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
2.1k累计阅读
2.1k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
assembly插件具有lineEnding选项可用于控制给定的行结束文件 fileSet. 此参数，正是他们要去你想要的 最终，可以生成zip存档，与CRLF线和tar 。gz存档与LF线。
...
<fileSet>
<directory>src/main/bin</directory>
<fileMode>0744</fileMode>
<outputDirectory>./bin</outputDirectory>
<lineEnding>unix</lineEnding>
</fileSet>
...
此时可能的值包括：
Windows下搭建EDK2开发环境的完整指南与避坑手册
UEFI固件开发是嵌入式底层技术的核心环节，其构建基础依赖EDK2这一官方参考实现。EDK2并非普通应用框架，而是面向裸机运行的固件编译系统，需深度协同Visual Studio工具链、Python构建脚本及Windows原生API。在工程实践中，Windows平台因OEM/ODM主流工作环境、JTAG调试器兼容性及VS IntelliSense对宏展开的优异支持，成为不可替代的开发载体。本文聚焦Windows原生构建路径，解析VS2022版本锁定、Python虚拟环境隔离、WORKSPACE路径规范、to
【总结】unix和windows中line endings的区别
unix unbuntu kylin 16.04 + python 2.7 + gedit3.18.3 windows windows10+pyhon2.7+sublime text 3 总结 unix的行尾是两个字符："\r\n"windows的行尾是一个字符："\n"所以在读文本文件时，要留意不同系统的区别！比如在上例中，同样的...
【超详细】安装了anaconda后，Ubuntu18+COLMAP配置疯狂踩坑踩至魔怔的记录
本博客收集了博主在Ubuntu18系统中编译COLMAP所遇到的困难，提供了解决方法，也收集了目前网上大多数的坑，除此之外，也为Ubuntu18系统下COLMAP的安装提供了一种新的路径。
Maven Assembly插件 使用与标签介绍
Maven Assembly插件 使用与标签介绍
【论文+代码】ZS-N2N实现小样本零网络图像去噪
本文涵盖论文原文讲解与代码复现。
微信小程序一键登录和临时code用JWT进行微信用户授权
2、跨域进行调用接口时候，唯一标识UnionID和会话密钥 session_key如果还是用的我自己的，会出现无法调用微信服务器接口，就需要将唯一标识和会话密钥换成前端的，才可以，我自己认为这样很不合理，暂时还没有找到原因。2、能够获取到openId，但是也只能获取到openid，无法获取用户的相关信息，经过查阅官网发现，现在微信那边已经将用户信息加密，需要调用提供的接口进行解密然后获取用户数据，问题原因已经找到解决方法，还未即使更改。1、我这是一台电脑实现的前端调用后端接口，不用考虑跨域的问题。
maven打包插件--maven-assembly-plugin
maven-assembly-plugin插件
我的老款Intel MacBook Pro，如何用OpenVINO把本地大模型推理速度提升10倍？
本文详细介绍了如何在老款Intel MacBook Pro上使用OpenVINO工具包将本地大模型推理速度提升10倍。通过对比Ollama CPU原生、Transformers原生和OpenVINO优化三种方案，展示了OpenVINO在性能优化上的显著优势，并提供了从环境配置到模型转换、性能调优的完整实战指南。
window打包的shell脚本 \r\n 不识别
转自：https://blog.youkuaiyun.com/lxxc11/article/details/79386005/ Linux下有命令dos2unix 你只要输入dos2unix *.sh就可以完成转换工作了 如果命令不存在的话就用如下命令安装 yum install dos2unix -y...
手把手调试Android 14 ShellTransitions：用Log追踪ActiveTransition与Handler匹配过程
本文详细介绍了在Android 14中调试ShellTransitions机制的方法，重点通过Log追踪ActiveTransition与Handler的匹配过程。文章提供了关键日志点植入策略、Handler匹配机制解析及实战调试案例，帮助开发者解决窗口转场动画中的卡顿和错乱问题，提升系统动画性能。
YOLO26改进策略【卷积层】| SPD-Conv 针对小目标和低分辨率图像的检测任务
SPD-Conv是一种新的 CNN 构建模块，用于替代传统 CNN 架构中使用的步长卷积（strided convolution）和池化（pooling）层，它由空间到深度（Space-to-depth，SPD）层和非步长卷积（non - strided convolution）层组成。
shell 启动java_shell 脚本启动jar程序
Linux下启动jar包程序，直接上步骤：1、首先，maven项目打成一个jar包，同时使用dependency:copy-dependencies命令导出依赖的jar包，把导出的包和项目jar包都放进lib文件夹里2、编写shell脚本：#!/bin/bashexport JAVA_HOME=/home/program/java/jdk1.8.0_60 ###jdk安装...
11、频率响应与伯德图详解
本文详细介绍了电子电路分析中的频率响应与伯德图，涵盖分贝的定义与计算、带宽与3dB点、放大器反馈机制、倍频程与十倍频程概念，并系统讲解了基于实数和复数零极点的伯德图构建方法。通过具体示例分析了传递函数的渐近近似、幅度与相位响应，并结合MATLAB工具展示了伯德图的绘制过程。文章旨在帮助读者深入理解电路在不同频率下的行为特性，为电路设计与优化提供理论支持。
Seatunnel 2.1.3 源码打包、编译运行
记录一下：Seatunnel源码修改之后，本地编译打包执行，中间遇到的问题。
YOLO小目标检测优化：9种实用方案，准确率直接提升15%
小目标检测是个系统工程，没有银弹，但有明确的优化路径。优先搞数据。Copy-Paste + 提升分辨率，这俩加起来成本最低、收益最大，能解决80%的小目标问题。别一上来就改模型结构。调参走在改结构前面。锚框聚类、损失加权、增强优化，这些都是零成本的，先做满了再说改模型的事。P2层是大杀器，但不要轻易用。加了P2层，TensorRT部署、后处理、速度都要跟着调，工程化工作量翻倍。数据和训练做到位还不够，再加也不迟。滑动窗口是兜底的。能从训练端解决的问题，就不要拖到推理端。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
Apache DolphinScheduler本地编译部署包问题小结
此文主要是针对本地开发编译环境为Windows，部署环境为Linux的情况，梳理的部分遇到的问题及解决办法。打包及部署过程所遇的问题小结如上。若遇其他问题，可自行查看日志或网络查找基本上能找到解决的办法。
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
颤抖吧！服务器！！
昨天申请下来了我们的一个测试服务器权限，之后发现自己啥也不会，这玩意怎么玩啊，而且我还挺害怕自己成为上班三个月就月薪突破70w的程序员小赵。。。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
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")
mvn 构建项目，脚本windows编译成功,linux执行失败
一般情况都是该shell脚本在windows下的结束符合linux下不一样，导致执行失败。 使用linux命令dos2unix，执行dos2unix *.sh(就是将你的脚本由windows转化为linux格式)
Nexus 3.x 私服批量上传脚本解析：1个Shell脚本实现Windows本地仓库JAR自动同步
本文详细解析了Nexus 3.x私服批量上传脚本的核心原理与Windows适配方案，通过Shell脚本实现本地Maven仓库JAR文件的自动同步。文章涵盖文件筛选、路径标准化处理、并行上传控制等关键技术点，并提供Windows环境下的Git Bash、WSL和Cygwin适配对比，以及增强版脚本开发与错误排查指南，助力开发者高效管理私服仓库。
centos 安装maven_使用Jenkins实现spring boot项目自动部署，包括maven多模块项目
1.解锁Jenkins，查看密钥，将密钥复制到页面中，进入Jenkinscat /var/lib/jenkins/secrets/initialAdminPassword2.由于配置没有理解透，花了大把的时间来处理插件的问题，坑~~~上一篇中centos中使用linux命令安装jenkins中修改/var/lib/jenkins/updates/default 的时候需要替换很多东西：u...
nexus私服仓库批量导入本地jar
nexus私服批量导入本地库 小弟上篇文章：nexus下载&安装&仓库使用： https://blog.youkuaiyun.com/weixin_42717648/article/details/98206733 本文部分转载自：Nexus3.x批量导入本地库： https://blog.youkuaiyun.com/u014468095/article/details/87261817 如图点击顺序 ...
linuxcentos将本地库JAR/arr批量导入到Nexus3.x
错误信息中的 ^M 表示回车符 (Carriage Return)，这通常是由于 Windows 平台上的文本文件在 Unix/Linux 平台上执行时引起的。也就是说，你要上传哪些文件，你把你文件放在对应的目录下，比如你要上传com这个文件夹，你就放在对应的目录。如果系统中没有安装 dos2unix 命令，你可以尝试使用 sed 命令来移除回车符。可以使用 dos2unix 命令将脚本文件转换为 Unix/Linux 格式。**#将此脚本复制并运行到包含文件的存储库目录的根目录。
Spring Boot应用JAR加密部署实战：基于XJAR的三步安全加固方案
在Java应用部署中，字节码反编译是常见的安全风险，攻击者可通过工具轻易还原源代码，暴露核心业务逻辑与敏感信息。其原理在于.class文件包含可逆向的指令集，这催生了代码保护技术的需求。字节码加密技术通过在类加载阶段动态解密，有效阻止静态分析，为知识产权保护和等保合规提供关键技术支撑。该技术尤其适用于金融、电商等对代码安全要求高的场景。本文以Spring Boot应用为例，结合XJAR工具，详解从源码加固到生产环境密钥管理的完整加密部署方案，其中密钥安全传递与自动化流程是工程实践的核心挑战。
Git clean 安全指南：未跟踪文件清理与预演防护
git clean 是 Git 中用于清理工作区未跟踪文件的核心命令，其本质是基于索引（index）与工作目录状态差分的过滤引擎，而非简单删除工具。理解 untracked files 的数学定义（既不在 HEAD 也不在 index）、.gitignore 的过滤逻辑及 -f/-d/-x 参数的真实语义，是避免误删的关键。dry run（-n）作为不可绕过的安全前置步骤，提供可审计的预览能力；interactive safety（-i）则赋予开发者细粒度控制权。该命令广泛应用于本地开发环境整理、CI/CD
基于jenkins进行定制化开发
Jenkins是一个开源的、提供友好操作界面的持续集成(CI)工具，起源于Hudson（Hudson是商用的），主要用于持续、自动的构建/测试软件项目、监控外部任务的运行（这个比较抽象，暂且写上，不做解释）。Jenkins用Java语言编写，可在Tomcat等流行的servlet容器中运行，也可独立运行。通常与版本管理工具(SCM)、构建工具结合使用。常用的版本控制工具有SVN、GIT，构建工具有Maven、Ant、Gradle。
Apache Ant 从入门到精通：Java项目构建的完整指南
我们平常在写 Java 程序的时候，基本的步骤都是 打开一个集成开发环境（Eclipse 或者 Intellij IDEA）-> 开开心心的敲代码 ->点击 Run，就可以很有成就的看到自己辛劳的成果了。但是在实际的项目开发中，我们的项目会很大，而且在部署到服务器的时候我们需要用到一些自动化的工具（比如 jenkins），这个时候我们熟悉的集成开发环境就不存在了，因此我们需要用另外一种编译、打包、运行程序的方法。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
441
扫一扫
