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
500+累计阅读
557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
以前一直用的mysql官网下载msi方式安装，这次在学校装的时候网络有问题，一直下载不下来，然后通过zip方式安装。
两种安装方式的教程：
1. msi方式安装教程
2. zip方式安装
zip方式安装5.7版本可能会有点问题，我建议使用mysql-5.6版本。
安装出现的问题:
创建用户及授权教程：MySQL创建用户与授权方法
安装mysq 5.7.20 解压版遇到的坑(推荐)
最近有朋友说当mysql5.7.20解压版环境变量配置好后，根目录没有my.ini 也没有 my-default.ini文件，怎么处理这个问题呢，下面小编给大家带来了解决方案，大家可以参考下
记录mysql.zip安装遇到的坑
解压后，配置环境变量，新建my.ini文件 忘记了root密码，按以下步骤 1使用管理员权限打开cmd，停止mysql服务：net stop mysql 2进入到mysql的bin目录，输入：C:\Program Files\mysql-5.7.23-winx64\my.ini"--console--skip-grant-tables 跳过权限安装检查，不用输入用户密码连接mysql ...
PyQtWebEngine安装避坑指南：快速解决ModuleNotFoundError
本文详细解析了PyQt5开发中常见的ModuleNotFoundError: No module named 'PyQt5.QtWebEngineWidgets'错误。核心原因是PyQt5 5.11版本后，网页引擎组件被独立为PyQtWebEngine包。文章对比了退回旧版本、独立安装及使用Conda等多种解决方案，并提供了针对Windows、macOS和Linux不同平台的实战安装指南与验证方法，帮助开发者快速解决依赖问题。
使用mysql的ZIP包时遇到的各种坑及解决办法
一、下载MYSQL,一不注意下载成了ZIP 1、 https://dev.mysql.com/downloads/mysql/ 我这边下载的是mysql-8.0.11-winx64.zip包 2、下载完成了，就开始直接使用吧，我以为直接解决到mysql的bin目录下找到mysql.exe运行就可以了。。。 很错误的经验。实际不是这么用的啊。现象是每次一打开就闪退出去了...
AI智能体赋能Cypress：自动化前端测试的新范式
自动化测试是现代软件工程保障质量的核心实践，其原理是通过脚本模拟用户操作，对软件功能进行验证。随着大语言模型（LLM）和智能体（Agent）技术的发展，测试自动化正迈向智能化新阶段。智能体能够理解自然语言描述的测试需求，并自主规划、执行测试步骤，这为应对前端UI频繁变更、测试用例维护成本高等挑战提供了新思路。在工程实践中，将Cypress这一流行的前端测试框架封装为智能体可调用的标准化技能（Skill），是实现这一愿景的关键。通过设计清晰的交互协议和状态管理机制，智能体可以像人类测试工程师一样“感知”页面状
淘特App x-sign参数逆向实战：从抓包到算法定位
本文详细解析了淘特App的x-sign参数逆向过程，从抓包分析到算法定位，涵盖了使用jadx-gui进行静态分析、Frida动态Hook验证以及Native层算法还原等关键技术。文章重点介绍了x-sign参数的生成机制及其在阿里系应用中的安全防护策略，为逆向工程师提供了实用的调试技巧和对抗策略。
Mysql 5.7.17 解压版(ZIP版)安装步骤详解
from： http://www.bkjia.com/Mysql/1187691.html 下载 解压版下载地址(需要登录) ：http://dev.mysql.com/downloads/mysql/ 下载后解压到你想要安装的目录就可以了 配置环境变量 为了方便使用，不必每次都进入bin目录 就添加环境变量，如果不嫌麻烦就不必...
NoC架构深度解析：从拓扑结构到流量控制的全面指南
本文深入解析了片上网络（NoC）架构，从总线架构的瓶颈出发，阐述了NoC作为芯片内部“交通网”的核心优势。文章详细探讨了主流拓扑结构（如Mesh、Torus、Ring）的选型权衡，并系统介绍了数据包格式、路由算法、路由器流水线、流量控制机制以及网络接口（NI）设计，为理解现代多核SoC的通信基石提供了全面指南。
Tooltip延迟显示与关闭跳过：前端交互实现全攻略
从前端交互基础概念出发，围绕工具提示（Tooltip）的延迟显示、延迟关闭与跳过关闭逻辑展开。通过定时器协作与事件处理机制，解析纯CSS、原生JavaScript以及React、Vue等框架下的实现原理，并结合antd、Element Plus、ECharts等组件库的配置差异，说明如何避免闪烁、内容无法悬停等常见问题。在数据密集型表格、图表联动及操作按钮组等高频交互场景中，合理的延迟策略能显著提升操作效率与体验。本文以工程实践方式，将复杂的定时器管理与边界处理抽象为可复用方案，帮助开发者快速构建稳定可靠的
GD32重映射实战：从部分映射到完全映射的配置解析
本文深入解析GD32微控制器的重映射功能，以定时器1的PWM通道为例，详细阐述了从部分映射到完全映射的实战配置流程。文章重点介绍了AFIO模块的核心作用、配置寄存器操作以及关键的避坑指南，旨在帮助开发者灵活优化PCB布局并解决引脚资源冲突，从而高效利用芯片外设功能。
模拟IC实战—30天精通Sigma-delta(Σ-Δ) ADC 行为级建模与仿真
本文为模拟IC工程师提供了一套为期30天的Sigma-delta ADC行为级建模与仿真实战指南。文章深入浅出地阐释了Sigma-delta ADC如何通过过采样和噪声整形两大核心技术实现高精度转换，并重点演示了如何使用Python从零搭建一阶和二阶调制器模型，进行性能仿真与关键指标分析，为后续电路级设计提供清晰的性能预算和架构指导。
Mysql5.7的ZIP安装流程（填坑）
@Mysql5.7的ZIP安装流程 今天忙活了一天，遇到了一丢的坑，一开始是mysql8.0不支持进入安装模式，而后又是配置文件不对付，mysqld --initialize时出现data创建时文件不全，导致MySQL服务无法启动，而现在终于整完了 发个文章把正确的流程整理下： 1.Mysql5.7下载 首先到Mysql官网拿到下载链接，下载时注意，选择没有测试的zip包，不然的话会影响后面安装流...
MTK平台TP驱动设备树与GPIO配置实战解析
本文详细解析了MTK平台TP驱动开发中的设备树与GPIO配置实战。通过DCT工具配置GPIO引脚，结合设备树节点定义触摸参数，并分享驱动移植、编译调试技巧及常见问题解决方案，帮助开发者快速掌握MTK触摸驱动开发核心。
windows环境下mysql的安装以及填坑
mysql + navicat
用长tree方式做等长线
1）写一个sdc，把等长线的起点设置成clock source，用于创建create_clock，至于period和waveform等参数随便写即可。然后clock_opt -from build_clock -to route_clock即可。3）在正式cts之前或之后，给自己创建的scenario长tree并don't touch。前面讲过了如何用set_data_check做等长线，这里再讲一下如何用cts的方式做。2）为该clock创建一个新mode，并创建对应的scenario。
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")
mysql执行快捷键_「1」分享Windows环境安装MySQL的填坑之旅
【1】准备工作MySQL官网下载mysql-5.7.19-winx64.zip；【2】配置环境变量点击“我的电脑->属性->高级->环境变量”，在变量名Path中新增MySQL的解压路径。见图：【3】创建my.ini文件、data与upload文件夹进入MySQL的安装路径(D:MySQLmysql-5.7.19)，创建my.ini文件、data与upload文件夹。用文本编辑器...
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
mysql windows安装_「1」分享Windows环境安装MySQL的填坑之旅
【1】准备工作MySQL官网下载mysql-5.7.19-winx64.zip；【2】配置环境变量点击“我的电脑->属性->高级->环境变量”，在变量名Path中新增MySQL的解压路径。见图：【3】创建my.ini文件、data与upload文件夹进入MySQL的安装路径(D:MySQLmysql-5.7.19)，创建my.ini文件、data与upload文件夹。用文本编辑器...
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
MySQL-5.7填坑
绿色版（zip archive 版）无 my-default.ini As of MySQL 5.7.18, my-default.ini is no longer included in or installed by distribution packages. 文档里的安装流程： MySQL :: MySQL 5.7 Reference Manual :: 2.3.5 Inst...
初遇Flarum_搭建安装的遇坑填坑过程
一.前言 Flarum是一款优雅简洁论坛软件。对PHP一点儿都不懂得我，开启了对Flarum的研究，过程中遇到了很多的坑，如今终于安装成功，写个小文章记录一下，供大家参考，初次接触php，如有错误，还请大神们指教。 我搭建安装使用的环境： win10系统； php 7.4.5（VC15 x64 Thread Safe）； Apache2.4.43（...
免安装版MySQL(解压版)安装详细教程及注意事项（填坑版）
MySQL分为安装版和解压版。为了以后MySQL出问题想重装时的各种不必要的麻烦，我个人推荐解压版MySQL。详细步骤如下： 1.下载。 官网下载网址：https://dev.mysql.com/downloads/mysql/ 根据你的系统（32位或者64位）选择后缀是ZIP Archive的压缩包下载到本地。 点击Dowload后会要求你登录，不用管，直接点击No thanks, just start my download。 2.解压 选择一个路径（建议将常用的工具分类放在同一文件夹如D;\Progr
使用innoSetup将mysql+nginx+redis+jar包打包成windows安装包
如何将springboot项目打包成windows安装包？看这一篇就够了
CentOS7安装Discuz3.3（填坑）
先放出来官方的安装方法 官方安装方法下面写正常的安装方法：1.安装CentOS7服务器这个是必须的嘛，然后安装时候的安装方式选basic web那个扽，不要选最小模式，就选这个就行了，如果你想其他的附加功能，可以点多一些选项，然后这样你就不用再装一遍httpd和openssh了。等装完之后，这个时候我们是上不了网的，我们配置一下vim /etc/sysconfig/network-scripts
(填坑)centos7搭建LAMP
一、安装镜像时 1.官方资源找不到，其他软件网站怕有毒，所以要校验镜像的MD5等。 命令：certutil -hashfile 文件名路径文件名 2.在虚拟机中镜像安装完成的时候，会提示你同意一份协议 Initial setup of CentOS Linux 7 (core) 1) [x] Creat user 2) [!] License information (no ...
Win11系统下MySQL5.7彻底卸载指南：从服务清理到注册表残留（附MySQL8.0.35无缝安装技巧）
本文提供了一份详尽的Win11系统下MySQL5.7彻底卸载指南，涵盖服务清理、程序文件删除、注册表残留清除及环境变量移除等关键步骤。同时，文章附带了MySQL8.0.35的无缝安装技巧，包括ZIP包安装、服务配置及初始化设置，旨在帮助用户彻底解决旧版本残留问题，实现平滑升级。
MySQL数据库安装
为大家提供一种在windows(此例中是windows8.1)上安装MySQL服务端(5.7版本/zip版本)的简易方法，顺便将博主在安装过程中遇到的问题及解决办法分享，供大家参考。 1. 下载MySQL服务端下载MySQL压缩包到本地： 2. 将压缩包解压 解压的路径自行选择，下面是博主选择的路径： 3. 修改(或新增)配置文件下载my.ini文件放到已解压的文件中(密码: hsm
萌新想要在自己的windows下安装mysql，并使用mysql服务，快过来看看 - -,保证通俗易懂！
题外话： 学生时代的我，对新知识那是一脸萌币，当时流行ssh，也没咋学，就是自学了点Java知识，就去校招面试，所幸面试通过了，后来参加工作，对不懂的也就是一顿百度，然后不停的填坑，埋坑，这样的感觉着实很糟糕，想想自己是一个程序员，为何干的事情却不是程序员该干的事情呢（可能也跟自己的所处环境有关系，因为是外包，博主的建议，应届生最好不要进外包，很耽误自身的成长，应该多去面面互联网创业公司，这...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
205
扫一扫
