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
1.5k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
经过了差不多3个月的努力，我们的翻译项目终于接近尾声，10月1日凌晨经过一晚上的准备，Reference中文版正式发布了。
本以为RC2的翻译就此结束，1号晚上收到了翻译组一位成员的邮件，部分章节的原文没有去掉……真是令人失望的消息，我立刻检查了原文件和CVS历史纪录，原来在二审快要结束时，小组在处理PDF生成时修正过XML文件，问题是提交时有部分文件不是最新的——这个意外告诉我们，update before committing。
好在小小的意外并不影响大家对Reference的热情，在当晚更新PDF前已经下载了300多次，更新后统计数字清零，如果算上这300多次，这会儿累计下载应该已经超过1000次，真是令人可喜的消息。
接下来要做的是等待2.0正式发布，然后针对RC2和正式版的差别进行修正，希望随后的修正翻译一切顺利。
spring-framework-2.0-m1-with-dependencies.zip
spring-framework-2.0-with-dependencies.zip 下载，现在的spring网站上好像很难找到这个文件了
Eclispe下运行Spring例子Jpetstore
前些天想把Spring的Jpetstore例子弄到Eclipse运行，看了一些网上的方法，许多都不全，这里把我的做法详细记录下来： 1. 准备工作 Jpetstore是一个非常优秀的Spring开发的例子,假设你已经在机器上配置好了JDK,Eclipse ,tomcat,MySql。 2.下载例子 去spring官方网站下载最新的版本的spring框架，地址是： htt
[OHIF-Viewers]医疗数字阅片-医学影像-cornerstone-core-Cornerstone.js-Cornerstone Examples-基石实例-下...
[OHIF-Viewers]医疗数字阅片-医学影像-cornerstone-core-Cornerstone.js-Cornerstone Examples-基石实例-下 CT Image with Window presets This is an example of displaying a ct image along with buttons to set ww/wc pres...
Spring Framework 2.0 Reference翻译项目正式启动
自打参加了Redsaga翻译组后，大大小小的翻译项目参加了不少，头一遭的干回翻译项目负责人，起初大家“腐败”时说负责人原则上不参加翻译时我还觉得奇怪，为什么，负责人不就是负责一下进度嘛，又没什么事情，后来干了才发现原来事情比单单自己参加翻译要累得多。 暂时我只是做完了前期准备，下周一(也就是明天啦)正式开始，今天还收到了一封要求加入的mail，这段时间光回复邮件就花了
Oracle19c SYSAUX表空间爆满？手把手教你清理SM/ADVISOR和AUDSYS占用（附完整SQL）
本文详细解析了Oracle19c中SYSAUX表空间爆满的常见原因及解决方案，重点针对SM/ADVISOR和AUDSYS组件的空间占用问题提供了完整的SQL清理脚本。通过诊断查询、空间清理和预防性维护策略，帮助DBA有效管理SYSAUX表空间，确保数据库稳定运行。
OKCC呼叫中心部署实战指南：从零搭建高效外呼系统
本文提供OKCC呼叫中心系统的完整部署实战指南，从服务器选型、操作系统准备到详细安装步骤和性能优化，帮助企业从零搭建高效外呼系统。重点介绍FreeSWITCH核心组件的安装配置技巧，以及常见问题排查方法，助力企业提升客户服务效率。
Spring Framework 2.5 Reference中文版正式发布
Spring Framework 2.5 Reference中文版正式发布声明Spring中文参考手册得到Spring Framework开发团队的直接授权和大力的支持，其目的是在中文世界推广优秀的开源技术。本次翻译活动由满江红开放技术研究组织(http://www.redsaga.com )和Spring中文论坛(http://spring.jactiongroup.net ) 共同发起
基于sklearn实现LDA主题模型（附实战案例）
目录LDA主题模型1.LDA主题模型原理2.LDA主题模型推演过程3.sklearn实现LDA主题模型（实战）3.1数据集介绍3.2导入数据3.3分词处理 3.4文本向量化3.5构建LDA模型3.6LDA模型可视化 3.7困惑度 其实说到LDA能想到的有两个含义，一种是线性判别分析（Linear Discriminant Analysis），一种说的是概率主题模型：隐含狄利克雷分布（Latent Dirichlet Allocation，简称LDA）。 现在讨论的是主题模型
Spring Framework 2.0 Reference翻译项目过半
原定两周的翻译已经基本结束，整的过程还算比较顺利的，谢天谢地。但不久前得到了redsaga服务器硬盘出现问题的噩耗，CVS的数据还在，但MYSQL数据库没了，由于WIKI在上面，所以要重建，虽说比不上Xiaogang修复服务器这么辛苦，不过开这么多用户设置权限，再加上很多页面表格要重做，工作量也不小。。。只能算是老天对这次翻译的考验了，希望一切恢复后的两次校对和正式发布能顺利。
Python 爬虫实战：微信搜一搜内容深度爬取（含搜索结果解析与企业级架构设计）
在信息爆炸的时代，微信搜一搜已成为海量信息获取的重要入口。无论是个人知识探索，还是企业舆情监控，掌握微信搜一搜内容的深度爬取能力具有巨大价值。本文将从基础原理到企业级实现，全面解析微信搜一搜爬虫的开发过程。
华为OD机试双机位C卷:打印机队列 (C++/Py/C/Java/Js/Go)
华为OD机试双机位C卷 打印机队列，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解。华为OD机试 - 打印机队列。
spring-framework-reference翻译 22 Web MVC framework
22. Web MVC 框架 22.1 Spring Web MVC 框架介绍 Spring的MVC（模型-视图-控制器）框架设计围绕着一个DispatcherServlet的类，它能够派遣请求到处理器，配置处理器映射，视图resolution，locale，时区，theme resolution还支持文件上传。默认的处理器是基于@Controller和@RequestMapping注解的
DeerFlow 系列教程 第十一篇 | Sandbox 沙箱与 Memory 记忆——安全执行与持久认知
用户请求│▼Lead Agent├── 系统提示词组装│ ├── <memory> 段 ← Memory 系统注入用户记忆│ ├── <skill_system> 段│ └── <subagent_system> 段│├── 工具调用│ ├── read_file ├── Sandbox 系统提供隔离执行│ ├── write_file├── 路径虚拟化 + 安全验证│└── 对话结束│▼│├── 过滤消息（去除工具调用中间步骤）├── 检测纠正/强化信号。
Spring Framework 2.5 Reference中文翻译计划(phaseI)
Spring Framework 2.5 Reference翻译计划(phaseI) Spring 开发参考手册由Spring 中文论坛http://spring.jactiongroup.net发 起、组织，Spring 开发手册长期以来经过Spring翻译小组的公共努力，已经成功推出了两个版本，为Spring这样优秀的开源技术在中文世界的推广做出了积极的贡献。 Spring1.1开发参考手册...
把财务与管理会计装进一张表：读懂 S/4HANA 的 ACDOCA
别慌，这反而是设计所需。只是大量历史上为汇总、加速而建的索引与汇总表被淘汰或改造，很多被兼容视图 compatibility views 替代，通过视图去 ACDOCA 或 ACDOCT 取数，从而保证老代码还能 SELECT 到数据，但失去写权限。它把原来分散在多张表里的信息整合到一起，例如总账、固定资产、物料账、盈利能力分析 CO-PA、成本控制等维度，发布过的资料多次强调这一点。其二，查询必须带上高选择性的条件，尤其是 RLDNR、RBUKRS、GJAHR 这三个维度，能大幅降低列存扫描的代价。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
Spring中文论坛再携手满江红开放技术研究组织启动Spring 2.5 Reference翻译项目
项目首页在： [url]http://wiki.redsaga.com/confluence/display/Spring2/Spring2.5[/url] 随着Spring Framework的飞速发展，以更全面的企业服务和便利的开发优势，Spring2.0成为了更多程序员J2EE开发的首选框架。为了让更多的朋友能快速掌握Spring2.0的开发优势和了解优秀的构架思想，Spring论坛...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
Spring Framework Reference Documentation 4.3.0.RELEASE
Spring Framework Reference Documentation 4.3.0.RELEASE Spring Framework Reference Documentation 4.3.0.RELEASE 中文版本 整理Spring Framework Reference Documentation 4.3.0.RELEASE 中文版本...
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")
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
Spring Framework中文官方文档的价值与使用技巧
Spring Framework作为Java生态中核心的企业级开发框架，其官方文档是开发者不可或缺的参考资料。依赖注入(DI)和控制反转(IoC)是Spring的核心机制，通过统一术语和版本同步，中文官方文档为国内开发者降低了学习门槛。文档内容涵盖从基础概念到最佳实践的全方位指导，特别在解决版本升级、性能优化和安全漏洞等实际工程问题时表现出色。针对CVE-2024-38819等安全漏洞，文档提供了详细的防护方案。掌握高效的文档搜索策略和本地化部署方法，能显著提升开发效率。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1780
扫一扫
