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
100+累计阅读
121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
声明：仅供技术参考非官方专业指导，如操作导致数据问题概不负责！！！
操作前提：
已经有搭建成功的集群环境，并且停止监视器，守护进程和数据库服务，注意备份实例文件；
1.
备份实例在备份实例内还原dm.ini参数
ALTER_MODE_STATUS=1
ENABLE_OFFLINE_TS=1
2.
dm_svc.conf文件 里去掉mount=true
3.
可以注册临时的单库服务，然后起服务
4.
修改数据库状态：
alter database normal;
alter database open;
AirSim安装和地图加载
详细教程如何安装AirSim并加载地图
从PMP到软考，从Java开发到政务系统工程师——17种典型职业路径的科目决策链（稀缺版路径图首次解密）
帮你精准解决软考科目怎么选适合自己这一难题，覆盖PMP转岗、Java开发进阶、政务系统工程师等17类真实职业路径，提供场景化决策链与稀缺路径图。方法实用、路径清晰、适配度高，值得收藏。
微信小游戏过审实战：JS混淆与马甲包规避技巧
本文详细解析了微信小游戏过审的实战技巧，重点介绍了JS代码混淆与马甲包规避策略。通过代码混淆、资源文件处理和分阶段提审等方法，有效应对微信机审系统的代码包侵权检测，提升过审成功率。文章还分享了常见问题的解决方案和实战经验，为开发者提供实用指导。
【赵渝强老师】达梦数据库的产品系列
达梦数据库是达梦公司在总结DM系列产品研发与应用经验的基础上，坚持开放创新、简洁实用的理念，推出的新一代自研数据库。达梦数据库吸收借鉴当前先进新技术思想与主流数据库产品的优点，融合了分布式、弹性计算与云计算的优势，对灵活性、易用性、可靠性、高安全性等方面进行了大规模改进，多样化架构充分满足不同场景需求，支持超大规模并发事务处理和事务-分析混合型业务处理，动态分配计算资源，实现更精细化的资源利用、更低成本的投入。一个数据库，满足用户多种需求，让用户能更加专注于业务发展。【赵渝强老师】达梦数据库的产品系列。
微信小程序 - 解决报错 operateAudio:fail audioInstance is not set（wx.getRecorderManager苹果ios真机调试运行，播放音频播放出错解决）
微信小程序，苹果ios系统，真机测试报错，播放音频报错operateAudio:fail audioInstance not exist，errCode: -1，小程序生成音频播放报错errMsg，真机调试报错开发者工具没问题，wx.getRecorderManager，音频实例，InnerAudioContext，各种方法都试了不行，只有ios苹果手机有这个问题，IOS 出现 operateAudio，在iOS无法播放的解决方案，更新到最新版本了还是不行，链接没有特殊字符，微信小程序全局音频设置,手机上播
揭秘CAS：深入理解与应用解析
在并发编程中，Compare-And-Swap（CAS）机制作为一种无锁算法，凭借其高效性和避免线程阻塞的优势，受到广泛关注。CAS不仅在底层实现上有着重要地位，还在实际开发中发挥着关键作用。本文将从CAS的工作原理、在Java中的实现及其增强机制来回顾和加深理解一下CAS。
Oracle静默安装，含仅软件安装和数据库安装及常见报错处理方法DBT-10317 DBT-05509 [FATAL] ORA-03114
本文详解Oracle 19c单机版静默安装与数据库创建全流程，涵盖目录配置、响应文件编写、安装及建库命令，附常见报错（如DBT-10317、ORA-03114）解析与解决方案，包含删库指令与日志分析，适合内网环境自学实战，免费干货，实用性强。
SAP_MM_配额安排_PA认证总结
配额安排是企业进行供应商管理的一种方式。通过配额管理，企业可以与多家供应商保持业务往来，以保证某些紧缺原材料的正常供货。此外，企业也可以通过不同的配额比例，提高供应商优化服务、降低价格的积极性。
Spring 事务详解：@Transactional 如何生效、何时回滚、传播行为怎么选
从订单与库存写入出发，拆解 @Transactional 的代理调用链、默认回滚规则与自调用问题；通过 Spring Boot + H2 的五个验证用例比较 REQUIRED、REQUIRES_NEW、NESTED，并说明数据库事务与 Redis、消息和远程接口的边界。
【深度解析】解决 NVIDIA 显卡“掉卡”与 Xid 79 错误：开启持久化模式 (Persistence Mode)
【深度解析】解决 NVIDIA 显卡“掉卡”与 Xid 79 错误：开启持久化模式 (Persistence Mode)
Android 9.0 系统framework关于忘记开机锁屏密码进不去系统桌面清除锁屏密码问题的解决
在9.0的系统rom定制化开发中，在一些产品中带锁屏密码的功能中，系统默认是滑动解锁，但是客户会设置锁屏密码，在某些时候会 忘掉锁屏密码，导致需要进入恢复出厂设置然后才能进入系统桌面，这样就导致系统的保存的资料都丢失了，所以需要要求提供接口 在下拉状态栏中或者系统服务中在忘记锁屏密码后不恢复出厂设置的情况下，可以清除锁屏密码，接下来就来实现功能
Oracle多租户集群PDB异机恢复至单机部署数据库
本文详细演示了将Oracle RAC集群中的PDB（RMAN_PDB）通过RMAN备份恢复至单机CDB的全过程。首先在源库创建测试PDB并插入数据，随后配置RMAN备份路径，备份该PDB及其元数据文件。接着将备份文件传输至单机环境，启动实例并恢复控制文件与数据文件，最后利用DBMS_PDB.EXPOSE_PDB_FROM_RMAN生成PDB描述文件，将其插入新单机CDB中，实现PDB的独立使用。整个流程涵盖数据准备、备份、恢复及插入，完整验证了跨环境PDB迁移的可行性。
基于STM32开发板的USB MIDI键盘实现
在本文中，我们介绍了如何使用STM32开发板和相应的软件工具来实现USB MIDI键盘。通过配置STM32CubeMX和编写相应的源代码，我们能够将STM32开发板转换为一个功能齐全的USB MIDI设备。我们将使用STM32开发板和相应的软件工具来实现这一功能，并提供相应的源代码供参考。此时，您应该可以使用STM32开发板作为USB MIDI键盘，并在按键按下时听到相应的音符。在STM32CubeMX中，选择适当的STM32型号，并启动一个新的项目。然后，将生成的可执行文件烧录到STM32开发板中。
Mysql数据库基础篇（三）：全面掌握数据库与数据表操作：深度剖析底层文件差异与核心管理机制
如果你想彻底改掉某个字段的名字，应该使用 change。实例：将 employee表中的 name列修改为xingming注意：使用 change时，即便不改变数据类型，在指定了新列名后依然需要完整地写一遍它的数据类型与约束定义。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
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。
智叟云集系统 · 数据分层与管理体验
智叟云集系统 · 数据分层与管理体验 · 数据分层与管理体验。
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")
oracle直方图测试
预期：没有直方图时，优化器假设 status 分布均匀（选择性 = 1/NDV ≈ 1/100），两个查询的预估行数（E-Rows）会非常接近（约 1000 行），很可能对两个查询都选择索引扫描，或者都选择全表扫描，无法区分数据量的巨大差异。
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
Oracle 19c RAC ASM 在线扩容实战
最近有一套 Oracle 19c RAC 数据库，DATA 磁盘组空间使用率已经接近 90%，需要扩容。环境是两节点 RAC，底层使用 Dell EMC SAN 存储，通过 Multipath 管理共享磁盘，存储侧已经分配好一块 2TB 的新 LUN，只需要在操作系统上识别，然后加入 ASM 磁盘组。整个过程不需要停库，本文记录一下实际操作步骤。这次 Oracle 19c RAC ASM 扩容整体比较顺利。
15_MySQL 数据同步与迁移方案 —— 复制 / DataX / Canal / 异构同步（对标 Oracle GoldenGate）
15_MySQL 数据同步与迁移方案 —— 复制 / DataX / Canal / 异构同步（对标 Oracle GoldenGate） 系列定位 ：《MySQL 数据库全栈运维实战系列》第 15 篇，与《Oracle 数据库全栈运维实战系列（VMware 版）》同构对标（Oracle 15 OG…
带着小白学习-微服务-5 实战：配置中心-数据库连接
如前所述，服务治理主要包含注册中心，前面所有的微服务子工程均已注册到nacos，然后由相应的应用到nacos进行拉取。接下来，我们将使用nacos的配置中心，用于保存和分发应用运行所需的动态配置。比如数据库的各类信息等。
任务8-1 数据库用户权限管理
本实战训练MySQL权限管理的完整流程。通过CREATE USER建用户，GRANT按需授权，SHOW GRANTS核查权限。岗位变动时，使用REVOKE回收多余权限，并用FLUSH PRIVILEGES刷新缓存。全流程旨在落实最小权限原则，规范数据库安全运维。
SQLServer常用指令手册
覆盖数据库创建、表与约束、增删改查、查询进阶、索引、视图/存储过程/函数/触发器、事务、权限、运维排查。适用版本：SQL Server 2012 及以上（标注的条目为对应版本起可用）。
MySQL数据库和表的操作
本文系统介绍了MySQL数据库与表的基本操作。包括创建、查看、修改和删除数据库，重点讲解字符集与校验规则对大小写敏感性的影响；通过SHOW、ALTER、DROP等命令实现数据库管理；介绍数据备份（mysqldump）与恢复（SOURCE）方法；并详细阐述表的创建、结构查看（DESC）、字段增删改（ALTER TABLE）及表删除操作，涵盖字段类型、注释、索引等关键要素，为数据库开发与维护提供完整指导。
Oracle 19c 在线重定义后旧表空间清理及 ASM 存储资源回收 SOP
Oracle 19c 在线重定义后旧表空间清理与 ASM 存储资源回收 SOP
AI Agent记忆从不是向量库：Oracle拆解读写分离与记忆晋升门，终结无脑存聊天的伪智能——读Wojtek Pluta演讲
在过去一年里，绝大多数团队在为自己的 AI Agent 增加“记忆能力”时，做法几乎如出一辙：开一个向量数据库（Pinecone / Milvus / Chroma），在每轮对话结束时，把用户的提问和 Agent 的回复转成 Embedding 向量直接往里塞；<summary> 审查 Kyle 的贷款完整性，审批未通过，等待补件。这种记忆能力完全脱离了脆弱的会话上下文窗口，靠的是数据库底座驱动的显式记忆装配。在写路径中，决定一条信息能否从“临时上下文”跃升为“长期持久化记忆”的核心关卡，正是。
搭建Oracle RAC 集群
配置SSH互信，分别RAC1和RAC2的root，grid，Oracle三个用户下执行以下命令。安装LINUX.X64_193000_grid_home.zip文件包。添加6块硬盘，每块50G，添加控制器，设为虚拟，添加网络适配器。设置主机名，配置网卡，编写/etc/hosts文件()配置磁盘规则，执行writerule.sh脚本。运行test.sh脚本，完成基础配置。
Oracle 紧急安全警报：Java 9.1 分漏洞 CVE-2026-91403，撤销对 eMudhra 风险证书的信任
本文梳理 Java JSSE 证书信任风险 CVE-2026-91403 及后续 CVE-2026-114820 的处置链路，说明 eMudhra 风险证书、交叉签名与实际利用条件，提供运行时、信任库、容器及 CI 环境的排查方法，并结合供应商公告给出修复、应急缓解和验收清单。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3033
扫一扫
