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
500+累计阅读
555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
1. Web静态文件服务
主要提供构建WebUI需要的一些静态文件。
特点：
a. 每一个Web页面必定会用到一些静态UI文件。
b. 对于一个网站，这种静态文件数量不会非常的多。
2. Web服务需要用到的二进制文件
例如，用户上传的文件，用户的图片等
特点：
a. 文件的生存周期，可能和应用的逻辑相关。
b. 文件的权限，可能和应用的逻辑相关。
c. 会涉及到大量的存储和大的数据流量。
3. Web服务的主要业务数据
特点：
a. 由Web动态程序产生，
b. 包含较多的逻辑
c. 是Web功能的主要组成部分。
其他基础设施，Emai DNS FTP 等，就不在特别区分了。
为什么要区分呢？主要是为了之后讲解我最近研究的大型网站的自动测试技术。
基于web的企业客户信息管理系统
基于javaweb的在线客户信息管理，主要实现了客户信息的增删改查基本功能，其中涉及到java，html，jsp，javascript，servlet，jquery，filter，session等等
web 数据类型
数据类型简介、简单数据类型、获取变量数据类型、数据类型的转换
保姆级教程：在Ubuntu 22.04上搞定PX4 V1.14 + ROS2 Humble的HITL仿真（避坑实录）
本文提供在Ubuntu 22.04上配置PX4 V1.14与ROS2 Humble的HITL仿真环境的详细教程，涵盖环境准备、固件编译、QGroundControl配置、ROS2通信设置及联调测试。特别针对版本兼容性、Gazebo插件构建和MicroDDS配置等常见问题提供避坑指南，帮助开发者高效搭建无人机仿真系统。
Web前端，JS基础之数据类型
持续学习总结输出中，今天分享的是Web前端，JS基础之数据类型计算机世界中的万事万物都是数据。计算机程序可以处理大量的数据。JS 数据类型整体分为两大类:基本数据类型 number 数字型 string 字符串型 boolean 布尔型 undefined 未定义型 null 空类型引用数据类型 ...
解决UE5像素流三大痛点：鼠标锁定/双光标/自动播放（附app.js魔改指南）
本文针对UE5像素流服务在实际应用中常见的鼠标锁定、双光标和自动播放三大交互痛点，提供了深入的技术分析和解决方案。通过详细解析app.js源码，指导开发者如何修改控制方案、修复光标显示以及实现静音自动播放，旨在提升Pixel Streaming应用的用户体验与专业度。
门控时钟（clock gating）的DFT设计
在数字IC芯片中，时钟树的功耗占比可能高达30%，因此一般会采取门控时钟的方式来降低该部分的功耗。所谓门控时钟，就是在芯片实际工作过程中，有些信号或者功能并不需要一直开启，那么就可以在它们不用的时候将其时钟信号关闭。这样一来信号不再翻转，从而能够有效减少动态功耗。 目前门控时钟都采用集成门控时钟单元（ICG，integrated clock gating cell），其结构如下。由一个latch和一个与门（也有的是或门）组成，可以过滤掉EN信号中的毛刺。一般的工艺库中都会有专门的ICG以供调用。 插入IC
常见的web类型
1.静态站点。 2.动态站点。 CMS(应用程序通用管理面板) 3.电子商务 4.门户网站 1.论坛 2.聊天 3.电子邮件 4.搜索引擎 5.通过注册访问的区域 5.内容管理系统(CMS) Dashboard WordPress Joomla CMS用来构建私人博客。 ...
D类功放LC滤波器实战：从Q值0.707到EMI优化的完整设计流程
本文详细解析了D类功放LC滤波器的完整设计流程，从确定截止频率与Q值0.707的理论基础出发，到参数计算、仿真验证及关键元器件选型，并提供了应对EMI超标和过流保护等实际问题的进阶调试策略。文章强调，精准的LC滤波器设计是平衡音质、稳定性与电磁兼容性的关键，尤其需关注电感饱和电流与电容直流偏置等细节。
数据的分类分级
2021年12月31号，全国信息安全标准化技术委员会秘书处发布了《网络安全标准实践指南——网络数据分类分级指引》，给出了数据分类分级的原则、框架和方法。数据分类分级是数据安全治理领域的一个专业名词，从名字上就能看出这个名词其实包含了两部分的内容：数据分类是数据资产管理的第一步，不论是对数据资产进行编目、标准化，还是数据的确权、管理，亦或是提供数据资产服务，有效的数据分类都是首要任务。数据分类很好理解，无非就是把相同属性或特征的数据归集在一起，形成不同的类别，方便人们通过类别来对数据进行的查询、识别、管理、保
eda、gnm、anm究竟是个啥？
eda:主成分分析 gnm:高斯网络模型 anm:各向异性网络模型
MemSeg:一种差异和共性来检测图像表面缺陷的半监督方法
本文认为人为创建类内差异和保持类内共性可以帮助模型实现更好的缺陷检测能力，从而更好地区分非正常图像。如图一所示。差异（differences）:MemSeg引入人工模拟的异常图像在训练阶段使模型能够区分正常和异常的图像，减轻了半监督学习只能用正常样本进行训练的不足，然后在推理阶段可以直接输入图像无需做任何后处理。共性（commonalities）:MemSeg引入了一个记忆池来记录正常样本的通用模式，在训练和推理阶段，比较输入图像和记忆池中的样本之间的差异，为异常区域的定位提供有用的信息。
系统的存储分类
首先我们需要说明的是块存储、文件存储和对象存储是存储的不同类型，它们的使用场景、对应接口和存储格式都不同。不同存储类型的本质差别其实就在于它们的出发点和使用场景不同。接下来，我们来聊聊这三种存储类型各是什么样，以及我们在业务工作中如何使用它们。块存储通常意义上，可以理解为一个不带文件系统的裸磁盘，是将裸磁盘空间映射给主机使用的。比如我们日常使用的硬盘、U盘，这是最常见的形式。当然不仅仅可以直接使用物理设备，也通过虚拟化间接使用物理设备（比如VMware、VirtualBox可以创建虚拟磁盘）我在这里举一个实
二十一.基于国民MCU 的增加M4F DSP库调用的验证
Cortex-M4F内核不仅内置硬件FPU单元，还支持多种DSP指令集，比如支持单周期乘加指令（MAC）等。因此Cortex-M4执行所有的DSP指令集都可以在单周期内完成，而Cortex-M3和M0需要多个指令和多个周期才能完成同样的功能。比如开方运算，M3和M0只能通过迭代法（标准数学函数库）计算，而M4F直接调用VSQRT指令完成。参考：\Nationstech.N32G45x_Library.1.1.1\Nationstech.N32G45x_Library.1.1.1\projects\n32g4
工地大型设备检测系统源码分享
数据集信息展示在现代工程建设中，工地大型设备的有效检测与管理至关重要。为了提升对工地设备的智能识别能力，本研究采用了名为“drilling bucket”的数据集，旨在改进YOLOv8模型在工地大型设备检测系统中的表现。该数据集包含了六个主要类别，分别为“bailing”、“drill pipe”、“open type”、“person”、“roller bits”和“round chisels”。
基于STM32L4XX、HAL库的AD7124-8BCPZ模数转换器ADC驱动程序设计
/ 公式: Voltage = (adc_value / (2^23 - 1)) * Vref。// 模式控制位[7:5]=000 (连续转换模式)// 3.2 配置通道0，使其使用AIN0(+)和AIN1(-)，并关联到配置0和滤波器0。= 0x14) { // AD7124-8的ID是0x14。// 双极性操作，缓冲AINP/AINN。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
【完整源码+数据集+部署教程】工地大型设备检测系统源码分享[一条龙教学YOLOV8标注好的数据集一键训练_70+全套改进创新点发刊_Web前端展示]
【完整源码+数据集+部署教程】工地大型设备检测系统源码分享[一条龙教学YOLOV8标注好的数据集一键训练_70+全套改进创新点发刊_Web前端展示]
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。
web服务器的类别
Apache是世界使用的Web服务器软件。它可以运行在几乎所有广泛使用的计算机平台上。Apache源于NCSAhttpd服务器，经过多次修改，成为世界上的Web服务器软件之一。Apache取自"a patchy server"的读音，意思是充满补丁的服务器，因为它是自由软件，所以不断有人来为它开发新的功能、新的特性、修改原来的缺陷。Apache的特点是简单、速度快、性能稳定，并可做代理服务器来使用。特点就是处理php页面，如果需要执行php的内容过多可以采用apache，如果静态内容多可以用nginx。 I
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
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")
DAMOYOLO-S一文详解：COCO类别ID映射表与中文标签转换方法
本文介绍了如何在星图GPU平台上自动化部署DAMOYOLO-高性能通用检测模型-S镜像，并详细解析了其基于COCO数据集的类别ID映射与中文标签转换方法。该模型可用于自动化目标检测任务，例如在智能安防或内容审核场景中，快速识别并标注图片中的物体，提升视觉内容分析的效率和本地化体验。
关系型数据库常见类别及差异
关系型数据库（mysql 、SQL Server、Oracle、Sybase、DB2、DB、ODS、DW） DBMS数据库管理平台 ODBC开放数据库连接 DB按照数据结构来组织、存储和管理数据的仓库 ODS是一个面向主题的、集成的、可变的、当前的细节数据集合，用于支持企业对于即时性的、操作性的、集成的全体信息的需求。常常被作为数据仓库的过渡，也是数据仓库项目的可选项之一
【精选】基于Python大型购物商城系统（京东购物商城，淘宝购物商城，拼多多购物商城爬虫系统）
对购物商城管理的流程进行科学整理、归纳和功能的精简，通过软件工程的研究方法，结合当下流行的互联网技术，最终设计并实现了一个简单、易操作的购物商城系统。内容包括系统的设计思路、系统模块和实现方法。系统使用过程主要涉及到管理员和用户两种角色，主要包含个人中心、用户管理、商品类别管理、热卖商品管理、投诉建议、系统管理、订单管理等功能。系统开发主要在 Windows 系统下进行，采用支持跨平台的 Python语言开发完成，因此可以运行在任意开发环境下。
基于web知识库管理系统设计与实现
通过经济、技术、社会三个方面的可行性分析，我们认为，企业知识资源管理已经越来越被人重视，企业知识资源管理系统的开发是非常有必要的，而且也是可行的，具有一定的使用价值。组成：知识资源ID，知识资源名称，知识资源类别，作者，上传人，上传时间，知识点击率，知识评论数，知识下载次数，知识附件名，知识附件地址，知识审批状态，知识审批理由。组成：知识资源ID，知识资源名称，知识资源类别，作者，上传人，上传时间，知识点击率，知识评论数，知识下载次数，知识附件名，知识附件地址，知识审批状态，知识审批理由。
thinkphp是什么类别
必须承认的是，ThinkPHP不仅是一款优秀的全栈式Web开发框架，而且凭借其独特的设计理念赢得了广大中国乃至世界各地开发者的青睐。无论你是希望快速搭建起一个功能齐全的小型站点，还是打算构建一个庞大复杂的企业级平台，ThinkPHP都能够为你提供强有力的支持。就我而言在做出最终决策前，建议结合自身项目的具体要求对各个框架进行全面考量。希望本文能帮助你更好地理解ThinkPHP是什么类别及其适用范围。
解析大型.NET ERP系统 十三种界面设计模式
成熟的ERP系统的界面应该都是从模板中拷贝出来的，各类功能的界面有规律可遵循。软件界面设计模式化或是艺术性的创作，我认可前者，模式化的界面客户容易举一反三，降低学习门槛。除了一些小部分的功能界面设计特殊一些，ERP绝大部分的功能的界面都相似。以我接触和设计的ERP系统，总结常见的界面设计模式，供读者参考。 模式1 单据 Entry 常用于各种单据的输入界面，也可用于主文件/主档(客户，供应商，
大型程序的开发流程_给大型应用程序开发人员的提示
大型程序的开发流程 假设您是一名Java开发人员，刚开始处理包含2000个类并使用多个框架的大型Java应用程序。 您将如何理解代码库？ 在典型的企业Java团队中，可以帮助您的大多数高级开发人员可能会很忙。 文档将很少。 您将需要快速交付并向团队证明自己。 您将如何解决这种情况？ 本文为从新项目开始的Java开发人员提供了一些建议。 1.不要试图了解整个应用程序 让我问你-为什么首先要...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1427
扫一扫
