java笔记

ipsec 加密流程(一):ipsec策略匹配 《openswan》专栏系列文章主要是记录openswan源码学习过程中的笔记。 Author: Toney Email: vip_13031075266@163.com Date: 2020.11.22 Copyright: 未经同意不得转载!!! Version:2.6.51.5 Reference:https://download.openswan.org/openswan/ 1. ipsec策略匹配流程(ipsec_tunnel_start_xmit) 注:open... 阅读详情

不断找漏洞。自我总结


1.

A a=new A(1);
	A b=new A(2); 
	b=a;
	System.out.println(b.a);  //  1
	b.setA(0);
	System.out.println(a.a); //0
   注意:  b=a; 实际上意思是变量a,b指向同一个内存地址。这是因为,对于 引用类型的变量值是所指对象的内存地址。b=a,就是将a的地址赋值给a,因此a,b指向同一块内存空间。再深究到JVM的垃圾回收机制的话,此时
A b=new A(2); 
对象的内存将被释放。


2.  

 if (num < 0 && num == Math.abs(num)) 
		    	  int a=5;

 这样写是错误的。因为if语句后面的语句如果不加{ },必须是可执行语句。赋值语句不可以的!


3. 更新于2011.8.12  23:36

唉。又忘记了  == 和 equal 的区别了。。  == 是比较的内存地址,equal才是比较的值。对于引用型变量,如果是比较值的话,最好的办法是重写equal方法。

Integer a=new Integer(5);
		Integer b=new Integer(5);
		System.out.println(a==b);
这个打印出来false。因为new一次就申请一个内存空间。

Integer a=2;
		Integer b=2;
		System.out.println(a==b);      //打印出来true,因为指向同一个内存空间。 a,b都是指向一个常量2。(2存在于栈中!)
		//同理:
		String s1="a";
		String s2="a";
		System.out.println(s1==s2);     //打印true 因为指向同一个内存空间。(牵扯到常量池)
        System.out.println(s1=="a");     //打印true 因为都是指向一个常量的。 
		
		String s11=new String("a");
		String s21=new String("a");
		System.out.println(s11=="a");     //打印false。s11是新申请的内存。"a"是存在于常量池中的。
		System.out.println(s11==s21);     //打印 false  因为两边都是通过new新申请内存空间,

  要注意:int a=3,这个3是存在于栈中的

 而String str="a";这个a存在于常量池的。

 八种基本数据类型,及对象引用的空间,均是分布在栈中,因为它们的大小,在分配空间前就能确定。
常量池是用来存字符串常量的。不存整型变量。

4.更新于2011 .8.12  2:05

为什么要使用ArrayList里面的 toArray()方法。看下面代码就知道了:

		List<String> list=new ArrayList<String>();
		list.add("a");
		System.out.println(list.size());    //输出1
		List<String> l1=list;
		l1.remove(0);
		System.out.println(list.size());  //输出0
		System.out.println(l1.size());    //输出0

可以看出来如果直接通过赋值语句传递List类型变量的话,更改一个List会对别的List产生一样的后果。这通常不是我们希望看到的。即使将上面的代码改为下面,也依然得到相同的结果!

List<String> l1=new ArrayList<String>();
l1=list;


至于原因,稍微延伸一下。假设有一个Student类,我们都知道如果

Student student1=new Student(3,"zhangsan");
Student student2=s1;
那么,s1和s2将同时指向同一个内存地址。说得更详细点是student1,student2变量中存储的东西是一样的,这个东西就是一个Student对象的地址。此时,如果我们让对象s2调用类Student里set()方法改变s2里面的一些属性,同时也会更改对象s1里面的属性。

ArrayList也是一个类。和Student没啥大的区别,唯一的区别就是ArrayList是已经写好包装好的类,本质上两者还是一样的。这样的话,就不难解释为什么出现上面的情况。

这就是我们需要用到  toArray()方法的原因。对于这个方法,API是这样解释的:

按适当顺序(从第一个到最后一个元素)返回包含此列表中所有元素的数组。

由于此列表不维护对返回数组的任何引用,,因而它将是“安全的”。(换句话说,此方法必须分配一个新的数组)。因此,调用者可以自由地修改返回的数组。


但是在用到toArray()方法的时候需要注意:它的返回值是一个Object型的数组。如果还想继续得到String类型的数组,需要这样做:

String []s=list.toArray(new String[0]);

刚才从ArrayList延伸到了普通的类,我们都知道如果想把上面提到的student2=student1,改变一下,使student2既得到student1的属性,又可以自由改变这些属性而不影响到student1。恩,那就是clone()方法。要想使用clone( )方法,必须实现Cloneable接口。在这里就不多说了。

还是回到ArrayList上面来,我们利用toArray()的原因是向得到一个与原来数组相同的数组,但是又想新开辟内存地址,想与原来的数组划清界线。这不就是类Object里面clone()方法的功能吗?本来还担心,使用clone()方法得实现Cloneable接口,那不就是得重写ArrayList吗?好麻烦。。。不过后来竟然在API中看到ArrayList中自带了clone()方法。。欣喜啊~这样的话,我们其实就可以抛弃toArray()方法了。两者实现的是相同的功能,但是clone()方法返回的是ArrayList,而toArray()得到的只能是普通数组。。ArrayList当然比普通数组强大得多了。

总结一下:这次从 toArray()方法出发,到最后把它给抛弃了。。(或许还有别的好处,望赐教。。)

5.  2011.8.12 晚 10:10

数组为 Null和数组大小为0,是两个不通的概念。

List<String > l=new ArrayList<String>();
		System.out.println(l==null);   //false
		System.out.println(l.size());  //输出0

6.  2011.9.5 16:04

 6.1  

(int)Math.random()*10;
这个句子的执行顺序是:先(int)Math.random(),再乘以10

 6.2

  final标识符的意思是不能被改变。

 1.类被final修饰的话,表示这个类不能被继承。

    final类不能被继承,因此final类的成员方法没有机会被覆盖,默认都是final的。在设计类时候,如果这个类不需要有子类,类的实现细节不允许    改变,并且确信这个类不会载被扩展,那么就设计为final类。

 2.方法被final修饰的话,表示这个方法不能被改变,即不能被子类里面的方法覆盖(可以被继承)。

   使用final方法的原因有二: 
  第一、把方法锁定,防止任何继承类修改它的意义和实现。 
  第二、高效。编译器在遇到调用final方法时候会转入内嵌机制,大大提高执行效率。

  3.变量被final修饰的话,表示变量的值不能被改变。并且在对象生成的时候必须有值。这就决定了final变量的两种赋       值方式:

     方式一:定义变量的时候进行赋值

    

 final static int a=4;



     或者,也可以用函数对变量进行赋值:


final static int a=(int)(Math.random()*10);


    

    方式二:在构造函数里面对变量进行赋值:

       

final  int a;
	public MainClass(int b) {
	a=b;
	}
   这两个地方只能选其一,要么在定义时给值,要么在构造函数中给值,不能同时既在定义时给了值,又在构造函数中给另外的值。

  6.3 重载是载同一个类里面写另外一个方法和已经存在的某个方法同名,但是参数不一样。

     重写是对于继承而言的,继承类重新编写基类的方法。

  6.3 

for(int i=2,double j=5;i<=6;){
				
			}
  这样写实错误的。

   

for(int i=2,int j=5;i<=6;){
				
			}
这样写也是不对的。

for(int i=2, j=5;i<=6;){
				
			}
 而只有这样是对的!


7. 2011.9.6 15:40

 泛型:

  

package com.bjsxt.dp.strategy;

public abstract class Compartor <E>{
	public abstract int compare(E t1,E t2);
}

package com.bjsxt.dp.strategy;

public class ComparatorCatWeight extends Compartor<Cat> {

	@Override
	public int compare(Cat t1, Cat t2) {
		if (t1.getWeight() > t2.getWeight())
			return 1;
		else if (t1.getWeight() < t2.getWeight())
			return -1;
		else
			return 0;
	}

}


8. 2011.11.23 11:25

也许你还记得,Function 对象这一章中介绍过 Function 的 toString() 方法通常输出的是函数的源代码。覆盖该方法,可以返回另一个字符串(在这个例子中,可以返回 "Function code hidden")。不过,toString() 指向的原始函数怎么了呢?它将被无用存储单元回收程序回收,因为它被完全废弃了。没有能够恢复原始函数的方法,所以在覆盖原始方法前,比较安全的做法是存储它的指针,以便以后的使用。有时你甚至可能在新方法中调用原始方法:

Function.prototype.originalToString = Function.prototype.toString;

Function.prototype.toString = function() {
  if (this.originalToString().length > 100) {
    return "Function too long to display.";
  } else {
    return this.originalToString();
  }
};

TIY

在这段代码中,第一行代码把对当前 toString() 方法的引用保存在属性 originalToString 中。然后用定制的方法覆盖了 toString() 方法。新方法将检查该函数源代码的长度是否大于 100。如果是,就返回错误信息,说明该函数代码太长,否则调用 originalToString() 方法,返回函数的源代码。

 

这个表明,在js里面,将函数看成一个变量会容易理解一点。


9. 2011.11.23 19:32

 

在JavaScript里面:

     var  arr = new Array()
	arr[0]="1";arr[2]="1";arr[2]="1";
 	for(var  t   in  arr){
		document.write(t)
		}	

输出的是  0 1 2

        这点是不同于Java的。

   

10 2011 .11.25  21::45

   在jsp页面中,可以单独定义一个方法,而不是必须在类里面,则必须定义在<% !     %>  里面

11  2012.3.20 18:14

     HashMap 与HashTable的最大区别是HashMap的键可以为null,为HashTable的不可以。


12. 2012.9.14
(Element)node1.getFirstChild()应该是从右至左运算,即先运算node1.getFirstChild(),然后再强制转换。 .比()运算优先级高。


12. 2012.12.14 20:11
    在编程的时候,特别是在看别人做好的项目的时候,不可因为一个地方有疑问而据纠结很长时间,而是应该抓住重点!!
 
13.2012.12.22 15:55
在Action中得到tomcat的绝对路径。
String realPath = request.getSession().getServletContext().getRealPath("/")+"WEB-INF/image/";
 


  

2026.1.9:最新VSCode集成claude插件完美解决方案,跳过登录界面,使用国内Kimi K2进行计费 本文介绍了如何安装配置Claude插件并连接Kimi K2 API的详细步骤:1)搜索安装Claude插件;2)进入设置关闭登录提示;3)在settings.json中添加API配置,包括ANTHROPIC_AUTH_TOKEN(需替换为Kimi API Key)和ANTHROPIC_BASE_URL;4)通过Kimi官网获取API Key。完成配置后即可正常使用该插件。文中配有完整的操作截图指引。 阅读详情

相关推荐

麒麟V10 ARM环境离线部署MySQL:从依赖缺失到服务自启的完整避坑指南

本文详细介绍了在麒麟V10 ARM环境下离线部署MySQL的完整流程,包括依赖缺失解决方案、目录配置、服务自启设置及性能调优。特别针对国产操作系统和ARM架构的兼容性问题,提供了实用的避坑指南和优化建议,帮助用户高效完成MySQL部署与维护。

weixin_28741413的博客 409

Java基础知识笔记整理(零基础学Java)

文章目录前言java语言特性java的编译与运行JDK、JRE、JVM字符编码数据类型标识符命名方法Java小知识数组一维数组二维数组逻辑运算符 前言 以下是一名java初学者在自学过程中所整理的笔记,欢迎大家浏览并留言,若有错误的地方请大家指正。 java语言特性 简单性:相对于其他编程语言而言,java较为简单,例如:java不再支持多继承,C++是支持多继承的,多继承比较复杂,C++中有指针,java中屏蔽了指针的概念等,这里说明一下,java语言低层是用C++实现的,并不是C语言。 面向对象:ja

风小风的博客 2万+

全国30米分辨率逐年植被覆盖度(FVC)数据集

植被覆盖度是描述地表植被的重要参数与生态环境的基本指标,在大气圈、土壤圈、水圈和生物圈中都占据着重要的地位,区域及全球范围的植被覆盖度估算对植被及相关领域的研究具有重要意义。分别对LANDSAT 5/7/8系列数据计算FVC,其中Landsat5 和Landsat 7NDVI计算利用 B4和B3波段,Landsat8 和Landsat9 NDVI计算利用 B5和B4波段。算法从当年所有观测数据中,以低云、低探测角度和最高NDVI值为标准,选择最佳的可用像元值,并进行换算。(3) FVC的计算。

地球资源数据云的官方博客 1808

Java基础笔记

3.抽象类和接口.抽象类是一种不能被实例化的类,它只定义了方法和属性的基本框架,而没有具体实现,子类需要实现抽象类中的方法.Java中使用abstract来定义抽象类.接口是一种抽象类型,它定义了一组方法的方法名,但是不包含方法的实现,子类通过实现接口中的方法来定义自己的行为.Java中使用interface来定义接口.在Java中,类是一个抽象的描述,描述了一些相似的对象的属性和行为,而对象则是该类的一个实例化.Java中的各种运算符包括算术运算符、逻辑运算符、位运算符,表达式是由运算符和操作数组成的.

weixin_54248927的博客 1673

scGPT学习资料汇总 - 单细胞多组学基础模型

scGPT(single-cell Generative Pre-trained Transformer)是一个针对单细胞多组学数据的基础模型,由多伦多大学Wang Bo实验室开发。该模型通过在超过3300万个细胞上进行生成式预训练,捕捉了基因和细胞之间的复杂关系,为多种下游任务提供了强大的基础。scGPT为单细胞分析提供了强大的基础模型和丰富的资源。通过本文汇总的学习材料,读者可以快速掌握scGPT的使用,并将其应用到自己的研究中。

2401_87189860的博客 838

YOLO+OpenCV强强联手:高精度跌倒检测技术实战解析

(0, 1), (0, 2), (1, 3), (2, 4), # 脖子和头部(3, 5), (5, 6), (5, 7), (7, 9), (5,11),# 左臂(4,6), (6, 12), (6,8) ,(8,10),# 右臂(11, 12), (11, 13), (13, 15), #左腿(12, 14), (14, 16) #右腿keypoints是检测到的人体关键点数据,frame是图像帧,boxes是检测到的边界框信息。定义了人体关键点之间的连接关系,用于绘制人体骨架。

yolo模型训练找我,AI游戏合作找我 2310

Java 笔记

Java 笔记 jar manifest main JMX RMI

云满笔记 1814

[EdgeAI] NXP eIQ 机器学习Toolkit (一):准备篇

eIQ™机器学习(ML)软件开发环境支持在恩智浦EdgeVerse™微控制器和微处理器(包括i.MX RT跨界MCU和i.MX系列应用处理器)上使用ML算法。eIQ ML软件包括称为eIQ Toolkit的ML工作流工具以及推理引擎、神经网络编译器和优化库。............

HowieXue 薛永浩的博客 1万+

Java学习笔记

Java

PaulHoldOn的博客 2763

灰质-白质组织对比(Gray-white matter tissue contrast,GWC)计算以及可视化

GWC是深层灰质与浅表白质(superficial white matter,SWM)之间T1加权信号强度的比值,已知髓鞘中的胆固醇是T1加权信号强度的主要影响因素,因此GWC大致反映了大脑皮层和浅表白质之间的髓鞘化差异。GWC代表灰白质交界处的模糊程度,较低的GWC表明灰质和白质交界处更相似和更模糊;较高的GWC表明灰白质分界更加清楚。据之前的研究报道,局灶性皮质发育不良、颞叶癫痫、帕金森病、强迫症、精神分裂症和自闭症谱系障碍中存在灰白质交界区GWC异常增高或降低。 灰质信号强度和白质信号强度采集的示意图

xxx 732

八、ILI2511 初版调试

8.1 TP成品过程 TP厂在制造TP过程中会经过FPC、FOG和Model三个阶段。 FPC: 将IC做在FPC上面; FOG: 将FPC与sensor 绑定; Model:FOG阶段后,贴上CG(cover glass)。 经过上面三个阶段后,将会拿到没有烧录固件的TP模组。这个时候触摸TP,并不能上报触摸数据,需要对TP模组烧录固件(执行程序)后才会有TP有触摸数据。 8.2 源码编译固件与工具生成固件 我们可以通过以下两种方式获得固件 1)由奕力原厂直接通过源码,进行编...

qq_34343637的博客 3686

java该怎么做笔记_java学习笔记整理,如何整理java笔记?

俗话说:“好记性不如烂笔头”,不得不说,这句话在大部分时候都是适用的。特别是刚刚入门学习java的朋友,是不是也觉得整理学习笔记是一件麻烦的事?下面就带大家来看看到底应该如何整理java笔记比较好呢?学习笔记切记过于复杂冗余,简单明了为上,可以选择一款比较方便的专门记录学习笔记的App,分门别类的记录为上。示例目录:基本概念篇操作系统中 heap 和 stack 的区别1.什么是基于注解的切面实现...

weixin_29358723的博客 1299

【教程4>第5章>第28节】基于帧同步+相位同步+位同步的QPSK调制解调通信系统整体性能分析

综上所述:1.SNR<10db时,整体性能下降,当SNR=0db时,系统无法正常工作。2.gardner环性能达到2.5e-5时偏可以正常工作,增加之后无法正常工作。3.当相位偏差大于pi/4的时候,对最后的性能会有一定影响。

FPGA/MATLAB学习教程/源码/项目合作开发 556

学java怎么做笔记?教大家整理java笔记的一些方法

许多开始学Java编程的朋友,都是跟着视频学习的,知道要记笔记,但又不知如何下手。其实笔记主要的还是记框架以及自己能感觉到不懂得地方方便巩固加深印象,笔记不要记得密密麻麻的看着就让人感觉头疼,学习编程类的课程还是需要多敲代码,让自己形成大脑记忆,在写到难点bug的时候大脑自动反应解决困难。 学java怎么做笔记? 俗话说:“好记性不如烂笔头”,不得不说,这句话在大部分时候都是适用的。特别是刚刚入门学习java的朋友,是不是也觉得整理学习笔记是一件麻烦的事?下面就带大家来看看到底应该如何整理java笔

suikui的博客 2166

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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")

宋红康Java基础笔记

参考b站Java视频:https://www.bilibili.com/video/BV1ny4y1Y7CW 同时,主要是对这位小伙伴笔记的一个整理https://blog.youkuaiyun.com/PorkBird/article/details/113666542。 利用ProcessOn https://www.processon.com/outline/60fbd01c0e3e7423a3277348 ...

foreverlove1999的博客 4623

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Java笔记资源下载

Java笔记资源下载 去发现同类优质开源项目:https://gitcode.com/ 此资源文件为一份详尽的Java学习笔记,涵盖了Java编程语言的基础知识和核心概念。文件名为“java笔记.docx”,以下是该文件的详细描述: 变量声明:在Java中,每个变量都需要先进行声明,然后才能使用。 数组使用:Java中的数组是一个对象,通过使用new关键字进行创建和初始化。 字符串操作:Java...

gitblog_06773的博客 685

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。

【Java超详细的学习笔记】Java超详细的学习笔记,适合小白入门,Java语法学习,Java开发学习笔记,Java入门学习笔记

【Java超详细的学习笔记】Java超详细的学习笔记,适合小白入门,Java语法学习,Java开发学习笔记,Java入门学习笔记

m0_67844671的博客 6090

java基础所有笔记

java培训时的基础笔记,评论点击链接下载即可获得链接添加链接描述

sansui77088的博客 237

Java成长笔记

https://blog.youkuaiyun.com/weixin_46785731/article/details/108219741 前言 关于技术人如何成长的问题,一直以来都备受关注,因为程序员职业发展很快,即使是相同起点的人,经过几年的工作或学习,会迅速拉开极大的差距,所以技术人保持学习,提升自己,才能够扛得住不断上赶的后浪,也不至于被“拍死”在沙滩上。 近日,经过一朋友的透露,Alibaba也首发了一份限量的“Java成长笔记”,里面记载的知识点非常齐全,看完之后才知道,差距真的不止一点点! J

yygr的博客 541

Java代码生成手写笔记

在家上网课时老师会不会需要你拍照上传你的笔记呢? 看完本文章让你告别手写笔记 话不多说,先来看一下效果图 是不是跟手写的一样 接下来直接上代码,由于没有啥技术含量,无非就是给图片添加水印 代码我就不再细说了 有兴趣的朋友可以自己看一下源码 主函数和实现方法不在同一个class,注意!! 主函数如下 起始的bg.jpg和biji.txt和ss2.ttf文件我会上传在笔记生成文件里,包括源码 import come.MainFuncation.WorkWrite; import java.awt.*; imp

weixin_46177988的博客 1793

【java】java学习笔记之java常用类

如下图所示为笔者总结的java常用类学习笔记,其中,附带有代码示例(未展开),方便理解记忆。需要源文件的请到我的资源中下载,下载地址:https://download.youkuaiyun.com/download/guaishounan/11451504 ...

guaishounan的博客 4128

JAVA学习笔记

JAVA学习笔记

lizzzza的博客 1704

Java实用学习方法,笔记工具OneNote使用讲解

俗话说:“好记性不如烂笔头”,不得不说,这句话在大部分时候都是适用的。特别是刚入门学习java的小白们,记笔记是非常实用的学习方法也可直接观看视频学习如何使用笔记工具,b站上动力节点老杜最新Java17版教程,从零基础出发,讲解Java编程的基础知识和实践技巧,涵盖了Java编程的方方面面。

2301_78369638的博客 736

【java】java学习笔记之java 进阶

如下图所示为笔者总结的java进阶学习笔记,其中,附带有代码示例(未展开),方便理解记忆。需要源文件的请到我的资源中下载,下载地址:https://download.youkuaiyun.com/download/guaishounan/11573212 ...

guaishounan的博客 6168

学java怎么做笔记?教大家整理java笔记的一些方法,2024年网易Java岗面试必问

手绘了下图所示的kafka知识大纲流程图(xmind文件不能上传,导出图片展现),但都可提供源文件给每位爱学习的朋友63065)]既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Java开发知识点,真正体系化!由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新如果你觉得这些内容对你有帮助,可以添加V获取:vip1024b (备注Java)

2401_84003656的博客 911

狂神的Java笔记

狂神的linux笔记

花开的博客 854
上一篇: Python语言中的按位运算
下一篇: java.lang.OutOfMemoryError: GC overhead limit exceeded
freewind
博客等级 码龄16年 136粉丝 108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