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
1.4k累计阅读
1.4k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
查了好多都是用建议通过交互事件去设置默认值，后来发现通过属性也能处理，直接看代码：
{
"type": "select",
"field": "account1",
"value": 2,
"options":[
{value: 1,label: "直营（商品供应）"},
{value: 2,label: "商家入驻" }
],
"title": "供应商类别",
"col": {
"span": 8,
"pull": 1
},
"props": {
"type": "text",
"disabled":"disabled",
"placeholder": "请选择"
}
},
通过设置 value值就简单的可以让它选择上。
SpringBoot+Vue3课程管理系统实战：从需求到部署的完整开发指南
课程管理系统是教育信息化领域的核心应用，它基于前后端分离架构，通过数字化手段解决传统教务管理中的信息孤岛与流程低效问题。其技术原理在于利用SpringBoot提供稳健的后端业务逻辑与数据服务，结合Vue3构建响应式前端界面，实现课程、排课、选课与成绩管理的全流程闭环。该系统的技术价值在于为开发者提供了一个实战中型项目的绝佳场景，能深入练习权限控制、数据库设计与API开发等工程实践技能。在实际应用场景中，这类系统特别适合作为教学案例或小型教育机构的管理工具，其中SpringBoot和Vue3的组合确保了开发效
pytest与Selenium实战：构建稳定高效的Web UI自动化测试框架
Web UI自动化测试是软件质量保障的关键环节，其核心原理是通过程序模拟用户操作，对Web应用界面进行功能验证。这项技术能显著提升测试效率，实现快速回归验证，并确保测试过程的可重复性。在工程实践中，pytest测试框架以其简洁的语法、强大的Fixture机制和灵活的插件体系，成为组织和管理自动化用例的首选工具。结合Selenium提供的浏览器操控能力，开发者可以构建出稳定、易维护的自动化测试解决方案。本文聚焦于如何将pytest与Selenium深度整合，通过引入Page Object模型提升代码可维护性，
Python Selenium自动化表单填写：从环境搭建到实战部署完整指南
浏览器自动化是提升Web操作效率的核心技术，其原理是通过程序指令模拟真实用户与浏览器的交互。Python凭借其简洁语法和丰富的生态库，成为实现自动化的首选语言，而Selenium WebDriver则提供了与浏览器内核直接通信的能力，能够精准执行点击、输入等操作，尤其擅长处理JavaScript动态渲染的现代网页。这一技术组合在数据处理、流程测试和批量操作等场景中具有极高的工程价值。本文聚焦于网页表单批量填写这一具体应用，深入剖析了如何利用Python和Selenium构建健壮的自动化流程，涵盖了环境配置、
vue2+element使用form-create绑定事件
vue2+element使用form-create绑定事件
Python Selenium自动化脚本开发：从环境搭建到实战应用
网页自动化是提升工作效率、减少重复劳动的关键技术，其核心原理是通过程序模拟用户操作浏览器。Selenium作为主流的Web自动化测试框架，通过浏览器驱动与真实浏览器交互，实现了对网页元素的精准定位与操作。这项技术的价值在于能够将人工从繁琐、重复的网页操作中解放出来，应用于数据采集、日常巡检、表单填写、功能测试等多个场景。本文聚焦于使用PyCharm集成开发环境和Anaconda虚拟环境，结合Selenium库，构建稳定、可复现的自动化开发工作流，并详细解析了如何编写健壮的自动点击脚本，有效处理元素定位、智能
Python+Selenium自动化实战：问卷星秒抢脚本开发与反检测策略
网页自动化是提升工作效率、解决重复性操作的核心技术，其原理是通过程序模拟人类在浏览器中的交互行为。在Python生态中，Selenium作为成熟的浏览器自动化框架，能够直接驱动真实浏览器执行点击、输入等操作，绕过复杂的JavaScript渲染和会话管理难题，技术价值在于将人工从高频、守时的机械劳动中解放出来。该技术广泛应用于自动化测试、数据采集和流程自动化等场景。本文聚焦于问卷星这类动态表单页面的自动化场景，针对其常见的反爬机制，详细解析了如何通过配置浏览器启动参数、修改navigator.webdrive
form-create 追加rule【append rule】导致下拉框select数据丢失
form-create 修改标段规则导致下拉框select数据丢失
村务管理系统开发实战：从需求分析到Spring Boot+Vue技术落地
在数字化转型与基层治理现代化的背景下，信息化管理系统成为提升组织效率的关键工具。其核心原理在于通过软件工程方法，将传统业务流程进行数字化建模与重构，实现数据集中管理、流程自动化和信息透明化。这一过程的技术价值显著，能够降低人为错误、提升协同效率并积累宝贵的数据资产。在众多应用场景中，面向行政村一级的基层治理系统具有独特需求，它需要兼顾业务规范性、用户易用性与部署低成本。本文聚焦于这一领域，深入探讨如何基于主流的Spring Boot后端框架与Vue.js前端技术，构建一个高度可配置、易于维护的村务管理平台，
form-create(ElementUI)学习记录
安装 CDN 引入 直接在页面js引入 <!-- import Vue.js --> <script src="//vuejs.org/js/vue.min.js"></script> <!-- import stylesheet --> <link href="https://cdn.jsdelivr.net/npm/element-ui@2.8.2/lib/theme-chalk/index.css" rel="stylesheet"> <
华为S5700三层交换机VLAN配置避坑指南：为什么你的VLAN间无法互通？
本文针对华为S5700三层交换机VLAN间无法互通的典型故障，提供深度排障指南。文章从数据转发原理入手，系统梳理了从物理链路、VLAN配置、VLANIF接口状态、路由表到ARP表、MTU及安全策略等全链路检查点，并给出了清晰的排查命令与流程，帮助网络工程师快速定位并解决VLAN间路由问题，实现稳定互通。
国密https握手协议抓包及流程详解
使用的密码套件清单-Cipher Suite，这里服务器端选择了ECC_SM4_CBC_SM3密码套件，也就是SM2公钥算法、SM4-CBC分组密码算法和SM3杂凑算法。具体来说，这里SM2算法密钥交换算法，SM4是加密算法（SM4-CBC）、SM3是校验算法(国标要求为HMAC-SM3）。服务器的加密证书：加密证书中在同样在扩展字段中KeyUsage标识出KeyEncipherment为true和dataEncipherment为true，即数字证书中包含的公钥可用来做密钥加密密钥和数据密钥。
Form动态下拉框
FORM级触发器：WHEN-NEW-FORM-INSTANCE 1.定义： V_LIST_NAME11 VARCHAR2(100) := 'QUERY_FIND.UPDATE_TYPE'; CURSOR CSR_1 IS SELECT HRL.LOOKUP_CODE, HRL.MEANING FROM FND_LOOK...
opencode 完全指南：终端AI编程助手的安装、模型配置与实战
在AI编程助手快速迭代的当下，开发者对终端环境下的自动化编码需求愈发强烈。以自然语言驱动代码修改、命令执行与测试验证，已成为提升工程效率的重要方向。这类工具普遍遵循模型无关的设计原则，通过兼容OpenAI格式的接口接入多种大模型，并借助多会话管理、Skills、Memory等机制实现可审查、可干预的闭环流程。从安装配置到日常使用，再到apihub网关与免费模型的接入，终端AI助手在代码审查、跨文件重构、浏览器自动化验证等场景中展现出独特价值。本文聚焦opencode这一开源CLI工具，详细拆解其核心定位、模
Vue——formcreate表单设计器自定义组件实现(二)
本次要实现的自定义组件是一个表格，表格在前端是个十分常见的组件，然而formcreate里面却没有内置，我翻了issues里面有大佬说可以直接用VxeTable来做，做不做内置都是一样的。于是沿着这个思路自己做了一番实践最终也实现了两个版本，一个是Element Table简易版，一个是VxeTable的高度定制。下面就具体说说实现方法，以及其中遇到的一些问题和解法。
把“思考”塞进 1 KB：我用纯 C 语言给单片机手搓了一个微型 Transformer 推理引擎
摘要：本文探讨了在64KB SRAM的MCU（如STM32H743）上部署精简Transformer模型的技术方案。通过将6层Transformer压缩至1层（隐藏维度128）、4-bit KV-Cache量化等优化手段，实现了240KB Flash占用和59KB RAM峰值，推理延迟184ms（400MHz Cortex-M7），准确率96.1%。关键创新包括：手工优化矩阵乘（CMSIS-NN）、查表法Softmax/LayerNorm、权重按Tile重排提升Cache命中率（60%→94%）。
DSSAD自动驾驶行车记录系统体系结构和应用
通过对其感知、决策、控制等模块的详细研究，以及对商业化和消费市场发展趋势的分析，为该领域的研究和实践提供有价值的参考。通过克服技术、安全与隐私、法规与政策等方面的挑战，并紧跟人工智能、云端服务、用户体验等发展趋势，DSSAD系统将更好地适应自动驾驶行业的发展，提供更安全、智能、便捷的驾驶辅助服务。DSSAD体系结构通过数据收集模块、加密链接和数据存储模块和数据读取模块等关键模块的协同作用，构建了一个强大而灵活的自动驾驶数据记录系统，为未来智能出行提供了坚实的技术基础。
基于elementUI样式封装的Table,Form,拖动弹框
在开篇前现贴个gitee地址https://gitee.com/DevinCP/element-ui_table_form，求star！！！ 表格组件 在开发中我们经常会遇到这种样式： 一般情况下，我们使用 Element 的 Table，Pagination 组件 写一个简单的页面，会像下面这样： 可以看出，要写这样一个页面，有一些东西需要处理，如：默认加载数据，分页切换等操作，都是需要单独处理。一般，在 Table 上面，还有一个搜索框，里面有几个搜索条件的输入框用来辅助搜索展示数.
Python与numpy版本兼容性排查指南
本文详细解析了Python与numpy版本兼容性问题，提供了快速诊断和解决版本冲突的实用方法。通过查看版本信息、使用官方兼容性对照表以及降级或升级环境等方案，帮助开发者有效避免常见的报错问题，如'ImportError'和'AttributeError'。文章还介绍了使用虚拟环境和requirements.txt等工程实践，确保项目依赖的稳定性。
通过浏览器F12开发者工具的javascript控制台给Vue表单赋值
做一个，网页不是我方开发的。自动录入软件是基于.NET的C/S客户端软件，它使用加载网站，网站的前端是使用Vue和Element-UI开发的。该网站的脚本、资源是用webpack打包的，我们遇到的技术问题是无法在中使用常规的JQuery语法操作其DOM元素，给诸如赋值。举个例子如上图所示，无法通过给文本框赋值。虽然可以通过给文本框赋值，但是实际上点击查询按钮时，无法通过表单校验，如下这正是由于Vue的导致的。我们只修改了文本框中的值，实际上没有修改Vue实例的值。...
SAP-ABAP：SAP HANA性能神器FDA：是极速查询的引擎，也是CPU过载的元凶
在SAP S/4HANA的世界里，有一个被ABAP开发者们既爱又怕的特性——Fast Data Access（FDA），它能将性能提升百倍，也能让CPU瞬间飙升。本文将带您全面解剖这一核心机制。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
基于Vue 3与bpmn-js构建企业级流程设计器：从原理到实战
业务流程管理（BPM）是现代企业实现自动化与高效协作的核心技术，其关键在于将复杂的业务逻辑可视化、可配置化。BPMN（业务流程模型与符号）作为国际标准，为此提供了统一的建模语言，而bpmn-js则是其在Web前端实现的事实标准库。通过将BPMN标准与前端工程化实践结合，开发者可以构建出强大的可视化流程设计器，实现业务与技术的解耦，让业务专家也能直接参与流程定义与调整。这种低代码交互模式，极大地提升了业务流程的响应速度和灵活性，成为低代码平台、审批流及各类自动化系统的核心组件。本文将以Vue 3和TypeSc
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")
若依框架实战指南：从零构建Java后台管理系统的核心技巧
在Java企业级应用开发中，快速开发框架是提升团队效率、实现项目快速上线的关键工具。其核心原理在于通过预置的通用模块和代码生成能力，将开发者从重复性的基础功能开发中解放出来。这类框架的技术价值在于标准化了项目结构、统一了技术栈，并内置了权限管理、数据持久化等通用解决方案，从而大幅缩短开发周期，降低维护成本。典型的应用场景包括各类后台管理系统、数据中台以及需要快速验证的业务原型。本文以国内广泛使用的若依（RuoYi）框架为例，深入剖析其作为一款基于Spring Boot的权限管理系统，如何通过其强大的代码生成
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
Vue+SpringBoot健身房管理系统：从零部署到二次开发全指南
1. 这个项目到底能帮你做什么，以及它适合谁 如果你正在找一个能跑起来、代码结构清晰、并且能直接用来学习前后端分离开发的项目，那么这个基于 Vue 和 Spring Boot 的健身房管理系统源码，就是一个非常典型的“练手级”选择。它解决的问题很具体：模拟一个健身房日常运营中的会员、课程、教练、场地预约等核心业务管理。对于初学者或者想快速搭建一个完整项目框架的开发者来说，它的价值不在于功能有多强大，而在于提供了一个 可运行、可拆解、可二次开发 的完整工程样本。 最值得关注的点是它的 技术栈组合 ：Vue 3
若依框架表单开发实战：从代码生成到深度定制全流程解析
在企业级后台管理系统开发中，表单作为数据交互的核心组件，其开发效率与可维护性直接影响项目进度。理解表单开发的标准化流程与定制化原理，是提升工程实践能力的关键。通过代码生成技术，开发者可以快速构建基础CRUD功能，实现开发效率的跃升。然而，面对复杂的业务场景，如数据联动、权限控制和富文本集成，深度定制成为必然。本文聚焦于若依（RuoYi）这一流行的企业级开发框架，结合其内置的代码生成器与组件库，详细拆解如何从数据库设计开始，逐步完成一个“产品信息管理”表单的创建、校验强化、组件集成与后端逻辑增强。文中将融入对
FineUI WebForms页面生命周期增强模式：三生石上基类解析
WebForms页面生命周期是.NET传统Web开发的核心机制，其Init→Load→PreRender三阶段构成了服务端控件状态管理与事件处理的基础逻辑。理解该原理对维护遗留系统、优化ViewState、保障AJAX稳定性具有关键工程价值。在FineUI等服务端渲染控件库中，通过精准切片并增强这三个阶段，可实现跨请求状态持久化、表单默认值注入与安全可控的客户端协同。本文详解一种名为‘三生石上’的实践模式——它并非框架替代方案，而是立足WebForms原生机制，在OnInit预置环境、OnLoad统一数据绑
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
361
扫一扫
