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
350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
在web下建一个js的Directory，把jquery-3.3.1.min.js放进去，不用add as…的。
再在web目录下新建一个js_test.html：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>js快速入门</title>
<!--这里的src看你放的jquery-3.3.1.min.js位置，我这里有个js目录，所以写了-->
<script src="js/jquery-3.3.1.min.js"></script>
</head>
<body>
<div id="div1">div1</div>
<script>
//使用JQuery获取元素对象，$是jquery-3.3.1.min.js定义的函数名，$括号里，传你想要放的选择器
var div1 = $("#div1");
alert(div1.html())
</script>
</body>
</html>
l
浏览器直接打开该js：
The moving least square approximation(MLS).
移动最小二乘法， moving least square
【前端开发---jQuery】想要快速入门JQuery？看这一篇文章就够了，笔记够详细，可以收藏学习。
jQuery快速入门，用jQuery框架款速高效的操作DOM，让开发效率提高好几倍；知识点包括JQuery入门，jQuery操作DOM，jQuery事件，jQuery函数，JQuery动画等等；
H3C设备VRF配置实战：5步搞定多业务网络隔离（附排错技巧）
本文详细介绍了在H3C设备上配置VRF（虚拟路由转发）实现多业务网络隔离的实战方法。通过五步配置流程，从创建VPN-instance、绑定接口到配置独立路由表，帮助网络工程师在单台设备上构建逻辑隔离的企业级网络，并分享了高级路由配置与常见排错技巧。
❋JQuery的快速入门 1 了解jq
JQuery 是一个“写的更少，但做的更多”的轻量级 JavaScript 库。使用前要先导入jquery库，到jQuery官网下载，导入至html中的head标签即可。
多传感器标定全栈系统学习教程
无论是激光雷达（Lidar）、毫米波雷达（Radar）、相机（Camera）还是惯导（IMU），传感器之间的精确标定直接决定了系统的可靠性与性能。本文将以系统化的视角，梳理多传感器标定的核心知识体系，并分享一套覆盖全栈技术的学习路径。Calibration）是实现点云与图像融合的前提，而雷达与车辆的标定（Radar2Car）则是精准速度估计的关键。：Lidar2Car、Camera2Car的快速标定流程，标定板布置规范。：从单传感器标定入手（如相机内参），逐步过渡到多传感器联合标定。
团子杂记：SAP收入确认工具RAR(Revenue Recognition&Reporting)在新收入准则下的应用
SAP收入确认工具RAR知识分享
JQuery快速入门
W3C 标准给我们提供了一系列的函数，让我们可以操作：网页内容、网页结构、网页样式。但是原生的JavaScript提供的API操作DOM元素时，代码比较繁琐，所有我们。，于2006年发布。它封装JavaScript常用的功能代码，提供了简洁而强大的选择器和DOM操作。使用JQuery可以轻松地选择和操作HTML元素，从而减少了开发人员编写的代码量，提高了开发效率，它提供的API易于使用且兼容众多浏览器，这让诸如 HTML 文档遍历和操作、事件处理、动画和Ajax操作更加简单。
SQL实现数据仓库ETL：分层设计、增量抽取与性能优化实践
在数据仓库建设过程中，ETL（抽取、转换、加载）是数据流转的核心环节。传统观点常将ETL与专业工具或大数据框架绑定，但在中小规模数据场景下，基于SQL的ETL方案凭借低门槛、高可维护性和直观的排错体验，成为高效且务实的选择。本文从ETL的基础概念出发，阐述数据仓库分层（ODS、DWD、DWS、ADS）中每层ETL的定位与职责，重点剖析增量抽取策略（时间戳、主键、日志）下的SQL实现方式，以及数据清洗、去重和格式化的常见写法。同时，结合真实项目经验，分享慢SQL优化技巧、任务调度依赖设计、幂等性保障和常见问题
jQuery快速入门
【代码】jQuery快速入门。
企业级大模型落地：私有化部署的安全合规全流程实战指南
摘要：本文针对企业在大模型私有化部署中面临的数据泄露、合规风险及系统稳定性难题，提出一套覆盖数据安全、模型合规、审计追踪与灾备方案的全流程解决方案。通过双加密管道（国密SM4传输加密+AES-GCM存储加密）、SGX可信执行环境等技术，实现数据全生命周期保护；结合等保2.0三级要求与《生成式AI服务管理暂行办法》，提供合规性实施细则；并给出本地GPU集群、混合云、边缘推理盒子三种企业级部署方案及成本模型。
Java数据可视化实战：基于JFreeChart的数学函数绘图工具开发
JFreeChart是一个开源的Java图表库，适用于Swing和JavaFX应用程序。折线图和面积图柱状图和饼图散点图和气泡图组合图表3D图表等实现自定义数学表达式解析：java复制下载throw new IllegalArgumentException("表达式不能为空");// 验证表达式try {}");throw new IllegalArgumentException("无效的数学表达式: " + e.getMessage());try {
JQuery超详细快速入门详解(一)
目录 一.JQ-简述及引入 二.JQ:JS和JQ元素对象互转 三.JQ-页面加载完成时 四.JQ-基本选择器 五.JQ-动画效果 一.JQ-简述及引入 JQuery是JavaScript的框架。 FileUtils是原生IO的框架 使用<script src=””/>引入 引入成功：谷歌F12，控制台无报错 引入失败：谷歌F12，控制台有报错 （404-找不到资源） 二.JQ:JS和JQ元素对象互转 JS元...
时空智友企业流程化管控系统文件上传漏洞
时空智友企业流程化管控系统是一个功能丰富、灵活可定制的企业管理工具。通过该系统，企业能够实现流程的自动化、协同的提升、数据的洞察和决策的优化，从而提高工作效率、管理水平和企业竞争力。时空智友企业流程化管控系统 formservice接口处存在任意文件上传漏洞，未经认证的攻击者可通过此接口上传后门文件，最终可导致服务器失陷。
数据科学快速入门：jq工具简明教程
在数据科学领域，JSON格式的数据处理是一项基本而重要的技能。本文将介绍一个被称为"JSON数据界的sed"的强大工具——jq，它能够高效地处理JSON格式数据，实现数据编辑、过滤和构造等功能。 ## jq基础概念 jq是一个轻量级且灵活的命令行JSON处理器，其核心功能包括： 1. 数据提取：从复杂的JSON结构中提取特定字段 2. 数据转换：修改和重组JSON数据结构 3. 数据过滤：基...
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")
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
WrenAI Text-to-SQL 教程：连上自己的数据库，用大白话问出数字
产品同学想看本周的销售额，客服同学想查某个订单的状态，可两个人都不会写 SQL，最后只能排队等数据团队。WrenAI 是一个开源工具，让你直接用自然语言查数据库：你用大白话提问，它把问题翻译成一条 SQL 跑出去，再把结果递到你手上。这个"用问话换查询"的过程一般叫 Text-to-SQL，而 WrenAI 用检索增强生成（RAG，先把你数据库的相关资料找出来、再喂给大模型）让这一步更准、也更稳。
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.
❋JQuery的快速入门2 jq动画与案例
自定义动画+5个案例
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
jquery快速入门(一)dom对象与jq对象
dom对象和jq对象 dom使用js语法创建的对象是dom对象，也就是js对象。 例如 let obj = document.getElementById(‘xx’) obj就是dom对象 jq对象 使用jq语法表示对象叫做jq对象， jq的对象是伪数组。 例如 $(‘div’) 内部是 { 0: dom对象, 1: dom对象, &n
jq 快速入门：3 步装好它，1 条命令跑通 JSON 处理
晚上十点，接口同事甩来一个 2000 行的 JSON 日志，让你"顺便看下第几个字段"。用文本编辑器逐行翻？正则一写就头大？这时候你需要 jq——一个专为命令行 JSON 处理而生的工具，装好后一条命令就能把想要的字段挖出来。 ## 🎯 先弄懂它：jq 到底是干嘛的 一句话定位：jq 是终端里的 JSON "抽卡机"，你把整包数据丢给它，它按你给的"咒语"（filter）只吐出你要的那一张。
ripgrep 如何用 -E/--encoding 与 BOM 自动嗅探搜索 UTF-16 等非 UTF-8 编码文件
当你用 ripgrep 搜索一份在 Windows 环境生成的 UTF-16 文本，或一份用 cp1251、GBK 这类传统单字节/双字节编码保存的文件时，常见现象是：模式明明“看起来”就在那个文件里，ripgrep 却报告没有匹配。原因在于文件只是一堆字节，没有可靠的方式判断其编码，而 ripgrep 的正则引擎（如 Unicode 感的 `\w`、任意字符 `.`）默认按 UTF-8 解释输入
卡证检测矫正模型入门必看：如何用jq命令行工具快速解析返回JSON
本文介绍了如何在星图GPU平台上自动化部署卡证检测矫正模型，并利用jq命令行工具高效解析模型输出的JSON数据。该模型专用于身份证、护照等卡证的自动检测、定位与透视矫正，可广泛应用于金融、政务等场景的自动化信息录入与审核流程，显著提升处理效率。
❋JQuery的快速入门2 jq鼠标滚轮
除了scroll外还有onmousewheel监听滚轮滚动
JQuery（一）：快速入门、JQ与JS相互转换、JQuery中的选择器
jQuery是一个快速、简洁的JavaScript框架，是继Prototype之后又一个优秀的JavaScript代码库（或JavaScript框架）。jQuery设计的宗旨 是“write Less，Do More”，即倡导写更少的代码，做更多的事情。它封装JavaScript常用的功能代码，提供一种简便的JavaScript设计模式，优 化HTML文档操作、事件处理、动画设计和Ajax交互。
x-cmd-pkg | gojq - 基于 Go 编写的 jq 工具
是由基于 Go 编写的 jq 工具。用户还可以将gojq作为库嵌入到自己的 Go 产品中。
rustc 的 --check-cfg 如何检查条件编译：为 Cargo 项目声明期望的 cfg 名称与取值
`#[cfg]` 条件写错了名字或取值——比如把 `windows` 拼成 `widnows`、用了一个不存在的 feature——编译不会报错，那段代码只是静默地不再参与编译。`rustc` 的 `--check-cfg` 就是用来堵住这类问题的：你用 check cfg 声明式在编译前声明"哪些 cfg 名称和取值是预期的"，编译时所有可达的 `#[cfg]` 都会对照这份期望清单，不匹配的名
jq animate()可以使用的属性_【An教程】快速入门Animate（原Adobe Flash）
介绍Animate其实就是我们之前常说的Flash，只不过换了个名字罢了。在Animate中除了支持原先的Swf文件外还开始支持Html5创建项目点击主页左下方「创建」我们可以对「文件名」「宽高」等内容进行修改认识界面我们通过一张图来认识一下界面绘制图形在左侧的工具栏中有图形绘制的工具，利用其我们能绘制「矩形」「圆形」「多边形」在这里我们要注意一点的是：在Animate中默认使用「合并绘制模式」也...
ORY Fosite 实战与源码解析：Go 生态的 Security-first OAuth2 与 OpenID Connect 框架
> 本文以仓库中 [fosite/README.md](https://link.gitcode.com/i/4cbef51e77a67138d787168ba9aa0c87) 为主体，结合 Hydra 仓库内 Fosite 的源码实现（compose、config、storage、token/hmac、scope_strategy、i18n 等模块）进行纵深展开。Fosite 是 ORY Hyd
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
299
扫一扫
