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
第一步：按照https://blog.youkuaiyun.com/m_uncle/article/details/78656843这个上的步骤下载安装git
第二步：打开adminMongo的GitHub地址
https://github.com/mrvautin/adminMongo?spm=5176.100239.blogcont65161.29.69ZhEk
点击复制，打开一个你喜欢的盘（比如E盘），然后右键打开Git bash here
输入git clone https://github.com/mrvautin/adminMongo 回车之后就是等待下载了
复制下来之后 -->cd adminMongo -->npm install(cnpm install) -->npm start-->访问地址 http://127.0.0.1:1234
进来之后只需填写数据库名称（随便起一个），和本地ip地址 mongodb://127.0.0.1:27017 相同，然后点击右边的"黑色按钮connect"进入即可
最后的进来的就是这样的：
spdk + fio测试nvme 设备的性能
fio的测试对象可以是块设备、文件等，在spdk的使用过程中会unbind默认的nvme driver，所以在系统中是看不到nvme块设备的，在spdk中可以通过fio_plugin的方式，将spdk的用户态driver部分的io功能打包成一个ioengine提供给fio使用，可以综合spdk的高性能和fio提供的复杂场景。更多DPDK相关学习资料有需要的可以自行报名学习,免费订阅,永久学习,或点击这里加。这个jobfile是spdk中提供的例子。领取,关注我持续更新哦!2.7 jobfile的例子。
docker 搭建mongodb图形化界面，adminmongo环境搭建
docker 搭建adminmongo环境 快速搭建adminmongo，web版操纵mongo数据库。 安装docker环境，这里就不在叙述，请自行安装。 adminmongo已打包成镜像，可直接拉取。 docker pull fourfire/admin-mongo //拉取镜像 docker run -d -p 8001:1234 --name admin-mongo --restart always fourfire/admin-mongo //运行容器 admin-mongo默认开启了login-
SPAD单光子雪崩二极管：从基础原理到前沿应用
本文深入解析SPAD单光子雪崩二极管的基础原理、硬件实现关键及核心性能参数，并探讨其在激光雷达、量子通信和生物医学成像等前沿领域的创新应用。SPAD凭借超高灵敏度和精确的时间分辨率，正在推动自动驾驶、量子技术和医学诊断等领域的革命性发展。
adminMongo的安装与使用
一、安装 1、首先安装nodeJs 官方下载地址https://nodejs.org/en/download/ tar -xvf node-v10.15.0-linux-x64.tar.xz mv node-v10.15.0-linux-x64 nodeJs #创建软连接 ln -s /usr/local/node/nodejs/bin/npm /usr/local/bin/ ...
PCB工艺-SI9000使用教程
本文介绍了阻抗计算工具SI9000的使用方法，重点讲解了微带线与带状线的区别、共面阻抗概念及参考面选择。通过USB差分走线实例，详细说明了如何选择计算模型、填写参数并确定线宽线距。文章还提供了层叠设计资料和工厂常规阻抗表格作为参考，建议制板时标注需控阻抗的线路供板厂调整。最后简单提及了嘉立创阻抗计算工具作为备选方案。
MongoDB下载+可视化工具adminMongo
（一）首先配置MongoDB【需要配置，环境变量；文档】下载MongoDB：1，从MongoDB官网下载安装https://www.mongodb.com/download-center#community根据的电脑选择合适的版本安装：根据你的系统下载 32 位或 64 位的 .msi 文件，下载后双击该文件，按操作提示安装即可。安装过程中，你可以通过点击 "Custom(自定义)" 按钮来设置你...
Unreal 从入门到进阶 之 如何实现Pixel Streaming
Unreal Engine 5 (UE5) 的 Pixel Streaming 是一项基于云端的实时流媒体技术，允许将 UE5 应用的高质量图形渲染结果通过 WebRTC 协议传输到用户的浏览器或轻量级设备，同时将用户输入（如鼠标、键盘、触控）回传到服务器处理。UE的插件相对比较好用，但是就是环境下载总是失败。希望这篇文章对你有所帮助。
mac 环境下安装MongoDB
mac安装MongoDB数据库后，每次启动 MongoDB 都要切换到对应的 bin 目录，然后执行 mongod 命令才能启动，这里我们可以给MongoDB配置下环境变量。这样就打开了一个记事本，然后将 MongoDB 的二进制命令文件目录（安装目录/bin）添加到 PATH 路径中，我这里的安装目录是这样的（每个人可能不一致）如果这里显示的不一样的话，输入下面命令后，然后输入你的开机密码，密码不会显示直接输入然后回车。如果发现全局变量又无效了，可能是.zshrc文件中没有自动执行配置的全局变量。
Xinference新手指南(一个命令直接安装成功)
对于新手,必须得学会使用docker部署,这是基本功!这里就不过多去介绍了,如果评论要出教程的话,以后再出了。
【大模型应用开发-大模型知识】(二)大模型分类和常见大模型
目前包含 Claude 和 Claude-Instant 两种模型可供选择，其中 Claude Instant 的延迟更低，性能略差，价格比完全体的 Claude-v1 要便宜，两个模型的上下文窗口都是 9000 个token（约 5000 个单词，或 15 页）它的目标是“更安全”、“危害更小”的人工智能。Google 还开发了多种 PaLM 的改进版本。更强大的基础模型： ChatGLM3-6B 的基础模型 ChatGLM3-6B-Base 采用了更多样的训练数据、更充分的训练步数和更合理的训练策略。
adminMongo 安装与配置指南
### 项目基础介绍 adminMongo 是一个基于 Web 的用户界面（GUI），用于管理和操作 MongoDB 数据库。它提供了一个直观的界面，使用户能够轻松地管理 MongoDB 连接和数据库操作。adminMongo 是跨平台的，支持在多种设备上运行，并且是完全响应式的。 ### 主要编程语言 adminMongo 主要使用 JavaScript 编写，前端使用 HTML 和 CSS ...
FPGA经验谈系列文章——3、逻辑级数
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 Xilinx FPGA开发tips系列——前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的
adminMongo可视化工具安装使用(windows环境)
adminMongo是针对mongodb的一款可视化工具，类似mysql的的navicat和oracle的pl/sql工具。该工具可以类似navicat管理关系数据库一样查看Mongodb数据，也可对数据进行编辑和删除，是目前比较方便好用的一款工具了。前提条件安装使用adminMongo前确认自己电脑上已经安装了mongodb和node.js环境adminMongo下载进入adminMongo的g...
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")
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
【工具】MongoDB 与可视化工具 adminMongo 的安装、启动与连接
MongoDB 下载、安装与启动 下载网址：https://www.mongodb.com/downl... 下载完成后解压，把解压后的文件夹重命名一个短些的名字，比如 mongodb启动终端，进入 MongoDB 目录下（我的文件路径是 /Users/mobike/Documents/mongodb）新建 /data/db 文件夹，输...
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
mongo可视化工具adminMongo安装
git环境搭建下载地址：https://git-scm.com/downloads 此处，安装环境为windows操作系统，所以选择windows版本下载一直下一步，直至安装完成找到安装git的目录下的git-bash.exe,打开，进行如下配置： $ git config --global user.name "Your Name"$ git config --global user.ema...
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
安装MongoDB以及可视化工具adminmongo后的启动过程
1、如果配置了windows服务，并加入了环境变量，则直接打开cmd，输入net start MongoDB，就可以启动MongoDB。2、进入git clone后的本地adminmongo文件夹，开启git bash或cmd，输入npm start，就可以启动adminmongo，登入http://127.0.0.1:1234，就可以管理数据库。...
MongoDB的可视化工具adminMongo的安装(也很吐血)
前言,安装什么的真的很捉急 安装adminMongo需要用到npm 1安装npm 官网,下载http://nodejs.org/ 一路next,然后进入cmd,输入node -v npm -v npm作为一个NodeJS的模块管理，之前我由于没有系统地看资料所以导致安装配置模块的时候走了一大段弯路，所以现在很有必要列出来记录下 在nodeJS的安装目录下新建如下两个文件夹 启动c...
基于STM32的智能计价电子秤：从称重滤波到联网上传的完整工程实践
嵌入式系统开发中，STM32微控制器凭借其高性能与丰富外设，成为智能称重设备的理想主控平台。通过高精度ADC与数字滤波算法，系统可实现对重量信号的稳定采集与处理，这是计价准确性的基础。结合实时操作系统进行任务调度，能有效提升多任务并行下的响应速度与可靠性。在物联网场景下，设备还需通过WiFi模块将交易数据上传至云端，实现远程管理与数据分析。本文围绕基于STM32的智能计价电子秤，详细阐述了从传感器选型、HX711采样滤波、FreeRTOS任务划分到ESP8266联网上传的全链路设计，并分享了调试中遇到的典型
Windows安装MongoDB可视化工具adminMongo
安装Git工具 官方下载地址：https://git-scm.com/downloads 下载与操作系统相对应的windows版本 安装很简单，一路默认即可 搭建node.js环境 官方下载地址：https://nodejs.org/en/download/ 下载与操作系统相对应的windows版本 安装很简单，一路默认即可 在安装过程中设置...
Linux下MongoDB安装、简介以及adminMongo的使用
MongoDB、Linux、可视化工具adminMongoMongoDB简介基本概念简单操作Linux下MongoDB的安装可视化工具adminMongo的使用 MongoDB简介 简介：MongoDB是一个基于分布式文件存储的开源数据库系统，它基于文档(document，即关系型数据库中的行的概念)进行存储，以key=>value的形式进行存储，类似于JSON的格式。 基本概念 ...
PCB AdminMongo安装使用
AdminMongo是针对Mongodb设计的一款Web端可视化工具，它是使用Node.js编写,这里将安装过程记录一下. 一.下载AdminMongo 前题:安装使用adminMongo需提前安装好node.js环境 下载地址:https://github.com/mrvautin/adminMongo.git 二.安装过程 1.切换到...
mongodb与mongodb可视化工具adminMongo结合使用
mongodb与mongodb可视化工具adminMongo结合使用 一，MongoDB的安置及配置 1，从MongoDB官网下载安装 https://www.mongodb.com/download-center#community 根据的电脑选择合适的版本安装： 根据你的系统下载 32 位或 64 位的 .msi 文件，下载后双...
mongodb可视化工具：adminMongo
mongodb可视化工具：adminMongo adminMongo是一个网页版的可视化工具： github地址：https://github.com/Automattic/mongoose 使用方法： 1、下载 zip 包，或者克隆：git clone https://github.com/Automattic/mongoose 2、进入目录右键 Git Bash Here，或者 cd admi...
MongoDB学习笔记(一) 安装配置
这篇文章，我们将会学习如何在 Windows 和 Linux 环境下安装配置 MongoDB 1、Windows 环境 博主使用的系统是 Win10，计划安装 MongoDB 4.2.0 版本 （1）安装 MongoDB 在 官网 下载安装文件（.msi 文件） 等下载完成后，运行 .msi 文件安装 MongoDB，有几个地方需要注意一下的 这里我们选择自定义安装 更改...
adminmongo一款好用 mongodb 可视化工具
最近想自己搭建一个个人博客，所以学了下mongodb，mongodb是用命令行输入的，有些人可能不太习惯，我自己找了下mongodb的一些可视化工具，发现了一款adminmongo很好用，这里介绍给你们用一下。 github地址：https://github.com/mrvautin/adminMongo安装方法：1、把git仓库克隆到本地git clone https://github.com/...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1089
扫一扫
