从0开发一个 JavaWeb项目,需要注意哪些要点?

idea2023-快速搭建一个本地tomcat的javaWeb项目(从0到1保姆教学) idea创建javaweb项目,配置tomcat 阅读详情

今天详细的给大家列出了开发一个传统 JavaWeb 项目需要注意的要点,从环境准备开始到三层架构搭建,需要注意的地方全部罗列出来。本篇内容较多,建议收藏哦~

第一部分:环境准备

1.Maven命令创建web骨架

在这里插入图片描述

代码如下:

mvn archetype:create

 -DgroupId=net.rocketa

 -DartifactId=mywebapp

 -DarchetypeArtifactId=maven-archetype-webapp

注意:web servlet版本(web.xml,3.1),Junit版本指定为4.X(这样Spring好通过注解的方式来运行单元测试)

2. 注意在IDEA中需要设置好MAVEN工程的Sources/Tests/Resources/Test Resources属性。

3. 日志依赖

slf4j:规范和接口

具体的日志实现有:

log4j、logback、common-logging

因此我们一般是使用 slf4j 接口+一种具体的日志实现+slf4j 和这个具体日志实现的依赖整合。

4. 数据库依赖

有2个依赖需要注意,一个是驱动,一个是数据库连接池(C3P0,DBCP…)。

驱动JAR包是运行期需要包含,编译期不需要的。

5. 持久层框架依赖

说白了,DAO层的框架依赖:MyBatis or Hibernate or …

比如除 MyBatis 本身的依赖需要引入之外,还需要引入 MyBatis 和 Spring 的整合依赖。

6. Web层依赖

比如,JSP中使用到的一些JSTL、标签、Ajax访问JSON等,还有需要注意的是,在编译期需要引入servlet-api。

7. Spring核心依赖

spring-core、spring-beans、spring-context

在这里插入图片描述

8. Spring和DB之间的整合依赖

Spring是需要介入DB的管理的,比如它的声明式事务。

spring-jdbc、spring-tx

9. Spring对Web的一些整合依赖

spring-web、spring-webmvc

10. Spring对Junit的支持依赖

spring-test

NOSQL对事务的支持不是很好,它主要追求的是性能、高可用、分布式。

MySQL等关系型数据库对事务的支持是很成熟的,也是很可靠的落地方案。

第二部分:DAO层

在这里插入图片描述

NOSQL对事务的支持不是很好,它主要追求的是性能、高可用、分布式。

MySQL等关系型数据库对事务的支持是很成熟的,也是很可靠的落地方案。

1. 表

可以在项目中建立一个SQL文件,便于SQL的管理。

注意,表的存储引擎(事务的支持:innodb)、自动增长的特性、编码、主键和索引。

一个良好的习惯是:为所有的表都添加一个创建时间字段,用于记录,方便排查。应该为表名、列名添加注释,方便其他工程师查阅。

应该注意SQL技巧,比如插入存在唯一约束的表中,如果出现冲突不想报错的话,可以:insert ignore into …(可以通过返回的影响行数来进行判断)

2. Dao层实体
在这里插入图片描述

一些业务对象的建立,setter/getter/toString等就不说了,需要特别注意的是,除了表的字段之外,还需要什么属性?这里涉及到一个一对一、一对多,多对多的概念!

3. Dao层接口和mapper sql

MyBatis的特点:从SQL(参数+sql)映射到Entity/List(定制 SQL、自由传递参数、结果集自动赋值)

使用MyBatis的方式:SQL写在XML中,或者注解提供SQL。更加推荐的是XML,因为更加灵活,XML提供的动态拼接功能也是比注解简单的多。

一个全局的mybatis配置文件+具体的SQL文件+DAO接口:让我们只需要设计接口,关注业务逻辑,解放出来。

在全局mybatis配置文件中重点注意:是否开启驼峰转换,获取数据库自增主键,列别名替换列名等。

在这里插入图片描述

注意DAO接口和具体的SQL文件之间的对应关系。

具体SQL写法中,比如#{},<![CDATA[...]]>等需要引起注意。

输入参数类型 parameterType,如果是多个基本类型,那么不用给出来。

即便返回的是 List 对象,我们的 resultType 依然指定的是集合中的对象类型。

在 Mybatis 的 SQL 文件中是可以通过 OGNL 表达式来对对象中的一些对象类型的属性进行赋值的!

表名.xxx 或者表名.xxx as yyy 对于 Mybatis而言,会忽略表名.前缀,也会忽略as。

另外,注意在Dao接口中,如果方法有多个基本类型参数,别忘了通过@Param来进行运行期参数标记!

总结:Dao层的工作逐渐演变成接口设计和 SQL编写了,这种代码和 SQL 的分离方式,便于我们进行 review,而 Dao 的拼接将在 Service 层完成。

4. 一些优化配置

比如,对带包路径的类型进行简化,通过配置扫描包。

比如,批量扫描SQL文件,通过自动扫描配置文件。

5. mybatis和spring需要整合

spring需要接管数据库

JDBC的一些连接信息,数据库连接池的一些配置信息,就是配置 DataSource 的过程。

spring和mybatis整合的核心

SqlSessionFactory 是 MyBatis 的配置核心,把 DataSource 注入,并指明 MyBatis 的全局配置文件位置,typeAliasesPackage 扫描,mapper 文件位置扫描等。

spring 通过动态代理帮助生成Dao的代理实现类(MapperScannerConfigurer)

注入SqlSessionFactory

(通过sqlSessionFactoryBeanName)

指明 Dao 接口的包路径 basePackage

总之,配置的一项原则是:约定优于配置!!!

第三部分:进行Spring Junit单元测试

当我们进行了一些配置,写了一些 SQL,Dao 接口后,应该要进行 Spring Junit 单元测试,可以通过 IDEA 快速的生成测试用例。(很好用的一个功能,因为 IDEA 可以帮助我们快速在 test 下建立与 dao/service 接口的同级目录下生成用例)

在用例中,我们只需要在类上打上注解:

@RunWith(SpringJUnit4ClassRunner.class)

@ContextConfiguration({"classpath:spring配置文件"})

加载 Spring 容器后,我们就可以在用例中注入对象,开始测试了!!!

第四部分:Service层

Service层需要关注几个要点:

业务对象的封装

web和service之间进行数据传递的DTO

异常的处理(业务异常)

注意Spring事务回退的默认机制是:运行时异常。

因此,我们在service层默认定义的业务异常一般 extends RuntimeException。

一般而言,通过如下代码就能实现:

在这里插入图片描述

要知道,service 层可能会发生业务异常,也可能发生一些其他异常,为了 Spring 都可以感知到,这里会把 Exception 异常转化成运行时异常。

第五部分:Controller层

1. Restful

一种优雅的URI表述方式;

资源的状态;

状态的转移

Restful示例:

GET        /product/list   查询操作

GET        /product/{productId}/detail

GET        /product/time/now

POST  /product/{productId}/execution 添加、修改操作【非幂等性】

POST     /product/{productId}/{userId}/order

DELETE /product/{productId}/delete  删除操作

PUT       修改操作【幂等性】

URL设计:

/模块/资源/{标示}/集合1/...

2.Controller中请求方法的细节处理

考虑几个方面:请求参数绑定、请求方式限制、转发与重定向、数据模型赋值、JSON数据返回、Cookie访问

3.整合配置Spring MVC

在web.xml中配置 DispatcherServlet 拦截请求,并指出 Spring 相关的配置文件。

开启Spring MVC的注解模式:

 <mvc:annotation-driven/>

静态资源请求采用默认的servlet配置

mvc:default-servlet-handler/

配置JSP、ViewResolver的prefix「如/WEB-INF/jsp」suffix「如.jsp」

扫描web相关的Controller:

<context:component-scan 

base-package="">
从零开始搭建第一个 JavaWeb 项目 访问Oracle官网(https://www.oracle.com/java/technologies/downloads/),根据自己的操作系统选择合适的JDK版本进行下载。Servlet 是 JavaWeb 的核心组件,运行在服务器端,用于处理客户端的 HTTP 请求并生成响应。在开始搭建JavaWeb项目之前,我们需要准备好相应的开发环境,这是项目顺利进行的基础。JDK(Java Development Kit)是Java开发的核心工具包,包含了Java编译器、运行时环境等必备组件。 阅读详情

相关推荐

一个适合小白的Javaweb基础项目(IDEA)

项目技术 主要功能 1.用户注册 2.用户登录 3.用户列表展示 4.用户信息修改 5.用户信息删除 整体架构 1.新建mysql表 -- 创建一个新的数据库object CREATE DATABASE `object` -- 创建user表 CREATE TABLE `user`( `id` INT(11) NOT NULL AUTO_INCREMENT, `name` VARCHAR(255) NOT NULL, `pwd` VARCHAR(255) NOT NULL, `sex` VARCHAR(

KKGDGN的博客 7276

网站开发公司建设一个网站要多长时间

网站开发公司建设一个网站要多少时间?如果是一般的企业官网,页面是定制设计的,后台是自主开发的,网页采用自适应技术制作PC版和手机版,正常来说,网站开发公司搭建一个网站的时间约为10至20天。如果是电子商务网站,大约需要1-3个月,建立网站的时间取决于具体情况。 1、域名空间 虽然域名和应用空间的注册通常可以在一个工作日内完成,但我们必须为网站提交文件,这个申请时间比较长。域名实名注册需要一周时间,提交备案需要10到20个工作日。 2、网站版本 大多数中小型企业只需要简体中文版本,这对于一些外

詹Sir的博客 998

【IntelliJ IDEA2021】 JavaWeb项目结构(IDEA2021 配置Tomcat,创建Javaweb项目,IDEA自动部署Tomcat的原理,手动部署IDEA中写好的JavaWeb)

【IntelliJ IDEA2021】IDEA2021中JavaWeb项目结构(IDEA2021 配置Tomcat,创建Javaweb项目,IDEA自动部署Tomcat的原理,手动部署IDEA中写好的JavaWeb,之前用的包突然就找不到的解决方法,Tomcat中 css/js/jsp修改后没有效果)

weixin_45691686的博客 5103

写JavaWeb项目时应注意的一些事项

简单总结一下前两天写的一个小Demo的心得。 环境搭建 :springboot整合mybatis ,数据库用的是mysql,开发工具是idea 1、首先是建项目时记得把自己需要的依赖都勾选上,比如mysql驱动 ,mybatis等等。 由于我是刚接触springboot,建项目时仍然是ssm的思想,自己一个一个导入依赖,导致版本冲突的问题困扰了我很久,浪费了大量时间。 2、要配置自己的Maven仓库,导入依赖的速度能提高很多。 3、idea集成了多种数据库,在idea的右侧配置相关信息并连接数据库。这一点

qq_42679014的博客 479

java web的注意事项

getWriter() 和Response.getOutputStream冲突

Windows Server 域控搭建:AD DS 规划、部署与排障实战

活动目录(AD DS)是 Windows Server 中用于集中管理账号、计算机与策略的核心目录服务,其底层依赖 DNS、Kerberos 和 LDAP 完成身份认证与资源定位。通过域控制器统一身份、组策略和权限边界,企业可显著降低多机环境下账号维护、权限分配与审计成本。十几到上百台终端、有共享隔离与合规要求的局域网,通常适合部署域控;小规模环境则未必划算。围绕域名规划、DNS 指向、OU 设计、FSMO、备份恢复和常见加域故障,域控搭建与 AD 运维需要兼顾前期规划与长期排障,才能让 Windows S

weixin_33845881的博客 765

网站开发周期一般需要多长时间?

网站开发周期一般需要多长时间? 很多企业在除了开发价格之外比较关心的一个问题就是,开发一个网站需要多长时间?网站的开发周期时长最主要还是看设计页面数量以及功能的复杂程度,那么一个网站从开发到上线到底需要多长时间呢? 1、网站功能越复杂、功用越多开发时间越长 像简单的企业展现型网站,后台功能很少,就是发布资讯功能,那开发时间就比较短。但是像商城网站功能比较多,至少2到3个月,如果有更复杂的大概要半年以上的时间。这也和开发团队的能力有关,如果是个人或小公司开发团队,因为开发能力不足,那所花费的时间会更久。 2、

杭州七猫网络 4600

版图学习汇总十一(DRC、LVS注意事项)

esd。

weixin_56071389的博客 2263

javaWeb项目开发的注意事项

新手刚开始写项目时,需要注意一下几点: 一:新建web项目 新建过程中不要急于点击finish,应该点击next,用来生成xml文件 这里要打上小勾√,在点击finish,如下图 二:架构包的放置,正确路劲是WebContent->WEB-INF->lib,否则无法使用架构包 三:java代码在哪写 ——写在Java Resources->src 四:前后端交互,需要新建servlet进行互相传值 (红色部分为与本博客无关部分,不用在意,这里是为了遮

末安的博客 795

PointNet/PointNet++模型调参实战:如何用PyTorch让你的点云分割精度再涨5个点?

本文深入探讨了PointNet/PointNet++模型在点云分割中的调参技巧,通过PyTorch实现精度提升5个点的实战方法。重点分析了点云密度自适应策略、感受野与细节保留的平衡,以及训练加速与稳定性技巧,适用于电力巡检、自动驾驶等场景的激光点云数据处理。

weixin_30836759的博客 477

大数据预测分析:精准把握市场趋势

传统市场预测多依赖经验判断(比如“去年卖了1000件,今年加20%”)或小数据统计(比如用近6个月的销量做线性回归)。而大数据预测分析是:利用海量结构化+非结构化数据(销售、用户、社交媒体、天气等),通过机器学习/深度学习模型,挖掘数据中的关联关系与趋势规律,实现对未来市场走势的精准预测。更全面:覆盖内部(企业数据)+外部(行业、环境数据)的全维度数据;更精准:用算法替代人工,避免主观偏差;更实时:支持分钟级/小时级的实时预测(比如直播带货的销量预测)。错误做法。

AI智能探索者的博客 1026

IDEA创建一个JavaWeb项目详细步骤

在IDEA中创建一个JavaWeb项目的详细步骤。 刚好最近在写数据库大作业任务书,留了一份,发在博客上使用IDEA+Html5+CSS+JavaWeb+MySql开发,并使用Tomcat部署在本地服务器上。 其中JDK版本为1.8, MySql版本为5.7.22,Tomcat版本为7.0.96。 使用Maven框架注意:如果MySql版本为8以上,pom.xml文件中关于mysql的依赖包需要更换。.........

weixin_51154479的博客 1万+

Python的单元测试之unittest

是一个功能类似 unittest 的库,它集合众家标准测试库之所长,和 unittest 相比,功能更为强大,使用更为简单,OpenStack 广泛的利用它编写单元测试。unittest 提供了自动匹配发现并执行测试用例的功能,随着项目代码结构越发庞大,势必有多个测试文件,自动匹配发现并测试用例的功能在此就显得非常有用,只要满足。unittest 提供了丰富的命令行入口,可以根据需要执行某些特定的用例。的测试用例都会被 unittest 发现并执行,测试用例文件的默认匹配规则为 test*.py。

1、测试博主技术知识分享 2、pos行业知识技术分享 3、java后端技术知识分享 4、嵌入式技术知识分享 5、运维部署相关知识分享 283

如何创建一个javaWeb项目

如何使用IDEA创建一个javaweb项目

MoliseTB的博客 1万+

手把手教你学Simulink——基于新型电力电子拓扑与宽禁带器件的电网系统场景实例:GaN HEMT器件在高频逆变器中的开关特性建模

本文介绍了基于Simulink和Simscape Electrical的GaN HEMT高频逆变器建模方法。通过构建半桥拓扑电路,详细说明了GaN器件参数设置(以EPC2045为例)、专用驱动电路设计(含负压关断和米勒钳位)以及开关瞬态过程仿真(配置1ns步长捕捉MHz级特性)。重点分析了开关损耗计算和寄生导通风险,并对比了GaN与Si MOSFET的性能差异。案例展示了如何优化驱动参数和PCB布局,验证了GaN器件在1MHz高频应用中的优势(开关损耗仅5μJ)。最后总结了GaN在数据中心电源、无线充电等领

MHD0815的博客 405

ICC2:postmask ECO参考脚本

更多学习内容请关注「拾陆楼」知识星球。

m0_61544122的博客 886

【JavaWeb】IDEA中开发并部署运行WEB项目

当你把Web模块加入进项目后,说明你是个Web项目,既然是个web项目,将来就需要部署到tomcat上,但是部署到tomcat上时需要一个部署的包,但你现在还没有这个部署的包,它就问你要不要生成这个部署的包('Web’任何工件中都不包含 Facet 资源),点击生成即可。applicationContext中是默认的项目上下文路径(context root),也就是url中需要输入的路径,默认就是构建名,这里可以自己定义,可以和工程名称不一样,也可以不写,但是要保留/,我们这里暂时就用默认的。

qq_39921135的博客 1万+

华为od 面试八股文_C++_04_含答案

华为od 面试八股文_C++_04_含答案

MISAYAONE的博客 2476

手把手搭建一个完整的javaweb项目(适合新手)

致谢:在此感谢落尘曦的参考博文,附上原文地址 说明:只是实现了简单的操作,但是逻辑并不严谨,仅适合新手,望注意。 开发环境与工具 IntelliJ IDEA 2018.3.3(Ultimate Edition) Mysql Workbench8.0 jdk11 Tomcat 功能说明 用户登录 新用户注册 用户列表展示 用户信息删除 用户信息更新 操作步骤 在mysql建立一个新表Stu...

yurong33333的博客 10万+

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")

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

[附源码]一个项目帮助你学习or复习javaWeb,基于javaWeb的记账本项目

<附源码>一个项目帮助你学习or复习javaWeb,基于javaWeb的记账本项目前言项目基本介绍项目展示与分析登陆页面分析注册页面分析注册成功界面分析预览界面分析登陆后的首页展示分析记一笔页面分析详细信息界面分析消费分类管理界面分析管理用户界面分析查看所有用户记录界面分析源码 前言 优快云博友们好啊!本人最近刚学完了javaWeb,于是花了几天的时间做了一个记账本项目来练手,项目因为是自己独立完成的,没有人指导,存在漏洞是必然的,欢迎大家下载源码进行学习和二次改进!(源码在最后,拿走前记得点

qq_45676485的博客 2937

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

从零开发一个Java Web项目要点

来源:jianshu.com/p/ab6a9eaacaf3前言本文章详细的列出了开发一个传统JavaWeb项目需要注意的要点,从环境准备开始到三层架构搭建,需要注意的地方全部罗列出来。第...

Java团长的博客 794

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

使用IDEA开发JavaWeb项目的基本配置最新教程

使用IDEA配置JavaWeb开发环境。

InetGeek的博客 5383

在编写JavaWeb项目前需要掌握的要点

在编写JavaWeb项目前需要掌握的要点 1、环境的搭建 2、认识并掌握Servlet 2.3、Servlet的实现方式 2.5、Request对象的使用 2.6、Respone对象的使用 2.7、Request、Session和Cookie 3、认识并掌握JSP 3.4、JSP的九个内置对象 3.6、EL表达式 4、认识并掌握Filter 4.2、Filter的应用 5、认识JavaWeb MVC 6、认识并掌握AJAX 6.3、AJAX所包含的技术 6.5、基于JQuery实现AJAX

friend_X的博客 639

第一个JavaWeb项目

一、开始之前的一点小准备1、集成Eclipse与Tomcat在开发过程中,如果通过手动方式来部署、运行web项目,其开发过程会很繁琐,而且效率低下。为了提高开发效率,需要将Tomcat服务器配置到Eclipse中,为web项目指定一个web应用服务器。这样就可以在Eclipse中操作Tomcat,并自动部署和运行web项目。将Tomcat配置到Eclipse中的步骤如下: (1)在Eclipse中单

B14070315的博客 3544

如何创建一个JavaWeb项目

由于JavaWeb项目需要在Web应用服务器上运行,Tomcat是目前主流Web应用服务器,大部分web 项目都是运行在Tomcat上的,包括以后使用的SpringBoot框架也是内嵌了Tomcat服务器,所以接下来就先来介绍Tomcat服务器的安装。

m0_53951384的博客 3085

【JavaWeb】IDEA开发——环境配置

简洁明了的IDEA下的javaWeb环境搭建和项目新建。

qq_47461884的博客 9396
上一篇: Java程序员都应该知道的开发工具!(附下载链接)
下一篇: 【Java编程基本功】(五)小球落体,发奖金,1,2,3,4可以组成多少个数
suxue_java
博客等级 码龄8年 6粉丝 79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