迎接挑战:把系统迁移到Java5平台

上午在CSDN上看了《迎接挑战:沃尔玛网站如何迁移到Java 1.5平台http://news.csdn.net/news/newstopic/22/22233.shtml

碰巧又有个人在自己的blog里面宣称《多家权威机构、几十篇权威证据证明:Java比C++更快。如果反对,请举反证。 <script language="javascript" type="text/javascript"></script> 》http://blog.csdn.net/liigo/archive/2005/06/15/395223.aspx,里面提到:根据SUN的数据显示,j2se1.5在各种单项性能上平均比j2se1.4.2高出10%到30%,而在复杂程序的综合性能上则是j2se1.4的三倍左右,于是我也有了迁移的想法,说干就干!

到sun的网站下载了jdk5.0,

安装以后修改环境变量JAVA_HOME指向jdk5.0安装目录,

然后修改我的build.xml,把两处target="1.4"替换程target="1.5"

运行命令:ant compile,报错说jre/lib下的一个jar包是坏的…………

折腾半天也没办法解决,天哪,我的普通代码没有用jdk1.4的特殊功能呀,难道sun把jdk改得面目全非了?不太可能!

问老麻,他又是想都没想决一大堆原因,语气还非常肯定,总之就是简单的程序也可能不能兼容。

对于他的说法我表示了怀疑,然后去吃饭!

到了兵工,看见chen姐和tangjia在那里等面呢,哈哈,两个美女与我共进午餐,心情一下好了起来,迁移jdk1.5的事儿一下子抛到九霄云外了(虽然今天的拉面很难吃:)

回来以后冷静思考了一下,不可能是我的程序问题,决定重装JDK(因为刚才装的时候为了节省空间值选了一部分组建),这次完全按照默认选项来,结果还真的运行正常了,跑同一个测试还真比jdk1.4.2快了几十秒。看来sun的安装程序做的有问题!

只是编译时有提示信息:

注意: 某些输入文件使用了未经检查或不安全的操作。
注意: 要了解详细信息,请使用 -Xlint:unchecked 重新编译

虽然不影响运行,但是看着不爽。根据编译器的提示信息,应该给javac架一个参数-Xlint:unchecked就行了,可是在build.xml里怎么加呢,又折腾了半天,最后终以试通了

<target name="compile" description="Compile main source tree java files">
        <mkdir dir="${build.dir}/classes"/>
        <javac destdir="${build.dir}/classes" target="1.5" srcdir="${src.dir}" debug="true"
            deprecation="false" optimize="false" failοnerrοr="true">
            <compilerarg value="-Xlint:unchecked"/>
            <sourcepath path="${src.dir}"/>
            <classpath refid="classpath"/>
        </javac>
        <!-- compile tests -->
        <mkdir dir="${test.dir}/classes"/>
        <javac destdir="${test.dir}/classes" target="1.5" debug="true"
            deprecation="false" optimize="false" failοnerrοr="true">
            <src path="${test.src}"/>
            <classpath>
                <path refid="classpath"/>
                <path location="${build.dir}/classes"/>
            </classpath>
        </javac>
        <!-- Copy hibernate mapping files to ${build.dir}/classes -->
        <copy todir="${build.dir}/classes">
            <fileset dir="${src.dir}" includes="**/*.hbm.xml"/>
        </copy>
 </target>

原来这样加参数,看来明天要对ant彻底的研究一下了,哈哈



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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