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
1.7k累计阅读
1.7k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
1、在本地将项目通过命令打包（这里使用idea工具）
2、通过账号登录项目发布服务器
3、替换jar包进行发布
4、命令行进行发布项目
mvn clean package
注意：如果使用mvn clean package打包不成功的话，使用mvn package进行打包。
注意事项：./bin/service.sh 是自己写的java包执行脚本，具体代码参见百度。
手把手教你用STM32实现SPWM逆变器控制（附完整代码）
本文提供了一份基于STM32实现SPWM逆变器控制的完整实战指南。文章从硬件选型（如STM32F103C8T6、IR2104驱动器）入手，详细解析了利用定时器TIM1生成SPWM波形的核心原理与代码实现，并涵盖了驱动电路、全桥功率电路及LC滤波器的设计要点与调试技巧，旨在帮助读者从零构建一个可靠的单相全桥逆变器系统。
使用MobaXterm发布前端代码到服务器，配置nginx反向代理
使用MobaXterm 进行ssh远程链接，部署前端代码到服务器，配置nginx反向代理
汉字跨越三千年的生命力与数字时代适应性
文字作为文明载体，其演变规律始终遵循实用性与适应性的平衡。汉字作为现存最古老的文字系统，凭借形义结合的六书构造原理，实现了超方言的文化统一功能。在计算机处理方面，五笔输入法与Unicode支持证明了其技术兼容性，而视觉识别效率的先天优势使其在信息时代更具传播效力。从甲骨文识别AI到现代书法设计，汉字系统持续展现强大的文化承载力与技术适应性，这种活态传承为数字人文研究提供了独特样本。
Linux项目部署一【MobaXterm工具+部署项目】
使用Mobaxterm远程登录服务器。MobaXterm是一个全功能的终端软件。支持SSH连接，支持FTP、串口等协议。完美替代Xshell。
HOPE：基于强化学习的混合策略路径规划器，适用于多样化停车场景
本文提出了一种混合策略路径规划器（HOPE），用于解决自动停车中的路径规划问题。HOPE结合了强化学习（RL）和Reeds-Shepp（RS）曲线，通过动作掩码机制引导RL智能体的探索，并利用Transformer融合环境感知信息与掩码。该方法在多样且复杂的停车场景中实现了超过97%的成功率，并通过真实实验验证了其泛化能力。此外，本文还提出了基于空间与障碍物分布的停车场景难度分级标准，进一步提升了训练与评估的效率。实验结果表明，HOPE在规划成功率和跨场景泛化能力上均优于传统的基于规则算法和朴素强化学习方法
小梅哥Xilinx FPGA学习笔记11——亚稳态
亚稳态就是D触发器输入信号在其数据窗口期内发生变化，导致D触发器的输出进入一段时间的不稳定状态，有可能发生振荡，并最终随机稳定在高电平或者低电平。
前端部署MobaXterm连接服务器
MobaXterm链接服务器
基于 Simulink 的双向 DC/AC 逆变器中 IGBT/MOSFET 寄生参数影响分析实战教程
摘要：本教程详细解析了Simulink中IGBT/MOSFET寄生参数对双向DC/AC逆变器的影响。通过对比理想模型与含寄生参数（如20nH内部电感、50nH回路电感）的仿真，揭示了电压尖峰、高频振荡等实际问题。建模步骤包括搭建基准电路、引入寄生参数、配置高精度求解器（步长10ns），并给出抑制措施：添加RC缓冲电路、调整驱动电阻。关键发现：寄生参数会显著增加开关损耗和EMI噪声，需通过参数扫描优化设计。教程还提供了代数环报错、仿真速度优化等实战技巧，帮助工程师从理想仿真过渡到高保真分析。
idea+MobaXterm在linux上部署项目
MobaXterm_20.0汉化版下载 链接：https://pan.baidu.com/s/1p89vQA-O6qZgPD2VG8nSXg 提取码：llll 1、通过ide生成jar包 2、将jar包上传到linux服务器对应的目录中 3、启动jar包 首先查看该端口下的进程，我的项目端口是：9091 netstat -lanp|grep 9091 发现该端口号没有被占用，如果占用则将改端口号杀死 kill -9 12436 启动jar包 nohup java -jar lzh-si
华为OD机试E卷 -猜字谜（Java & Python& JS & C++ & C ）
小王设计了一个简单的猜字谜游戏，游戏的谜面是一个错误的单词，比如nesw，玩家需要猜出谜底库中正确的单词。猜中的要求如下：请你写一个程序帮忙在谜底库中找到正确的谜底。谜面是多个单词，都需要找到对应的谜底，如果找不到的话，返回”not found”
600份国家自然基金申报书--模板
600份国家自然基金申报书--模板
软件合集(项目开发中会用到的软件)
另外，JMeter能移对应用程序做功能回归测过，通时创建带有断言的脚本来验证你的程序返回了你期望的结果。软件成分分析（Software Composition Analysis, SCA）是Gartner定义的一种应用程序安全检测技术，该技术用于分析开源软件以及第三方商业软件涉及的各种源码、模块、框架和库等，以识别和清点开源软件的组件及其构成和依赖关系，并检测是否存在已知的安全和功能漏洞、安全补丁是否已经过时或是否存在许可证合规或兼容性风险等安全问题，帮助确保企业软件供应链中组件的安全。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
关于MobaXterm_Personal项目部署和查看日志等一些小知识笔记
如果服务器上没有dist包 需要去拿一下资源我们公司目前是把资源放在gitlab上 随便找一个空文件夹拉进去 然后把dist包替换成要上生产的包，然后在拥有。docker logs --tail 100 -f xxxxxxxxx 查看日志 --tail 100的意思是输出100行。这个文件，这个文件在哪个目录下就去哪个目录下执行上面那两个命令，路径需要替换成你所放dist包的上一层。docker build --no-cache -t 镜像名:（需要在上一次版本号上加1） .
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
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")
docker部署jar包项目
docker部署jar包项目 1.liunx创建文件夹 首先在liunx宿主机上找个位置创建一个新的文件夹，用于存放我们的jar包和Dockerfile文件。我这里实在/usr/local/apps目录下存放。 mkdir /usr/local/apps/hello #创建文件夹 2.将打包好的jar包传入新建的文件夹中 这里传输方式有很多种，不一一介绍了，我这里使用的是mobaxterm客户端链接的liunx虚拟机，这个工具自带sftp链接方式，可以直接传文件。 3.创建Dockerfile文件 在
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
将项目发布【1.用MobaXterm】
【1.用MobaXterm】 删除Root。 替换war包（删除并添加） 【1】ps -ef|grep java 找到占用的线程号 【2】kill -9 10862 ...
部署springboot项目到服务器
我的服务器是腾讯云服务器，Linux系统。对于和我一样对Linux指令不熟悉的可以先安装个宝塔面板再对服务器进行操作。 宝塔面板安装如下： 官网地址 打开服务器控制台安装面板： yum install -y wget && wget -O install.sh http://download.bt.cn/install/install_6.0.sh && sh install.sh 运行后会有一个宝塔面板的入口地址以及账号密码，账号密码可以在宝塔面板里进行更改的。 宝塔
linux下项目的打包部署（前端vue cli+后端是springboot）
linux下项目的打包部署（前端vue cli+后端是springboot），前端vue-cli+axios，后端springboot+maven
springboot中移除tomcat插件的方法
<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> <!-- 从依赖信息里移除 Tomca...
在远程服务器上换包（MobaXterm）
cd /etc/systemd/system/ vim otp-ofclacct-web.service [Unit] Description=otp-ofclacct-web After=syslog.target [Service] ExecStart=/usr/local/java/jdk1.8.0_171/bin/java -jar /usr/local/service/otp-ofc...
使用MobaXterm发布前端代码到服务器
前端工程师自行发布VUE目标代码到服务器nginx下
MobaXterm简单使用步骤
下载 MobaXterm下载地址：https://mobaxterm.mobatek.net/download-home-edition.html
mobaXterm上传jar后续操作
mobaXterm:上传文件 上传后的文件在/tmp 文件目录下，启动jar包命令： java -jar xxx.jar 关闭窗口后，进程结束 nohup java -jar xxx.jar 后台启动jar，关闭窗口后，仍然运行，日志在nohup.log文件中 ps -ef|grep java 查看进程 kill 进程id 杀死进程 java -jar xxx....
Linux中部署Spring Cloud项目
虚拟机搭建Linux环境，配置JDK、MySQL、Nacos、Redis、Nginx等环境，部署Spring Cloud项目。
mobaXterm上传jar包
使用mobaXterm工具上传jar包时，任务条一直不前进，显示为0. 选择后上传， 解决方案： 可以将jar文件重命名为txt文件，按照以上方法重新上传，上传完成后修改txt为jar即可。 注意：文件路径不要有中文。...
idea上传jar包到nexus
确保idea中项目为maven项目，并且在nexus中已经创建了maven私服。
通过idea插件一键将jar包发布到阿里云服务器部署
通过idea插件一键将jar包发布到阿里云服务器部署
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
589
扫一扫
