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
100+累计阅读
120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
Spring Cloud Alibaba是一套基于Spring Cloud的微服务开发框架，它提供了一系列的组件和工具，使得在阿里巴巴生态系统中构建和部署微服务变得更加简单和高效。最近的一次升级中，Spring Cloud Alibaba团队引入了许多令人兴奋的新功能和改进，为开发者们带来了更好的开发体验和更高的生产力。
一、新功能介绍
// 导入必要的依赖
import org.springframework.cloud.client.discovery.DiscoveryClientSpring AI Alibaba：Java开发者快速集成大模型的开箱即用框架
在当今的软件开发中，将人工智能能力集成到现有应用已成为提升产品智能化的关键路径。其核心原理在于通过标准化的API调用，将大语言模型的自然语言处理、内容生成等能力封装为可复用的服务。这一技术价值在于显著降低了AI应用的开发门槛和集成复杂度，使开发者无需深入底层细节即可构建智能功能。典型的应用场景包括为现有企业系统添加智能对话、内容摘要、代码生成等能力。Spring AI Alibaba框架正是这一理念的工程实践体现，它基于Java开发者熟悉的Spring Boot生态，提供了统一的编程模型和开箱即用的配置，让
Nacos微服务治理实战：从核心原理到生产级部署与Spring Cloud整合
在分布式系统和微服务架构中，服务注册与发现、配置管理是两大核心基础能力，它们共同构成了服务治理的基石。其核心原理在于通过一个中心化的注册中心，动态管理服务实例的元数据与状态，实现服务间的解耦与弹性调用；同时，配置中心将应用配置外部化、集中化，支持动态刷新，提升了系统的可维护性和灵活性。这项技术的核心价值在于极大地简化了服务间通信的复杂度，并实现了配置的实时、一致管理，是构建高可用、易扩展的云原生应用的关键支撑。其典型应用场景包括微服务架构下的服务发现、流量管理、多环境配置隔离以及灰度发布等。本文聚焦于阿里巴
Spring AI Alibaba：Java智能体开发的工程化落地实践
智能体（Agent）是大模型时代实现目标驱动自动化的核心范式，其本质在于将业务逻辑、工具调用与状态管理有机协同。理解Agent需从基础原理出发：它依赖Function Calling实现模型与外部能力的契约化交互，依托状态机保障多步任务的可控流转，并通过可观测性与配置治理支撑企业级交付。在Java技术栈中，Spring AI Alibaba并非提供AI能力本身，而是将大模型调用、多模态处理（如语音识别audio）、工具编排等能力深度融入Spring生态，使AI成为可管理、可监控、可事务增强的一等公民。本文聚
Spring Cloud Alibaba升级带来的众多新特性和改进
在Spring Cloud Alibaba的最新版本中，引入了一个新的组件——Nacos Config。在最新版本的Spring Cloud Alibaba中，Dubbo支持了Spring Boot 2.4和Spring Framework 5.3的新特性。此外，还增加了对Dubbo 2.7.x的支持，并解决了一些与Dubbo集成相关的问题。近期，Spring Cloud Alibaba迎来了一次重要的更新，该更新涵盖了许多令人兴奋的新特性和改进。
国产射频直采收发器CX8242KA JESD204C调试
杭州诚芯公司的CX8242KA是国内开发的极少数支持JESD204C接口的高速AD、DA，Serdes具备支持接收和发送，并且速率可以到25Gbps，在国内属于领先水平。250M参考时钟输入，AD采样率2.5G，DA采样率10G，3收2发，主通道模式4，反馈通道模式1，基带采样率1250M，线速率20.625G，收发同时配置混频625M。CX8242KA的204C接口模式支持10种模式，在手册上都有说明。2、 支持TX信道编码，RX信道解码，提升健壮性。这里使用模式4，支持双通道模式，并且反馈开启。
手把手教你用Arduino搭建惠斯通电桥：从原理到代码实现（附完整电路图）
本文详细介绍了如何利用Arduino搭建惠斯通电桥，从硬件选型、电路设计到代码实现和校准技巧，提供完整的电路图和实用代码示例。特别适合电子爱好者和创客学习高精度电阻测量技术，并扩展应用于应变片测量和温度监测等实际项目。
Python爬虫终极实战：逆向解析+异步处理，高效爬取中关村在线万级产品数据
爬虫工程师的战场，已经从简单的HTML解析，转向了对网络协议、JavaScript执行逻辑的深度逆向工程。然后刷新页面，当浏览器发起这个请求时，执行会暂停，我们可以一步步跟蹤调用栈（Call Stack），找到发起请求前的JavaScript代码，从而发现参数的计算逻辑。它们会添加一个动态的、一次性的签名（token）或加密参数，用于验证请求的合法性。这是整个爬虫最核心、最具技术含量的部分。的请求，其响应体正是结构清晰的JSON数据，包含了当前页面的所有手机信息（产品ID、名称、价格、图片等）。
接入 AI 之后，为什么测试和排障还是没有真正变快？
如果你们准备做平台型 AI，不要先从聊天入口开始想。先把真实数据采上来；再把链路、版本、快照、报告这些核心对象建稳；再把历史沉淀、反馈、检索能力补齐；最后再让 AI 围绕这些对象去工作。这样做出来的 AI，才更容易从“看起来聪明”走向“真正省时间”。
基于YOLOv8改进的目标检测算法研究及毕设实现全流程指南
在PyTorch中定义改进后的YOLOv8模型。首先，导入相关的库和模块，然后定义骨干网络、颈部和头部的结构。# 这里定义骨干网络的结构，例如使用改进的CSP结构# 卷积层、批归一化层、激活函数等# 更多的卷积层、批归一化层、激活函数等# 其他层...# 其他层的输出...然后，定义颈部和头部的结构，类似地，将注意力机制和特征增强方法集成到模型中。本毕设以YOLOv8为基础，通过集成注意力机制、应用特征增强技术等方法，改进了目标检测算法。
uniapp - [全端兼容] 实现精美Editor富文本编辑器功能，uniApp全平台兼容的富文本插件组件用户可上传图片及对接服务器存储文件等，手机移动端H5网页富文本/小程序富文本/App富文本！
uni-app，h5移动端网页，微信小程序，支付宝小程序，Android安卓，苹果ios，app，nvue，uniapp富文本编辑器，uniapp中如何实现各平台都兼容的富文本编辑器，Editor富文本插件，uniApp微信小程序富文本，UNI-APP安卓苹果ios系统App端富文本组件，editor富文本编辑器如何实现上传图片，图片上传后不显示怎么办，如何配置图像上传功能，富文本图片上传怎么传到服务器中，获取图片路径，editor插入图片，富文本编辑器上传图片，报错怎么办，跨域CORS处理，配置不行无效
08 RK3568 MAC TO MAC直连 RTL8367S mdio
本文：采用rk3568 gamc0 通过rgmii直连 交换芯片的mac口 通信方法为mdio。
【YOLO11[基础]】分类任务的热力图可视化实践 | 论文必备 | 分类任务 | 即插即用 | 可选GradCAMPlusPlus, GradCAM, XGradCAM, EigenCAM, HiR
【YOLO11[基础]】分类任务的热力图可视化实践 | 论文必备 | 分类任务 | 即插即用 | 可选GradCAMPlusPlus, GradCAM, XGradCAM, EigenCAM, HiResCAM, LayerCAM, RandomCAM, EigenGradCAM等
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
409
扫一扫
