TeaVM的samples/benchmark范例运行办法

简介: TeaVM的samples/benchmark范例运行办法

编译打包成功之后:


第一种方式

进入目录samples/benchmark/target/teavm-samples-benchmark-0.6.0-SNAPSHOT,把index.html拖入浏览器中,界面如下:

image.png



 前两个可以进行测试对比。


第二种方式

这种方式,0.6.0是无法运行的,需要0.5.0。


 比如说,samples目录下有个benchmark,其中的Readme.md内容如下:


Compares the speed of execution on a complex JBox2D CPU extensive computation. JavaScript produced by TeaVM and GWT can be compared by running
$ mvn clean install
then just open the generated HTML versions
$ open target/teavm-samples-benchmark-*-SNAPSHOT/index.html 
In addition to that one can run the same demo with classical HotSpot virtual machine. Just try:
$ mvn -Pfx exec:java

 看着有点怪异是不?吾先进行编译动作:

cd samples/benchmark
$ mvn -Pfx exec:java

 结果如下:


image.png


第三种方式

直接把teavm-wasm.html拖入浏览器。结果不能运行。


需要把目录复制到tomcat下,启动tomcat,通过WEB访问。这个0.6.0是无法运行的,必须是0.7.0或master。

目录
相关文章
|
6月前
|
网络协议 安全 测试技术
性能工具之emqtt-bench BenchMark 测试示例
【4月更文挑战第19天】在前面两篇文章中介绍了emqtt-bench工具和MQTT的入门压测,本文示例 emqtt_bench 对 MQTT Broker 做 Beachmark 测试,让大家对 MQTT消息中间 BenchMark 测试有个整体了解,方便平常在压测工作查阅。
501 7
性能工具之emqtt-bench BenchMark 测试示例
|
Java 程序员 网络安全
JUnit5学习之六:参数化测试(Parameterized Tests)基础
了解JUnit5的参数化测试的基本知识
202 2
JUnit5学习之六:参数化测试(Parameterized Tests)基础
|
测试技术 KVM 开发工具
【OS Pintos】Pintos 内核库基本数据结构 | 运行测试用例 alarm-multiple
【OS Pintos】Pintos 内核库基本数据结构 | 运行测试用例 alarm-multiple
157 0
|
程序员 开发者 Python
#PY小贴士# py2 和 py3 的差别到底有多大?
虽然结论已经很明确,但我还是想客观地说一句:对于学习者来说,学 py2 还是 py3,真的没有太大差别。之所以这会成为一个问题
|
6月前
|
索引
yolov5--detect.py --v5.0版本-最新代码详细解释-2021-6-29号更新
yolov5--detect.py --v5.0版本-最新代码详细解释-2021-6-29号更新
285 0
yolov5--detect.py --v5.0版本-最新代码详细解释-2021-6-29号更新
|
机器学习/深度学习 搜索推荐 TensorFlow
inference.py的代码解释
这是一个 Python 脚本,它用于导出经过训练的模型,使其可以在生产环境中进行推理。该脚本首先使用 TensorFlow 的 flags 定义了一些参数,如模型版本号、模型路径、输出目录等等。然后,它创建了一个名为 inference_graph 的 TensorFlow 图,并定义了一个 InferenceModel,该模型用于从输入数据中推断评级。
469 0
|
存储 API
selenium源码通读·11 |webdriver/common/touch_actions.py-TouchActions类分析
selenium源码通读·11 |webdriver/common/touch_actions.py-TouchActions类分析
96 0
selenium源码通读·11 |webdriver/common/touch_actions.py-TouchActions类分析
|
机器学习/深度学习 数据采集 搜索推荐
training.py的代码解释
labels、test_loss_op 和 mae_ops 计算模型的性能指标。最后,我们输出当前 epoch 的训练损失、测试损失和平均绝对误差(MAE),并保存模型参数(如果 MAE 小于 0.9)。 整个代码的目的是使用协同过滤算法建立电影推荐系统的模型,训练模型并计算模型的性能指标。
115 0
|
编解码 并行计算
再论WRF模式报错:traj_opt is zero, but num_traj is not zero ,如何解决问题,成功运行
再论WRF模式报错:traj_opt is zero, but num_traj is not zero ,如何解决问题,成功运行
再论WRF模式报错:traj_opt is zero, but num_traj is not zero ,如何解决问题,成功运行