远征 2. 服务器提供服务 软件更新: LOL服务器版本更新,同时本地软件也要进行更新操作。这个操作非常耗时。 热更新...

Gasshow_Oline的博客 254

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Java面向对象 网络编程 下

黑马程序员  Java面向对象 网络编程  下 

极客on之路 653

黑马程序员java学习笔记——网络编程

网络编程

魏天翔的博客 804

java基础--网络编程之TCP

Tcp传输应用 应用一、实现TCP传输的客户端和服务端的简单互访 需求:客户端给服务端发送数据,服务端收到后,给客户端反馈信息。 客户端: 1,建立socket服务。指定要连接主机和端口。 2,获取socket流中的输出流。将数据写到该流中。通过网络发送给服务端。 3,获取socket流中的输入流,将服务端反馈的数据获取到,并打印。 4,关闭客户端资源。 关键在于通过getOutp

light_sky的专栏 1073

Java基础--网络编程下篇

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 网络基础--应用 实例一:用TCP客户端并发上传图片 1:单线程上传的思路Day24\UploadPic.java 客户端         1.服务端点。         2.读取客户端已有的图片数据         3.通过Socket输出流将数据发给服务端 发送完毕,标记发送

YK942608890的专栏 550

网络编程(三)

TCP客服端并发上传图片: /* 需求:上传图片。 */ /* 客户端。 1,服务端点。 2,读取客户端已有的图片数据。 3,通过socket 输出流将数据发给服务端。 4,读取服务端反馈信息。 5,关闭。 */ import java.io.*; import

126的专栏 622

黑马程序员—网络编程II

TCP网络编程

nodonodie的专栏 335

Java基础(24)网络编程

十一:网络编程 TCP-复制文件 实现:客户端发给服务端,然后在服务端保存起来import java.io.*; import java.net.*; //客户端 class InetTextDemo { public static void main(String[] args)throws Exception { Socket s = new Socket("192.168.1

u011889786的专栏 688

黑马程序员_Java基础_网络编程(下)_24

------- android培训、java培训、期待与您交流!----------   导读:TCP上传图片,TCP-客户并发登陆,浏览器客户端-自定义服务端,浏览器客户端-Tomcat服务端,自定义图形界面浏览器-Tomcat服务器,URL-Connection,域名解析   1、网络编程(TCP上传图片) /* 需求:上传图片。 */ /* 客户端。 1,服务端点。 2

我家桂花香 746

黑马程序员-day26网络编程2

1.TCP练习 (1)上传图片

ly090843079的专栏 464

网络编程__【TCP传输】(重点)【Socket & ServerSocket】

TCP是面向连接的,在建立socket服务时就要有服务端存在,连接成功形成通路后,在该通道内进行数据的传输。 与UDP不同,TCP加入了网络流的概念,作为客户端InputStream的源 TCP传输步骤: Socket和ServerSocket 建立客户端和服务器端 建立连接后,通过Socket中的IO流进行数据的传输 关闭socket 同样,客户端与服务器端是两个独立的应用程序。  -------------------------

ie800的专栏 1853
上一篇: 网络编程—06
下一篇: 基础加强—01
麦豆东东
博客等级 码龄14年 2粉丝 72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