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
162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
Composer是PHP开发中广泛使用的依赖管理工具，它简化了项目依赖的安装、更新和管理过程。Composer具有许多功能和参数，让我们来一一探索它们的含义和用法。
require参数用于指定项目所依赖的包及其版本。通过在composer.json文件中定义这些依赖关系，Composer可以自动下载和安装所需的包。下面是一个示例：
"require": {
"vendor/package": "1.0.0"
}
这将告诉Composer需要安装名为vendor/package的包，并且需要的版本是1.0.0。Composer将检查这个包及其依赖项，并下载安装它们。
Ubuntu 20.04 下 Composer 安装与使用全指南
Composer 是 PHP 生态中实现依赖管理与自动加载的核心工具，其原理基于语义化版本约束、PSR-4 自动加载规范和 vendor 目录隔离机制。它通过声明式 `composer.json` 配置替代传统手动维护扩展路径与 include 顺序，显著提升项目可复现性与协作效率。在 Ubuntu 20.04 这类 LTS 系统上，Composer 的价值尤为突出——既要兼容系统级 PHP 7.4 的稳定性，又要支撑 Laravel、Symfony 等现代框架对 PHP 8+ 的需求。技术实践中需规避 `
PHP生态基石：Composer、Symfony与PHPUnit协同原理
PHP作为广泛应用的Web开发语言，其工程化能力高度依赖于松耦合的组件协作体系。Composer并非简单包安装器，而是通过语义化版本约束与结构化元数据协议，构建起跨环境、可验证的依赖解析网络；Symfony以HTTP内核、事件分发、控制台等标准化组件，为Laravel等框架提供可复用的‘原子能力’；PHPUnit则超越基础断言，依托分支覆盖率、数据提供器与Mock/Stub语义分离，成为保障代码韧性的质量校准器。三者共同构成PHP现代应用的事实标准链——从依赖管理、运行时抽象到质量验证。本文深入拆解这一协同
Composer 中的命令、参数和说明
请注意，在运行这些命令之前，您需要先安装 Composer，并确保您的项目中有一个有效的。Composer 是一个流行的 PHP 依赖管理工具，用于在 PHP 项目中管理第三方库和包的安装、更新和依赖关系。在本文中，我们将介绍一些常用的 Composer 命令、参数和说明，并提供相应的源代码示例。命令用于显示当前项目所安装的依赖包的详细信息，包括版本号、依赖关系和安装路径等。命令用于添加开发环境下的依赖包，这些依赖包通常是开发、测试或调试所需的工具和库。命令用于从项目中移除一个已安装的依赖包。
别再死磕MuJoCo了！用PyBullet+Stable-Baselines3搞定机械臂强化学习（保姆级环境配置）
本文详细介绍了如何使用PyBullet和Stable-Baselines3构建机械臂强化学习系统，绕过昂贵的MuJoCo许可壁垒。通过实战指南，包括环境配置、机械臂Gym环境构建、训练策略与调优技巧，帮助开发者快速掌握机器人强化学习技术，提升智能控制效率。
AI自主网络攻击技术深度解析：从LLM驱动到防御体系升级
网络安全领域正经历从自动化脚本到智能自主攻击的范式转变。其核心原理在于将大型语言模型（LLM）与自动化渗透测试框架深度融合，构建具备环境感知、决策规划和自适应能力的攻击系统。这种技术的核心价值在于实现了从预设步骤到目标驱动的质变，能自主完成信息收集、漏洞利用、横向移动等复杂攻击链。在应用场景上，它不仅能极大提升高级持续性威胁（APT）的攻击效率，也对渗透测试和红队演练技术提出了新的要求。面对此类由AI驱动的自主攻击，传统的基于签名的防御体系已显不足，必须转向以行为分析和零信任为核心的整体纵深防御。本次曝光的
SEG-Y 数据介绍及读写
无
Python实战：用Py2neo轻松玩转Neo4j图数据库（附完整CRUD示例）
本文通过构建武侠知识图谱的实战案例，详细介绍了如何使用Python的Py2neo库对Neo4j图数据库进行CRUD操作。内容涵盖环境搭建、节点与关系创建、Cypher查询、数据更新删除及事务管理，帮助开发者直观高效地处理复杂关联数据，实现从入门到进阶的完整交互流程。
Claude code 入门 安装和快速使用
Claude Code 可以理解为一个。你只需要用简单的语言告诉它要做什么，比如「帮我整理这些文件」、「改一下这个程序」、「分析一下这些数据」，它就能理解你的电脑项目，并自动完成很多操作。，比如整理文件、编程、数据分析…等等。使用终端、命令行还是挡住了非常多的朋友，这个时候，有个界面很重要！Claude code、Codex 官方也都推出了插件，安装即可使用。
肺癌术后随访离散选择实验（DCE）设计与SAS实现
随着肺癌早期诊断和治疗技术的进步，肺癌患者的生存率显著提高，术后随访管理成为提升患者生活质量的关键环节。然而，如何在有限的医疗资源下设计出既符合患者需求又具有成本效益的随访方案，是临床决策面临的重要挑战。 离散选择实验（Discrete Choice Experiment, DCE）是一种定量研究方法，通过模拟真实世界的选择情境，测量患者对不同随访方案属性的偏好程度。本研究旨在通过DCE方法，系统评估肺癌术后患者对随访服务的偏好，为制定以患者为中心的随访策略提供循证依据。
ADT MCP Server 把 ABAP 开发带进 Agent 模式
今天讨论 ADT MCP Server，不能只把它看成 Visual Studio Code 里多出来的一个开关。它真正有意思的地方，在于它把 ABAP 后端开发里那些原本需要手工点击、手工创建、手工激活、手工查服务元数据的动作，包装成一组可以被 GitHub Copilot 这类 coding agent 调用的工具。SAP 在 RAP130 练习里把它描述为运行在 ADT for Visual Studio Code 扩展内部的本地 HTTP Server，它实现的是 Model Context Pro
国产FPGA高云GW1NSR-4C，集成ARM Cortex-M3硬核
从板子整体角度来看，这是一款国产化程度很高的板子，从主控FPGA，到JTAG芯片，存储芯片、电源芯片等，都是使用的国产半导体公司的产品。板子整体尺寸也比较迷你，属于小而美类型的，可以认为是一款FPGA核心板，当然也预留了排针接口，给用户足够的扩展空间。对于想了解高云小蜜蜂SoC软硬件开发，以及对云源软件、MCU开发环境做个深度评测来说足够了。JTAG调试器固件可以增加虚拟串口功能，对于板子本来来说面积不会有改动，只需要添加两根信号线即可。
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")
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
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》。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
316
扫一扫
