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
230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
使用Content ( jsonString ) 返回数据 Content ()等于.net的返回数据的操作 [Route("api/[controller]")]路由 比如接口名是123controller 访问时访问的地址是 xxx.com/api/123 项目完成之后要先发布 发布完成之后把项目文件夹下的bin/Release/netcoreapp2.1/publish文件夹下面的所有东西放到服务器的对应文件夹下
wwwroot文件夹是存放资源文件的文件夹 比如js css
新建的项目会有默认的页面内容
修改Pages\Shared\文件夹下面的_Layout.cshtml文件内容发布时也是需要先发布然后再复制文件到服务器上
2019年7月8日13:41:53
Asp.Net Core学习记录
ASP.NET Core核心对象生命周期与拓扑关系深度解析
HttpContext、IServiceProvider、IApplicationBuilder等是ASP.NET Core运行时的基石概念，其本质是受CLR异步上下文、DI容器层级和中间件委托链共同约束的运行时实例。理解它们的创建时机、持有关系与作用域边界，是解决NullReferenceException、DI循环依赖、Scoped服务失效等高频问题的关键。本文从AsyncLocal上下文传播原理出发，结合IHost进程生命周期管理、请求级作用域隔离机制及Features/Items状态传递差异，系统揭
ASP.NET Core 学习 备忘录1
使用Content ( jsonString ) 返回json数据 Content ()等于.net的返回数据的操作[Route("api/[controller]")]路由 比如接口名是123controller 访问时访问的地址是 xxx.com/api/123项目完成之后要先发布 发布完成之后把项目文件夹下的bin/Release/netcoreapp2.1/p...
ASP.NET五大核心对象：HttpRuntime、HttpContext、HttpRequest、HttpResponse、HttpServerUtility深度解析
HTTP服务器开发的核心范式围绕请求（Request）、响应（Response）和上下文（Context）三大抽象展开，这是Java Servlet、Node.js Express、Python Flask与ASP.NET共通的基础模型。在ASP.NET中，HttpRuntime作为运行时调度中枢，HttpContext承载单次请求全生命周期状态，HttpRequest与HttpResponse分别实现协议解码与输出组装，HttpServerUtility则提供HtmlEncode、UrlEncode等安全
ASP.NET Core 2.2 项目升级至 3.0 备忘录
.NET Core 3.0及ASP.NET Core 3.0 前瞻ASP.NET Core 3.0 迁移避坑指南将 ASP.NET Core 2.2 迁移至 ASP.NE...
ASP.NET项目快速接入微信支付V3的完整代码与配置指南
直接用于生产环境的ASP.NET微信支付V3集成方案，含统一下单、支付结果通知、订单查询、退款及退款回调验签等全部核心接口实现。C#代码已按微信最新V3 API规范封装，兼容.NET Framework 4.6+和.NET Core 3.1+，支持IIS与Kestrel部署，不依赖第三方支付中间件。Code目录提供可运行业务逻辑与SDK封装层，Document目录涵盖接入全流程：商户平台配置、APIv3密钥设置、SSL证书导入路径、签名生成原理、敏感参数占位说明（如MCH_ID、APIv3_KEY、私钥文件
原创：C#.net 备忘录，任务备忘，闹钟，带源码
=================== ----原创作品---- ----附带安装文件和源代码----- 仅供学习交流使用， 属于任务计划之类的小软件，可以定点提醒预先设定的事情，带有文字提示，有窗口震动效果，闹铃效果，可当闹钟使用
【ASP.NET Core 基础知识】--最佳实践和进阶主题--设计模式在ASP.NET Core中的应用
设计模式是在软件设计过程中反复出现的、经过验证的、可重用的解决问题的方法。它们是针对特定问题的通用解决方案，提供了一种在软件开发中可靠的指导和标准化方法。设计模式通常描述了一种在特定情景下的解决方案，包括了问题的描述、解决方案的结构以及相互之间的协作方式。设计模式有助于开发人员更有效地进行沟通、理解和实现复杂系统，同时还可以提高系统的可维护性、可扩展性和可重用性。
ESP32 TWAI CAN库实战：从零构建CyberGear微电机控制框架
本文详细介绍了如何利用ESP32的TWAI控制器和Arduino环境，从零构建一个面向对象的CyberGear微电机控制框架。该框架将复杂的CAN通信协议封装为简洁的API，开发者无需深究底层细节，即可轻松实现电机的速度、位置和扭矩控制，大幅简化机器人关节、云台等项目的开发流程。
.NET Core开源项目的集合
【代码】.NET Core开源项目的集合。
CentOS7下Graylog3.0高效日志管理：从零搭建到实战应用
本文详细介绍了在CentOS7操作系统上从零开始搭建Graylog3.0日志管理平台的完整过程。内容涵盖Java环境准备、MongoDB与Elasticsearch依赖安装、Graylog Server核心配置，并实战演示了通过Graylog Sidecar集中管理日志采集器以及配置邮件告警功能，为中小型团队提供了一个比ELK更轻量、易维护的一体化日志解决方案。
单相全桥逆变三种SPWM调制方式（单极/双极/倍频）到底怎么选？一篇讲透优缺点与选型
本文深入解析单相全桥逆变器中单极性、双极性和单极性倍频三种SPWM调制方式的原理与工程选型策略。通过对比开关损耗、谐波特性和驱动复杂度等关键指标，提供基于STM32的实战方案和选型框架，帮助工程师在新能源发电、电机驱动等应用中做出最优决策。
microsoft soap toolkit 3.0建立web服务_ASP.NET Core 2.2 项目升级至 3.0 备忘录
.NET Core 3.0及ASP.NET Core 3.0 前瞻ASP.NET Core 3.0 迁移避坑指南将 ASP.NET Core 2.2 迁移至 ASP.NET Core 3.0 需要注意的地方记录在这篇随笔中。TargetFramework 改为netcoreapp3.0<TargetFramework>netcoreapp3.0TargetFramewor...
Ubuntu16.04下禁用scp、sftp和winscp
在上一篇博文《Ubuntu16.04 搭建FTP服务器，设置用户权限为只许上传、禁止下载和删除》中，我讲述了Ubuntu16.04下配置FTP，并且设定用户权限为只能上传数据，禁止下载和删除数据。这算在FTP层面封堵了服务器数据泄露的途径。 但是，Ubuntu系统的scp和sftp还是起作用的，理论上只要能用本地机器ping通服务器，就可以用scp和sftp下载数据，这还是存在数据泄露可能的，所...
学习011-08-02 String Properties（字符串属性）
C#} });} } }} });} } }});组件模型：DevExpress. ExpressApp.Blazor.Components.Model.DxRichEditModel。Component组件：DxRichEdit编辑器随DevExpressASP.NET核心Blazor库一起提供。描述：您可以将此编辑器用于列表和详细信息视图中的字符串属性。编辑器随Office模块提供。
5分钟搞懂双目相机标定：从棋盘格到3D点云的完整流程（附Python代码）
本文详细介绍了双目相机标定的完整流程，从棋盘格准备到3D点云生成，涵盖单目标定、双目标定、立体校正、视差计算等关键步骤。通过Python代码示例，帮助读者快速掌握双目立体视觉技术，实现高精度的3D重建。特别适合机器人导航、工业检测等应用场景。
ENU坐标系实战：5分钟搞定无人机导航中的站心坐标转换
本文针对无人机导航中GPS坐标与视觉感知不匹配的定位漂移问题，提供了基于ENU坐标系的实战解决方案。通过Python代码演示了如何快速、精准地实现地心地固坐标与站心坐标之间的转换，并详细解释了转换原理、精度对比及工程优化技巧，帮助开发者从根本上解决局部相对定位不准的难题。
GitHub上最全的.NET 学习、开源项目、工具大全
内容一般框架, 库和工具API应用程序框架应用程序模板身份认证和授权区块链机器人自动部署css, js帮助工具缓存内容管理系统CMS代码分析和指标压缩编译器密码数据库数据库驱动程序数据库工具库日期和时间分布式计算电子商务与计算异常响应式编程图片图形用户界面GUI集成开发环境IDE国际化控制反转IOC日志机器学习和科学研究邮件数学网络大杂烩办公软件对象关系映射ORM分析消息队列sql生成器任务计划开...
21、使用 FastHenry 进行片上电感器的模拟与参数预测
本文介绍了使用 FastHenry 对片上电感器进行模拟和参数预测的方法。讨论了 FastHenry 的适用场景、线圈几何形状的选择与离散化方法，以及如何考虑模拟中的寄生效应。同时对比了 FastHenry 和 Magnet 在不同基板电阻率下的模拟精度，并提出了优化电感器设计的策略，为高效准确地预测电感参数提供了技术指导。
ASP.NET Core六大核心对象原理与实战避坑指南
ASP.NET Core的核心对象体系是理解其运行机制的基础，其中HttpContext承载请求上下文，IServiceProvider管理依赖生命周期，IConfiguration实现分层配置绑定，IWebHostEnvironment提供环境感知能力，IApplicationBuilder构建洋葱式中间件管道，IHostBuilder统一宿主抽象。这些对象共同构成应用启动、请求处理与服务治理的骨架。掌握它们的协作逻辑，能有效规避依赖注入错误、配置加载失效、中间件顺序混乱、上下文丢失等高频问题，支撑云原生
C-08-实战：搭建一个AI客服机器人（接入微信企微）
客服是一人公司最大的时间杀手。本文教你搭建一个AI客服机器人，能自动回答80%的常见问题，只把复杂问题转给人工。含微信公众号和企业微信接入完整代码。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
三步配好 marimo 配置：运行时行为、编辑器显示与分层覆盖
团队共享的一个数据分析 notebook 里，有人改了上游清洗逻辑，下游所有依赖单元格立刻自动重跑，一次就是十几秒，整张表在每个人打开文件时都会重新算一遍。这类问题不是代码 bug，而是执行策略没按项目需求配置。marimo 把运行时与编辑器的可调项集中在 `tool.marimo` 配置块里，这份 marimo 配置可以直接写进项目文件，随仓库一起分发。 [, [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")
军工系统中，asp.net如何实现文件夹上传的稳定性和效率？
【一个武汉刚毕业大学生的2G文件上传渡劫记：从"这能行？"到"真香！"的码农变形记】"妈！我电脑风扇转得比光谷转盘还响了！“我冲着客厅大喊，手里攥着刚泡好的周黑鸭藕片，眼睛死死盯着屏幕上那个卡在99%的进度条。作为江汉大学计算机系刚毕业的"菜鸟码农”，我万万没想到，自己接的第一个自学项目就栽在了大文件上传这个"长江大桥"上。
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
备忘录
User.Identity.Name; User.Claims.SingleOrDefault(s => s.Type == System.Security.Claims.ClaimTypes.Sid).Value HttpContext.User.Claims.ToList()[1].Value; HttpContext.User.Identities.First(u => u...
Qwen3-ASR-0.6B在.NET生态中的调用与集成实战
本文介绍了如何在星图GPU平台上自动化部署Qwen3-ASR-0.6B轻量级高性能语音识别模型WeBUI，并详细阐述了将其集成到.NET应用中的实战方法。通过该平台，开发者可快速搭建语音识别服务，并将其应用于会议记录、语音备忘录等桌面应用或在线教育平台的后端服务中，实现高效的音频转文字功能。
新项目扫雷专贴 备忘录
VS2017 15.7.4 调试asp.net core mvc时断点变空心圈圈并提示：“当前不会命中断点 还没有为该文档加载任何符号”。断点无法使用。 解决方法：将运行模式由Release改为Debug后解决。 Asp.net core 2.1自带的 cookie加密还是有点无爱啊，习惯了原来的操作 Android Studio 使用全局参数，https://blog.csd...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
377
扫一扫
