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
1.1k累计阅读
1.1k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
在项目上遇到一个问题，生产环境是Centos，分配了两台云服务器，一台应用服务，一台数据库服务，应用服务与数据库服务采用内网连接。我作为开发和运维方，有权限直接访问应用服务，但是数据库服务器需要以应用服务器为跳板机去访问，为了方便管理数据库，我希望使用本地MySQL Workbench管理远程数据库。
| 名称 | 版本 | 备注 |
|---|---|---|
| 应用服务器 | Centos7 | xxx.xxx.xxx.xxx(外网地址，某些云厂商可能提供域名格式) |
| 数据库服务器 | Centos7 | www.www.www.www（内网地址，某些云厂商可能提供域名格式） |
| 数据库 | Mysql5.7 | 使用的云数据库 |
| MySQL Workbench | 8.0.34 | 安装在我本地开发的宿主机上 |
IDEA连接MySQL数据库全链路排查指南：从原理到实战解决连接失败问题
JDBC（Java Database Connectivity）是Java语言中用于连接和操作数据库的标准API，它通过驱动程序管理器加载特定数据库的驱动，建立与数据库服务器的网络连接。其核心原理是基于TCP/IP协议，通过连接字符串（URL）传递主机、端口、数据库及关键参数信息，驱动负责协议的封装与通信。在软件开发与数据库管理实践中，JDBC连接是数据持久化操作的基础，广泛应用于企业级应用、微服务架构及各类数据管理场景。当使用IntelliJ IDEA内置的Database工具连接MySQL时，常因**驱
云服务器上安全创建MySQL/MariaDB数据库的完整实践
数据库是应用数据存储的核心基础设施，其初始化配置直接影响系统稳定性、安全性与中文支持能力。理解字符集（如utf8mb4）、权限模型、网络绑定及存储引擎等底层原理，是避免乱码、连接失败和删库风险的技术前提。MySQL与MariaDB在云环境中的安装方式、默认行为和安全加固路径存在关键差异，需结合发行版生态（如Ubuntu的MySQL 8.0 vs CentOS的MariaDB）进行适配。本文聚焦云服务器终端实操，覆盖从服务安装、远程访问配置、CREATE DATABASE显式声明字符集与排序规则，到最小权限用
云服务器上MySQL与MariaDB基础查询实战指南
SQL基础查询是关系型数据库操作的起点，其核心在于理解语句执行原理、错误反馈机制与环境约束。在云服务器场景下，MySQL和MariaDB虽语法高度兼容，但受安全组、SELinux、bind-address及字符集等基础设施层影响显著。掌握`mysql`原生命令行连接逻辑（如`-h 127.0.0.1`绕过socket）、库表定位规则（`USE`本质是默认命名空间）、分号终结机制与错误码诊断（如ERROR 1046/1146）等关键能力，是实现‘查得准、跑得稳、改得对’的前提。本文聚焦真实云环境闭环操作，覆盖
微信小程序连接本地MySQL数据库：正确架构与全栈开发实战
在Web开发中，前后端分离与API接口调用是构建现代应用的核心模式。其原理在于前端（如小程序）通过HTTP/HTTPS协议向后端服务发起请求，后端作为中间层处理业务逻辑并操作数据库，以此保障安全性与职责分离。这种架构的技术价值在于实现了关注点分离，提升了开发效率和系统可维护性。在微信小程序开发这一具体应用场景下，由于平台安全策略限制，前端无法直接连接非HTTPS域名或内网数据库，使得构建“小程序前端 → 本地后端API → 本地MySQL”的三角数据流成为本地开发调试的唯一可行方案。本文将以Node.js和
IDEA社区版直连MySQL：从驱动原理到实战调试全解析
JDBC（Java数据库连接）是Java应用程序与数据库交互的核心标准接口，它定义了一套通用的API，允许开发者以统一的方式访问不同类型的关系型数据库。其工作原理是通过数据库驱动作为“翻译官”，将Java程序中的JDBC调用转换为特定数据库（如MySQL）能理解的网络协议指令，并处理返回的数据结果。这一机制的技术价值在于实现了应用程序与数据库的解耦，提升了代码的可移植性和维护性。在Java后端开发、Spring Boot项目构建等应用场景中，开发者经常需要频繁执行SQL查询、验证数据逻辑和调试数据库访问代码
微信小程序连接本地MySQL数据库：Node.js后端API搭建全攻略
在前后端分离架构中，前端应用通常无法直接访问数据库，这是出于安全性和架构设计的核心原则。其原理在于，直接暴露数据库连接信息会带来严重的安全风险，因此需要通过后端API作为中间层进行数据交互。这种模式的技术价值在于实现了业务逻辑与数据访问的解耦，提升了应用的安全性和可维护性。在微信小程序开发等场景中，由于平台安全策略限制，这一模式尤为重要。开发者常面临在无云服务器时快速搭建本地开发环境的需求，此时，利用Node.js和Express框架构建本地API服务，并借助连接池技术高效管理数据库连接，成为连接小程序前端
3D点云目标检测Complex-YOLO（训练篇）（一）———KITTI数据集预处理与制作
KITTI dataset Download dataset KITTI 3D Object Detection Evaluation 2017 link 下载四个部分，共41.4GB 解压后为四部分内容（相机校准矩阵calib、RGB图像image_2、标签label_2、点云数据velodyne） 对应的testing和training数据。其中，training数据为7481张（图片和点云对应的场景）,testing数据 7518张（无label_2数据）。 Data Preprocess
CANoe/CANalyzer新手必看：从零配置到报文分析的完整流程（附B站官方教程实操）
本文为CANoe/CANalyzer新手提供从零配置到报文分析的完整流程指南，涵盖硬件连接、工程配置、报文捕获及信号级分析等关键步骤。通过详细的实操案例和B站官方教程，帮助工程师快速掌握汽车电子总线分析工具的核心应用，提升诊断效率与通信系统理解。
Doris StreamLoad任务报错Connection reset
背景 Spark程序扫一张Hive表（大小3-7G），然后用http协议的streamLoad任务提交给Doris集群，在Doris集群从0.13.15升级到0.14.12后spark程序报错streamLoad时突然会Connection reset 分析 enable_http_server_v2 这个参数可以参考FE中文配置中查看到，作用是对于Doris界面是否开启新风格的界面，但是实际上他的作用远不止如此，请接着看 新老版本对于enable_http_server_v2参数默认值是不同的 在0.13
Windows下Delft3D安装全攻略：从申请许可到编译运行（避坑指南）
本文详细解析了Windows系统下Delft3D的完整安装流程，涵盖环境准备、许可获取、源码编译到性能调优的全过程。针对中国用户常见的网络问题和系统兼容性痛点，提供了经过验证的解决方案，特别强调Intel Fortran编译器匹配、环境变量配置等关键步骤，帮助水利工程师高效完成这一水动力学模拟工具的部署。
GD32官方资料学习体系（主要包括MCU选型、原理图PCB设计、软件开发入门及用户手册等）
大部分还未更新，先占个坑，日后更新…… 目前国外芯片涨价涨的离谱（就是在说ST），国内最好的替代就是兆易创新出的系列芯片了。但是官方资料繁杂，小白上手不易，因此边入门边记录，也给后来者根据官方资料可以有一个较为完整的学习体系。
ArcGIS通过已知坐标点转面（通过excel文件，有工具可批量生成面要素）
通过使用ArcGIS中的工具，将坐标点XY数据转换成可视化的点线面矢量数据，更加方便快捷有效的获取对应信息
INCA文件刷写全流程：从ES581驱动安装到XCP协议实战（附避坑指南）
本文详细解析INCA文件刷写的全流程操作，从ES581驱动安装到XCP协议配置，提供实战经验与避坑指南。涵盖A2L文件校验、工作区优化、XCP参数调优及自动化刷写技巧，帮助工程师高效完成ECU开发中的文件刷写任务。
家用扫地机器人实物拆解报告-从顶盖到每一颗螺丝 · 逐层拆解旗舰扫拖一体机器人
2026年旗舰扫拖机器人拆解报告：采用D形机身设计，主机重4.5kg，基站重12kg。核心配置包括RK3588S+STM32H743双处理器、8颗21700电池、LDS激光雷达和双摄像头+结构光导航系统。创新设计亮点：锥形滚刷自动排毛发、活水循环拖地系统、基站集成450W强力集尘和自动上下水模块（带三重防漏保护）。整机采用模块化设计，关键部件均支持快速更换，在密封性、防呆设计和降本增效方面展现出成熟的工程智慧。
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
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")
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
702
扫一扫
