百度BAE java项目应用开始的准备工作

百度 BAE 不支持 Git 和 FTP ,也没有自己的上传工具,要想管理代码,只有使用“反人类”的SVN。官方关于SVN的教程十分详细,我就不再做重复劳动了,直接复制……

从这里下载

目前,无论是Windows平台、Linux平台还是Mac平台都有比较成熟的SVN客户端工具。

下面以Windows为例,概述使用SVN部署代码的主要流程。

第一步:安装TortoiseSVN

如果您已安装TortoiseSVN,请跳过这一步。
在安装的过程中如果出现下图,恭喜您,SVN已经安装成功,可进入下一步。

49.jpg
图1.1 安装TortoiseSVN成功

第二步:获取SVN仓库地址

  • 使用您的百度账户登录百度开放者中心之后进入”管理中心” 并选择“我的应用”
  • 选择相应托管在BAE上的应用,点击“管理”,即可进入待操作程序的版本管理页面

16.jpg
图2.1:管理中心“我的应用”页

 

  • 点击待操作的版本,看到页面下方的SVN地址,点击“复制SVN地址”,即可获得对应版本的SVN地址

17.jpg
图2.2:管理中心应用列表页

第三步 checkout代码

首先创建本地目录,用于存放从SVN仓库中checkout的代码。本地目录可以用程序版本的程序名加版本号命名,也可以是其它任意名字。本地目录将作为SVN的工作目录。

52.jpg
图3.1 创建本地目录

选中本地目录,右键选择SVN Checkout。

53.jpg
图3.2 SVN Checkout操作

在弹出的窗口中,黏贴第二步中获取的仓库地址,并设置代码的版本信息,可以是最新版本“HEAD revision”,也可以指定为任意版本。

54.jpg
图3.3 填写信息

点击“ok”后,进入用户信息验证。输入百度账号和密码,完成验证。由于SVN不支持中文,SVN服务初期开放阶段只提供给用户名中不包含中文的用户。

55.jpg
图3.4 用户信息验证

验证成功,则显示如下提示,并将代码checkout到本地目录中。

56.jpg
图3.5代码checkout成功

进入本地目录则可以看到check到本地的文件。

第四步:代码管理

在本地目录中,您可以对版本代码进行增加文件或目录、删除文件或目录、修改文件内容和重命名文件和目录等。

新增文件和目录

在本地目录中新增文件和目录,可以在本地目录中直接新建,也可以从其他地方复制进来。 此时,新增的文件和目录上标记了问号,例如下图中的新增文件“Blue hills.jpg”和目录 “add”。

57.jpg
图4.0.1 本地新增文件和目录

在提交到SVN仓库之前,需要先进行Add操作,告知SVN客户端增加了文件或目录。

58.jpg
图4.0.2 增加操作

如果您的新增目录中包含文件或者目录,可以选中所有,将新增目录以及其子目录或子文件一次性加入。

59.jpg
图4.0.3 增加目录以及目录内文件

而对于已有文件内容的修改,则可以直接“commit”将代码提交到SVN代码仓库中去。

删除文件和目录

选中要删除的文件,选择SVN的delete操作,删除当前文件,请不要直接删除。

60.jpg
图4.1.1 删除文件

重命名文件

选中要重命名的文件,右键,选择SVN的“Rename”操作,请勿直接重命名文件。

61.jpg
图4.2.1 重命名文件

在弹出的窗口中输入新的文件名。

62.jpg
图4.2.2 填写文件名

点击“ok”后,刷新本地目录,可以看到js.html文件不在,而新增了一个javascripts.html文件。

63.jpg
图4.2.3 重命名文件成功

提交更新

在将更新提交到SVN代码仓库中时,可以逐个更新提交,也可以在本地目录一次提交所有更新。

64.jpg
图4.3.1 commit所有更新

在弹出的框中,根据需要输入本次commit的更新说明。点击确定,完成commit操作。

65.jpg

图4.3.2 commit信息框

如果显示如下框,则说明提交更新成功

66.jpg
图4.3.2 commit更新成功

利用TortoiseSVN可进行的操作还有很多,比如“更新”、“查看日志”和“撤销”等。更多使用请见

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