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
300+累计阅读
395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
邮件跟踪是Exchange服务器中的一项重要功能，它允许管理员跟踪和监控邮件的传送过程。通过邮件跟踪，管理员可以了解邮件的发送、接收和传递情况，以及检查邮件是否成功投递到目标收件人的邮箱。在Windows环境下，我们可以通过一些命令和PowerShell脚本来实现这一功能。
以下是一些常用的Exchange邮件跟踪管理实践和相关的源代码示例：
管理员可以使用以下命令获取邮件跟踪日志。首先，打开Exchange管理Shell，然后运行以下命令：
Get-MessageTrackingLog -Start "2023-09-01 00:00:00" -End "2023-09-23 23:59:59" -ResultSize Unlimited
上述命令将返回从指定日期范围内的所有邮件跟踪日志。管理员可以根据需要调整起始日期和结束日期，并可以使用其他参数来进一步筛选结果。
Outlook已发送邮件丢失：从快速排查到系统级修复全攻略
邮件客户端是现代办公中处理电子邮件通信的核心工具，其稳定性和数据完整性直接影响工作效率。邮件同步、数据存储与客户端配置是保障邮件正常收发与归档的基础原理。当出现已发送邮件丢失等问题时，不仅影响工作记录追溯，也可能意味着底层数据文件损坏或系统策略冲突。从技术价值看，掌握系统性的诊断方法能有效提升IT支持效率和用户自主排障能力。本文聚焦于Outlook客户端，针对常见的已发送邮件不显示问题，提供了一套从视图设置、缓存同步检查，到修复数据文件（PST/OST）、重建配置文件，乃至排查Windows组策略与注册表的
Exchange 邮件投递被拒的问题分析与解决方案 (Windows)
然后，检查Exchange服务器的邮件跟踪日志，查看是否有任何与此问题相关的错误信息。在处理这些问题时，确保您有足够的管理员权限和对Exchange服务器的访问权限。此外，定期监视Exchange服务器的日志文件和事件日志，以及保持服务器的安全更新和补丁程序的安装也是很重要的。上述代码将连接到指定的Exchange服务器，并使用Get-MessageTrackingLog cmdlet检索指定日期范围内的邮件跟踪日志。c) 在"接受者连接"选项卡中，检查是否存在与被拒绝IP地址或IP地址范围相关的条目。
Exchange Online Kiosk产品详细介绍
Exchange Online Kiosk是Microsoft Office 365中的一种订阅计划，专为轻量级用户和前台工作人员设计。它提供了基本的电子邮件、日历、联系人和任务管理功能，并具有较低的价格。在本文中，我们将详细介绍Exchange Online Kiosk的功能和优势。Exchange Online Kiosk是一种适用于轻量级用户和前台工作人员的订阅计划，提供了基本的电子邮件、日历、联系人和任务管理功能。
Exchange 2016 DAG 与 PowerShell 架构排错实战
Exchange 2016 的部署与运维常因角色合并、数据库可用性组（DAG）和客户端自动发现机制而变得复杂。理解 Mailbox 服务器如何同时承担协议入口与数据存储，掌握 DAG 网络隔离与见证设计，是构建高可用邮件系统的关键。运用 PowerShell 可以标准化批量建邮箱、权限委派（RBAC）和保留策略配置，提高日常管理效率。在排错场景中，队列状态、邮件跟踪日志和 AutoDiscover 虚拟目录检查是快速定位问题的核心手段。面对从 Exchange 2010/2013 升级或备考 70-345
Cobalt Strike4.0安装包（内附中文版）
1.什么是 Cobalt Strike Cobalt Strike 是一个为对手模拟和红队行动而设计的平台,主要用于执行有目标的攻击和模拟高级威胁 者的后渗透行动。 Cobalt Strike已经不再使用MSF而是作为单独的平台使用，它分为客户端与服务端，服务端是一个，客户端可以有多个，可被团队进行分布式协团操作。集成了端口转发、扫描多模式端口Listener、Windows exe程序生成、W...
银河麒麟系统安装redis【亲测可行】
架构：Linux 5.10.0-9-generic x86_64 GNU/Linux。redis版本：redis-6.2.3.tar.gz。然后在执行make install，结束；OS：银河麒麟V10（SP1）未激活。cpu：I5-10代；
Ubuntu 24.04 搭建 Squid 代理服务器终极指南：从入门到 HTTPS 缓存AI模型
本文详细指导在Ubuntu 24.04系统部署Squid代理服务器，实现AI大模型文件的高效缓存。重点内容包括：1) 安装squid及必备的squid-openssl扩展包；2) 配置HTTPS拦截(SSL-Bumping)功能，创建CA证书和SSL数据库；3) 优化缓存策略，设置4TB存储空间并强制缓存常见大文件格式；4) 结合华为防火墙实现透明代理。文章特别强调实际部署中的关键注意事项和常见错误解决方案，如证书路径配置、权限设置等问题，帮助用户快速搭建企业级缓存代理服务。
在Cursor中集成Ollama与Qwen2.5‑Coder：零成本本地AI开发环境搭建
本文详细介绍了如何零成本搭建本地AI开发环境，通过将Cursor IDE与本地运行的Ollama及Qwen2.5-Coder模型集成，实现数据不出本地的智能编程辅助。教程涵盖Ollama安装、模型拉取、ngrok内网穿透配置及Cursor设置等核心步骤，并提供了实战测试与常见问题排错指南，为注重隐私与成本的开发者提供安全高效的解决方案。
华硕笔记本+Ubuntu 20.04：用cpupower解决Intel CPU频率上不去/功耗墙问题实战
本文详细介绍了在华硕笔记本Ubuntu 20.04系统下使用cpupower工具解决Intel CPU频率受限和功耗墙问题的实战方法。通过禁用Intel P-State驱动、配置userspace模式以及高级调优技巧，帮助用户突破性能瓶颈，提升编译和计算效率。
用MSBlock重塑C2f，让你的模型又轻又强（参数量与精度的双重突破）
打开确保模型解析器能识别MSBlock模块。通过将MSBlock集成到YOLOv8的C2f模块中，我们实现了一个“轻量且多尺度感知”的目标检测模型。这个改进不仅在工程上能降低部署成本、提升推理速度，更在科研上提供了“多尺度+动态核”的创新思路——这种思路可以延伸到其他网络（如ResNet、MobileNet）的改进中，帮你在论文中打造独特的研究点。如果你在实现过程中遇到问题，比如代码报错、训练收敛异常，可以先检查模块集成的每一步是否到位，再尝试调整MSBlock的卷积核尺寸、动态权重的计算方式等超参数。
微信小程序中使用画布canvas实现动态心电图绘制
近期，接了个项目，三端（小程序、PC、公众号）同步开发，PC端没的问题，以前一直做的就是PC端，但是小程序和公众号之前没有做过，只能通过这个项目，边做边学了。人家都说小程序用原生的特别难，大部分都用uniapp开发，说是这个方便快捷，还能写app呢，因为我们的项目，需要用到蓝牙采集数据、画布画仪表盘以及心电图等，所以我们不太敢用uniapp开发，硬着头皮开始用原生开发。开发的过程中，也遇到过很多问题，但是好在经过我们团队的不懈努力，问题基本都解决了。下面我就来分享一下，在小程序中，如何通过canvas。
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")
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
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
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
398
扫一扫
