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
700+累计阅读
761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
微软公司在2023年11月28日发布了Azure DevOps Server 2022的第一个功能完整的升级包，在这个升级包中，从工作项到源代码、流水线、测试计划、制品库等所有功能模块都有一大推新增功能。
用户可以从这个链接(Azure DevOps Server 2022.1 RTW now available - Azure DevOps Blog (microsoft.com))中下载安装镜像文件和新功能说明。
后续笔者会持续介绍这个版本中新增的功能；在这个版本中，wiki功能新增mermaid图表，大概是一个最亮亮眼的内容，下面是笔者初步测试的几个截图：
时序图：
流程图：
实体类：
圆饼图：
Git流程图
如果需要了解更新详细的功能，你还可以从微软Azure DevOps Server 的在线文档，查询更多的权威资料，也欢迎通过下面的联系方式与我沟通，相互学习，相互提高！
https://www.cnblogs.com/danzhang
Azure DevOps MVP 张洪君
复制测试计划和测试套件（Azure DevOps Server 2022)
一、概述Azure DevOps Server 是微软公司的软件开发管理平台，为软件开发、测试和运维团队提供全应用软件全生命周期管理服务。对于测试管理方面，Azure DevOps Server 为测试团队提供测试计划、测试套件和测试用例管理的全方位服务，为。在之前的版本中，Azure DevOps Server 已经具备相关完善的测试功能，但是在测试计划和测试用例重复使用方面，一直没有更好的解...
Azure DevOps Server （TFS2022）远程服务器部署源码管理
Azure DevOps Server （TFS2022）远程服务器部署源码管理
Azure DevOps Server 2022.2（升级过程）
1. 概述2. 前期准备3. 升级过程4. 验证成果1. 概述本月微软公司发布了Azure DevOps Server 2022的第二个升级包Update 2 https://learn.microsoft.com/en-us/azure/devops/server/release-notes/azuredevops2022u2。自2024年3月12日发布Azure DevOps Server ...
Azure DevOps Server 2022.2 补丁
笔者在这片文章(https://www.cnblogs.com/danzhang/p/18222962 )中介绍了Azure DevOps Server 2022.2这个版本的相关内容。由于Azure DevOps Server 2022.2 软件生命周期中的一个大版本，微软产品研发团队会逐渐退出修正软件版本漏洞的补丁。下面是这个版本截止2024年11月的版本状况：2024年11月12日：Azu...
Azure DevOps Server 2022新功能：存档或禁用Git代码库
在使用Azure DevOps Server(之前名称为TFS)实现源代码版本管理的时候，经常会碰到这样的场景：一个项目已经结束，不允许开发人员对源代码做任何修改，但是还允许开发人员查阅，实现对源代码存档效果；与这个场景类似的，比如我们在开发过程中发现一个严重的安全漏洞、或者代码规范扫描软件发现了不符合规范的编写格式等，需要我们暂时停止流水线实现持续集成和发布。为了完成场景中描述的目标，我们常用...
双摄像头的实时视频拼接及目标跟踪（一）
本章主要讲图像拼接算法的研究 先膜拜一下知乎大佬全面的叙述：https://www.zhihu.com/question/34535199/answer/135169187 本文图像拼接是基于opencv的图像拼接，流程分为以下几步 ...
Azure DevOps Server 2019 第一个补丁包（2019.0.1 RTW）
在Azure DevOps Server 2019正式发布后的2周左右时间，微软快速发布了第一个补丁包Azure DevOps Server 2019.0.1 RTW。Azure DevOps Server服务器（以前名称Team Foundation Server）是微软Azure DevOps服务器的企业内网版本（on-premises）。 此版本包括对Azure DevOps Server ...
Android车载桌面开发实战：从CarLauncher源码解析到自定义Launcher开发（Android 11）
本文深入解析了Android 11中CarLauncher的源码架构与核心模块，并提供了从零开始定制开发车载Launcher的完整实战指南。内容涵盖车载桌面的独特定位、驾驶场景优化、多屏协同、动态内容嵌入等核心挑战，以及如何构建符合安全规范、体验流畅的自定义车载桌面应用，是车载应用开发者提升系统级定制能力的实用参考。
Azure DevOps Server 25H2震撼登场：半年一更新，你的团队跟得上吗？
DevOps工具变天了！微软新版本升级规则。对于许多企业IT部门来说，这次的更新通知可能比以往都更值得警惕——它不仅带来新功能，更彻底改变了软件的支持规则，每一个使用它的团队都无法置身事外。
YOLO11实战：手把手教你优化钢材表面缺陷识别模型（基于NEU-DET数据集）
本文详细介绍了如何使用YOLO11优化钢材表面缺陷识别模型，基于NEU-DET数据集进行实战训练。从数据增强、模型架构优化到训练过程控制，全面解析提升钢材缺陷检测性能的关键技术，特别针对裂纹、划痕等典型缺陷提出针对性解决方案。
驯服电源尖峰：从BUCK/BOOST环路剖析到高di/dt噪声的实战抑制
本文深入探讨了电源系统中高di/dt噪声的产生机制及抑制方法，通过BUCK/BOOST电路的环路分析，揭示了电流路径不连续导致的电压尖峰问题。文章提供了实用的PCB布局技巧和噪声抑制策略，包括最短回路原则、铺铜优化和过孔阵列战术，帮助工程师有效降低EMI噪声，提升电源系统的稳定性。
Visual Studio 2022 社区版 + Azure DevOps Server 2022 安装配置
最终决定将VS2010升级到最新版本2022，同时也将古董级的VSS2005升级到ADOS2022。
编程小白的自学笔记四（正则表达式模块search函数）
本文仅仅简单介绍了search的使用，供小白学习探讨。
Azure DevOps Server 2022 (TFS 2022）
时隔两年，微软公司再次发布Azure DevOps Server(之前名为TFS) 的最新新版本2022。虽然现在还只是RC1版本，但是承袭近年来微软发布产品的系统，这个RC版本支持生产升级和技术支持，用户完全可以放心安装或升级。相比Azure DevOps Server 2020，最新发布的这个版本主要在“交付计划 Delivery Plans”、流水线的YAML编辑器等做了更新，后续比较会详...
分子对接中的相互作用特征分析(目视筛查)
介绍分子对接的相互作用特征，以及如何通过这些特征进行目视筛查
RK3588平台开发系列讲解（以太网篇）MDIO底层驱动
沉淀、分享、成长，让自己和他人都能有所收获！😄。
从0搭建Azure DevOps Server
搭建一台Azure DevOps Server 供我们运维项目开发，现在DevOps运维已成为一个主流，我之前有关于DevOps 的文章，今天我们开一台虚拟机，从0开始搭建一台Azure DevOps Server。
Unity 面试篇|（六）数据结构和算法篇 【全面总结 | 持续更新】
先拿10000个数建堆，然后一次添加剩余元素，如果大于堆顶的数（10000中最小的），将这个数替换堆顶，并调整结构使之仍然是一个最小堆，这样遍历完后，堆中的10000个数就是所需的最大的10000个。桶排序是计数排序的升级版。它的工作原理：首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。这样处理就可以分别在每个文件的10^6个数据中找出最大的10000个数，合并到一起在再找出1000*10000中的最终的结果。
无缝迁移指南：将旧版代码库 “克隆” 到 Azure DevOps Server 2022
本文摘要总结了Azure DevOps Server的安装部署和系统迁移方案。安装部分包括环境准备、SQL Server和Azure DevOps Server的详细安装步骤。迁移方案提供两种方法：系统镜像还原适用于全量迁移，克隆迁移适用于服务器更换或升级。克隆迁移流程详细说明了备份导出、账户迁移、数据库还原和重映射等关键步骤，包含实用的PowerShell脚本用于批量用户迁移和密码管理。迁移完成后需验证数据库完整性和账户状态，确保系统正常运行。
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")
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。
Azure DevOps Server 2022新功能：禁止用户管理自己创建的分支（mange-permission）
在之前版本的Azure DevOps Server(之前名为TFS)中，如果用户拥有创建分支的权限，则对自己创建的分支具有管理权限(manage-permission)，可以为自己创建的分支授予其它成员推送代码的权限；对于一个敏捷开发团队，这种权限设计机制可以简化配置管理员的工作，有利于提高开发效率。但是，在一个对权限管理非常严格的团队中(例如金融软件开发团队)，通常不希望未经配置管理员授权的开...
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
Visual Studio 2022 新功能体验
概述微软公司在2021年6月17日正式对外发布了继Visual Studio(简称VS) 2019之后的第一个大版本Visual Studio 2022的预览版。预览版本的发布意味着RTM版本将在不久后上市。Visual Studio 2022是VS历史上的第一个64位版本，也是今年这个版本的最大看点；除此之外，在编码智能提示、UI设计和版本管理等方面都有了大的提升；下面让我们来看看微软公司开发...
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。
Azure DevOps Server 2020.1 升级指南 (TFS)
1. 概述1.1 版本历史自2005年开始，微软在VSS的基础上发布了TFS(2019年开始更名为Azure DevOps Server)的第一个版本TFS 2005,后续陆续发布了2008/2010/2012/2013/2015/2017/2018/2019/2020，每个版本都会给用户带来令人兴奋的功能。最近笔者收到了微软产品组预备发布的2020的第一个升级包“2020.1”,于是迫不及待的...
微软技术日报 11-09：.NET 8 与 9 明日同时停止支持，注册表编辑器出了 WinUI 3 版
今天这四条消息的共同点是收口。.NET 8 和 9 的支持期到点，注册表编辑器的新界面只放在仓库里给人看，GitHub 把一类危险触发器按住默认，微软在安全报告里把防线从地址黑名单挪到行为。收口并不等于关门。.NET 10 还在支持期里，被按住的触发器可以用策略按文件放回来，实验室里的样例随时可能变成产品。区别在于这些动作要有人签字，不再是默认开着。如果今天只做一件事，去看一眼构建机上的 .NET 版本。明天之后，8 和 9 的漏洞补丁不会再来了。
AI驱动数据处理的安全边界：行业现状、风险权衡与本地化实践路径
本文基于第三方数据，分析AI用于数据处理的安全议题。大模型应用加速普及，但伴随数据出境、影子AI、幻觉与成本失控等风险。行业共识指向“脚本复用”路径：将分析逻辑本地化固化，实现数据可控、结果可复现、成本可降。产品如数以轻舟提供本地处理、多模型接入与一次付费永久使用方案。建议企业从数据落点、可控性、可复现性与合规性四维度评估选型，推动AI在安全边界内释放价值。
微软技术日报 11-08：Foundry 与 Entra 各挂一个 10.0 分漏洞，Foundry 接 fal 五款视频模型
这一周的动作可以分成两类。一类在收。Copilot 从电视上退场，搜索里的 AI 改成可选，云端漏洞只发通知不收补丁。共同点是承认铺得太开，代价比预期高。另一类在放。Foundry 一次摆上五个视频模型，容器版应用网关一个入口挂 64 个 MCP 服务器。共同点是把能力做成可组合的积木，让使用者按需挑。两个方向背后是同一个判断。把能力塞到每一个界面上，短期看覆盖率高，长期要解释为什么删不掉。新的做法是先给一个能关的开关，再谈覆盖。对每天写代码的人来说，今天有两样现成的东西可以试。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
514
扫一扫
