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
205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
def mpart_atts= atts
atts.each do |att|
if !att[:part].blank? and att[:id].blank?
mparts.build(att)
elsif !att[:part].blank? and !att[:id].blank?
item = mparts.detect{|i| i.id == att[:id].to_i}
item.attributes = att
end
end
end
程序化广告行业（23/89）：深度剖析广告效果评估指标
大家好，我一直希望能和大家一起在技术领域不断探索、共同进步。在之前的文章中，我们了解了程序化广告中腾讯的业务布局和广告效果评估的基础概念，今天让我们进一步深入剖析广告效果评估的各项指标，这对理解程序化广告的运作机制至关重要
一对多，增删改查
一对一建表完全相同，只是没有设置外键索引的唯一性 A如果查询老师信息，那么左连接时老师的表要放在左边，反之查询课程信息，课程表左连接时放在左边 B老师对应得课程是多个，所以在定义返回值resultMap的时候，课程要使用Collection标签，并且返回类型为ofType C课程对应的老师只有一个，所以在定义返回值resultMap的时候，老师使用的是association标签,并且返回类型为...
学习stm32H7之路开始(STM32H7系列1) 前期准备,HAL库框架
2020.01.07 几个重要的参考网址 1.电子工程世界网 http://tags.eeworld.com.cn/tags/STM32H7 链接: link. 2.转:https://blog.youkuaiyun.com/simon223/article/list/2?t=1 链接: link. ———————————————— 版权声明：本文为优快云博主「Simon223」的原创文章，遵循 CC 4....
程序中，一对多，多对多，情况下的修改。
这种场景参加工作几个月来，遇到了很几次了，其中还出现过两次bug。这次我还想整理下。 假定场景，活动，和门店存在绑定关系，一个活动可以绑定多个门店。一个门店也能绑定多个活动。这应该算多对多的关系吧，不过同样适应。 首先假定，一对多。一个活动绑定多个门店。 首先是要看数据库怎么存储的，一对多是可以选择的比如： 活动id为3 绑定门店id为 1,2,3,4,5,6,7 这几个门店。 可以这么...
通达信股本变迁文件（gbbq）解密方法
近年来A股市场跌宕起伏真特么精彩，本人愚钝，被整爆仓，损失惨重 痛定思痛，认为交易这种对纪律要求极高，且必须完全排除情绪影响的勾当，还是应该交给程序来干 数据哪里来呢？当然是拿来主义。。。问券商的交易软件要呗 到处查资料，得知通达信的权息文件数据齐全，不仅含有除权除息数据，还含有限售解禁、增发、可转债上市等股本变化数据 ——这对于某些对成交量变化敏感的交易模型是非常重要的
C++实现设计ATM机系统
这个示例实现了一个基本的ATM机系统，支持注册、登录、存款、取款、查询余额和保存数据等功能。当然，这只是一个简单的ATM机模拟，实际的ATM机系统需要更复杂的逻辑和更严格的安全措施。C++编写一个简单的ATM机系统，我将提供一个基本的实现示例，但由于ATM机系统的复杂性和安全性要求，这只是一个简单的模拟，不适合在实际环境中使用。试设计一简单模拟ATM机系统，系统以菜单方式工作，采用自定义函数设计各功能模块被主菜单调用，使之能提供以下基本选项。=========欢迎使用ATM=========
SSM框架实现一对多添加（修改）多条数据
以前在做SSM框架的时候，遇到的一个比较经典的案例，一个角色Role对应多个权限Module，那么如何在添加角色信息的时候将一个角色对应的多个权限也同时添加到两个表关联的中间表中呢。 1.添加角色信息。同时添加权限。这种方法是适合在添加角色和对应权限的时候使用，因为添加角色信息时候我们一般是传入一个角色的对象，把角色信息添加到角色表中。 而添加对应的权限的时候我们一般是添加对应的权限的i...
Autosar Dcm配置-App到Boot的跳转及1002回复配置及实现-基于ETAS软件
在软件刷写流程中，上位机(诊断仪)发送1002后，APP检查允许跳转boot后，在特定的ram（软复位不清除）写入指定置后通过触发软件复位来跳转到boot的。在APP跳转到Bootloader时，1002的回复有两种方式，一种是APP直接回复，然后跳转，另一种是APP回复NRC78，然后跳转，在Boot中回复。本文介绍这两种方式的实现。如果是在APP中回复，可以少发一个0x78，整体跳转时间可能会少一些。但是如果诊断在收到5002之后立马请求其他的服务，可能出现boot正在初始化而未正常接收到报文。
一对多修改操作（当时让我修改个电话号码）
需求 不管你做啥操作，首先你要知道 联系人的id 底层代码的实现 linkman修改了两次 解决办法：放弃是最好的选择（一放弃多） invers 改成ture 这样效率就提高 了
SAP ABAP SSSLERR_PEER_CERT_UNTRUSTED 证书过期+证书导入+案例详解+注意事项
出于 IT 审计与安全管理，外部系统间通讯发布的 API 主流都是 HTTPS 协议，SAP 支持 SSL 证书。SSL 证书是有效期的，当证书失效时将返回错误 SSSLERR_PEER_CERT_UNTRUSTED ，此时需要导入新效期的证书。这篇文章完整讲解了证书过期处理的全过程。
支付域——账户系统设计
本文详细介绍了支付域中的账户系统设计，包括账户的定义、核心特征、常见类型以及在支付系统中的作用。账户是支付平台为用户、商户等主体建立的资金记录单元，具有资金归属、余额管理、交易流水、资金安全等核心特征。常见账户类型包括用户账户、商户账户、平台账户、保证金账户等。此外，还探讨了账户与银行账户的区别、账户的结构设计、如何设计账户类型以及账户系统设计等内容。
一看就会☀️Flask+redis，如何处理用户多端登录
如何处理用户多端登录项目中遇到的问题是否允许用户多端登录？问题1：在允许用户多端登录的情况下，修改密码后，其他端没修改密码是否被退出登录，需要重新登录不允许多端登录的情况下问题2：当用户在第二个端登录时，让第一段登录的情况失效。解决方案> 问题1> 问题2 项目中遇到的问题 用户在chrome和edge都登录，在一端修改了密码，另一端还能正常登录。 这个事件引出了很多问题。 是否允许用户多端登录？ 问题1：在允许用户多端登录的情况下，修改密码后，其他端没修改密码是否被退出登录，需要重新登录 不允
【GameFramework扩展应用】6-5、GameFramework框架出包时增加版本信息Version.txt文件
框架在热更新的时候，会先去获取文件，然后获取版本号，对比版本号和资源大小，才会开始下载资源。但是，框架生成AssetBundle资源的包里面是没有这个文件的，只能我们新建一个文件，然后手动填入数据，非常麻烦。好消息是，框架把这些接口都留给我们了，我们只需要继承接口，重写函数，然后在打包的时候选择这个辅助器即可。下面就来看一下如何实现把。
SpringDataJpa大坑——一对多级联修改问题
关于springdatajpa级联修改bug
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
uniapp多端开发技术解析
介绍 Uniapp是 DCloud公司于2012年开始研发的能够一次代码开发，生成H5、小程序（微信、支付宝、百度、华为等）、APP等应用的技术的统称，开发工具是HBuilderX，功能非常强大，由此引申出许多技术社区与生态环境。 参考 uni-app官网https://uniapp.dcloud.io/ uView 2.0 - 全面兼容nvue的uni-app生态框架 - uni-app UI框架uView UI，是uni-app生态最优秀的UI框架，全面的组件和便捷的工具会...
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。
FBreader问题记录及多端同步心得开篇
android端做过epub阅读器的小伙伴应该对这个都不陌生了,可谓是又爱又恨.既爱其强大,又恨自己看不懂(可能只是我一人). 我先讲下背景,公司是做数字阅读的,而我们选择了FBReader作为epub的文件解析器,在我接手之前已经用了好几年了(公司之前的大佬集成进去的),而我(不会c++的android菜鸡)来的2年期间也没有深入了解过.随之而来的就是慢慢的折磨,遇到了以下几个问题. 一是新制作的epub结构不兼容FBReader结构导致无法阅读,那时排查了3天才发现是解析路径出了问题,最后勉强修复了这个
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")
Nginx 多端口部署多站点
在 nginx 主要配置文件 nginx.conf 中，server 是负责一个网站配置的，我们想要多个端口访问的话，可以复制多个 server先进入到 nginx.conf 中。
一封传话一对多推送实现步骤
使用一封传话实现一次推送，多人接收消息。支持微信、企业微信、钉钉、飞书、邮件、webhook等消息推送。还可以创建组合通道，绑定多个推送通道后实现一次推送，多端接收。
Docker上下载安装Nginx——解决多端口访问问题
是将宿主机/root/project与容器/var/www/html关联，以后所有的项目都建立在/root/project下，因为关联在/var/www/html，所以容器可以访问到外部的项目，方便在nginx.conf反向代理到项目（一般如果是前端项目就可代理到：/var/www/html/项目名/index.html）是/root/nginx_conf 放置所有的配置文件，可以在nginx容器根目录下的/etc/nginx共享（容器的配置文件就在/etc/nginx目录下边）在宿主机上修改配置文件。
Joplin 多端同步冲突的处理与恢复实战
《Joplin多端同步冲突处理指南》揭示了用户常见的误解：冲突不等于数据丢失。文章详细介绍了冲突产生的原因（如多设备同时编辑）、标准处理流程（查找冲突→对比内容→手动合并）以及数据恢复方法。作者强调Joplin会将冲突内容保存在"Conflicts"笔记本中而非直接删除，90%的数据损失源于人为误操作。为预防冲突，建议遵循"单设备编辑"原则，将桌面端作为主要编辑工具，并养成同步前后检查的习惯。通过Git备份可进一步保障数据安全，使冲突处理从恐慌转变为可控的整理过程。
入职一个月，总结下 uniapp 多端项目遇到的一些问题与解决方案
总结 uniapp 多端项目中遇到的一些坑点，记录解决方式，交流探讨不同解决方式的优缺点，提供相关问题的解决思路。
Apache（httpd）文件服务器及多端口服务搭建
Apache(httpd)文件服务器及多端口服务搭建
思源笔记多端同步机制与数据安全实践
本篇博客面向中国AI开发者，系统讲解思源笔记的多端同步机制与数据安全实践。内容涵盖同步架构、流程、冲突处理、数据加密、备份机制、API操作、实用案例、最佳实践与常见问题。通过丰富的Python代码、Mermaid图表和真实案例，帮助开发者高效实现多端协作与数据安全保障。思源笔记多端同步机制完善，支持高效协作与数据安全推荐结合API与备份机制，保障数据一致性与隐私实践中注重冲突处理与异常监控积极参与社区，获取最新同步与安全技术支持。
GitHub多端同步不小心失误导致的连环报错的处理方法
初学者在进行Git的多端同步过程中经常出现各个问题我们可以通过创建一个临时副本解决他git stash或者我们可以通过这个命令去访问所有的stash恢复stash的几种方法。
有什么好用多端同步的网盘？同步盘功能
开发一个高效、稳定的同步系统，不仅需要巨大的技术投入，还需要一个支撑同步功能的庞大服务器后台，以及维护这些系统的持续运营支持。Zoho网盘 提供了一套精确的同步算法，能够快速、高效地识别文件变更，并及时将更新的数据同步到所有相关设备中，这让用户可以随时随地访问最新版本的文件。比如，当一个团队的成员同时对报告文件进行修改时，Zoho可以自动跟踪每位成员的更改，保留相应记录并防止冲突文件出现，从而大幅提高协作效率。此外，Zoho还设有免费版本，能够让用户在不付费的情况下，体验到基本的多端同步功能。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4864
扫一扫
