墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
866平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
问题描述：
页面底部不显示访问数量和访问总数。
解决办法：
不蒜子是Hexo里面的第三方服务集成，而前期的不蒜子的域名更改了，所以需要修改Hexo里面的配置文件，修改js的引用就可以解决该问题。
修改文件路径：/theme/next/layout/_third-party/analytics/busuanzi-counter.swig文件
将文件最上面的js引入连接改为https://busuanzi.ibruce.info/busuanzi/2.3/busuanzi.pure.mini.js
问题成功解决，数量正常显示
本地显示的数字是随机的，部署到服务器上面就好了。
Hugo静态博客系统搭建：本地编辑+Git版本+自动化部署
静态博客是一种基于纯文本内容、通过构建工具生成HTML的轻量级网站形态，其核心原理是将Markdown源文件经模板引擎（如Hugo）编译为静态资源，实现零服务端逻辑、高安全性和强可移植性。该技术路径显著降低运维成本，提升SEO友好度与加载性能，并天然支持Git版本控制和CI/CD自动化流程。典型应用场景包括技术博主个人站、开源项目文档、企业内部知识库及长期数字资产沉淀。本文聚焦Hugo框架下的工程化实践，涵盖本地可编辑工作流、YAML元数据驱动的内容建模、GitHub Actions自动化部署，以及面向十年
2023年，Hexo Next主题添加访客统计、访问次数统计、文章阅读次数统计
不算子官网显示src的链接需要更新为这个,才能继续使用。4. hexo g， hexo d重新部署，成功显示。
通达信数据读取利器：基于pytdx的Python封装工具设计
在量化投资与数据分析领域，高效获取行情数据是策略研究的基础。通达信作为常见看盘软件，其数据结构封闭，直接编程访问困难。pytdx作为开源库，可直连通达信行情服务器，但使用门槛高，需手动管理连接、处理格式不统一等问题。本文从Python工程实践视角出发，探讨如何封装pytdx，设计一套统一、易用的数据读取工具。该工具将复杂的通信细节封装为简洁接口，支持实时行情、历史K线、财务数据及分笔数据，并自动处理连接池、重试机制、单位换算，最终输出干净的DataFrame。通过这一封装，个人量化研究者、数据分析师及定时任
Hexo NexT主题添加不算子统计
不算子官网 不算子官网有不算子详细使用的官方文档，但是如果你仅仅是想要在NexT中开启不算子统计，可以跳过直接往下看 开启不算子统计 NexT中已经为我们集成了不算子统计的代码，我们只需在NexT配置文件中开启即可 进入Hexo站点目录\themes\next\_config.yml，打开配置文件 搜索busuanzi_count关键字找到不算子统计的相关配置，配置如下： 只需将...
ArcGIS标注（二分式、三分式、条件分类标注、上下标、牵引线、文字格式化…)
ArcGIS中的各种标注方法、可能遇到的问题和细节。
SHP转TXT、TXT转SHP工具（附工具下载链接）
关于TXT，可以选择整个图层生成一个TXT。也可以勾选“每个地块单独存TXT”，然后选择一个字段，根据字段值，给每个地块生成一个TXT文件。支持选择和数据框一样的坐标系，也可以选择一个图层，工具会采用和这个图层一样的坐标系。1、TXT数据支持输入单个或者多个TXT文件，也可以直接选择TXT所在的文件夹。所有的TXT数据都生成到一个矢量数据图层。关于这一行的内容，可以在地块坐标行设置中进行设置。其他：①面节点闭合：勾选，则回到起点。属性描述：可以直接复制粘贴进来，也可以直接修改。也可以改为任意字母。
Hexo折腾系列——不蒜子计数器初始化
不蒜子是一款简单好用的网站访客数量统计插件。只需两行代码，就可搞定静态网站的计数难题。许多Hexo主题也都内置了这个功能。 不蒜子好虽好，但有一大问题就是如果你换了域名，那你的访客计数就归零了。而官网上写的注册后初始化的功能也是被作者一鸽再鸽。因此要初始化访客计数就只能另辟蹊径了。 总结了网上的方法无非就是在全局加上一段js，在不蒜子计数加载完成后在加上一个初始值。 对于我使用的 Icarus主题，有两种修改方法： 修改主题代码 方法一 我在main.js中加上了如下代码： var config = wi
从菜鸟到高手：我的Abaqus壳单元S4R、S3R、S8R选择心路历程
第一次打开Abaqus的单元库时，我被琳琅满目的壳单元类型晃花了眼。S4R、S3R、S8R、STRI65、S9R5...这些看似随意的字母数字组合，背后却隐藏着影响仿真精度的关键密码。作为一名从土木工程转行到汽车结构仿真的工程师，我花了三年时间才真正理解如何根据问题特性精准选择壳单元。这段学习历程充满试错与顿悟，今天就用几个关键案例，分享我的壳单元选择方法论。
hexo+next添加搜索功能和访问量统计，以及遇到的坑
目录 1.添加搜索功能 2.添加访问量 3.所踩过的坑 1.添加搜索功能 在博客根目录下，执行如下命令 npm install hexo-generator-searchdb --save 修改站点配置文件 修改根目录下_config.yml，在最底部添加如下配置 search: path: search.xml field: post format: html limit: 1...
Viobot使用教程总贴
使用教程总贴
Nuvoton OpenTitan开源安全芯片技术解析与应用
硬件安全模块(HSM)作为可信计算基的核心组件，其设计透明度和可验证性正成为行业焦点。RISC-V架构凭借开源特性，为构建可审计的安全芯片提供了新范式。OpenTitan项目通过开放Verilog源码和形式化证明，实现了从物理不可克隆函数(PUF)到分层安全启动的全栈透明。该方案在lowRISC Voyager开发板上实测显示，安全启动时间小于200ms，性能损耗仅7%，显著优于传统黑盒方案。目前该技术已应用于Chromebook和数据中心，其40nm工艺版本更将功耗降至5μA待机水平，为物联网和边缘计算提
Hexo博客NexT主题下添加字数统计和阅读时长
安装hexo-symbols-count-time $ npm install hexo-symbols-count-time --save 如果安装完报如下提醒，还需安装eslint D:\hexo\blog>npm install hexo-symbols-count-time --save npm WARN babel-eslint@10.0.1 requires a p...
相机光学（三十八）——VCM（Voice Coil Motor）音圈马达
VCM（Voice Coil Motor）音圈马达全称Voice Coil Montor，电子学里面的音圈电机，是马达的一种。因为原理和扬声器类似，所以叫音圈电机，具有高频响、高精度的特点。其主要原理是在一个永久磁场内，通过改变马达内线圈的直流电流大小，来控制弹簧片的拉伸位置，从而带动上下运动。手机摄像头广泛的使用VCM实现自动对焦功能，通过VCM可以调节镜头的位置，呈现清晰的图像。弹片式结构滚珠式结构摩擦式结构Open loop开马达Close loop闭环马达。
hexo博客解决不蒜子统计无法显示问题
如题，刚巧最近在统计自己各个平台博客的总阅读量问题，结果写好的代码，突然运行不出结果。后面发现博客页面底部的访客统计也有问题。于是就来考虑如何解决。 1 原因 笔者用hexo博客和NexT主题已经有一段时间，很喜欢这个主题的简约。不蒜子统计其实在NexT集成得非常好（所以我其实也不是很懂它的原理）。突然出问题很奇怪，于是笔者第一次在百度上尝试搜索了不蒜子统计。结果出来的官网显示了一条消息。 不蒜...
【C语言】程序员筑基功法——《函数栈帧的创建与销毁》
汇编角度带你走进函数栈帧
电商平台系统需求规格说明书（示例）
电商系统：指本文件所描述的集商品展示、销售、支付、物流跟踪、用户管理等功能于一体的综合性在线购物平台。API：应用程序编程接口（Application Programming Interface），用于实现系统各模块之间或与外部系统之间的数据交互和功能调用。
解决busuanzi_count突然失效的方法（hexo-theme-next）
2018-09月份的时候，还正常的使用不蒜子统计功能（不蒜子统计功能配置文件已经配置好:themes\next_config.yml）。过完国庆后，看自己的博客突然不蒜子统计失效了，没有统计数量了。 说明 我这里是使用的hexo-theme-next主题，主题版本为：5.1.4 原因分析 由于定位到是不蒜子统计功能突然有问题了，所以前往不蒜子官网进行查看，发现官网有一段很重要的提示： “因七牛...
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
安装/解决Hexo next搜索错误笔记
前言 搜索功能无效，一直在哪转圈圈，头都晕了 说起就来气，添加了那么多篇文章，突然就这几天就不可以用hexo的搜索功能，我写了那么多篇文章突然今天写项目发现不记得想来查一下居然用不了气得我 横看竖看都不知道错哪里，配置了好几遍也是不行 最后还是被我ko了 赶紧记录下来下一次就不用怕了 所需工具/资料 mac 10.13.3 VS code (软件很多自己喜欢，这个失败了一会说原因) Chro...
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
百度统计新手必看：从零开始监控你的网站流量（含Hexo博客实战案例）
本文详细介绍了如何使用百度统计从零开始监控网站流量，特别针对Hexo博客提供了实战案例。从基础配置、统计代码获取到核心指标解读，帮助新手快速掌握流量分析技巧，优化博客运营策略。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
2019基于Hexo快速搭建个人博客，打造一个炫酷博客(1)-奥怪的小栈
本文转载于：奥怪的小栈 这篇文章告诉你如何在2019快速上手搭建一个像我一样的博客:基于HEXO+Github搭建。并完成SEO优化，打造一个炫酷博客。 本站基于HEXO+Github搭建。所以你需要准备好HEXO+Github等相关软件和工具。 前言 现在已经是2019年了，你还没有自己的博客就out了！所以，我为了赶上时代的潮流，花费了几天的时间，从零基础到入门。搞...
打造惊艳个人博客：六款设计案例与技术实现深度解析
在Web开发领域，个人博客不仅是内容载体，更是展示技术能力与设计品味的重要平台。其核心原理在于通过前端技术栈（如React、Next.js、CSS）将内容、设计与交互有机结合，实现从静态展示到动态体验的升级。技术价值体现在性能优化、用户体验提升和个人品牌差异化构建上，尤其在信息过载的当下，一个设计精良的博客能有效提升访客留存与专业认可。应用场景广泛，适用于开发者构建技术履历、创作者塑造个人品牌或作为前沿技术的试验田。本文聚焦于**极简美学**、**技术炫技**与**交互创新**三大流派，通过六个具体案例，深
静态博客技术基建：Hugo+PaperMod打造可审计知识库
静态博客是一种将内容、样式与逻辑彻底解耦的网站构建范式，其核心原理在于通过预生成HTML提升安全性、性能与长期可维护性。相比WordPress等CMS，静态方案规避了运行时漏洞、平台锁定与格式漂移风险，具备天然的抗审查性、零依赖部署能力及Git原生版本控制优势。在系统编程、基础设施文档、算法笔记等强调代码准确性与知识复用的场景中，Hugo因其编译速度、Go模板简洁性及对LaTeX/mermaid/高亮代码的原生支持，成为工程师构建个人知识基建的首选引擎。本文详解如何基于Hugo与PaperMod主题，落地一
技术人如何用Hugo搭建本地优先的静态知识库
静态站点生成器是构建可长期维护、高检索效率技术文档系统的底层基础设施；其核心价值在于将内容与呈现解耦，依托纯文本（Markdown）实现跨平台可移植性与版本可控性。相比CMS或SaaS笔记工具，静态方案天然保障数据主权、降低迁移成本，并通过文件系统路径隐式建模知识结构，显著提升信息组织的确定性与复现性。在工程实践中，Hugo凭借Go语言高性能、Front Matter元数据灵活性及增量构建可靠性，成为技术博客、故障复盘、配置实验等场景的首选工具。本文围绕本地优先、CLI驱动、离线可用三大原则，详解一套面向工
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
411
扫一扫
