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
300+累计阅读
355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
Vue⬇ SOC原则（关注度分离原则）
只做视图层(HTML + CSS(表现层) +JS):给用户看，刷新后台给的数据
因为CSS有太多缺点所以一般不会用，所以衍生出了CSS预处理器的工具
CSS预处理器:用一种专门的编程语言，进行Web页面样式的设计，再通过编译器转化为正常的CSS文件，以供项目使用。
常见的CSS预处理器:
1.SASS
2.LESS
3.SASS
网络通信:axios
页面跳转:vue-router
状态管理:vuex
Vue-UI：飞冰（在线前端制作）amaze bootstrap等
Vue:综合了:Angular框架的模块化（mvvm）优点和React框架的虚拟DOM优点
因为vue边界明确，就是为了处理DOM，所以不具备通信能力，此时需要一个通信框架与服务器进行交互；
1.选择Axios 2.选择jQuery提供的ajax通信功能。
SRAM Bank数量配置：性能、面积与功耗的权衡指南
SRAM（静态随机存取存储器）是芯片设计中的关键存储单元，其Bank数量配置直接影响访问延迟、吞吐率、功耗和面积。Bank切分通过将存储阵列分区，缩短位线和字线延迟，从而提升性能，但会增加外围电路开销。合理配置Bank数量可优化PPA（性能、功耗、面积），在28nm和16nm工艺下，2个Bank通常是性价比最高的选择。本文基于实测数据，探讨不同场景下的Bank配置策略，帮助工程师避免常见误区，提升设计效率。
狂神Vue学习笔记
Vue Soc:关注度分离原则 HTML+CSS+JS：视图：给用户看，刷新后台数据 网络通信：axios 页面跳转：vue-router 状态管理：vuex Vue-UI ：ICE Vue : 一款渐进式JavaScript框架，所谓渐进式就是逐步实现新特性的意思，如实现模块化开 发、路由、状态管理等新特性。其特点是综合了Angular (模块化)和React (虚拟DOM)的 优点; Axios :前端通信框架;因为Vue 的边界很明确，就是为了处理DOM,所以并不且备通信能力，
KUKA机器人与S7-1200 PLC实现Profinet通讯配置步骤详解
在工业自动化产线中，PLC与工业机器人之间的高效数据交换是控制逻辑落地的关键。传统硬接线方案在信号点多时布线复杂、故障排查困难，而现场总线技术通过一根网线即可实现主从设备间的周期通讯。Profinet作为主流工业以太网协议，由S7-1200作为IO Controller主站，KUKA机器人作为IO Device从站，在WorkVisual与TIA Portal中完成设备组态、I/O映射及信号分配，即可替代成捆电缆，稳定传输启停、状态及报警信号。这一方案适用于汽车、3C、物流等行业的自动化产线，尤其适合需要扩
前端基础学习笔记4-VUE
VUE 1、简介 Vue是一款前端渐进式框架，可以提高前端开发效率 Vue遵循SoC关注度分离原则 Vue通过MVVM设计模式，能够实现视图与模型的双向绑定 双向绑定：即数据变化时视图会自动刷新，视图变化时数据也会自动变化 MVVM设计模式： Model：模型层， 在这里表示JavaScript对象 View：视图层， 在这里表示DOM(HTML操作的元素) ViewModel：连接视图和数据的中间件， Vue.js就是MVVM中的View Model层的实现者 2、第一个vue程序 <
从零配置XDMA：手把手教你PCIe BAR与AXI总线的地址转换（基于Vivado2023）
本文基于Vivado2023，手把手教你配置XDMA IP核，深入解析PCIe BAR与AXI总线地址转换的核心原理。通过实战步骤，详细说明如何正确设置BAR参数（如32/64位、预取使能）及地址映射，确保主机能稳定访问FPGA侧寄存器与内存，是解决PCIe通信调试难题的关键指南。
手把手排查IOMMU映射故障：从内核日志到硬件寄存器调试全指南
本文详细解析了IOMMU映射故障的排查方法，从内核日志分析到硬件寄存器调试，提供了一套完整的诊断流程。涵盖AMD和Intel平台的特定调试技巧，包括ATS协商失败、DMA传输错误等常见问题的解决方案，并介绍了高级调试工具链的搭建与性能优化策略。
Vue(一)
遵循SoC关注度分离原则 1.前端基础 结构层：HTML 表现层：CSS --CSS预处理器：用一种专门的语言，进行Web样面设计，再通过编译器转化为正常的CSS 常用的：SASS(基于Ruby), LESS(这个是基于NodeJS,使用简单，一般用这个) 行为层：JS 2.Vue Augular特点：将后台的MVC模式搬到前端并增加了模块化开发的理念（MVVM）(VM双向绑定相当于控制层) React特点： 提出新概念虚拟DOM, 用于减少真实的DOM操作，在内存中模拟DOM操作，提升前
手把手教你：如何为自制的STM32H7飞控板适配PX4固件（基于NuttX）
本文详细介绍了如何为自制的STM32H7飞控板适配PX4固件，基于NuttX系统进行移植。从硬件设计规范到软件环境配置，再到PX4固件的移植与调试，提供了完整的实战指南。特别分享了如何复用FMU-v6u参考设计以节省开发时间，并解决了常见问题，帮助开发者快速实现高性能飞控系统的搭建。
Vue-入门-狂神-学习笔记
文章目录1. Vue概述2. 前端知识体系3. 前端三要素4. 表现层（CSS）5. CSS预处理器6. 行为层（JavaScript）7. TypeScript8. JavaScript框架9. UI框架10. 三端合一11. 后端技术 1. Vue概述 Vue (读音/vju/, 类似于view)是一套用于构建用户界面的渐进式框架，发布于2014年2月。与其它大型框架不同的是，Vue被设计为可以自底向上逐层应用。Vue的核心库只关注视图层，不仅易于上手，还便于与第三方库(如: vue-router: 跳
Unity Shader实战：用Matcap给你的低模角色快速换上‘次世代’材质（附完整Shader代码）
本文详细介绍了Unity中Matcap技术的实战应用，通过Shader代码实现低模角色的次世代材质表现。Matcap技术利用预烘焙光照贴图，显著提升材质质感同时保持极低性能消耗，特别适合移动游戏和独立开发。文章包含完整Shader代码、平面模型着色优化方案及动态环境反射增强技巧，帮助开发者快速提升低模视觉效果。
实战：RK3568 Android14 点亮 LVDS 屏幕
4组数据 (D0~D3) + 1组时钟 (CLK)。最大支持 1280x800 @ 60Hz。8组数据 (Even03, Odd03) + 2组时钟。支持 1080P 及以上。/ {/* 背光与电源 *//** 关键配置：数据格式映射* 可选值: "jeida-18", "jeida-24", "vesa-24"* 6位屏选 xx-18, 8位屏选 xx-24* 颜色不对（偏色/底片效果）就换 VESA <-> JEIDA*/
Vue总结一下,今天学的
Vue. jS是一个MVVM模式的实现着，MVVM核心是ViewModel, ViewModel 就走一个观察者 vue 两大核心:数据驱动，组件化 两个优点:借鉴了AngulaJS 的模块化开发和React 虚拟DOM，虚拟DOM就是把DOM操作放到内存执行 常用的自定，义属性: v-i f v-else-if ...
OSCP-Challenge 2 - Relia
使用andrea:PasswordPassword_6登录远程桌面，在c盘根目录下发现一个计划任务的ps，文件，修改执行的exe位木马，获取到milana用户的反弹shell。，发现开放了一个8000端口，但是我们外部是访问不到的，它对应的页面是/var/www/internal/，这个目录下的文件我们是可以访问的，把这个文件打个包放到本地分析下。其中数据的可以直接连接mssql，但是端口是49965，不过在数据库中没发现什么可用的信息，但是可以修改密码直接进后台，这个可以先放放。
零基础学习Vuejs：快速上手Vue框架
学习思路推荐：目录1.学习Vue基础知识2.安装Vue开发环境3.创建Vue项目4.编写Vue组件5.使用Vue指令和模板语法6.理解和使用Vue生命周期钩子7.进行测试和部署总结
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
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")
我的 vuejs 学习 - 基础环境
本文分享了重新学习Vue.js的经验。作者从Vue 2.x转向3.x版本，建议直接学习最新版。比较了CDN引入的几种方式，推荐使用global构建版本降低学习难度。文中展示了Vue 2和3的初始化差异，并解释了esm和global版本的区别。作者选择通过CDN引入Vue 3的global版本，配合Pure CSS样式库进行学习，避免复杂的构建工具配置。这种轻量级方式适合快速上手Vue 3的核心功能。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
Vue基础学习
Vue基础学习 http://www.cnblogs.com/wisewrong/tag/vue/
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。
慕课网Vue.js入门基础学习笔记——vuejs及相关工具介绍
2、Vuejs开发环境的搭建 1)推荐使用官方提供的命令行工具： 快速下载一套基于vuejs的开发模板，不仅包含了vuejs的框架，还包含了vuejs打包工具、测试工具、开发调试的服务器等，可以不必关心具体的打包和部署的细节，把关注点放在vuejs本身对项目功能的实现上。 2)命令行工具的安装及使用 npm：node的一个包管理工具 Windows系统还需要手动安装git 技巧：nmp
VueJs基础知识学习
--1、导入Vue的包-->
学习Vue的必要基础
掌握以上这些核心内容后，你就具备了学习 Vue 的基本前端知识储备，可以较为顺利地进入 Vue 的学习阶段。
vuejs基础学习，案例
官网 https://cn.vuejs.org/ 官网案例 https://github.com/vuejs/vue 根据文档学习：https://cn.vuejs.org/v2/examples/ vueUI https://www.iviewui.com/overview 网易云课堂 18359635908 635908 http://study.163.com/cours
vue基础学习
Vue基础学习 第一章 NPM包管理工具 1.1 认识一下什么是NPM npm(Node Package Manager node包管理器) 是Node.js默认的以JavaScript编写的软件包管理系统 npm来分享和使用代码已经成了前端的标配 官网:http://www.npmjs.com npm是Node.js默认的软件包管理系统包系统 安装完毕node后会默认安装好npm npm本身也是基于Node.js开发的软件 下载Node:http://nodejs.cn 1.2 安装NPM工具 npm的常
js与vue基础学习
安装node、npm、cnpm在node中执行JavaScript程序。
【Vue 2.x】学习vue之一基础部分
Vue (发音为 /vjuː/，类似 view) 是一款用于构建用户界面的 JavaScript 框架。它基于标准 HTML、CSS 和 JavaScript 构建，并提供了一套声明式的、组件化的编程模型，可以高效地开发用户界面。无论是简单还是复杂的界面，Vue 都可以胜任。 [10] Vue是一个独立的社区驱动的项目，它是由尤雨溪在2014年作为其个人项目创建， [4]是一个成熟的、经历了无数实战考验的框架，它是目前生产环境中使用最广泛的JavaScript框架之一，可以轻松处理大多数web应用的场景
探索Vue.js的无限可能 —— vuejs-challenges
挑战自我，共同成长，Vue.js挑战等你来战！
前端Vue基础学习
Vue基础 创建vue实例 <div id="app"></div> const vm = new Vue({ el:'app', data:{ } }) 插值语法 <!-- 双花括号将数据当成普通文本显示 其中可以写运算，或者判断等表达式运算 容易遭受xss攻击 --> &l...
Vuejs基础学习笔记整理
Vue.js 官网： 中文：https://cn.vuejs.org/ 英文：https://vuejs.org/ 基础部分 1.vue:渐进式JavaScript框架 2.作用：动态构建用户界面 3.遵循MVM模式 4. vue（view）：结合并简化Angular+ React的一些优势 Angular:模板语法，数据绑定 React:组件化，虚拟 HelloWorld 引入Vue.js 创建Vue对象 el : 指定根element(选择器) data : 初始化数据(页面可以访问) 双向数据绑定
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
179
扫一扫
