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
200+累计阅读
268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
安装视频素材里的phpstudy,直接解压就可以用，真适合小白，之前安装的MySQL还没有用
心疼内存。
然后在其他选项菜单里停掉啊发起，选择MySQL管理器，导入解压的mydb文件，这个最好把他放在一级或者二级目录下，目录太长的话导入会失败，修改后导入成功，可以在其他选项菜单里查看到MySQL的目录菜单。
打开素材中的后台项目，安装项目依赖，在命令行中输入npm install，
然后运行接口项目，这里记得一定要打开运行MySQL之后所有的接口才不会报错，因为是昨天晚上安装的MySQL，今天开机没有启动，所以后面测试接口一直无法发送请求，耽误了半个小时
运行接口项目，命令行输入 node .\app.js
把api接口项目运行起来了，这里就把项目跑起来了，
提供了各种接口地址供访问，可以双击api文档查看接口，
安装汉化版，视频里的接口仍然可以正常访问
测试登录的接口
token是用来登录状态保存的，可以用token验证用户有无登录
【黑马点评】1 项目导入以及短信功能
【黑马点评】1 项目导入以及短信功能
黑马优购项目（uni-shop）-三级分类图片加载不出来解决办法（已解决）
解决B站黑马优购三级分类图片加载不出来，网络渲染错误 。解决由于接口更改造成的bug
测试--Tpshop商城
1.性能:内存+cpu+流量+电量启动速度+流畅度+稳定性2.内存关注:实际使用内存(PSS )私有内存3.内存常见问题内存泄漏:申请内存无释放内存。内存溢出:日申请内存时，无内存可用。案例流量优化策略:数据的压缩不同数据格式的采用控制访问的频次只获取必要的数据缓存机制针对不同的网络类型设置不同的访问策略。
黑马智慧商城实战项目（基于vue2开发）
主要记录了黑马课程vue2开发实战项目的开发流程
黑马商城项目导入IDEA报错？从zip损坏到环境配置全流程排查指南
在JavaWeb入门学习中，导入课程项目压缩包是常见环节，但频繁遇到的“invalid zip archive: could not find eocd”等报错往往让人卡在第一步。这类问题本质上源于压缩包完整性校验机制——EOCD记录缺失意味着文件传输或解压方式不当。理解Maven依赖管理与Spring Boot运行原理，才能系统性地排查构建失败、数据源配置异常等问题。本文以黑马商城典型单体应用为例，梳理从解压、环境对齐到IDEA导入的完整链路，并给出缓存设计、事务优化等二次开发建议，帮助开发者将课程项目转
黑马点评项目个人笔记【秒杀消息队列用RabbitMQ实现】
博客须知 本篇博客内容来源与黑马点评项目实战篇-16.用户签到-实现签到功能_哔哩哔哩_bilibili，作者对视频内容进行了整合，由于记笔记时图片使用的是本地路径，所以导致博客的图片无法正常显示，如果有图片需求可以下载上方的pdf 须知 该项目主要是通过Redis实现的，基本上把Redis的使用场景学了个遍 封装Redis工具类和生成分布式id需要重点学习一下，这两块的思路很好 本篇博客不包含课程中的自研分布式锁的内容，因为我以前跟着周阳的redis课程和谷粒商城自研过两遍了 Redis版本的消息队列
黑马vue商城-day02-用户列表功能开发
主体布局开始 <template> <el-container class="home-container"> <!-- 头部区域 --> <el-header ><el-button type="info" @click="logout">退出</el-button></el-header > <!-- 页面主体区域 --> <el-contai
使用PLINK做GWAS（2）
利用PLINK对单基因控制的性状进行定位，之前一篇文章粗滤的记录了一下使用PLINK的命令，本次博客主要记录一下如何根据SNP芯片的数据制作PLINK的格式，以及分析的步骤，最后数据的可视化。 首先，有的公司给的新片的数据就是一个excel表格，列表示的是样品，行表示的是基因型，基因型用ATCG构成，当然有的基因型是用数字0或者1表示的。下面我拿到的一个数据是15个样品构成的基因型，有13个样品是突变体，2个样品是野生型。 格式如下： 第二步：将此基因型存成csv文件，使用R进行读取，在R中制作pl
黑马点评使用Apifox进行接口测试(以导入更新店铺为例、详细图解)
经过自己摸索尝试也是成功进行了接口测试，希望这篇博客能对你有帮助
从零到一：基于DESeq2的转录组差异表达分析实战指南
本文详细介绍了基于DESeq2的转录组差异表达分析实战指南，涵盖数据准备、标准化处理、差异分析及结果解读等关键步骤。DESeq2凭借其稳定性和对低表达基因的友好处理，成为转录组数据分析的首选工具。文章还提供了常见问题排查和优化建议，帮助研究者高效完成从分析到发表的完整流程。
用Arduino+ESP32复现TDOA定位：低成本实现厘米级精度的完整教程
本文提供了一套利用Arduino和ESP32平台，结合NRF24L01+模块与GPS/PPS时间同步方案，低成本复现高精度TDOA（到达时间差）定位系统的完整教程。教程详细阐述了从硬件选型、天线阵列设计、时间同步实现到核心算法与多径抑制的实战步骤，旨在帮助开发者和硬件爱好者以可控成本实现厘米级精度的定位演示系统。
Redis--day4--实战-黑马点评--搭建环境
导入黑马点评项目：导入sql文件、导入后端项目、修改配置文件、启动后端、导入前端项目、运行前端项目
工业级越界行为识别数据集：YOLOv8/v9直接训练的围栏异常检测资源
越界行为识别是智能安防与工业安全中的基础视觉任务，其核心在于对人员、车辆等目标跨越物理边界（如围栏、警戒线、作业禁区）的精准检测与分割。该技术依赖于高质量实例分割标注、归一化坐标格式及场景鲁棒性设计，具备低延迟、高召回、强泛化等工程价值，广泛应用于智慧工地电子围栏、化工厂禁区告警、物流园区越界监控及变电站安全巡检等真实工业场景。本数据集以YOLOv8/v9为基准构建，提供万张实拍+合成图像、像素级Segmentation标注、分层划分与完备元数据，开箱即用，直击工业落地中数据清洗、格式转换与标注不一致等关键
黑马商城Spring Cloud 微服务课程笔记 Day1 - 02 节：导入黑马商城
在我们的 Spring Cloud 微服务课程学习进程中，02 节 “导入黑马商城” 是非常关键的一步，它为后续的微服务实践搭建了基础框架。
2025年人形机器人产业研究
人形机器人是一种模仿人类外形、动作和行为的机器人，旨在替代或辅助人类完成各种任务。其显著特征包括人类外形、动作模仿和智能交互能力。根据形态和功能，人形机器人可分为小型、中型、大型以及服务型、工业型、救援型和娱乐型等类别。发展历程经历了初始阶段、高度集成系统阶段和突破性进展阶段，技术不断进步。关键技术包括执行系统、控制系统和感知与交互系统，涉及机械结构、运动控制、平衡控制、任务执行控制以及感知与交互能力。主要研究方向包括外部仿人化和内部仿生，前者关注外观设计、动作控制和任务执行能力，后者致力于模拟人类核心机制
【好玩的游戏项目】使用Docker快速部署属于你的RPG网页小游戏
【好玩的游戏项目】使用Docker快速部署属于你的RPG网页小游戏
关于黑马程序员微信小程序案例3-3的静态配置问题
public目录命名规范化：优先使用images和static路径一致性原则：前后端路径必须完全匹配环境差异处理：区分开发与生产环境配置。
手把手教你 Ubuntu 24.04 离线安装 Ollama
本文介绍 Ubuntu 下离线安装 Ollama 并使用 Ollama 部署 llama3.1-70b 大模型
从零部署黑马点评Redis项目：环境配置、典型报错排查与核心接口调试指南
本文详细介绍了从零部署黑马点评Redis项目的完整流程，包括环境配置、典型报错排查与核心接口调试。针对Redis 5.0+环境搭建、XREADGROUP命令报错等常见问题提供解决方案，并分享接口测试、性能优化等实战技巧，帮助开发者高效完成项目部署。
YOLOv11改进，YOLOv11添加DCNv4可变性卷积(windows系统成功编译)，二次创新C3k2结构，全网最详细教程
引入了可变形卷积 v4 (DCNv4)，这是一种为广泛视觉应用设计的高效且有效的操作算子。DCNv4通过两项关键增强解决了其前身DCNv3的局限性：1. 移除空间聚合中的softmax归一化，以增强其动态特性和表达能力；2. 优化内存访问以最小化冗余操作，从而加速计算。这些改进使得DCNv4相比DCNv3显著加快了收敛速度，并且处理速度大幅提升，前向传播速度超过三倍。DCNv4在多个任务中表现出色，包括图像分类、实例和语义分割，特别是在图像生成方面表现突出。
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
黑马点评项目踩坑记录
循环会一直执行，其作用是不断从Redis的消息队列中读取消息。但大家一开始搭建项目的时候还没有创建Redis的消息队列。注释掉代码提交的部分之后，项目就可以正常运行了。方法（代码如下）将一些信息写入redis数据库。然后就可以开始愉快地学习啦！
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
关于黑马-Vue电商后台项目管理（2）
2.2 后台项目的环境安装配置 安装MySQL数据库 关于数据库文件，黑马教程有提供一个叫phpstudy的软件，可以按照视频流程进行配置，但是之后可能会经常出现在该软件无法启动mysql。因此我们这次采用Navicat Premium软件进行数据库导入，教程（https://jingyan.baidu.com/article/a17d5285c164cc8098c8f23e.html）首先需要连接上本地数据库，然后新建一个数据库用于存放需要导入的.sql文件设置编码(字符集utf8 – UTF-8 U
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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")
UniApp小项目：黑马商城接口配置!!!!!!!!
20-发送get请求_哔哩哔哩_bilibili第一步先下载phpstudy小皮面板(phpstudy) - 让天下没有难配的服务器环境！ 然后在软件管理中下载SQL-Front 然后启动服务!!!!!!!!如果以前电脑下过sql有可能会打不开然后看这个链接操作!!! phpstudy mysql启动不了，问题已解决_Minnor的博客-优快云博客_phpstudymysql启动不了亲测可以然后打开SQL-Front数据库名字要和老师给的一样dtcmsdb4 然后导入老师给的dtcmsdb4.sql 记得
vue电商实战-黑马-01
文章目录项目概述1.电商系统基本业务概述2.电商系统后台管理系统的功能划分3项目的开发模式及技术选型项目初始化前端项目初始化 b站：https://www.bilibili.com/video/BV1bE411p7As?p=2 项目概述 1.电商系统基本业务概述 电商系统一般都提供了：pc端、移动app端、移动web端、微信小程序等多种终端访问方式。 eg：京东： 1.pc端：https://www.jd.com/ 2.移动web：https://m.jd.com/ （手机浏览器打开京东网站） 3.app：
【黑马点评二刷day01】
说明：此篇内容我二刷总结。
黑马点评项目-短信登录功能
一、导入黑马点评项目 1、代码下载 视频资源链接：P25 实战篇-02.短信登录-导入黑马点评项目 代码可以直接去黑马微信公众号上搜索，或者从下面的网盘链接中下载：链接: https://pan.baidu.com/s/1aWhWVn2Ai7AeuDm0KftSqw 提取码: snuw 2、SQL 脚本执行 上面的链接中有一个 hmdp.sql 文件，注意在执行该 SQL 脚本的时候不要批量执行，会报错，最好是一条一条执行。 3、前端 Nginx 搭建 3.1 Mac OS 安装 Nginx 我自己用的是
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2859
扫一扫
