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
100+累计阅读
129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
最近很多小伙伴都在学习前后端分离的知识，苦于找不到好的基础项目，于是我亲自录制了SpringBoot + Vue的前后端分离的综合项目，已经上传到B站，现在免费分享给大家！
项目编写了详细的开发文档，包括前端和后端。只需要按照文档，结合讲解视频，就能一步一步跟着做项目了哈，相信这样能大大加快学习的效率！
目前B站已经35万播放，1.7万的收藏：
后端文档：
前端文档：
讲解视频：
如何获取？
1. 识别并关注公众号「Java问答社」；
2. 在下面公众号后台回复关键字「345」。
👆长按上方公众号
回复「345」即可获取上面所有资料Springboot + Vue + shiro 实现前后端分离、权限控制
本文总结自实习中对项目的重构。原先项目采用Springboot+freemarker模版，开发过程中觉得前端逻辑写的实在恶心，后端Controller层还必须返回Freemarker模版的ModelAndView，逐渐有了前后端分离的想法，由于之前，没有接触过，主要参考的还是网上的一些博客教程等，初步完成了前后端分离，在此记录以备查阅。 一、前后端分离思想 前端从后端剥离，形成一个前端工程，前...
Shiro框架 + Springboot + Vue3 (二)
Shiro框架 + Springboot + Vue3 (二)
Springboot+Vue+shiro实现前后端分离、权限控制
原先项目采用Springboot+freemarker模版，开发过程中觉得前端逻辑写的实在恶心，后端Controller层还必须返回Freemarker模版的ModelAndView，逐渐有了前后端分离的想法，由于之前，没有接触过，主要参考的还是网上的一些博客教程等，初步完成了前后端分离，在此记录以备查阅。 一、前后端分离思想 前端从后端剥离，形成一个前端工程，前端只利用Json来...
aider 实战拆解：借助 tree-sitter-language-pack 为仓库地图一次性接入几十种新语言
> 本文以 aider 官方公开屏幕录制 [tree-sitter-language-pack](https://link.gitcode.com/i/0eeb9efeb74b6f9673ac79355e5ff4b1) 为线索，还原开发者使用 aider 把大量新语言批量接入仓库地图（repo map）的完整过程，并结合当前仓库中的实际代码、查询文件与测试，说明这背后需要改动哪些环节。读完你将掌握
每天10分钟，混剪视频Agent产出50条爆款，单月变现6位数（喂饭级教程）
混剪视频是指将多个视频片段、图片或音频素材进行剪辑组合，创造出新的视频内容。随着Coze上线联动剪映功能，混剪视频制作正在进入自动化时代，为创作者带来巨大便利。高效自动化处理：AI可以自动完成琐碎的剪辑工作，让创作者省下大量时间专注于项目策划和创意。批量素材产出：特别适用于抖音、小红书和视频号等平台上的养生、科普、心理、疗愈等垂直领域，可以自动化批量生产图片和视频素材。引流获客：通过优质内容吸引目标受众知识变现：通过教学传授技术工具变现：将搭建好的工作流作为产品销售。
缠论 公式 自动画线 画笔 中枢 买卖点 源代码
【代码】缠论 公式 自动画线 画笔 中枢 买卖点 源代码。
SpringBoot-Shiro-Vue登录流程详解：从用户名密码到权限信息获取
SpringBoot-Shiro-Vue权限管理系统提供了一套完整的用户登录和权限控制解决方案，让开发者能够快速实现从用户名密码验证到权限信息获取的全流程。作为基于Spring Boot和Vue的前后端分离项目，它采用了Token作为登录凭证，避免了传统Session的跨域问题，真正做到了按钮和接口级别的权限控制。 ## 🔑 登录流程核心步骤 整个登录流程可以分为三个关键阶段：前端提交登录、
Ubuntu 22.04 “软件与更新”装了NVIDIA驱动，WiFi等设备不见了
在Win10装了Ubuntu22.04的双系统，台式机里面有NVIDIA 3080Ti的独立显卡，Ubuntu默认使用的nouveau驱动，需要更换成NVIDIA相应的驱动，在软件和更新里面一键安装了NVIDIA-driver-535-server之后，发现wifi、蓝牙等设备消失了。这个问题的根源据说跟这个nouveau驱动有关，希望linux社区可以解决这个问题。命令安装后 sudo reboot就可以重新看到WiFi以及蓝牙等设备图标了。然后用U盘拷贝到不能上网的Ubuntu22.04系统上，利用。
XiaoMi-Pro-Hackintosh性能调优：CPU频率管理与温度控制终极指南
XiaoMi-Pro-Hackintosh项目为小米笔记本Pro系列提供了完整的macOS黑苹果解决方案，但要让设备在macOS下发挥最佳性能并控制温度，需要进行专业的CPU频率管理和温度控制调优。本文将详细介绍如何通过原生电源管理、降压设置和BIOS优化来提升小米笔记本Pro在macOS下的使用体验。 ## 🔋 原生电源管理配置 XiaoMi-Pro-Hackintosh项目通过精心设计的
计算机网络-自顶向下方法 第三章课后习题答案（第七版）
复习题 R1. a) 就叫这个协议为简单传输协议STP（Simple Transport Protocol）。在发送方，STP从发送进程接收不超过1196字节的数据块、目标主机地址和目标端口号。STP向每个块添加一个4字节的头，并将目标进程的端口号放在头中。STP然后将目标主机地址和结果段提供给网络层。网络层将段交付给目的地主机的STP。目的主机基于STP检查段中的端口号，从段中提取数据，并将数据传递给由端口号标识的进程。 b) 在发送方，STP从发送进程接收不超过1192字节的数据块、目标主机地址和目标端
车载与安防项目实战：如何用RK3588搭配NVP6158C实现4路AHD摄像头BT1120接入与同步预览
本文详细解析了基于RK3588处理器与NVP6158C解码芯片实现4路AHD摄像头BT1120接入与同步预览的技术方案。针对车载环视和安防监控场景，重点探讨了硬件架构设计、BT1120接口配置、多路同步机制及Android HAL适配等核心问题，提供了从底层驱动到上层应用的完整实现路径，为相关领域的工程实践提供可靠参考。
Springboot +Shiro +VUE 前后端分离式权限管理系统
Springboot +Shiro +VUE 前后端分离式权限管理系统
PCIE的MSI中断处理机制与优化策略
PCIe设备的。
超详细！4小时开发一个SpringBoot+vue前后端分离博客项目！！
小Hub领读：前后端分离的博客项目终于出来啦，真是花了好多心思录制咧。文末直接进入B站看视频哈！这次你找不到不关注我B站的理由了吧？这次你找不到不星标置顶我公众号的理由了吧？作者：吕一明...
【异常】DeepSeek API HTTP 401 认证失败错误完整排查与解决方案
摘要：本文针对DeepSeek API开发中的HTTP 401认证失败错误进行深度解析，指出该错误属于不可重试的认证类问题。文章首先拆解错误日志关键字段，区分401与其他API错误的本质差异。随后提供优先级排序的全链路解决方案：1）检查API密钥有效性；2）规范请求头认证格式；3）排查账户权限状态；4）验证请求环境配置。最后建议通过新建测试密钥、使用官方示例代码或联系技术支持进行兜底处理。全文采用技术脱敏处理，为开发者提供系统性的401错误排查指南。（149字）
PyCharm 接入 OpenAI Codex CLI 的 4 步配置与调试实录
揭示 Codex CLI 在 PyCharm 中上下文失稳的四大根源：CLI 启动模式与 IDE 进程模型冲突、stdin/stdout 流式处理不兼容、环境变量污染、AST 注释缺失，并给出基于 Shell 脚本桥接与结构化上下文注入的稳定接入方案。
SpringBoot+vue+shiro前后端分离开发整合部署详解
一、前言 1.综合概述 前后端分离项目越来越成为主流，目前应用较多的是前端为vue+elementUI 后端用SpringBoot。 一般的管理系统都要有登录和权限管理的功能，这里选用Apache的Shiro做为项目的安全框架。它是一个非常易用的安全框架，提供了包括认证、授权、加密、会话管理等功能，与Spring Security一样属基于权限的安全框架，但是与Spring Security 相比，Shiro使用了比较简单易懂易于使用的授权方式。Shiro属于轻量级框架，相对于Spring Securit
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
Spring Boot + Vue + Shiro 实现前后端分离，写得太好了！
前后端分离项目中，由于跨域，会导致复杂请求，即会发送 preflighted request，这样会导致在 GET／POST 等请求之前会先发一个 OPTIONS 请求，但 OPTIONS 请求并不带 shiro 的’Authorization’字段（shiro 的 Session），即 OPTIONS 请求不能通过 shiro 验证，会返回未认证的信息。（l 楼主就遇到这个问题，后端地址缺少了查询参数，代理设置为后端地址，然而 F12 看到的错误依然还是本地的域名，并不是代理后的域名）
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
在前后端分离的SpringBoot项目中集成Shiro权限框架
项目背景 公司在几年前就采用了前后端分离的开发模式，前端所有请求都使用ajax。这样的项目结构在与CAS单点登录等权限管理框架集成时遇到了很多问题，使得权限部分的代码冗长丑陋，CAS的各种重定向也使得用户体验很差，在前端使用vue-router管理页面跳转时，问题更加尖锐。于是我就在寻找一个解决方案，这个方案应该对代码的侵入较少，开发速度快，实现优雅。最近无意中看到springbo...
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5404
扫一扫
