UML 及 StarUml

【统一建模语言】UML & StarUML(on MAC) UML: Unified Modeling Language,直接翻译就是统一建模语言,简单地说就是一种有特殊用途的语言,讲白话就是把一个web项目的运行原理、运行顺序画成的图。 你可能会问:这明明是一种图形,为什么说是语言呢?在建筑界,有一套标准来描述设计;同样道理,在软件开发界,我们也需要一套标准来帮助我们做好软件开发的工作,UML就是其中的一种标准; 注意这不是唯一标准,只是UML是大家比较... 阅读详情

https://en.softonic.com/download/staruml/windows/post-download?sl=1


https://segmentfault.com/a/1190000011556007

UML 及 StarUml

   

UML

UML:统一建模语言(Unified Modeling Language)。在 UML 系统开发中有三个主要的模型:

  • 功能模型:从用户的角度展示系统的功能,包括用例图。
  • 对象模型:采用对象,属性,操作,关联等概念展示系统的结构和基础,包括类图、对象图、包图。
  • 动态模型:展现系统的内部行为。包括时序图,活动图,状态图。

以下主要总结开发过程中常用的类图和时序图,及类之间的各种关系。

类图

类图使用类来描述系统的静态结构,类图包含类和它们之间的关系,它描述系统内所声明的类,但它没有描述系统运行时类的行为。

在UML类图中,类一般由三部分组成:

  • 类名:每个类都必须有一个名字,类名是一个字符串。
  • 属性(Attributes):属性是指类的性质,即类的成员变量。类可以有任意多个属性,也可以没有属性。
  • 操作(Operations):操作是类的任意一个实例对象都可以使用的行为,操作是类的成员方法。

类之间的关系

关联关系

关联关系(Association)是类与类之间最常用的一种关系,它是一种结构化关系,用于表示一个类对象与另一个类对象之间有联系。

在 UML 类图中,用实线连接有关联的对象所对应的类。在实现关联关系时,通常将一个类的对象作为另一个类的属性。

单向关联

类的关联关系可以是单向的,单向关联用带箭头的实线表示。

public class Customer
{
    private Address address;
    ……
}

public class Address
{
    ……
}
双向关联

默认情况下,关联是双向的。

public class Customer
{
    private Product[] products;
    ……
}
public class Product
{
    private Customer customer;
    ……
}
自关联

在系统中可能会存在一些类的属性对象类型为该类本身,这种特殊的关联关系称为自关联。

重数性关联

重数性关联关系又称为多重性关联关系(Multiplicity),表示一个类的对象与另一个类的对象连接的个数。在 UML 中多重性关系可以直接在关联直线上增加一个数字表示与之对应的另一个类的对象的个数。

表示方式多重性说明
1..1表示另一个类的一个对象只与一个该类对象有关系
0..*表示另一个类的一个对象与零个或多个该类对象有关系
1..*表示另一个类的一个对象与一个或多个该类对象有关系
0..1表示另一个类的一个对象没有或只与一个该类对象有关系
m..n表示另一个类的一个对象与最少m、最多n个该类对象有关系 (m<=n)
聚合关系

聚合关系(Aggregation)表示一个整体与部分的关系。通常在定义一个整体类后,再去找出这个整体类的一些成员类,该整体类和成员类之间就形成了聚合关系。

在聚合关系中,成员类是整体类的一部分,即成员对象是整体对象的一部分,但是成员对象可以脱离整体对象独立存在。在 UML 中,聚合关系用带空心菱形的直线表示。

public class Car
{
    private Engine engine;
    public Car(Engine engine)
   {
        this.engine = engine;
    }
    
    public void setEngine(Engine engine)
    {
        this.engine = engine;
    }
    ……
}
public class Engine
{
    ……
}
组合关系

组合关系(Composition)也表示类之间整体和部分的关系,但是组合关系中部分和整体具有统一的生存期。一旦整体对象不存在,部分对象也将不存在,部分对象与整体对象之间具有同生共死的关系。

在组合关系中,成员类是整体类的一部分,而且整体类可以控制成员类的生命周期,即成员类的存在依赖于整体类。在UML中,组合关系用带实心菱形的直线表示。

public class Head
{
    private Mouth mouth;
    public Head()
    {
    mouth = new Mouth();
    }
    ……
}

public class Mouth
{
    ……
}
依赖关系

依赖关系(Dependency)是一种使用关系,特定事物的改变有可能会影响到使用该事物的其他事物,在需要表示一个事物使用另一个事物时使用依赖关系。大多数情况下,依赖关系体现在某个类的方法使用另一个类的对象作为参数。

在UML中,依赖关系用带箭头的虚线表示,由依赖的一方指向被依赖的一方。

public class Driver
{
    public void drive(Car car)
    {
        car.move();
    }
    ……
}
public class Car
{
    public void move()
    {
        ......
    }
    ……
}
泛化关系

泛化关系(Generalization)也就是继承关系,也称为“is-a-kind-of”关系,泛化关系用于描述父类与子类之间的关系,父类又称作基类或超类,子类又称作派生类。在 UML 中,泛化关系用带空心三角形的直线来表示。

实现关系

实现关系(Realization)是类实现了接口,类中的操作实现了接口中所声明的操作。在UML中,类与接口之间的实现关系用带空心三角形的虚线来表示。

时序图

时序图用于表示对象之间的交互,重点表示对象之间发送消息的时间顺序。它以图形化的方式描述了在一个用例或操作的执行过程中对象如何通过消息相互交互,说明了消息如何在对象之间被发送和接收以及发送的顺序。时序图允许直观地表示出对象的生存期,在生存期内,对象可以对输入消息做出响应,还可以发送信息。

一个复杂的时序图可以划分为几个小块,每一个小块称为一个交互片段(Interaction Fragment)。每个交互片段由一个大方框包围,在方框左上角的间隔区内标注该交互片段的操作类型,该操作类型用操作符表示,常用的操作符包括:

  • alt:多条路径,条件为真时执行。
  • opt:任选,仅当条件为真时执行。
  • par:并行,每一片段都并发执行。
  • loop:循环,片段可多次执行。

StarUML

开发过程中需要绘制类图和时序图,常用的软件有:StarUML,PowerDesigner 等,在线的有:ProcessOn。这里我最常用的是 StarUML,因为它颜值高~~~

软件破解

StarUML 是一款收费软件,但它的破解很有意思。在安装 StarUML 的 www/license/node 目录下,找到 LicenseManagerDomain.js,在校验函数中直接返回用户信息即可。

类之间的关系

在绘制类之间的关系时,对应 UML 的工具如下图所示:

其中实现的关系,要达到带空心三角形的虚线表示,则不要使用这个 Interface Realization,而应该在 Composite Structure 目录下找到 Realization 的工具。

复杂时序图

在绘制时序图的时候,会遇上选择,循环等复杂的表示,StarUML 可以利用组合片段来完成。

  1. 添加组合片段到时序图上:

  1. 如果有多条分支,则在右边菜单中,拷贝 Operand:

  1. 更改名字和操作类型,默认是seq,还有 alt,opt,loop 等。

  1. 填写不同分支的“guard” 信息(如双击左边对应分支的空白处,输入的[yes]和[no]),再处理对应的消息:


全面掌握UML建模:StarUML 3.0.1安装与使用指南 StarUML是一个强大的开源UML建模工具,它支持各种UML图的创建,并在最新版本3.0.1中引入了多项改进,以提升用户体验和建模效率。在这一章中,我们将深入探讨StarUML的简要历史和其最新版本的特点。在软件工程中,UML(统一建模语言)图形是帮助我们理解和设计复杂系统的一种方式。StarUML作为一个功能丰富的UML工具,为开发者和设计师提供了全面的图形支持。这一节将深入探讨StarUML中的图形工具种类和功能以及在最新版本3.0.1中的改进。 阅读详情

相关推荐

StarUML2绿色已激活:即时UML建模体验

统一建模语言(UML)是软件开发领域中广泛使用的一种标准化建模语言。它帮助开发者和设计者通过图形化的方式来表达复杂系统的设计和架构。UML不只是面向对象分析和设计的工具,更是沟通开发者和非技术人员之间的桥梁。绿色版软件通常指的是不需要安装到操作系统上就可以直接运行的程序,用户只需下载解压到任意目录即可使用。与传统安装版软件不同,绿色版软件无需复杂配置和依赖系统注册表,这大大减少了用户在安装、配置上的时间与精力消耗。首先,下载StarUML2的绿色版软件包。它通常包含一个可执行文件以及必要的库文件。

weixin_42234168的博客 1352

UML统一建模语言

案例图: 描述一系列的角色和使用案例及他们之间的关系,可以用来对一个系统的最基本行为进行建模 活动图: 描述不同过程之间的动态接触,活动图是使用案例图所描述的行为的具体化 活动图用于捕捉动作及动作的结果,活动图中一个活动结束立即进入下一个活动,是内部处理驱动的流程。 状态图: 描述一系列对象的内部状态及状态的变化和转移。注意一个类不能有两个不同的状态图 状态图着重描述一系列的状态及状态间的转...

Echo的博客 342

UML建模核心技术与StarUML实战笔记

UML(Unified Modeling Language)是一种标准化的可视化建模语言,主要用于面向对象软件系统的分析与设计。它提供了一套图形化符号和语义规则,帮助开发人员在不同抽象层次上清晰表达系统结构与行为。UML的发展起源于20世纪90年代面向对象方法的融合,由Grady Booch、Ivar Jacobson和James Rumbaugh在Rational公司联合设计,并于1997年被OMG(对象管理组织)采纳为建模标准。随着软件工程的发展,UML已成为全球广泛采用的建模工具语言。

weixin_28913879的博客 1015

StarUML(4.0.1版本)利用C++代码,逆向工程生成类图

最近,用到了StarUML去逆向生成类图。查了一下,网上的资料并不是很多,而且大部分都是3.0版本的,用的时候不是很方便,而且自己也踩了一些坑,在此总结一下,用StarUML的4.0.1版本(目前的最新版本)逆向生成类图的操作。 首先,下载StarUML,由于这个软件是开源的,所以不需要去各网站去找百度网盘的安装包,直接官网下载就好,用评估版本是免费的(起码绘制类图是足够了)。 这里给出官网链接 https://staruml.io/. 点击download直接下载就好了,当然可以自己设置好下载路径; !

你的问题在于,读书太少而想得太多。 1万+

starUML4.0版本的app.asar文件替换

starUML4.0版本的app.asar文件替换,需要解压

StarUML4.0.1注册(windows10).docx

StarUML4.0.1注册(windows10)

StartUML4.0.1的使用方法

关于StartUML StarUML是一款开放源码的UML开发工具,是由韩国公司主导开发出来的产品,可以直接到StarUML网站下载。StarUML是一个开源项目之一发展快、灵活、可扩展性强。 便捷下载连接(v4.0.1版软件+破解工具):传送门 破解过程 首先安装StartUML,安装完毕后打卡会提示没有许可,如下图: 打开破解工具asar文件管理工具.exe(杀毒软件可能报危险,选择信任就行),将安装路径(默认路径为C:\Program Files\StarUML\resources)下的

soldier_d的博客 1605

StarUML_4.0.1_amd64.zip

https://staruml.io/

UML快速入门(StarUML)

目录 UML简介: UML共有10种图: UML中的关系主要包括: StarUML基本的使用: 用例图(Use Case Diagram): 类图(Class Diagram): 对象图(Object Diagram): 时序图(Sequence Diagram): 活动图(Activity Diagram): 状态图(Statechart Diagram): 协作图(Collaboration Diagram): 包图(Package Diagram): 组件图(Componen

陈同学 1万+

基于STM32的智能火灾报警系统设计:多传感器融合与远程控制实现

本文详细介绍基于STM32单片机的智能火灾报警系统设计,采用多传感器融合技术(烟雾、温度、火焰检测)实现高精度火灾识别。系统集成远程控制与手机APP监控,通过加权决策算法降低误报率,提供多级响应策略,确保火灾预警的准确性与可靠性。

u5v6w7的博客 1105

window下安装并使用nvm(含卸载node、卸载nvm、全局安装npm)

文章目录一、卸载node二、安装nvm三、配置路径和下载源四、使用nvm安装node五、nvm常用命令六、卸载nvm七、遇到的问题 nvm 全名 node.js version management,顾名思义是一个nodejs的版本管理工具。通过它可以安装和切换不同版本的nodejs。 一、卸载node 如果你已经安装了node,那么你需要先卸载node,如果你没有安装那直接跳过这一步到下一步。 打开控制面板 -> 打开程序和功能 -> 右上角搜索输入node -> 右键卸载 为了确保彻底

HuangsTing的博客 41万+

专业的UML开发工具StarUML

当用户创建图表时,他们可以访问包含快速快捷方式的“向导”,以帮助您完成当前项目。它提供了几种类型的图表,并允许用户生成多种语言的代码。在它的帮助下,软件开发人员可以创建设计、概念和编码解决方案。但是,用户应该注意,这不是一个简单的程序,而是针对专家开发人员。屏幕的右上角包含一个窗口,用户可以通过该窗口浏览他们正在处理的项目的内容。模型包含软件设计的信息,视图提供模型中包含的信息的可视化显示。的专家,提供代码生成器,支持插件,并在完成之前提供模型概述。此外,该应用程序允许用户创建多种不同的图表和多种格式。

qq_31243247的博客 875

ESP32 驱动 SYN6288 语音合成:Arduino IDE 下实现中文数字混合文本的智能播报

本文详细介绍了如何在Arduino IDE环境下使用ESP32驱动SYN6288语音合成模块,实现中文数字混合文本的智能播报。通过硬件选型、开发环境搭建、编码转换原理、命令帧构造及串口通信实战等步骤,帮助开发者快速掌握语音播报技术。文章还提供了混合文本处理技巧和常见问题排查方法,适合智能硬件开发者参考。

weixin_42553471的博客 448

StarUML - UML 开发工具

StarUML - UML 开发工具 StarUML https://staruml.io/ StarUML documentation https://docs.staruml.io/ Keyboard Shortcuts https://docs.staruml.io/user-guide/keyboard-shortcuts Unified Modeling Language,UML:统一建模语言 StarUML (SU) 是一种创建 UML 类图,生成类图和其他类型的统一建模语言 (UML) 图表

程永强 546

超声波 vs 红外 vs 激光雷达:扫地机器人避障传感器选型指南(实测对比)

本文深入对比了扫地机器人三种主流避障传感器——超声波、红外与激光雷达的核心原理与实测表现。文章基于成本、精度、环境适应性等关键指标,提供了清晰的选型决策树和典型场景配置方案,旨在帮助开发者与爱好者根据项目需求与预算,构建高效可靠的机器人避障系统。

h0i1j2k3l的博客 690

用scons编译STM32F103工程

想用vscode来实现代码的编辑与调试代码,原先这个工程是用STM32CUBEIDE建立的,参照STM32CUBEIDE的编译过程,编写了下面的scons脚本,scons是初次了解,既然是python脚本,那么会什么就怎么写吧。 import os import sys import glob cross_compiler_prefix = 'arm-none-eabi-' CC = cross_compiler_prefix+'gcc' CXX = cross_compiler_prefix+'g+

cylinc的专栏 1623

UML 绘制工具 starUML 入门介绍

StarUML 是一款功能强大的UML(统一建模语言)设计工具,专为软件工程师和系统分析师设计,用于创建、编辑和共享UML图表。它提供了一个集成的建模环境,支持多种UML图表类型,包括用例图、类图、序列图、状态图、活动图和组件图等。跨平台支持:StarUML 支持多个操作系统,包括 Windows、macOS 和 Linux,这使得用户可以在不同的平台上使用该工具,而无需担心兼容性问题。多种UML图表。

2355

LSF0108 level shift设计使用及debug流程

目录 初版设计 测试出现的问题1 解决问题(尝试1) 测试出现的问题2 解决问题2-1 解决问题2-2 单Port测试结果 所有Port均连接测试结果 初版设计 此电路的应用场景在于将LCD屏幕连接到FPGA上,进而通过FPGA中设计的硬件电路来驱动LCD屏幕,验证数字硬件电路设计的正确性。因此需要一个转接板位于FPGA和LCD屏幕之间,将二者连接起来。 转接板的硬件电路设计主要存在以下需求: 实现3.3V和1.8V之间的同时双向逻辑转换(LCD屏幕电平为3.3V,FPGA电平为1.

moshanghongfeng的博客 7564

UML建模三个工具: StarUML ,Telelogic TAU 和 Rose

UML建模软件目前用的主要有3种:  商业版本:Telelogic TAU 和 Rational Rose  开源版本:StarUML  Telelogic TAU与Rational Rose的功能很强,但是需要买License。  StarUML就是希望能提供和TAU/Rose一样功能的开源版本。  目前使用起来还是不错的。  能熟练使用其中一个是软件设计人员

zhaozidong86的专栏 1539

第0章 《机器人工程师带你入门SLAM》专栏所有文章目录汇总(截止目前115篇文章),方便大家查看阅读

《机器人工程师带你入门SLAM》专栏文章汇总:优快云热销专栏已更新100+篇优质内容,涵盖SLAM技术全栈知识体系。文章分为三大类:1)基础工具与环境配置,包括Ubuntu、Git等必备技能;2)C++编程从入门到进阶,详解变量、类、模板等核心概念;3)SLAM核心库实战,深入解析ROS、Eigen、PCL等关键库的应用。专栏提供从计算机基础到项目实战的系统学习路径,并附代码实例。点击专栏主页可订阅查看全部内容,后续将保持更新。

行知SLAM 1072

Allegro技巧----相同模块复用实现快速布局

使用Allegro软件进行PCB Layout设计时,当电路图中有很多路相同的模块,使用模块复用的的操作方法,可以显著提高工作效率,同时也可以使PCB布局在整体上显得美观。 如图,有8个相同的ADC采样电路模块,它们在原理图中的电路也是一样的,对于这多个相同的电路模块,如果一个个元器件布局很明显做了很多重复机械的劳动,效率低下;但是强大的Allegro软件早就考虑到了这点,只需要在PCB中做好其中的一个,则其余相同的模块通过复用的方式,可以快速完成,方便省事还美观。 具体步骤: 1.首先完成一个模块的PC

sinat_15677011的博客 5657

不错的UML建模工具StarUML

开源项目 http://nchc.dl.sourceforge.net/sourceforge/staruml/staruml-5.0-with-cm.exe 转载于:https://www.cnblogs.com/zhangpengshou/archive/2008/11/10/1330358.html

aiman5818的博客 180

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

【UML建模】starUML工具

StarUML是一款UML工具,允许用户创建和管理UML(统一建模语言)模型,广泛应用于软件工程领域。它的主要功能包括创建各种UML图:如用例图、类图、序列图等,支持代码生成与反向工程,以及提供扩展插件机制,使得用户可以根据自己的需求进行定制。

weixin_42081167的博客 1375

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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

uml图中的各种箭头_UML与StarUML使用 分享

前言:通过这些天的准备,有以下一些感受:λ startuml直译过来就是 “开始uml”, startuml更适合画 专业 的uml图形。StarUML是一种生成类图和其他类型的UML图表的工具。λ ProcessOn可以支持更多类型的图(流程图、思维导图、UI原型图、UML、网络拓扑图、组织结构图等),但是相对于startuml来说稍微不够专业。阅读需要10分钟,文章较长,建议收藏...

weixin_39886547的博客 1万+

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

使用StarUml将java项目导出为uml类图

一、StarUml是一种创建UML类图,生成类图和其他类型的UML图表的工具,非常简单易学,首先下载并安装StarUml 二、使用java项目生成类图需要添加java的插件。首先创建一个工程,点击Default Approach                图1 创建工程 三、创建好工程之后,点击菜单栏Tools,然后点击Add_In Manager..,勾选Java Add_In安装

github_39106037的博客 2万+
上一篇: Hbase从入门到精通
下一篇: pig
王树民
博客等级 码龄10年 912粉丝 560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