`

DES加密 (Byte[]加密算法) 可以自定义 key 默认采用密钥:wcun5515 ,(密钥为:生活网提供)

阅读更多
package com.transnal.ws.cnlif.bean;

import java.security.Key;
import java.security.spec.AlgorithmParameterSpec;
import javax.crypto.Cipher;
import javax.crypto.spec.IvParameterSpec;
import javax.crypto.spec.SecretKeySpec;


/**
*  DES加密 (Byte[]加密算法)
*  可以自定义 key
*  默认采用密钥:wcun5515 ,(密钥为:生活网提供)

* @author RenWeigang
*
* @since 2010.09.07
*/
public class DESPlus {

/**
* 编码风格
*/
private static final String ENCODEE ="UTF-8";

/**
* 密钥 key,由生活网提供
*/
    private static final String DEFAULT_KEY = "wcun5515";
   
    /**
     * 设置密钥
     */
private static byte[] des_key;
   
    /**
     * 加密算法的参数接口,IvParameterSpec是它的一个实现,规定了密钥必须是8个字节
     */
    private static AlgorithmParameterSpec iv =null;
   
    /**
     * 密钥对象
     */
    private static Key secretKey =null;
   
static{
try {
des_key = DEFAULT_KEY.getBytes(ENCODEE);

//得到密钥对象
secretKey = getKey(des_key);

//设置向量(密钥必须是8个字节,否则抛出异常)
iv = new IvParameterSpec(des_key);

} catch (Exception e) {
e.printStackTrace();
}
}

/**
* 解密数据,按默认密钥(wcun5515)解密
* @param message
* 已经被加密后的字符串
* @return
* 解密后的字符串
* @throws Exception
*/
public static String decrypt(String message) throws Exception {

byte[] bytesrc = stringToHexByte(message);

Cipher cipher = Cipher.getInstance("DES/CBC/PKCS5Padding");

cipher.init(Cipher.DECRYPT_MODE, secretKey, iv);

byte[] retByte = cipher.doFinal(bytesrc);

return new String(retByte);

}

/**
* 解密字符串,自定义密钥解密
* @param message
* 已经被加密后的字符串
* @param key
* 解密 密钥[密钥必须为8个字节,并且与加密密钥符合]
* @return
* 解密后的字符串
* @throws Exception
*/
public static String decrypt(String message,String key) throws Exception {
if(des_key!=null)
des_key=null;
if(secretKey!=null)
secretKey=null;
if(iv!=null)
iv=null;
byte[] bytesrc=stringToHexByte(message);

Cipher cipher = Cipher.getInstance("DES/CBC/PKCS5Padding");

Key strKey = getKey(key.getBytes(ENCODEE));

//规定了密钥必须是8个字节
AlgorithmParameterSpec aiv = new IvParameterSpec(key.getBytes(ENCODEE));
cipher.init(Cipher.DECRYPT_MODE,strKey,aiv);

byte[] retByte = cipher.doFinal(bytesrc);

return new String(retByte);

}

/**
* 加密数据
* 按默认密钥(wcun5515)加密
* String明文输入,byte[]密文输出 
*
* @param message
* 要加密的字符串
* @param toLowerCase
* 被加密的字符串是否转为小写 True: 小写 ; False 为不转
* @return
* @throws Exception
*/
public static byte[] encrypt(String message,boolean toLowerCase)throws Exception {

//得到加密对象Cipher
Cipher cipher = Cipher.getInstance("DES/CBC/PKCS5Padding");

//设置工作模式为加密模式,给出密钥和向量
cipher.init(Cipher.ENCRYPT_MODE, secretKey, iv);

if(toLowerCase){
//把要被加密的用户名都转为小写
message = java.net.URLEncoder.encode(message,ENCODEE).toLowerCase();
}
return cipher.doFinal(message.getBytes(ENCODEE));

}

/**
* 加密字符串(针对用户名)
* 按默认密钥(wcun5515)加密
* @param message
* 需加密的字符串
* @return
* 加密后的字符串
* @throws Exception
*/
public static String encrypt(String message)throws Exception {

return byteToHexString(encrypt(message,true),true);

}

/**
* 加密字符串
* 按默认密钥(wcun5515)加密
* @param message
* 要加密的字符串
* @param messageToLowerCase
* 被加密的字符串是否转为小写,True 为转为小写;False为默认
* @param hexStringToUpperCase
* 加密后的字符串是否转为大写,True 为转为大写;False为默认
* @return
* 加密后的字符串
* @throws Exception
*/
public static String encrypt(String message,boolean messageToLowerCase,boolean hexStringToUpperCase)throws Exception {

return byteToHexString(encrypt(message,messageToLowerCase),hexStringToUpperCase);

}

/**
* 加密字符串,自定义密钥
* @param message
* 要加密的字符串
* @param key
* 加密 密钥,[密钥为8个字节]
* @return
* 加密后的字符串
* @throws Exception
*/
public static String encrypt(String message, String key)throws Exception {
if(des_key!=null)
des_key=null;
if(secretKey!=null)
secretKey=null;
if(iv!=null)
iv=null;

Cipher cipher = Cipher.getInstance("DES/CBC/PKCS5Padding");
Key strKey =  getKey(key.getBytes(ENCODEE));
//规定了密钥必须是8个字节
IvParameterSpec aiv = new IvParameterSpec(key.getBytes(ENCODEE));
cipher.init(Cipher.ENCRYPT_MODE, strKey,aiv);
byte[] hexByte = cipher.doFinal(message.getBytes(ENCODEE));
return byteToHexString(hexByte,false);
}


/**
* 将表示16进制值的字符串转换为byte数组
* @param paramString
* 需要转换的字符串
* @return
* 转换后的字节
*/
public static byte[] stringToHexByte(String paramString){

// 两个字符表示一个字节,所以字节数组长度是字符串长度除以2
byte digest[] = new byte[paramString.length() / 2];

//采用不同的算法,加密后的数据也不相同
for (int i = 0; i < digest.length; i++){
String byteString = paramString.substring(2 * i, 2 * i + 2);
int byteValue = Integer.parseInt(byteString, 16);
digest[i] = (byte) byteValue;
}
return digest;
}

/**
* 将byte数组转换为表示16进制值的字符串, 如:byte[]{8,18}转换为:0813
* 和 StringToHexByte(String paramString) 互为可逆的转换过程.
*
* @param paramByte
* 需要转换的byte数组
* @param toUpperCase
* 是否以大写的形式输出;True为大写 ;False 为默认
* @return
* 转换后的字符串
*/
public static String byteToHexString(byte paramByte[],boolean toUpperCase) {
StringBuffer hexString = new StringBuffer();
for (int i = 0; i < paramByte.length; i++) {
String plainText = Integer.toHexString(0xff & paramByte[i]);
if (plainText.length() < 2)
plainText = "0" + plainText;
hexString.append(plainText);
}
if(toUpperCase){
return hexString.toString().toUpperCase();
}
return hexString.toString();
}

/**
* 从指定字符串生成密钥,密钥所需的字节数组长度为8位 不足8位时后面补0,超出8位只取前8位
* @param arrBTmp
* 构成该字符串的字节数组
* @return
* 生成的密钥
* @throws Exception
*/
private static Key getKey(byte[] paramByte) throws Exception {

// 创建一个空的8位字节数组(默认值为0)
byte[] arrB = new byte[8];

// 将原始字节数组转换为8位
for (int i = 0; i < paramByte.length && i < arrB.length; i++) {
arrB[i] = paramByte[i];
}

// 生成密钥
Key key = new SecretKeySpec(arrB, "DES");

return key;
}




/**
* 测试类
* @param args
* @throws Exception
*/
public static void main(String[] args) throws Exception {

//默认key 加密与解密
String value = "renweigang";

System.out.println("加密数据:" + value);

String a = encrypt(value);
System.out.println("加密后的数据为:" + a);

String b = decrypt(a);
System.out.println("解密后的数据:" + b);


///////自定义key加密与解密///////////////////////////////
// String key = "wcun5515";
// String value = "renweigang";
//
// System.out.println("加密数据:" + value);
//
// String a = encrypt(value,key);
// System.out.println("加密后的数据为:" + a);
//
// String b = decrypt(a,key);
// System.out.println("解密后的数据:" + b);
}
}


  


  
分享到:
评论
发表评论

文章已被作者锁定,不允许评论。

相关推荐

    电子设计论文鱼缸水循环自动控制器电子设计论文鱼缸水循环自动控制器

    电子设计论文鱼缸水循环自动控制器电子设计论文鱼缸水循环自动控制器

    AP9569GH-HF-VB一款P-Channel沟道TO252的MOSFET晶体管参数介绍与应用说明

    -40V;-65A;RDS(ON)=10mΩ@VGS=10V;VGS=20V;Vth=-1.6V

    电子设计论文用555电路组成的DC-AC变换器

    电子设计论文用555电路组成的DC-AC变换器

    基于深度学习的看图作诗模型.zip

    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。

    高仿腾讯云小程序一站式解决方案小程序源码学习

    高仿腾讯云小程序一站式解决方案小程序源码学习

    【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图).zip

    【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。

    JSP学生学籍管理系统(源代码+论文).zip

    1、资源项目源码均已通过严格测试验证,保证能够正常运行; 、2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、资 5源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。

    深度学习大作业(基于ResNet网络模型的花卉识别研究).zip

    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。

    拖动图片到窗口中再拖动回来 js+html

    AveIcon 是一个小巧的 ICO/PNG 互转小工具,有了它你就不用再打开庞大的 Axialis IconWorkshop 了,而且它界面超简洁,只需拖动图片到窗口中再拖动回来,整个转换过程就算完成了。

    机械制造工艺学课程设计 设计挡环零件的机械加工艺规程(完整图纸) .doc.doc

    机械制造工艺学课程设计 设计挡环零件的机械加工艺规程(完整图纸) .doc.doc

    APM2706C-VB一款2个N+P-Channel沟道SOT23-6的MOSFET晶体管参数介绍与应用说明

    ±20V;7 /-4.5A;RDS(ON)=20 / 70mΩ@VGS=4.5V;VGS=20V;Vth=0.71 / -0.81V

    提升基于深度学习的随机数随机性检验的能力.zip

    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。

    机械原理课程设计 自动链条编结机.docx

    机械原理课程设计 自动链条编结机.docx

    基于深度学习的肺炎分类研究.zip

    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。

    上市公司-绿色申请、授权数据(2000-2023年).dta

    上市公司-绿色申请、授权数据(2000-2023年).dta

    机械制造工艺学课程设计 插入耳环加工工艺及铣R12.5键槽的夹具设计.doc

    机械制造工艺学课程设计 插入耳环加工工艺及铣R12.5键槽的夹具设计.doc

    基于深度学习和计算机视觉的实时人体姿态估计技术应用于医疗服务场景.zip

    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. *

    首页网站快捷入口js实现 html

    首页网站快捷入口js实现 html,鼠标划过切换

    【Unity精品源码】JU TPS 3 v3.0.52 最新版

    JU TPS 3 是一个专为 Unity 引擎设计的第三人称射击游戏开发套件,它包含了丰富的功能和高度优化的组件,可以帮助开发者节省大量时间,专注于创造独特的游戏体验。 【特点】 1.丰富的游戏元素:JU TPS 3 提供了多种预制的游戏元素,包括角色、武器、车辆和物理效果,这些都是构建第三人称射击游戏的关键部分。 2.优化的性能:套件中的所有资源都经过优化,确保在各种硬件平台上都能流畅运行。 3.易于定制:开发者可以根据自己的需求,轻松定制游戏的外观和行为。 4.物理效果:套件包含了先进的物理效果,使得游戏的交互更加真实和有趣。 使用 JU TPS 3,开发者可以快速开始游戏项目的开发。套件中的资源和工具可以帮助开发者构建游戏世界、角色控制、AI 行为和其他游戏机制。此外,JU TPS 3 还提供了详细的文档和教程,帮助开发者更好地理解和使用套件中的功能。 JU TPS 3 是一个强大的第三人称射击游戏开发套件,它为 Unity 开发者提供了一个快速、高效且功能丰富的平台,以创建引人入胜的游戏体验。无论是独立开发者还是游戏开发团队,JU TPS 3 都是一个值得考虑的选择。

    ... 外方法优化:(1)最早的有将人脸进行五官分区域定位回归,但很容易使最终结果陷入局部最优值而不是全局最优

    。(2)heatmap热图的方法,对数据标签进行处理生成高斯热图,从而更好的回归关键点位置。(3)风格聚合方法,对数据集进行处理生成不同风格的图片,以应对复杂的真实….zip

Global site tag (gtag.js) - Google Analytics