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
1.3k累计阅读
1.3k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.ant design pro2.0版本，只有一个示例页面，显示一个简单的字符串
2.配置config.js文件，设置路径
3.执行npm run build命令，将打包后的文件拷贝出来
4.下载nginx.conf配置文件，修改端口及路径，文件与上述文件夹放置在同一层目录
5.同一层目录下，新建Dockerfile文件，注意文件路径
FROM nginx:latest
MAINTAINER sunmingming@supcon.com
COPY nginx.conf /etc/nginx/conf
COPY vxsis-running-log-web /etc/nginx/html
EXPOSE 80
5.制作镜像
docker build -t demo-web:v1 .
6.创建容器并启动
docker run --name demo-web -p 80:80 demo-web:v1
Dify前端UI自定义实战：从环境变量配置到独立项目构建
这次我们来看一个面向开发者和团队的实际问题：如何对 Dify 应用的前端界面进行个性化自定义。Dify 作为一个开源的 LLM 应用开发平台，其核心价值在于让用户能快速构建和部署 AI 应用。但当你需要将应用嵌入自己的产品、匹配品牌风格，或者实现特定交互逻辑时，默认的 UI 往往不够用。这篇文章不讲复杂的底层原理，直接聚焦于“能不能改”和“怎么改”，从修改主题色、Logo 到深度定制组件，提供一套可落地的操作路径。 对于开发者而言，最关心的是自定义的技术门槛、对原有功能的影响以及后续的维护成本。本文将基于
如何正确快速的将你的前端应用打包成Docker镜像并发布
1.前言 前段时间，自己搞了个阿里云的服务器。想自己在上面折腾，但是不想因为自己瞎折腾而污染了现有的环境。毕竟，现在的阿里云已经没有免费的快照服务了。要想还原的话，最简单的办法就是重新装系统。而一旦重装，之前的搭建的所有环境就都白搭了。 再加上之前本身就想引入docker，所以就打算利用docker容器来部署这次的前端应用。 2.构建前端应用 在打包之前，首先需要一个可正常运行的前端应用。这个可以使用umi或者create-react-app来构建。 3.nginx的默认配置文件 然后需要在项目中加上默认n
Java Spring Boot + Vue 3 构建高并发火车票系统：从设计到部署全解析
在现代Web应用开发中，前后端分离架构已成为主流范式，它通过清晰的职责划分提升了开发效率和系统可维护性。其核心原理在于后端专注于提供RESTful API接口处理业务逻辑与数据，前端则负责用户交互与界面呈现，两者通过HTTP协议与JSON格式进行通信。这种架构的技术价值在于支持团队并行开发、技术栈灵活选型以及更好的水平扩展性，广泛应用于电商、社交、企业管理等各类平台。以企业级票务系统为例，其业务涉及高并发请求处理、数据强一致性保障及复杂的状态管理，是检验架构设计的典型场景。本文将聚焦于使用Java Spri
前端工程、静态代码、Html页面 打包成nginx 的 docker镜像
前端工程、静态代码、Html页面 打包成nginx 的 docker镜像
Vue应用中的最小化部署：实现无Node.js依赖的静态文件部署与启动
根据你的项目需求和技术栈，选择最适合你的部署方式。静态文件部署是一种简单、高效的选择，尤其适合小型项目和对性能要求不高的项目。
本地服务器搭建Uptime Kuma网站监控服务
本文主要介绍如何在Linux系统中一键部署Uptime Kuma运维监控服务，并将这个服务映射至公网实现随时随地远程访问。如果您像我一样在服务器上托管了多个网站，并且没有足够的时间来手动检查每个网站的在线状态，那么当出现问题时，您可能无法及时收到通知来处理这些问题。因此，搭建一个在线监控服务是很有必要的，它可以在状态异常时提醒您，以便您能够及时处理问题，确保网站的稳定性和可用性。监控服务有很多，我最终选择了Uptime Kuma，因为Uptime Kuma是开源免费的，
前端docker部署(通过nginx镜像部署)，内含Dockerfile和nginx.conf.template两个配置文件
新手适合学习的docker部署文章，前端部署docker
Comsol固体力学仿真﹣﹣受均匀内压的厚壁球壳弹塑性分析（加载卸载全流程）
COMSOL固体力学及结构力学仿真较少，故而查询了有关资料，才建立了如下模型。图4 加载卸载全历程中的冯米塞斯应力变化。该有限元模型是通过扫掠而得的结构化网格。图2 加载卸载全历程中的塑型区域变化。图3 加载卸载全历程中的位移应力变化。图6 关键节点第一，第三主应力分布。图5 关键节点应力场与塑性区分布。《弹塑性力学》大作业，记录一下。图1 球体的有限元网格模型。
将你的前端应用打包成docker镜像并部署到服务器？仅需一个脚本搞定 ...
将你的前端应用打包成docker镜像并部署到服务器？仅需一个脚本搞定1.前言前段时间，自己搞了个阿里云的服务器。想自己在上面折腾，但是不想因为自己瞎折腾而污染了现有的环境。毕竟，现在的阿里云已经没有免费的快照服务了。要想还原的话，最简单的办法就是重新装系统。而一旦重装，之前的搭建的所有环境就都白搭了。 再加上之前本身就想引入docker，所以就打算利用d...
Java 简易版 UDP 多人聊天室
【代码】Java 简易版 UDP 多人聊天室。
基于FPGA的心电信号实时处理与智能诊断系统实现【附源码解析】
本文详细介绍了基于FPGA的心电信号实时处理与智能诊断系统的设计与实现。系统通过高精度采集电路和FPGA数字滤波技术处理微弱心电信号，采用自适应算法准确检测QRS波群，实现心率计算和心律异常诊断。附源码解析展示了FIR滤波器、中值滤波器和诊断逻辑的Verilog实现，为心电监护系统开发提供实用参考。
使用Docker完成前端部署
使用Docker完成前端部署
Qt6导入QtChart绘制图表(添加组件)
我在按照大佬们的说明添加QtChart时发现，我的电脑上并不能正确的添加QtChart并编译通过，所以在综合了两位大佬的说明又自己探索了一番后，正确编译通过，分享出来，以便同志们节省一些时间。
使用docker在linux系统上启动前后端
* "java"：指定了要执行的程序，即Java虚拟机。•"./backend.jar"：这是要执行的jar文件的路径，其中.表示当前目录，backend.jar是你应用程序的打包文件，包含了编译后的Java类和资源文件。•"&"：在Unix/Linux系统中，&符号通常用于将命令放到后台运行，使得进程在后台非阻塞地运行，这样Docker容器不会因为这个进程退出而停止运行*/通过以上详细步骤，您可以成功打包前端应用并在Docker容器中运行，确保您的前端应用能够正常访问并且Docker容器能够正确启动。
Android AVB 分析（十六）5 个例子彻底理解 FEC(Reed-Solomon) 的工作原理
关于 FEC 是如何工作的，一直是我 Android OTA 讨论群中的未解话题，大家基本上都不清楚 Android 上面的 FEC 是如何工作的，为什么在 OTA 升级的最后阶段，FEC 的编码计算会消耗大量的 IO 资源，并持续很长时间。接下来的几篇，我会从一个程序员的角度，演示基于里德所罗门编码的 FEC 到底是如何工作的。
ESP32与DS18B20温度传感器的数据采集与告警系统
并且，通过自定义的微信告警功能，我们可以及时收到温度超过阈值的告警消息。随着物联网的快速发展，传感器在各种应用场景中发挥着重要的作用。本文将介绍如何使用ESP32微控制器与DS18B20温度传感器结合，通过串口输出和Web服务器实现温度数据的采集和监控，并使用自定义微信告警功能。上传完成后，打开串口监视器，您将看到ESP32连接到Wi-Fi网络，并开始监测温度。在您的计算机或移动设备上，打开一个Web浏览器，并输入ESP32的IP地址。在浏览器中输入ESP32的IP地址后，您将看到显示当前温度的页面。
Nginx部署SPA应用刷新404问题：原理、配置与最佳实践
单页应用（SPA）是现代前端开发的主流架构，它通过前端路由实现页面无刷新切换，提升了用户体验。其核心原理在于利用Hash或History API管理URL状态，由JavaScript动态渲染内容，而非每次请求都从服务器获取新HTML。这种架构在开发环境下运行良好，但在生产部署时，尤其是使用Nginx等静态文件服务器时，常会遇到路由刷新404的典型问题。这是因为Nginx默认会尝试寻找与URL路径对应的真实文件，而SPA只有一个入口文件（如index.html），其他路由路径在服务器上并不存在。为了解决这一工
学Simulink——基于新型动力与推进系统的场景实例：混合动力无人机的续航能力优化
通过本次 Simulink 仿真，你已掌握：✅混合动力系统架构设计✅内燃机、电机、电池联合建模✅三种能量管理策略（规则型、功率跟随、优化型）✅续航能力仿真与对比分析✅参数调优与优化方法核心收获混合动力是突破续航瓶颈的有效路径能量管理策略（EMS）决定系统效率电池SOC管理是关键Simulink 支持复杂多能源系统的协同仿真掌握混合动力无人机技术，你将具备设计长航时巡检机、应急通信平台、边境巡逻系统的能力。
《从零构建前后分离的web项目》：前端1.0 终 - 前端性能优化 (多图预警)
4000字长文，多图预警！！！流量慎入！！ 性能优化 - 屌丝前端性能优化、上线一条龙 大家好我又来了，本章给大家带来的内容是：上线和上线后的性能优化 项目地址 实战预览地址 实战项目地址 本章代码地址 本章你会了解 前端需要了解的 docker 基础知识 部署前端项目到本地/外网服务 前端项目的 gZip 优化 了解 CDN 的重要性 webpack 按需加载 图片的相关优化 如何分析项目...
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
Dify应用UI个性化定制全攻略：从主题配置到源码级改造
在低代码开发与AI应用构建领域，UI定制是满足品牌化与深度业务集成的关键技术环节。其核心原理在于通过配置覆盖、样式注入或源码修改，实现对开源框架默认界面的视觉与交互重塑。这项技术的价值在于，它能让开发者在不重复造轮子的前提下，快速将通用AI能力封装成与自身产品体验一致的服务，从而提升用户信任与使用效率。典型的应用场景包括将聊天机器人、智能工作流等AI应用无缝嵌入企业门户、教育平台或客服系统。本文聚焦于热门AI应用开发平台Dify，详细解析其UI定制方案，涵盖通过环境变量修改基础信息、利用SCSS变量实现全局
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
EC-CUBE 4.4 Symfony电商系统架构解析与容器化部署实战指南
EC-CUBE是日本最流行的开源电商解决方案，基于Symfony 7.4框架构建，支持PHP 8.2-8.5版本，采用Doctrine ORM 3.x进行数据库操作。该系统专为日本电商市场设计，内置日本消费税系统、积分奖励机制和多地址配送等本地化功能。本指南将深入解析EC-CUBE的技术架构，并提供完整的容器化部署方案。 ## 一、技术架构深度解析 ### Symfony分层架构设计 EC-
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")
Spring Boot静态资源同步与缓存管理：从原理到实践
在Web开发中，静态资源（如CSS、JavaScript、图片文件）的高效管理与同步是保障应用稳定性和用户体验的关键环节。其核心原理涉及HTTP协议缓存机制、构建工具的资源处理流程以及应用服务器的静态资源映射规则。通过合理的缓存策略和版本化管理，可以显著提升页面加载速度，减少服务器负载，同时确保用户能及时获取到最新的资源更新。这一技术价值在前后端交互频繁、迭代快速的现代Web应用中尤为突出，广泛应用于电商、社交、企业级管理系统等场景。本文聚焦于Spring Boot框架下的静态资源同步问题，深入剖析了资源映
Styleguide编译与部署完全指南：从开发到生产环境终极教程
Styleguide是一个强大的工具，让创建和维护样式指南变得简单高效。这个开源项目提供了完整的解决方案，帮助团队统一设计语言和前端开发规范。本文将为您提供从环境配置到生产部署的完整指南，确保您能够充分利用Styleguide的所有功能。😊 ## 📋 环境准备与项目初始化 在开始使用Styleguide之前，您需要确保系统环境已正确配置。项目支持macOS、Linux和Windows系统，
数据可视化项目部署指南：从环境搭建到功能测试全流程
数据可视化是将复杂数据转化为直观图形的关键技术，其核心原理在于通过前端库（如D3.js、Mapbox GL JS）将多维数据映射为视觉元素，帮助用户快速识别模式与趋势。这项技术的价值在于提升数据分析效率与决策支持能力，广泛应用于地理信息系统、供应链监控、教学演示等场景。本文聚焦于一个典型的数据可视化项目，详细阐述了其本地部署、功能验证与接口调用的完整实操流程，涵盖了Docker容器化部署、Node.js应用启动及RESTful API测试等关键环节，为开发者快速复现和扩展此类项目的核心功能提供了系统指导。
RFC 2447 解读：Cua Driver 原生核心、版本化 C ABI 与 MCP 适配器架构
本篇技术指南以 [RFC 2447: Cua Driver: Native Core and MCP Adapter](https://link.gitcode.com/i/e67d63afdb0777fd1c7cc1fc42fcc739) 为骨架，系统讲解 Cua 开源项目中 CUA Driver 的分层架构：一个私有的原生核心、一个作为"实现替换缝"的版本化 C ABI、一个唯一的公开类型化
企业级Web OA系统全链路实践：从架构设计到部署运维
企业办公自动化系统是现代组织协同与效率提升的核心数字化中枢。其技术演进从传统的桌面客户端转向基于浏览器的Web化架构，这一转变不仅改变了访问方式，更驱动了前后端分离、微服务等现代架构理念的落地。其核心价值在于通过流程引擎、统一权限与系统集成，实现复杂审批流、知识管理与跨系统数据打通，从而支撑大规模、高并发的企业级协同需求。在工程实践中，以Spring Boot、Vue.js为代表的技术栈，结合Flowable流程引擎与Redis、Elasticsearch等中间件，构建了兼顾性能、安全与可维护性的解决方案。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
443
扫一扫
