8、开发基于 Docker 的 .NET 和 .NET Core 应用

开发基于 Docker 的 .NET 和 .NET Core 应用

1. 容器中数据库的运行

当容器启动时,如果数据库目录为空,容器中就没有 NerdDinner 数据库,SqlPackage 会生成一个包含一系列 CREATE 语句的脚本,用于部署新数据库。若数据库目录包含文件,则会附加现有的数据库,此时 SqlPackage 会生成一个包含 ALTER 和 CREATE 语句的脚本,使数据库与 Dacpac 保持一致。

此步骤生成的 deploy.sql 脚本会创建新的架构或对旧架构进行更改以升级它,两种情况下最终的数据库架构是相同的。最后,PowerShell 脚本执行 SQL 脚本,并传入数据库名称、文件前缀和数据路径的变量:

$SqlCmdVars = "DatabaseName=NerdDinner", "DefaultFilePrefix=NerdDinner",
"DefaultDataPath=$data_path", "DefaultLogPath=$data_path"
Invoke-Sqlcmd -InputFile deploy.sql -Variable $SqlCmdVars -Verbose

SQL 脚本运行后,容器中会存在一个具有 Dacpac 中建模架构的数据库,该 Dacpac 是从 Dockerfile 构建阶段的 SQL 项目构建而来的。数据库文件位于预期的位置,使用预期的名称,因此如果用同一镜像的另一个容器替换此容器,新容器将找到现有数据库并附加它。

现在我们有一个可用于新部署和升级的镜像。开发人员在处理某个功能时,可

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值