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
400+累计阅读
467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 WCF 中，所有的服务都通过契约供外部进行调用。所谓契约，就是描述服务的一种平台无关的、标准的方式。目前，在 WCF 中定义了四种契约。
描述了客户端能够调用服务的哪些操作。
描述了哪些数据类型能够在客户端和服务间传输。CLR 数据类型都默认地被添加上了数据契约，当然也可以很方便的为自定义类型添加数据契约。
描述了在服务中可能出现的异常以及服务如何处理、传播异常。
指定了该契约的消息能够直接与服务进行交互。
http://www.cnblogs.com/anders-x-hu/archive/2007/05/29/763977.html
QT快速配置MSVC2017编译环境（3分钟极简指南）
本文提供了一份3分钟极简指南，帮助开发者快速配置QT的MSVC2017编译环境。通过断网安装、精准勾选组件和配置QT Creator编译器路径等步骤，大幅提升QT开发效率。MSVC2017作为Windows平台高性能C++编译器，特别适合处理大型QT项目，编译速度优势明显。
谈谈WCF中的Data Contract （1）：Data Contract Overview
Contract in SO：Contract是对操作和数据的抽象 在我们看来，Service Orientation提供了一种对业务、功能进行分解的方式。针对SO，我们把一个具体的业务流程或者一个复杂的功能分解成一个个独立完成某项任务的子单元，这些子单元通过一个个Service来承载。对于Service本身来讲，他们应该是自治的，独自完成自己的功能...
华为eNSP实战：手把手教你配置DHCP全局地址池（含AP固定IP分配）
本文通过华为eNSP模拟器，详细演示了如何配置DHCP全局地址池，为不同业务VLAN动态分配IP地址，并重点讲解了如何通过MAC地址绑定为接入点（AP）分配固定IP。文章涵盖了从拓扑设计、基础网络搭建到地址池精细配置、验证测试及常见故障排查的全流程，是网络工程师掌握企业级DHCP部署与AP管理的实用指南。
WCF(二) Contract
上篇只是介绍了WCF的概述。具体的设置全是使用默认，这当然不可能满足我们开发的需要。如果仔细理一理的话，你会发现WCF里面的设置其实不算多的(与SharePoint比较的话)。从这篇开始，我们一点一点来展开学习。这次先提最最常用的Contract。 Contract有人翻译为：协定,契约。 WCF中有四种contract: 分别是:1.Service Contract. 2.Data Cont...
【图形学】后处理下的HDR、颜色分级、颜色映射与颜色空间
目录 一、Color Grading 1.1概念 1.2 内置在Unity/UE4 二、HDR、LDR与VDR 2.1 LDR 2.2 HDR 2.3 VDR 三、Tone Mapping 3.1 概念 3.2 算法发展史 3.3 ACES算法 四、常见的颜色空间标准 参考 一、Color Grading 1.1概念 Color Grading（颜色分级、颜色校正）俗称调色，是游戏后期处理中最常见也是必要的一个环节。它能够改变或矫正最终图像的颜色和亮度，你可以把它想象...
Android12+RK3588 多应用录音适配
两个应用能够同时录音，在Android12上的实现
[WCF] Service contract
using System;using System.ServiceModel;namespace Anrs.Service{ [ServiceContract()] public interface IAnrsServiceContract {
台球 PCOL：极致物理还原的网页斯诺克引擎（附源码深度解析）
*完整源码地址**：[https://github.com/billiards/pcol-core](https://github.com/billiards/pcol-core)（包含详细文档与示例）通过这个项目，我们不仅创建了一个游戏，更构建了一个**可扩展的物理引擎框架**，为网页端复杂物理模拟开辟了新的可能性。**在线体验**：[https://pcol.billiards](https://pcol.billiards)（支持移动端触控操作）clone.velocity.x *= -0.92;
[原创]我的WCF之旅（7）：面向服务架构（SOA）和面向对象编程（OOP）的结合——如何实现Service Contract的继承
当今的IT领域，SOA已经成为了一个非常时髦的词，对SOA风靡的程度已经让很多人对SOA，对面向服务产生误解。其中很大一部分人甚至认为面向服务将是面向对象的终结，现在的面向对象将会被面向服务完全代替。在开始本Blog之前，我先来谈谈我对SOA和OO的区别，首先申明，这只是一家之言，欢迎大家批评指正，并且关于SO的谈论不是本Blog的主题，只是主题的引子，在这里只是简单讨论而已 。OO
ThingsBoard教程（十六）：RPC部件的使用
前言 各位读者好，截止目前，ThingsBoard系列文章已经做了十篇，分别是 ThingsBoard教程（一）：ThingBoard介绍及安装 ThingsBoard教程（二）：租户，租户配置，部件组模块的使用 ThingsBoard教程（三）：系统设置模块的使用 ThingsBoard教程（四）：规则链简介与操作 ThingsBoard教程（五）：客户，资产管理 ThingsBoard教程（六）：设备管理 ThingsBoard教程（七）：模拟设备遥测 ThingsBoard教程（八）：自定义UI T
YOLO26-seg分割优化：FPN涨点&轻量化篇 |多级特征融合金字塔（HS-FPN），助力小目标检测
摘要：本研究对Ultralytics YOLO26进行了全面分析，重点阐述了其关键架构改进及其在实时边缘目标检测中的性能基准测试。YOLO26于2025年9月发布，是YOLO系列最新、最先进的成员，专为在边缘及低功耗设备上实现高效、精确且易于部署的目标而构建。本文依次详述了YOLO26的架构创新，包括：移除了分布焦点损失（DFL）；采用端到端的无NMS推理；集成了渐进损失（ProgLoss）与小目标感知标签分配（STAL）；以及引入了用于稳定收敛的MuSGD优化器。
谈谈WCF中的Data Contract（2）：WCF Data Contract对Generic的支持
通过第一部分的介绍，我们可以体会到，WCF 的Data Contract在CLR Type和Neutral Contract之间搭建了一座桥梁，弥合了.NET世界和厂商中立世界的差异。通过WCF Data Contract我们将CLR Data Type暴露成一个厂商中立的数据结构的描述，同样通过WCF Data Contract我们将一个现有的CLR Data Type和既定的Neutral c...
【光伏风电功率预测】基于 ICEEMDAN + MSCNN-BiGRU-Attention 的并行预测模型
本文提出一种基于ICEEMDAN分解与多尺度深度学习的光伏/风电功率并行预测框架。针对多能源、多时间尺度、强非平稳特性带来的建模挑战，该模型首先通过改进的ICEEMDAN算法将原始功率序列分解为不同频段的IMF分量；随后为每个IMF构建包含多尺度CNN、双向GRU和注意力机制的子模型，实现局部特征提取与时序依赖建模；最后通过并行预测与重构获得最终功率输出。实验表明，该方法能有效解决模式混叠问题，提升预测精度，并支持光伏/风电的独立或联合预测部署，适用于风光联合调度等工程场景。
[WCF] Message Contract
在大多数情况下，开发者只关心数据契约而不必考虑携带这些数据的消息，然而某些特殊情况下，需要完全控制SOAP消息的结构，如提供户操作性，或者控制消息的某一部分的安全性，此时可以使用WCF中提供的编程模型消息契约，它使用一种可直接序列化为所需精确SOAP消息的类型。如果为某一个数据类型定义了消息契约，我们可以完全控制该类型和SOAP消息之间的映射，如下面的代码：
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...
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")
WCF之Contract详解
本文的出发点： 通过阅读本文，能解决以下的问题 什么是契约？ 契约有几种？,他们都有什么用途 如何定义契约？ 契约是独立于平台的么？ 契约和以往哪种技术比较相像，又有什么不同？ 本文适合的读者 WCF的初学者，可以没有任何SOA或者 其他分布式技术经验 什么是契约？ 任何一个分布式应用程序，它之所以能够互相传递消息，都是事先制定好数据交换规则的 ，这个规则正是交换数据的双方（比如服务器端和客户端）能彼此理解对方的依据，WCF作为分布式开发技术的一种，同样具有这样一种特性。而在WCF中制定的的
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
[WCF] Fault Contract
在服务端定义异常：<p class="MsoNormal" style="text-align:left;mso-layout-grid-align:none;text-autospace:none" align="left"> <span style="font-size:10.0pt;font-family:新宋体;mso-hansi-
[WCF] Data Contract
数据契约（Data Contract）是用来标识用户自定义类型和序列化。DataContractAttribute、DataMemberAttribute 来标注自定义数据类型，这样我们就可以在服务方法中传递复杂的数据体了。使用之前，我们需要添加System.Runtime.Serialization.dll 引用。由此我们可以看出其基本的开发模式，那就是使用ServiceCont
WCF进阶（二）——Contract
前言 我和用户有个约定，这个契约上篇已经说过了，分为服务契约、操作契约、消息契约、数据契约等，说白了，你到底让我看到什么，你告诉我，或者说，我可以让你看到什么，你敢用吗？下面就说一些基础的，关于这个些契约的分别定义，已经有什么其他的独特的之处。 内容 需要引用的命名空间 using System.ServiceModel; [ServiceContrac...
WCF Data Contract之KnownType
1 使用场合： 在 WCF Data Contract中如果存在向下造型的情况时你就会用到 KnownTypeAttribute类以保证在反序列化时引擎能知道应该使用哪个具体的类型。主要有以下几种典型的情况： 1 发送的数据契约类型 是从接收端期望接收的数据契约类型继承的。 2 声明的数据类型是接口（注意：集合接口除外，具体请看稍后的 WCF Data...
[原创]谈谈WCF中的Data Contract （1）：Data Contract Overview
Contract in SO：Contract是对操作和数据的抽象 在我们看来，Service Orientation提供了一种对业务、功能进行分解的方式。针对SO，我们把一个具体的业务流程或者一个复杂的功能分解成一个个独立完成某项任务的子单元，这些子单元通过一个个Service来承载。对于Service本身来讲，他们应该是自治的，独自完成自己的功能、不依赖于其他的Service。但是Servi...
[原创]谈谈WCF中的Data Contract（2）：WCF Data Contract对Generic的支持
通过第一部分的介绍，我们可以体会到，WCF 的Data Contract在CLR Type和Neutral Contract之间搭建了一座桥梁，弥合了.NET世界和厂商中立世界的差异。通过WCF Data Contract我们将CLR Data Type暴露成一个厂商中立的数据结构的描述，同样通过WCF Data Contract我们将一个现有的CLR Data Type和既定的Neut
再说WCF Data Contract KnownTypeAttribute
WCF 中的序列化是用DataContractSerializer,所有被[DataContract]和[DataMemeber]标记的类和属性会被DataContractSerializer序列化。在WCF中使用Contract模式来分辨和指定序列化/反序列化的类型，它是通过http://xmlns/Class这样的命名空间来标识这个序列化的对象的，一旦在序列化过程中无法找到这样的标识（比如某个
WCF Data Contract之集合类型
WCF Data Contract之集合类型 LazyBee 在.Net中将实现了IEnumerable接口的所有类型（包括数组和泛型）都称之为集合类型。把其中实现了IDictionary接口或泛型IDictionary接口的集合类型称为字典集合，剩下的其他集合类型为列表集合。 1集合的数据契约（协定）缺省名称 缺省情况下，WCF框架对集合类型是内建支持的...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
503
扫一扫
