技术架构演变之早期.net项目开发技术架构(三)

.NET积极演变?.NET Framework/.NET Core/.NET傻傻分不清?.NET CLR用什么JIT技术?Ubuntu 22.04安装.NET官方环境及Mono .NET环境? NET是微软为了对抗Java的中间件设计。C#为类Java语言,毕竟Java先出山,早期C#的语法和设计”简直就是抄”Java, 经过多个版本的发展,C#语法已经甩开Java一大截,但很难撼动Java服务端老大哥地位,只能说生虽逢时,不开源只用于Windows的最初设计害了.NET. 等微软搞明白跨平台才能活得好,程序员已经不想给它机会了。 阅读详情

技术架构演变之早期asp.net技术架构

 

之前发布了技术架构演变之早期jsp技术架构(http://blog.youkuaiyun.com/shellwin/archive/2010/07/01/5707034.aspx)。这个简单的三层架构在本人早期转向开放asp.net的时候也进行相关修改进行了沿用。具体介绍如下:

 

1.       底层数据连接

(1)       使用了Enterprise Library2006的DAAD模块。具体的介绍可以参见本人博客中的文章(Enterprise Library —— Data Access Application Block,地址:http://blog.youkuaiyun.com/shellwin/archive/2010/07/08/5721887.aspx)

(2)       在这层中定义了一个类,代码如下:

public class DataConnection

    {

        //创建一个连接数据库得到DataBase的方法

        public static Database CreateDatabase()

        {

            Database database = DatabaseFactory.CreateDatabase("Connection String");

            return database;

        }

}

对于Connection String配置可以参见本人上面提到的文章进行查看。

 

2.       对应数据库字段得值对象(Value Object 简称:vo)

(1)       这个就是包含对应数据库字段的get/set属性的方法。

(2)       当然和之前文章中jsp技术架构中一样,如果有必要也可以对ToString()方法进行重写。、

 

3.       对应值对象(vo)的对象操作(Value Object Control 简称:vocontrol)

(1)       这里就是实现对vo得操作,比如一些基本操作CRUD和一些特殊操作登陆验证等。和之前jsp技术架构中起的作用一样。

(2)       具体实现的话,可以参见如下一个方法代码,这里也是使用的是Enterprise Library进行实现的:

//定义一个添加用户的方法

       public bool CreateAdminUser(string name,string pwd)

       {

           try

           {

               IDataParameter param = null;

               string sql = "insert into adminUser(au_number,au_password,au_state) values(@au_number,@au_password,@au_state)";

               DbCommand command = this.database.GetSqlStringCommand(sql);

 

               param = new SqlParameter();

               param.ParameterName = "@au_number";

               param.Value = name;

               param.DbType = DbType.String;

               command.Parameters.Add(param);

 

               param = new SqlParameter();

               param.ParameterName = "@au_password";

               param.Value = pwd;

               param.DbType = DbType.String;

               command.Parameters.Add(param);

 

               param = new SqlParameter();

               param.ParameterName = "@au_state";

               param.Value = 1;

               param.DbType = DbType.Int32;

               command.Parameters.Add(param);

 

               int temp = this.database.ExecuteNonQuery(command);

               if (temp > 0)

               {

                   return true;

               }

               else

               {

                   return false;

               }

           }

           catch (Exception e)

           {

               throw e;

           }

       }

 

4.       请求与相应就是用了asp.net页面进行,通过各个控件的事件进行相关的请求和相应的工作。

 

总结:

1.       这个属于早期从j2ee开发转向.net开发使用的一个简单的技术架构,具体的代码就没提供给大家,主要是早期开发一些网站时使用的,数据库主要是用sql2000进行开发,对于其中具体使用的相关细致的技术没有提及太多,在之后的技术框架中会慢慢提及。

2.       在使用这个技术架构进行开发过程中,会反复的Ctrl + C和Ctrl + V进行一些通用工具方法的转移,没有将常用工具类进行单独封装。

3.       对于日志,缓存等也没有太多考虑。

4.       总的来说是进行了简单的分层开发,但是还不够细致和规范。

漫谈架构演变之路:为何要搞微服务架构?今天就为大家讲透! 有不少朋友或同事都问过我这个问题:为什么我们要搞微服务架构,一个项目把代码从头撸到尾不是很方便吗,开发更快速,部署也容易。而且一提起微服务,涉及的技术就一大堆,好像几辈子也学不完。 怎么解答这个问题呢?我想还是通过架构的发展变迁史来说起,为什么会出现现在的各种架构。只有从整体上了解了架构的脉络,我们才好更加全方位的评估一个架构。为此,我们有理由来梳理一下架构发展的来龙去脉,究竟为何会出现微服务,主要解决什么问题。微服务架构是最先进的架构吗? 本文我们来探索一下架构的变迁。以及从Java工程师的角度来 阅读详情

相关推荐

.net 中小型研发团队架构实践三要点

中小型研发团队很多,而社区在中小型研发团队架构实践方面的探讨却很少。中小型研发团队特别是 50 至 200 人的研发团队,在早期的业务探索阶段,更多关注业务逻辑,快速迭代以验证商业模式,很少去关注技术架构。这时如果继续按照原有的架构及研发模式,会出现大量的问题,再也无法玩下去了。能不能有一套可直接落地、基于开源、成本低,可快速搭建的中间件及架构升级方案呢?我是一个有十多年经验的 IT 老兵,曾主导

霍力强的专栏 3384

.NET 原生驾驭 AI 新基建实战系列(八):总结篇 ── 数据库技术的革命:从结构化到非结构化再到智能化的演进

数据库技术的演进,从结构化到非结构化,再到如今的智能化,反映了数据处理需求的不断升级和技术革新的持续推进。向量数据库的出现,不仅解决了AI应用中高维数据处理和相似性搜索的难题,也为数据库技术开辟了新的发展路径。向量数据库通过专门的索引结构(如HNSW、IVF)和ANN算法,将相似性搜索的效率提升了数个数量级,为AI应用提供了强有力的支持。未来,随着技术的进一步突破,数据库技术将更加智能、高效,为AI的广泛应用和创新发展提供坚实的基础。在AI时代,数据不仅是存储和查询的对象,更是AI模型训练和推理的基石。

weixin_35025136的博客 81

.NET多版本项目迁移转换工具详解

随着软件技术的快速演进,.NET平台经历了从传统的.NET Framework到现代化的.NET Core/.NET 5+的转变。这一演变推动了大量历史项目面临版本升级与平台迁移的需求,而.NET版本转换工具正是应对这一挑战的核心手段。它们不仅提升了项目的可维护性,还保障了企业应用在新平台上的兼容性与性能优势。从技术演进角度看,版本转换工具的发展与Visual Studio的集成环境、MSBuild构建系统以及NuGet包管理机制密切相关。

weixin_42576186的博客 1410

从单体到微服务:浅谈.NET微服务架构的演变与未来趋势

摘要:本文探讨了.NET微服务架构的演进历程,从传统单体架构的局限性到微服务架构的兴起。重点分析了.NET微服务的特点,包括服务独立性、技术多样性和容器化部署,并介绍了ASP.NET Core、Docker等关键技术。文章还阐述了微服务架构的优势与挑战,如分布式事务管理等难点,并展望了无服务器架构、多云部署等未来趋势。.NET微服务架构正推动软件开发模式的深刻变革,将在未来技术发展中持续发挥重要作用。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 972

滑模控制概述

滑模控制概述1.滑模控制概念2.滑模控制原理3.滑模控制设计步骤4.研究现状5.发展趋势5.1自适应滑模变结构控制5.2模糊滑模控制5.3神经网络与滑模控制的结合 1.滑模控制概念   滑模控制(Sliding Mode Control,SMC)是一种特殊类型的变结构控制(Variable Structure Control,VSC),因此又称之为滑模变结构控制,是近年来广泛应用和发展的一种控制方法。滑模控制本质上是一种非线性控制,即控制结构随时间变化而变化。滑模变结构控制是非线性系统中普遍采用的一种分析方

shiyi20190828的博客 2万+

旧版Linux安装新NVIDIA显卡“No devices were found”排查实战

在Linux系统里安装NVIDIA闭源驱动,本质是加载内核模块并让它在PCIe总线上匹配设备ID。当遇到“No devices were found”这类提示,很多人误以为显卡损坏,其实问题常出在驱动层与硬件间的兼容链路。新架构显卡(如RTX 5090)对内核版本、BAR窗口、nouveau冲突等都有更高要求,而老发行版(如麒麟V10)的内核相对保守,nvidia-smi自然无法识别设备。本文从基础概念出发,讲解如何用lspci、lsmod、dmesg定位问题层级,系统梳理禁用nouveau、升级内核与工具

weixin_42638178的博客 302

浅谈.NET微服务架构的演变

随着微服务规模扩大,传统 SDK 模式的弊端(如代码侵入、升级成本高)凸显,服务网格作为基础设施层应运而生。服务网格解决了什么问题?在传统微服务架构中,服务间通信需要处理大量复杂逻辑,例如:服务发现:如何找到目标服务的地址?负载均衡:如何将请求均匀分配到多个实例?流量控制:如何处理超时、重试、熔断?安全通信:如何实现服务间的认证、授权和加密?可观测性:如何收集调用链、指标、日志以监控系统?这些逻辑通常通过 SDK集成到服务代码中,代码侵入性强,维护成本高。

weixin_41439156的博客 126

强化学习入门8—深入理解DDPG

本文是强化学习入门系列的第八篇,前面我们讲Actor-Critic时提到了DDPG。DDPG是google DeepMind团队提出的一种用于输出确定性动作的算法,它解决了Actor-Critic 神经网络每次参数更新前后都存在相关性,导致神经网络只能片面的看待问题这一缺点。同时也解决了DQN不能用于连续性动作的缺点。

小菜羊的博客 4319

asp.net 框架演变个人心得

中心思想用户通过 web浏览器向 服务型发送信息, 服务器接收到信息后做出计算反馈给用户的其所需要的用户 通过浏览器发送需要访问的网页,服务器返回html 不能所有人看到的东西都一样(在html页面上加上动态的逻辑就是传统的ASP),根据不同的输入参数返回动态的页面信息。 前台htm元素与业务逻辑代码混合在一起杂乱无章,分离后台代码和前台代码Asp.net 的出现, 专门推出了一个 C...

xionggangboy的专栏 267

点云入门笔记(一):点云数据及获取

点云概念: 点云是某个坐标系下的点的数据集。点包含了丰富的信息,包括三维坐标 X,Y,Z、颜色、分类值、强度值、时间等等。

wc19862274581的博客 2万+

YOLOv11改进 | 注意力篇 | YOLOv11引入24年ECCV的自调制特征聚合注意力模块(SMFA),并构建C2PSA_SMFA

1.SMFA介绍1.1 摘要:基于Transformer的图像复原方法由于Transformer的自注意(self-attention,SA)特性能够更好地挖掘非局部信息,从而获得更好的高分辨率图像重建效果,因此具有重要的应用价值。然而,关键点积SA需要大量的计算资源,这限制了其在低功耗器件中的应用。此外,模拟退火机制的低通特性限制了其捕获局部细节的能力,从而导致平滑的重建结果。

tsg6698的博客 955

京东商城技术架构:前端.NET后端Java

春运期间,铁道部的现任老大12306网站在面对日均10亿多次的点击量时,频繁瘫痪,给我们带来的惨痛教训是,关键时刻掉不能掉链子,这也印证了科技是第一生产力。   而说起中国自主经营式B2C网站的行业老大,京东商城在2011年第三季度京东商城创下了37.8%的市场占有率。 2011年6月18日,京东商城6周年店庆当天订单量接近50万单、单日销售额超过2亿元,在中国电子商务市场创下单日销售量历史纪录

Ivan Yu 2656

CDR插件开发之CPG插件004 - 认识VGCore并编译生成你的第一个CPG文件

上篇文章中,讲到了使用VS2019编译CDR类型库 VGCoreAuto.tlb,编译后得到了vgcoreauto.tlh和vgcoreauto.tli两个文件。本文将对这两个文件说明,并演示通过标准的libid形式来导入CDR类型库,在这个过程中,穿插一些VS2019的使用技巧(删除目录、复制工程、打开项目或解决方案、修改解决方案名称、修改项目名称等),使读者循序渐进,逐步提高对VS2019工具的熟练程度,最后通过修改项目属性配置,生成第一个CPG文件。

Zebe 2989

SharpKeys图标设计演变:从早期版本到现代UI的视觉升级

在数字化产品设计中,图标(Icon)作为视觉语言的核心元素,承担着直观传达功能、建立品牌识别和提升用户体验的多重角色。对于系统工具类软件而言,图标不仅是用户快速定位功能的视觉锚点,更是软件品牌形象的浓缩体现。SharpKeys作为一款专注于Windows系统键盘键位重映射的轻量级工具,其图标设计随着软件迭代经历了从功能导向到品牌化的演变过程,折射出桌面应用UI设计的发展趋势。 本文将系统梳理Sh...

gitblog_00283的博客 913

BES2810_best1702_best1702_ibrt_三者关系深度解析

一颗芯片的三个名字:BES2810、best1702 与 best1702_ibrt 关系深度解析

weixin_42162924的博客 350

Codex 100个真实案例 - 用AI生成游戏场景地图(随机地形+建筑)

本案例使用 Codex 从零构建一个游戏场景地图生成器!我们会用 Perlin 噪声算法生成自然逼真的随机地形(山脉、平原、河流、海洋),实现瓦片地图渲染系统,智能放置建筑物和资源点,最终在浏览器中提供可缩放、可拖拽的交互式地图预览,并支持一键导出高清 PNG 图片。整个过程完全用自然语言驱动 Codex 完成!

yueyeguzhuo的专栏 159

VS2019项目模板中没有[ASP.NET空网站]的解决方案

VS2019项目模板中没有[ASP.NET空网站]的解决方案 一、新建解决方案(课本第十页有教程) 二、打开新建的解决方案 1、在项目资源管理器中右击自己创建的解决方案,依次点击添加、新建项目(如图所示) 二、进入项目模板 1、进入项目模板之后,如果发现自己没有ASP.NET空网站这个模板,则点击安装多个该工具和功能(如图所示) 三、进入安装修改界面 1、打开ASP.NET和Web开发这个下拉...

weixin_44527588的博客 2万+

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

技术架构实践三要点

整个系列文章分为三个部分,包括框架篇、架构篇和公共应用篇。 框架篇即中间件或工具的使用,如缓存、消息队列、集中式日志、度量、微服务框架等,工欲善其事,必先利其器。 架构篇主要是设计思想的提升,有企业总体架构、单个项目架构设计、统一应用分层等。 公共应用篇是业务与技术的结合,有单点登录和企业支付网关。 以下是篇章的具体介绍: 框架篇——工欲善其事,必先利其器 如果说运维是地基,那么框架就是承重墙。农村建住房是一块砖一块砖地往上垒,而城市建大 House 则是先打地基,再建承重墙,最后才是...

javalingyu的博客 375

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Java项目架构从单体架构到微服务架构的发展演变

结论:从单体到微服务的演变,本质上是从一个追求简单和集中控制的模型,向一个追求敏捷、弹性和规模化的模型的转变。Java项目架构从单体架构到微服务架构的详细发展演变史,并不是简单的技术替代,而是业务、技术、团队和运维能力共同驱动的必然演进。核心思想:将所有功能模块(用户认证、订单管理、库存管理、支付、日志等)打包在一个单一的、庞大的应用程序中。2. 围绕业务能力组织:按“订单”、“支付”、“推荐”等业务领域划分,而非按“Web层”、“DAO层”等技术层次划分。ESB成为一个中心化的、重量级的智能管道。

2301_81535770的博客 658

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

如何用VS2022创建ASP.NET WEB项目

用VS2022创建ASP.NET WEB项目 Vs2022创建空项目模板不能像之前的版本那样创建,需安装其他项目模板(早期)。 操作步骤: 打开VS2022 工具-->获取工具和功能 然后选择ASP.NET和Web开发,勾选其他项目模板(早期版本) 安装完成后创建项目中搜索MVC 注意不要选错了 点击下一步 点击创建 点击创建 ,然后就是我们熟悉的页面了 ...

chenmo2001的博客 3万+

.Net中的早期绑定和后期绑定(一)

“绑定”一词在生活是非常常见,像手机绑定、邮箱绑定等等。在.Net中也存在着“绑定”

炸丸儿 2454

【ASP.NET开发Web项目】VS2019项目模板中没有ASP.NET空网站

VS2019项目模板中没有ASP.NET空网站的解决方案

Le vent se lève, il faut tenter de vivre 2605

架构演变之路:为何要搞微服务架构?

有不少朋友或同事都问过我这个问题:为什么我们要搞微服务架构,一个项目把代码从头撸到尾不是很方便吗,开发更快速,部署也容易。而且一提起微服务,涉及的技术就一大堆,好像几辈子也学不完。 怎么解答这个问题呢?我想还是通过架构的发展变迁史来说起,为什么会出现现在的各种架构。只有从整体上了解了架构的脉络,我们才好更加全方位的评估一个架构。为此,我们有理由来梳理一下架构发展的来龙去脉,究竟为何会出现微服务,...

peng_zhanxuan的技术博客 2364

nsenter 历史回顾:从 Docker 早期到现代容器生态的演变

在容器技术快速发展的浪潮中,`nsenter` 作为一款轻量级的命名空间进入工具,曾在 Docker 早期扮演了至关重要的角色。本文将带您回顾 `nsenter` 的诞生背景、核心功能及其在容器生态中的历史意义,展现从 Docker 早期到现代容器技术的演变历程。 ### 一、Docker 早期的困境:命名空间隔离与工具缺失 2013 年前后,Docker 作为新兴的容器技术开始崭露头角,但彼

gitblog_00721的博客 80
上一篇: WCF学习总结(六)
下一篇: 在Asp.net+FCKEditor设置最新最完整配置方法(内嵌文本编辑器)
shellwin
博客等级 码龄19年 32粉丝 49原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值