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
4k累计阅读
4k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
（分类一）根据客户端运行环境分类：
（分类二）客户端肯定知道服务端所在，但服务端未必知道客户端所在，因此根据客户端与服务端的通信需求分类：
（分类三）客户端是否有数据：
分类一、分类二、分类三属于交叉分类，是从不同的角度对客户端应用做的分类。
WEB客户端技术 WEB客户端技术
WEB客户端技术WEB客户端技术WEB客户端技术WEB客户端技术WEB客户端技术
客户端技术
服务器端应用程序要接收用户输入与操作，并向用户返回其结果，它必须提供一个客户端用户界面。 1. HTML HTML是建立Web界面所需的最核心技术；这是一种用于描述浏览器所显示的文档结构的基于标签的语言； 2. CSS（层叠样式表） 在web应用程序中， 用于指定HTML内容在屏幕上的呈现方式; 现代的Web标准力求将文档的内容与其表示形式尽可能地区分开来； 今天，CSS本身正不断成为...
抓包工具（五）2025版 Burp Suite Professional的下载、安装、使用
抓包工具（五）2025版 Burp Suite Professional的下载、安装、使用
客户端应用技术
HTML、CSS和Js技术是开发前端技术的基础，有些开发者或开发组织为了使开发者开发更加方便、顺利，提供了一些前端的技术框架，如 jQuery、Vue、React、Layui等等，这些框架的本质，也就是底层的实现原理是基于前端技术的基础。客户端脚本技术是指嵌入在Web页面的程序代码，目前应用最广泛的客户端脚本语言是JavaScript语言(简称JS)，它是ajax的重要组成部分，这些代码是一种解释性的语言，浏览器可以对客户端脚本进行解释执行。
51单片机也能玩转信号发生器？手把手教你用DAC0832和LM358输出四种标准波形
本文详细介绍了如何使用51单片机和DAC0832芯片搭配LM358运放，自制低成本信号发生器，实现正弦波、矩形波、三角波和锯齿波四种标准波形的输出。从硬件选型、电路设计到编程实现，手把手教你完成这一实用电子项目，总成本不到50元，适合电子爱好者和学生实践。
OFDM时频脉冲形状与子载波正交性的理解
从多载波调制的角度来理解子载波间正交，首先要明确OFDM默认的脉冲成型是时域矩形窗，时域上每个子载波 ej2πfnte^{j2πf_nt}ej2πfnt 都被一个矩形窗脉冲gT(t)g_T(t)gT(t)成型。其次，OFDM子载波间隔 等于 OFDM符号周期的倒数，这是子载波正交的条件。 根据时频脉冲形状，可以从时域上理解如左图（注意是矩形脉冲 乘 复指数），从频域上理解如右图（sinc脉冲 卷 频点）。
客户端开发需要用到哪些技术？如何实现
客户端开发涉及创建用户界面和用户体验，通常涉及到各种技术和工具。
本地大模型部署实战：LM Studio与Ollama的易用性与性能深度评测
本文对两款主流本地大模型部署工具LM Studio和Ollama进行了深度评测。LM Studio凭借图形化界面和内置模型库，为新手提供了开箱即用的便捷体验，并支持OpenAI兼容API，易于生态集成。Ollama则以命令行驱动，轻量高效，凭借其原生API和Modelfile自定义能力，在自动化集成和性能方面表现突出。文章从易用性、模型生态、性能及扩展性多维度对比，帮助用户根据自身技术背景和使用场景做出最佳选择。
客户端与 APP：傻傻分不清？一文搞懂它们的区别与联系！
客户端（Client）是一个广义的概念，指的是用户与服务器交互的入口。它可以是一个软件、应用、浏览器，甚至是终端设备。客户端的主要作用是向服务器发出请求，并接收服务器的响应。客户端的分类：桌面客户端（Desktop Client）运行在 PC 或 Mac 上的应用程序，例如：QQ、微信 PC 版、IDEA、Visual Studio。Web 客户端（Web Client）通过浏览器访问的 Web 应用，例如：Gmail、百度搜索、在线文档。移动客户端（Mobile Client）
手把手教你用ADIsimCLK和GUI搞定HMC7044时钟配置（附避坑指南）
本文详细解析了HMC7044时钟芯片的配置方法，通过ADIsimCLK和HMC7044 Configuration GUI工具，从频率规划到硬件验证全流程实战演示。特别针对PLL模式选择、分频链配置等易错环节，提供量产验证的配置模板和实测数据，帮助工程师快速掌握高性能时钟解决方案。
从原理到实践：MIPI D-PHY v1.2的HS-Deskew功能全解析（附时序图详解）
本文深入解析MIPI D-PHY v1.2的HS-Deskew功能，从技术背景到实现机制，详细介绍了其在2.5Gbps高速传输中的关键作用。通过时序图详解和实测数据，帮助工程师理解并应用这一技术，解决信号完整性问题，提升系统可靠性。
探索客户端-服务器架构：网络应用和分布式系统的基石
在当今信息技术飞速发展的时代，客户端-服务器架构（Client-Server Architecture）作为网络应用和分布式系统的基石，扮演着至关重要的角色。本文将深入探讨客户端-服务器架构的基本概念、工作原理、常见应用及其优缺点，并展望其未来发展方向。希望通过这篇文章，读者能够更全面地了解客户端-服务器架构及其在现代技术中的重要性。
Linux下搭建J-Link调试环境：OpenOCD+GDB实战指南
嵌入式开发中，调试器是连接开发主机与目标硬件的关键桥梁，其核心原理是通过标准协议（如JTAG/SWD）访问芯片内部的调试模块。GDB作为通用的调试客户端，通过远程协议与调试服务器通信，而OpenOCD则扮演了协议转换与硬件驱动的角色，实现了调试命令的翻译与执行。这种开源工具链的组合，为开发者提供了高度的定制化与自动化能力，尤其适合需要与持续集成流程深度结合的复杂项目。在实际应用中，针对特定芯片（如ARM7TDMI）进行正确的内存控制器与时钟初始化是成功调试的前提，这常常涉及对板级支持包的深入理解。本文以S3
富客户端技术的类型
如果您是软件架构师并且需要通过网络使应用程序可用，您很可能会问自己要使用哪种客户端技术。 在本文中，我将尝试列出以前使用的解决方案，然后详细介绍当今可用的解决方案。 历史 最初，应用程序仅部署在大型计算机上。 那里发生了一切。 要使用该软件，您需要使用不良的用户界面，该界面恰当地称为被动终端。 它输出文本：如果幸运的话，您就有颜色了！ 那是一个分层的时代。 当微型计算机的成本下...
手把手教你学Simulink--逆变器场景：基于Simulink的单相全桥逆变器PWM控制仿真建模
本文介绍了使用Simulink和Simscape Electrical库进行单相全桥逆变器PWM控制仿真建模的详细步骤。主要内容包括：从创建Simulink项目、添加电力电子组件、构建逆变器模型，到设置参数、运行仿真和结果分析。重点讲解了逆变器核心模块的配置、PWM信号生成、负载建模等关键环节，并提供了优化改进建议。该指南适用于电力电子初学者，通过仿真可以帮助理解单相全桥逆变器的工作原理和PWM控制技术，为实际应用和算法开发提供基础平台。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
InterviewGuide 中的互联网技术岗分类：算法、前后端、客户端、测试怎么选
对于准备计算机校招的同学来说，"我能投哪些岗位、哪个方向竞争大、不同语言对应哪些岗位"是秋招前的第一个核心问题。本文基于 InterviewGuide 仓库中《互联网常见技术岗分类》这篇校招准备笔记展开，完整继承原文对算法、前端、后端、客户端、测试（测开）五大方向的内卷程度排序与各方向的学历、语言、就业面分析，并结合仓库内各语言学习路线、技术岗投递科普与求职黑话等文档，给出可落地的选岗决策参考：读
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
毕业设计——基于深度学习、集成学习、迁移学习、GAN等技术的色素性皮肤病自动识别七分类系统（后台python、前台微信客户端）
毕业设计——基于深度学习、集成学习、迁移学习、GAN等技术的色素性皮肤病自动识别七分类系统（后台python、前台微信客户端）
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")
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
InterviewGuide 校招科普：互联网常见技术岗分类详解（算法、前端、后端、客户端、测试）
> 本篇技术指南源自 [InterviewGuide](https://link.gitcode.com/i/fb89dca77056283db8071acb4fd2e7bd)（阿秀的学习笔记）中《[互联网常见技术岗分类](https://link.gitcode.com/i/df5ac2050e5bdda4cd844e71603bfb12)》一文，面向计算机校招（秋招/春招）求职者系统梳理互联网
《『若水新闻』客户端开发教程》——04.设计新闻分类UI(2)
本节课主要讲解新闻客户端新闻分类界面的新闻分类背景更换设计思路。 主要的技术方法是复写SimpleAdapter类。 效果图 课程下载 下载地址：http://115.com/file/e77sbtoi ...
毕业设计2897基于微信小程序的垃圾分类系统的设计与实现【源代码+文档+调试+讲解视频】
随着城市化进程的加速和人们环保意识的提高，垃圾分类已成为现代社会面临的重要问题。本文旨在介绍一个基于微信小程序的垃圾分类系统，该系统通过服务器端和客户端的协同工作，实现垃圾分类信息的展示、查询、测试以及上门服务等功能，为用户提供便捷、高效的垃圾分类服务。系统采用现代化的技术手段，提升了垃圾分类的效率和准确性，有助于推动环保事业的发展。本系统基于微信小程序实现垃圾分类服务，通过服务器端和客户端的协同工作，为用户提供了便捷、高效的垃圾分类服务。
浏览器书签智能分类
本工具用于自动整理浏览器书签，通过AI智能分类技术，将杂乱的书签按照主题自动归类，并且重新生成结构化的书签文件。读取和解析：从HTML文件中提取书签信息。分类：使用AI模型对书签进行分类，必要时创建新分类。保存结果：将分类结果保存为Markdown文件。转换格式：将Markdown格式的分类结果转换为HTML格式。清理：删除临时文件以保持工作环境整洁。这个过程不仅简化了书签管理，还利用AI技术提高了分类的准确性和效率。
毕业设计3016智能垃圾分类微信小程序的设计与实现【源码+讲解视频】
运行环境：推荐jdk1.8 后端开发工具：Eclipse、MyEclipe以及idea（推荐） 操作系统：windows 10 8G内存以上（其他windows） 浏览器：Google Chrome(推荐)、Edge、360浏览器; 数据库：MySQL5.7； 数据库可视化工具：Navicat Premium 推荐）以及其他Navicat版本 tomcat：6.0或以上版本 前端开发工具：微信开发者工具
陌陌移动端直播P2P技术
Photo byMídiafromPexels直播业务的主要成本就表现在于带宽上，尤其是在用户要求日益提高的未来，带宽带来的成本问题会越来越大。本文来自陌陌流媒体高级研发工程师白松...
[APM] 解读APM技术分类和实现方式
在讲了APM的历史、作用和实际案例之后，下面我们来了解一下APM技术分类和实现方式以及它未来的发展趋势。在这之前，我们首先需要了解一下典型的互联网或移动互联网应用的整个应用交付链。 图1 上面这张示意图给出的就是一种典型的互联网应用的应用交付链，在这个应用交付链最左端是部署在机房或云服务商上的相对可控的区域，例如负载均衡、Web服务、应用服务器、数据库、消息总线、存储、等等。越往右就是离应...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4149
扫一扫
