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
1.2k累计阅读
1.2k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
上一篇说完了前端的扩展，这篇文章主要讲后台如何解析
activiti 何时会解析前端的json数据呢? 当然是部署流程的时候
在部署流程时我们可以继承 Converter 类 重写 convertJsonToElement 方法
上篇文章我扩展的是 UserTask 属性，那么我就要继承 UserTaskJsonConverter 类
重写方法
获取自定义属性的值
注意：getPropertyValueAsString 方法的第一个参数为 自定义属性中的 id 一值
这里我设置的是办理人直接将 convertJsonToElement 强转为 UserTask
然后直接设置任务办理人员即可
Activiti 任务节点自定义扩展属性
很多时候因为自己的业务需求需要修改节点的属性 例如需要在用户任务节点添加部门与岗位属性 首先修改stencilset.json 在propertyPackages下添加岗位与部门 { "name" : "responsiblepostpackage", "properties" : [{ "id" :"responsiblepost", ...
整合Acitiviti在线流程设计器(Activiti-Modeler 5.18.0)
整合Acitiviti在线流程设计器(Activiti-Modeler 5.18.0) 1.概述前言 一直以来都是从事大量的工作流相关的项目，用过很多商用的工作流产品，包括国内与国外的，尽管商用的工作产品在UI操作上比较人性化，但个人用户觉得，这东西只需要一些初级用户，对于我们一直在为一些高级的客户提供一些专业的数据整合、流程梳理、系统间的数据穿透时，这些系统因为不开源，给...
springboot+activiti7+react实现模仿钉钉功能的审批流(五、实现类似钉钉的流程设计器)
这块是整个系统最复杂的部分，需要熟悉bpmn规范，算法，后端部署操作； 实现的核心是前端操作和生成bpmn的xml字符串给后端直接使用，后端不用做什么，只需要1.存xml 2.查询返回xml给前端操作 3.部署xml；所以工作量基本都在前端； 具体步骤： 新建流程： 1.前端直接从定义好的xml模板中初始化； 这里的模板其实就是提前在保存好的xml文件，钉钉也有类似的功能，进去之后左侧可以选择一些它设置好的流程。我这里预习放了一个模板: '发起人' -> '审批人' -> '抄...
Activiti Modeler集成项目指南
Activiti Engine 的架构设计考虑到了灵活性、可扩展性以及业务流程管理的需要。其架构由几个关键层次组成，分别是核心引擎层、服务层、API层和用户界面层。核心引擎层：这是Activiti Engine的核心，负责管理和执行流程定义。它包括了所有流程相关的引擎，如流程执行引擎、任务引擎、历史引擎、ID生成器等。服务层：该层提供了核心引擎的操作接口，为上层应用提供了业务逻辑处理的能力。服务层包括了流程服务、任务服务、部署服务、用户服务等。API层。
Spring Boot集成Activiti Modeler实战详解
Bean// 设置历史级别// 启用异步执行器// 关闭旧式作业执行器@Bean这段代码看着不多，但它决定了整个流程引擎的行为基调。比如说，表示开启异步任务机制。这意味着当流程走到一个标记为async=true的节点时，不会阻塞主线程，而是提交给线程池异步执行。这对调用外部 API、发送邮件、处理耗时计算非常有用。Spring Boot + Activiti 的组合，给了我们一种全新的系统设计思路：把流程当作可配置的服务来管理。
SpringBoot与Activiti Modeler集成实现在线流程图绘制
在现代企业级应用开发中，SpringBoot作为Spring家族的重要成员之一，受到了广泛的欢迎。它是一个旨在简化新Spring应用初始搭建以及开发过程的框架。通过SpringBoot，开发者能够以最少的配置快速启动和运行Spring应用。Activiti Modeler是基于Web的流程设计工具，可以通过浏览器来创建、编辑和管理业务流程图。使用Activiti Modeler之前，需要进行安装和配置，这通常包括后端的Activiti流程引擎和前端的Modeler界面。
Activiti工作流详细讲解完整教程.pdf
Activiti工作流详细讲解完整教程.pdf
解决RK3566 USB OTG模式识别问题：从原理图分析到otg_mode文件操作全解析
本文深入解析RK3566 USB OTG模式识别问题，从硬件原理图设计到Linux内核的otg_mode文件操作，提供全面的调试方案。针对USB_OTG0_ID引脚电路设计、电源管理关联及内核驱动交互等关键点，给出实战调试技巧和常见问题解决方案，帮助开发者高效解决USB OTG模式切换难题。
Windows Server双机热备实战：用IIS+ARR+NLB搭建高可用Web服务（附避坑指南）
本文详细介绍了在Windows Server环境下，利用IIS、ARR（Application Request Routing）和NLB（Network Load Balancing）构建高可用Web服务的实战方案。通过双机热备架构，实现从网络层到应用层的全面冗余与智能流量分发，并提供了关键的配置步骤、常见避坑指南及性能调优建议，确保企业级Web服务的连续性与可靠性。
随机森林模型及案例（Python）
1 集成模型简介 集成学习模型使用一系列弱学习器（也称为基础模型或基模型）进行学习，并将各个弱学习器的结果进行整合，从而获得比单个学习器更好的学习效果。 集成学习模型的常见算法有Bagging算法和Boosting算法两种。 Bagging算法的典型机器学习模型为随机森林模型，而Boosting算法的典型机器学习模型则为AdaBoost、GBDT、XGBoost和LightGBM模型。 1.1 Bagging算法简介 Bagging算法的原理类似投票，每个弱学习器都有一票，最终根据所有弱学习器的投
CentOS8安装NVIDIA显卡驱动、CUDA和Anaconda
CentOS8安装NVIDIA显卡驱动和CUDA 参考：CentOS nvidia+cuda+cudnn 安装 安装英伟达显卡驱动 1、检查是否安装了NVIDIA的GPU（硬件层面）： lspci | grep -i nvidia 2、安装GCC、kernal组件、dkms等 sudo yum install gcc sudo yum install gcc-c++ sudo yum -y install kernel-devel sudo yum -y install kernel-headers s
从打印攻击到视频重放：手把手用OULU-NPU训练你的第一个活体检测模型
本文详细介绍了如何使用OULU-NPU数据集训练活体检测模型，以应对打印攻击和视频重放等安全威胁。通过PyTorch框架，从环境准备、数据加载、预处理到模型架构设计，手把手教你构建一个高效的双流网络，结合CNN和LSTM技术，提升模型在多种攻击场景下的检测准确率。
机器人环境仿真软件：Gazebo_（6）.传感器仿真
通过 Gazebo 和 ROS，我们可以方便地配置和使用多种传感器，进行机器人环境的仿真和调试。传感器仿真不仅帮助我们验证和测试机器人的感知能力，还可以在真实部署前发现和解决潜在的问题。本节详细介绍了如何在 Gazebo 中配置激光雷达、摄像头、IMU、声纳和 GPS 传感器，并展示了如何在 ROS 中接收和处理这些传感器数据。此外，还介绍了多传感器融合的基本方法和调试工具，希望这些内容能对你的机器人仿真工作有所帮助。
【47】软考软件设计师——全真模拟卷（下午题）｜5道案例分析+答题模板+评分标准
本文是《软件设计师·50讲通关｜从零基础到工程师职称》专栏第47篇，属于**模块六：冲刺与模拟**第四篇，严格遵循软考下午题真题规范（5道案例分析题，150分钟，满分75分，45分及格），覆盖数据流图（DFD）、E-R图与关系模式、UML类图与用例图、算法设计与代码填空、设计模式应用五大核心题型。全文采用“真题级案例+分步答题模板+采分点明细+评分标准”的形式，每道题配套“审题技巧→解题步骤→规范作答模板→常见错误扣分点”，深度拆解案例分析题的得分逻辑，帮助考生掌握“按点踩分、规范表述、避坑扣分”的核心能力
YOLOv11改进策略【小目标改进】| Shape-NWD：融合改进，结合Shape-IoU和NWD 更好地适应小目标特性
Bw−wgt2h−hgt2weight2Bweight2w−wgt2h−hgt2其中weight2weight = 2weight2。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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")
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
6755
扫一扫
