【手把手教安装】JDK18 + IDEA安装教程（超详细！！！）

已于 2024-01-08 15:41:24 修改
阅读量3.9k 收藏 24
点赞数 10
分类专栏： 软件安装 文章标签： intellij-idea java jvm
于 2022-08-14 17:28:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/momohhhhh/article/details/126332448
版权

IDEA安装教程

STEP1:JDK安装

因为我是新电脑没有安装过jdk，所以需要重新下载，以前有下过的宝子们可以直接去步骤二
  1. 下载JDK
    在这里插入图片描述
  2. 这里分别是我新建的JDK文件夹用来一会儿安装JDK，以及刚才下载的jdk安装包（我喜欢分类整理~）
    在这里插入图片描述
  3. 管理员方式打开jdk文件进行安装
    在这里插入图片描述
    在这里插入图片描述在这里插入图片描述
  4. 配置jre，打开刚才下载jdk的文件夹并没有jre，找了很多方法，直接复制我的目录就可以（很简单）\bin\jlink.exe --module-path jmods --add-modules java.desktop --output jre
    不要打开bin在复制，直接复制我的这就就可以，否则jre就在bin目录下了！！！
    之后就有了jre
    在这里插入图片描述
  5. 配置环境变量
    （我是Win11系统）
    在这述在这里插入图片描述
    变量名JAVA_HOME，变量值为安装JDK路径，不可以填错哦在这里插入图片描述接下来在系统变量的path下编辑
    在这里插入图片描述点击新建，复制下面内容（首先以上操作要和我一样哦）
%JAVA_HOME%\jre\bin
%JAVA_HOME%\bin

在这里插入图片描述

  1. cmd下验证
    输入java -version
    在这里插入图片描述输入java
    在这里插入图片描述输入javac
    在这里插入图片描述如果以上内容都和我显示一样，那就是成功啦

STEP2:IDEA下载及安装

  1. 下载IDEA
    在这里插入图片描述
  2. 安装idea
    在这里插入图片描述
    可以自己更改安装目录在这里插入图片描述
    创建桌面快捷方式在这里插入图片描述
    开始安装即可
    在这里插入图片描述
    在这里插入图片描述
  3. 运行IDEA

在这里插入图片描述在这里插入图片描述新版需要账户，没有先注册
会跳到一个浏览器，用邮箱注册验证，注册完重新登陆即可
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
4. 创建项目测试一下
在这里插入图片描述这里可以看到有JDK，如果没有第一步操作，就没有jdk，需要自己下载
在这里插入图片描述代码片段如下

 public class hello {
    public static void main(String[] args)
    {
        System.out.println("hello world!");
    }
}

在这里插入图片描述好了，到这里就成功啦！！

图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现
盼小辉丶的博客
04-03 1万+
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。
GCN-图卷积神经网络算法讲解（通俗版）
weixin_50706330的博客
10-24 3万+
GCN-图卷积神经网络算法讲解（通俗版）
深入理解图卷积神经网络(GCN)原理
fs1341825137的博客
11-19 2万+
深入理解图卷积神经网络(GCN)原理 文章目录深入理解图卷积神经网络(GCN)原理前言一、为什么需要GCN二、GCN的原理1.图的定义2.GCN来了2.1 矩阵计算公式2.2 以小规模矩阵讲解公式含义2.3 综上所述：三、GCN有多牛总结 前言 深度学习的发展日新月异，从经典的深度网络（DNN、CNN、RNN）到GAN、强化学习。深度学习覆盖的应用场景越来越丰富。今天介绍的图神经网络是另一类深度学习方法。虽然，图神经网络也可以纳入深度学习的范畴，但它有着自己独特的应用场景和算法实现，对初学者并不算太友好
详解图卷积网络
ichont的博客
03-25 1144
GCN/RGCN介绍
讲清楚了！一文了解图卷积神经网络GCN
h1453586413的博客
01-15 1952
图数据是一种由节点（顶点）和边构成的数据结构，广泛存在于社交网络、推荐系统、生物信息学等诸多领域。例如，在社交网络中，每个人可以被视为图中的一个节点，而人与人之间的关系（如好友关系、关注关系等）则可以被视为节点间的边。非欧几里得结构：图数据的节点和边之间没有固定的网格结构，与传统的图像或文本数据不同，它们不满足平移不变性，即每个节点的局部结构各异。多样性和复杂性：图数据可以是有向的、无向的，带权重的、不带权重的，还可以包含多种类型的节点和边，如社交网络中的用户和帖子，引文网络中的作者和论文等。
图卷积网络（Graph Convolutional Network）
chensi1995的博客
08-16 6万+
一. 图简介，图卷积网络的出现。 图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些问题的解决提供了新的思路。下图就是一个简单的图结构数据： 图上的神经网络，最早由Joan Bruna于2014年在论文Spect...
Graph Convolutional Network (GCN) 图卷积网络
酒酿小圆子呀～
07-03 8517
基本原理： 强烈推荐： 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 主要内容：CNN，拉普拉斯矩阵，Graph上的傅里叶变换及卷积，Graph Convolution 第一代GCN 第二代GCN 第三代GCN 利用切比雪夫多项式来进行近似，降低前向传播高复杂度的问题。 Semi-supervised Classification with Graph Convolutional Networks 一文中的GCN形式，其实是二阶Chebyshev多项式推导出的特例。 参考博客
图卷积网络（Graph Convolution Network，GCN）
weixin_44458771的博客
02-16 1万+
在图神经网络出现之前，一般的神经网络只能对常规的欧式数据进行处理，其特点就是节点有固定的排列规则和顺序，如２维网格和１维序列。近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据。
图卷积网络（Graph Convolutional Network, GCN）
weixin_44012667的博客
06-19 1548
GCN编码器的结构可以通过如下递归公式表示：初始状态下，经过 L层图卷积后，得到最终的节点表示。每层的图卷积通过聚合邻居信息、线性变换和非线性激活来更新节点表示。x_i。
【图卷积网络】Graph Convolutional Network
来日可期的博客
03-14 1821
1. 图卷积网络 1.1. 为什么会出现图卷积网络 普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。 然而，现实生活中很多数据不具备规则的空间结构，称为Non Euclidean data，如，推荐系统、电子交易、分子结构等抽象出来的图谱。这些图谱中的每个节点连接不尽相同，有的节点有
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导
热门推荐
知行合一，止于至善
08-24 16万+
文章目录1. 为什么会出现图卷积神经网络？2. 图卷积网络的两种类型2.1 vertex domain(spatial domain)：顶点域（空间域）2.2 spectral domain：频域方法（谱方法）3. 什么是拉普拉斯矩阵？3.1 常用的几种拉普拉斯矩阵普通形式的拉普拉斯矩阵对称归一化的拉普拉斯矩阵（Symmetric normalized Laplacian）随机游走归一化拉普拉斯矩...
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub：Visualization of Graph Convolutional Networks in PyTorch。本文作代码解析的也是这一个。 文章目录train.py函数定义版本兼容路径初始化所需要的函数库显示超参数函数：show_Hyperparameter(arg
Graph Convolutional Networks.zip
09-20
这是个人平时学习中找到的图卷积神经网络的基本资料，图神经网络分为空间卷积和谱图卷积两种形式，这些资料中都有所涉及，希望对大家的学习有所帮助。
【复杂网络建模】——基于Graph Convolutional Networks (GCN)进行链接预测
lingxw的博客
12-08 3万+
复杂网络是一种由大量相互连接的元素（节点或顶点）组成的网络结构，这些连接通常是非常复杂和动态的。这些网络可以在各种领域中发现，包括社交网络、生物学系统、信息技术和交通系统等。
图卷积网络（GCN）全解析
hello.reader
12-25 1万+
图卷积网络（Graph Convolutional Network, GCN）是一类专门用于处理图数据的神经网络模型。它将图的拓扑结构与节点特征结合起来，通过图卷积操作来提取节点之间的关系和特征信息。相比传统的卷积神经网络（Convolutional Neural Network, CNN），GCN能够直接在不规则的图结构上运行，而无需将其转换为规则的网格数据。在深入了解图神经网络（Graph Neural Network, GNN）之前，需要理解图的基础知识。
图卷积网络
且慢
04-08 5685
图卷积网络 文章目录图卷积网络图卷积网络的概述循环图神经网络状态更新与输出不动点理论fff函数的具体实现模型学习GNN与RNNGNN的局限门控图神经网络(Gated Graph Neural Network)状态更新图卷积网络图卷积缘起图卷积框架(Framework)GCN与GNN区别卷积空域卷积(Spatial Convolution)消息传递网络(Message Passing Neural Network)图采样与聚合(Graph Sample and Aggregate)频域卷积(Spectral
面包板电源模块usb供电MB102
最新发布
03-31
### 关于面包板电源模块 MB102 的 USB 供电规格及兼容性 #### 1. **MB102 基本功能** 面包板电源模块 MB102 是一种常见的实验工具，主要用于为基于面包板的小型电子项目提供稳定的电压输出。它通常具有两路独立的稳压输出：一路为 5V 和另一路可调电压（一般范围为 3V 至 12V）。这种设计使得它可以满足多种芯片和传感器的不同工作电压需求。 #### 2. **USB 供电方式** MB102 支持通过 USB 接口供电，输入电压通常是标准的 5V DC[^1]。由于其内部集成了 LM7805 稳压器以及可调节电位器控制的直流-直流变换电路，因此即使输入来自电脑或其他低功率 USB 设备，也能稳定地向负载供应电力。不过需要注意的是，如果项目的功耗较高，则可能超出某些 USB 端口的最大电流能力（一般是 500mA），从而引起不稳定现象或者保护机制启动断开连接的情况发生。 #### 3. **兼容性分析** 该型号广泛适用于各种微控制器单元 (MCU)，特别是那些像 Wemos D1 R32 这样可以通过杜邦线轻松接入并共享相同逻辑级别的系统[^2]。另外，在提到 Arduino Uno 板时也表明了良好的互操作性，因为两者均采用相似的标准接口定义与电气特性参数设置[^4]： - 对于需要 3.3V 工作环境下的组件来说，只需调整好对应跳线帽位置即可实现精准匹配； - 当涉及到更多外围扩展应用场合下，例如带有多重模拟信号采集任务的情形里，利用 MB102 提供干净无干扰的基础能源供给就显得尤为重要了[^3]。 综上所述，对于打算构建以单片机为核心的原型验证平台而言，选用具备良好声誉记录且易于获取配件支持服务链路上下游资源丰富的品牌产品——如这里讨论过的这款特定类型的配电装置不失为明智之举之一。 ```python # 示例 Python 代码展示如何检测硬件状态 import machine pin = machine.Pin(2, machine.Pin.IN) if pin.value() == 1: print("Power supply is stable.") else: print("Check your connections and power source.") ```
评论
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