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
200+累计阅读
241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
2025年6月9日，微软发布Azure DevOps Server最新版本2022.2的补丁Patch 5，下载路径为：https://aka.ms/devops2022.2patch5 .
和之前的补丁一样，这个是一个比较小的补丁，但是集合了之前发布补丁的全部内容。虽然这个补丁修复的内容不多，但是由于它是一个所有补丁的集合包(包含了前期发布的Patch 1/2/3/4中的所有修复内容)，所以如果你还没有安装过其他补丁，你只需要安装这个补丁即可。
这个补丁，主要修复了导出测试用例的问题；安装这个补丁后，导出测试用例时自定义的列会显示正常。
安装补丁的具体方式，我在《Azure DevOps Server 2022.2 补丁(Patch 3)》中做了详细描述，你可以作为参考。
https://www.cnblogs.com/danzhang
Azure DevOps MVP 张洪君
Azure SQL Database云数据库选型与生产级落地实践
云数据库是现代应用的数据底座，其核心价值在于将运维复杂度转化为业务敏捷性。Azure SQL Database作为PaaS模式的代表，通过自动备份、跨故障域高可用、无感弹性伸缩等机制，实现开箱即稳的工程体验。它并非单纯替代本地SQL Server，而是重新定义了数据库的责任边界——让团队聚焦数据建模、查询优化与安全治理，而非补丁更新、IO调优或备份巡检。在SaaS多租户、电商大促、IoT海量写入等典型场景中，结合弹性池、服务层级（General Purpose/Business Critical/Hyper
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...
Power BI Report Server企业级部署核心指南
Power BI Report Server（PBIRS）是微软面向私有化场景提供的报表运行时环境，本质为SQL Server Reporting Services（SSRS）的Power BI增强分支，依托Windows Server与SQL Server基础设施运行。其核心价值在于满足数据本地化、字段级权限控制、AD域深度集成及混合云架构等企业级合规要求。相比Power BI Service，PBIRS支持离线报表、PDF嵌入模板、行级与字段级安全策略联动，并可与现有SSRS生态共存。技术原理上依赖SS
Azure DevOps Server 2022.2 补丁（Patch 4）
这个是一个比较小的补丁，主要修复了由于上一个补丁Pach 3中存在的“ Python Enhancement Proposals (PEPs) 685”的问题。虽然这个补丁修复的内容不多，但是由于它是一个所有补丁的集合包(包含了前期发布的Patch 1/2/3/4中的所有修复内容)，所以如果你还没有安装过其他补丁，你只需要安装这个补丁即可。微软Azure DevOps Server的产品组在3月11日发布了2022.2 的第4个补丁。中做了详细描述，你可以作为参考。安装补丁的具体方式，我在《
Flutter加载本地HTML的优雅解决方案：轻松实现富文本展示
通过以上步骤，我们实现了Flutter加载本地HTML的完整流程，并简单介绍了如何通过WebView与HTML页面进行交互。HTML文件作为一种灵活、易维护的富文本展示方式，能有效提升Flutter应用的内容呈现能力。这种方法在展示新闻、资讯或帮助文档等内容时非常有用，能够让开发者灵活调整内容的样式和排版。希望这篇文章能对你在Flutter开发中的HTML加载有所帮助！
DDR4/LPDDR4与DDR5/LPDDR5的差别
最新的 DDR5 可支持单一芯片容量 64Gbit，最高容量上限可增加到 128GB，较 DDR4 提高了四倍；价格：随着规格提升，DDR5 价格也较 DDR4 高出逾 50%，可能成为业者导入的阻碍。但如前所述，包括 5G、机器学习（ML）等各式进阶应用中，DDR5 的整体效能、规格的提升，对相关业者来说仍具一定优势与吸引力。电源管理 IC（PMIC IC）：电源管理芯片内建至 DDR5 内存中，除可提高讯号完整性及噪声辨识能力，还能更具效率与扩展性；DDR5 规格与效能整理。（来源：JEDEC）
Azure DevOps Server 2022.2 补丁（Patch 3）
Contents1. Azure DevOps Server 2022.2 补丁(Patch 3)2. 安装方式3. 确认升级后的版本4. 常见问题4.1 无法安装补丁4.2 后面发布的补丁包含前面的补丁你可以在我的这篇博客《Azure DevOps Server 2022.2 补丁(Patch 2)》中查询到上一个补丁的信息。Azure DevOps Server 2022.2 补丁(Patc...
VFIO框架源码分析（一）- 从初始化到设备访问
本文深入剖析了Linux内核中的VFIO（Virtual Function I/O）框架，详细解读了其从初始化到设备访问的全过程。VFIO通过Container->Group->Device的层次化设计，利用IOMMU提供安全隔离，允许用户空间直接访问物理设备。文章基于Linux v5.15版本，重点分析了vfio_init模块入口、Container创建与配置、Group关联以及最终设备访问等关键环节，揭示了VFIO如何通过逐层授权机制构建安全可靠的设备直通模型，为虚拟化技术提供核心支持。
Azure DevOps Server 2022.2 补丁（Patch 5）
这个补丁的主要功能是修改了代理(Agent)二进制安装文件的下载路径；由于这个域名的弃用，我们需要从新的CDN(域名为download.agent.dev.azure.com)下载安装程序；如果我们从Azure DevOps Server的系统中下载代理安装包，或者使用自动升级代理的功能，那么必须升级这个补丁包。虽然这个补丁修复的内容不多，但是由于它是一个所有补丁的集合包(包含了前期发布的Patch 1/2/3/4/5中的所有修复内容)，所以如果你还没有安装过其他补丁，你只需要安装这个补丁即可。
Redis简介和项目应用
内存优先架构简介Redis的读写操作都是在内存中执行的，计算机内存的读写速度极快，比机械硬盘的读写快很多，因此也会比MySql采用机械读写的方式性能更高。但是这样会产生一个问题，当Redis重启之后，内存中的数据就会丢失，为了保证数据不会因为服务器重启而丢失，Redis实现了数据持久化的机制，这个机制会把数据存储到磁盘中，当服务器重启的时候，能够从磁盘中恢复原有的数据。
Moveit Servo学习
MoveIt Servo功能与配置指南 摘要：本文介绍了MoveIt Servo的功能特性，包括支持关节速度、末端执行器速度和位置控制，以及安全功能如奇点检查、碰撞检测等。通过示例展示了如何运行伺服控制demo，详细解析了关键节点和话题。最后以睿尔曼rml_63机器人为例，讲解了如何自定义伺服配置文件，包括环境设置、输入输出参数配置、平滑滤波器和规划场景监控等关键配置项。文章提供了从基础使用到自定义机器人配置的完整指导，帮助开发者实现高效的实时运动控制。
Azure DevOps Server 2022.2 补丁（Patch 7）
Azure DevOps Server RC版本在持续改进中，但是不影响上一个大版本的修复补丁进度；今天，微软又按照管理发布了月度补丁：Azure DevOps Server 2022.2 补丁(Patch 7)，补丁的下载路径为。由于TFVC在Azure DevOps Server中的重要性逐年下降，估计这个功能的升级已经没法引起用户的注意力了。与之前的补丁程序一样，这个补丁包含了Azure DevOps Server 2022.2 发布以来的所有补丁，如果你需要安装补丁，安装这个就足够了。
antdv-＜a-form＞的使用
是 Ant Design Vue 中用于创建表单的组件，提供了一种结构化的方式来收集用户输入。它支持多种布局、验证、数据绑定等功能，非常适合用于处理用户输入和提交数据。
Azure DevOps Server 2022.1 补丁
Azure DevOps 是微软公司的软件研发管理平台产品，也是微软应用软件生命周期管理方案；Azure DevOps Server 则是这一产品在企业内网部署的私有服务器。自2023年11月28日发布Azure DevOps Server 2022 update 1( 2022.1)版本依赖，微软已经连续发布了三个补丁包，用于修正这个大版本中的缺陷。下面是补丁包的相关内容：Azure DevO...
DataX对接数据如何在ODS加密脱敏数据（插件开发）
datax对接mysql数据，对姓名只保留姓，名变成**。对这种简单的脱敏，可以不用修改datax源码，直接在配置文件上实现。
【华为OD机试真题 新系统】1021、API请求日志去重分析 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）
【华为OD机试真题 新系统】1021、API请求日志去重分析 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS） 华为od机试，华为od机试真题，华为od机试E卷，华为odE卷，华为od机试真题E卷，华为OD，华为OD机试，华为OD机试真题，华为od机考，华为od机试D卷，华为od机试真题D卷，华为od手撕代码，华为od，华为od机试C卷，华为od e卷，华为2026e卷，od机试，2026E卷，华为OD机试E卷，什么是华为od，华为od介绍，全面了解华为od，2026华为od，如何备
Azure DevOps Server：2026年二月补丁（Patch 8）
安装补丁的具体步骤可以参考这篇博客：《
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
rdpwrap.ini：5分钟在Windows家庭版上跑通多用户远程桌面
Windows 家庭版和专业版默认只允许一个活动远程会话：第二个人一用远程桌面连进来，第一个会话就被挤掉。rdpwrap.ini 是 RDP Wrapper Library 的核心配置文件，它通过钩住本机的 termsrv.dll 并重写其会话策略，解开这个单会话限制，让一台电脑同时接住多个远程桌面连接。 （建议插入：两台设备通过远程桌面同时连接一台 Windows 电脑、各自持有独立多用户会话
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")
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
Meshery 集成模型解析：以 Infrastructure as Design 方式可视化建模 Azure DB for MariaDB
Azure DB for MariaDB 是微软 Azure 提供的 MariaDB 托管数据库服务。Meshery 通过模型（Model）与组件（Component）的机制，将该云服务的能力以可视化图形化方式引入其协作式基础设施设计流程中。本文基于 [关联文档](https://link.gitcode.com/i/ae5332be980ad49161c972604cc12cf0) 及其对应的
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
低显存也能跑：Llama-3.2-3B-Instruct-unsloth-bnb-4bit显存占用与硬件选型清单
本文带你逐项拆解 **Llama-3.2-3B-Instruct-unsloth-bnb-4bit** 的显存占用：这是 Unsloth 基于 Meta Llama 3.2 3B 制作的 4-bit 动态量化版本，权重仅需约 1.7GB，4GB~8GB 的低显存显卡也能流畅推理。文章最后附一份 4GB / 8GB / 12GB / 24GB 显卡的硬件选型清单，帮新手一次性买对设备。 ## 1️
KMS_VL_ALL_AIO：Windows 与 Office 一键KMS激活完整指南
KMS_VL_ALL_AIO 是一款开源的 KMS 激活工具，整个工具就是一个 .cmd 脚本，不安装、无捆绑。它能在本机完成 Windows 与 Office 的激活并注册自动续期任务，让你不再需要惦记 180 天激活有效期的问题。如果你刚装完系统、或需要批量处理机器激活，这份指南适合你。 ## 下载与运行：激活的最短路径 准备动作只有三步。第一步，在命令行中克隆仓库： ``` git c
openJiuwen agent-core-java 会话工具集：SessionUtils 嵌套路径、schema 取值与状态字典合并实战
`com.openjiuwen.core.session.utils.SessionUtils` 是 openJiuwen agent-core-java 会话子系统最底层的通用工具类，它统一解决了会话状态读写中三个最频繁的痛点：**嵌套路径解析**（`a.b[0]['key']` 这类点号 + 索引混合路径）、**schema 驱动取值**（支持 `${xxx.yyy}` 引用语法）、**状态字
C#安装包进阶指南：从EXE到MSI的打包策略与实战
本文深入探讨了C#安装包的进阶打包策略，详细对比了EXE与MSI的核心区别及适用场景。通过实战案例，指导开发者如何根据项目需求选择合适的打包方式，并分享Visual Studio中EXE和MSI的配置技巧、高级功能实现及常见问题解决方案，助力提升安装包的专业性和用户体验。
WSLg 私有系统发行版构建与部署全指南：从 Docker 镜像、tar2ext4 到 system.vhd 的完整流程
WSLg（Windows Subsystem for Linux GUI）的图形栈运行在一个被称为"系统发行版（System Distro）"的专用 Linux 容器中，本文以仓库中的 [config/BUILD.md](https://link.gitcode.com/i/38946d728f2f5e5a2eab2eeb75a497ad) 为骨架，完整讲解如何在本机从零构建 WSLg 系统发行版
ProactiveAgent工具系统拆解：自动注册、动态扩展与FastAPI本地工具服务器的设计思路
ProactiveAgent 是一个能主动预测用户任务并抢先提供帮助的 LLM Agent（大语言模型智能体）。它的核心能力之一是**工具系统**：Agent 观察你的浏览和编码行为后，可以调用搜索、读取文件、重命名文件、调用聊天模型等真实操作来帮你完成任务。这篇文章将拆解它的三大设计：基于装饰器的**工具自动注册**、支持热插拔的**动态扩展**机制，以及用 FastAPI 搭建的**本地工具服
微软技术周报 · 2026-08-11~2026-08-18
微软本周技术动态聚焦两大方向：AI体验整合与安全更新。AI方面，Copilot统一入口copilot.cloud.microsoft上线，Foundry Agent框架GA，MAI模型家族完成5线整合；开发者工具上，C# 14正式支持扩展成员、field关键字等特性，.NET 11 Preview 7优化异步分层编译和WASM支持。安全侧发布8月补丁日，修复421个CVE（含1个Lazarus组织利用的零日漏洞）。其他亮点包括VS Code接入MAI-Voice、Power Platform现代控件GA、T
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
447
扫一扫
