5.17笔记

【路由交换】思科5506防火墙三区域互通 思科 5506 inside outside dmz 互通 阅读详情

vue组件

<body>
    <div id="app">
        <a href="" @click.prevent="botton">注册</a>
        <a href="" @click.prevent="botton">登录</a>
        <ssn v-if="msg"></ssn>
        <ssnn v-else="msg"></login>
    </div>
    <script src="./js/vue.js"></script>
    <script>
        Vue.component('ssn',{
            template:`
                <h1>注册页面</h1>
                `
        })
        Vue.component('ssnn',{
            template:`
                <h1>登录页面</h1>
                `
        })
        new Vue({
            el:"#app",
            data:{
                msg:true
            },
            methods:{
                botton(){
                    this.flag=!this.flag;
                }
            }
        })
    </script>

vue生命周期

钩子函数
作用:钩子函数贯穿vue实例的整个过程,让用户给vue实例的不同阶段提供了添加代码的机会。
1、beforeCreate: 创建实例对象之前执行
2、 created 创建实例对象之后执行
3、beforeMount: 页面挂在成功之前
4、 mounted 页面挂在成功之后执行
5、beforeUpdate 组件更新之前执行
6、 update 组件更新之后执行
7、 beforeDestroy 实例销毁之前执行
8、destroyed 实例销毁完毕执行

vue官网图例在这里插入图片描述

<body>
    <div id="app">
        {{ssn}}
        <button @click="ssn">点击</button>
    </div>
    <script src="js/vue.js"></script>
    <script>
     var vm= new Vue({
            el:"#app",
            data:{
                ssn:"zhangsan"
            },
            methods:{
                chg(){
                    this.$data.msg="lisi"
                }
            },
            beforeCreate(){
                alert('实例创建之前执行');
                console.log('实例创建之前执行');
            },
            created(){
                alert('实例创建之后执行');
                console.log('实例创建之后执行');
                console.log(this.$data.msg);
            },
            beforeMount(){
                alert('页面挂载之前执行');
                console.log('页面挂载之前执行');
            },
            mounted(){
                alert('页面挂在之后执行')
                console.log('页面挂在之后执行')
            },
            beforeUpdate(){
                alert('更新执行要执行的')
                console.log('更新执行要执行的')
            },
            updated(){
                alert('跟新之后要执行的')
                console.log('跟新之后要执行的')
            },
            beforeDestroy(){
                console.log('实例销毁之前');
                console.log(this.$data.msg);
                console.log(vm)
            },
            destroyed(){
                console.log('实例销毁之后');
                console.log(this.$data.msg);
                console.log(vm)
            }
        })
    </script>
</body>

在这里插入图片描述
*

JavaScript特性

1、解释性脚本语言
2、基于对象
3、动态性
4、js引擎单线程:分片交错执行(轮转时间片)
5、js组成部分:ECMAScript、DOM、BOM
由ECMA国际制定了JavaScript标准,称为ECMAScript。

JavaScript 算数运算符
算数运算符用于对数字执行算数运算:在这里插入图片描述
JavaScript 赋值运算符
赋值运算符向 JavaScript 变量赋值。
JavaScript 比较运算符
在这里插入图片描述
在这里插入图片描述
JavaScript 逻辑运算符在这里插入图片描述
在这里插入图片描述

[LVGL] 刷新率优化 实验硬件:STM32F407ZGT6;2.4寸TFT-LCD模块(ILI9341驱动芯片、XTP2046触摸芯片)本文目标:lvgl的刷新率优化,解决拉帘子问题注意:本文在LVGL显示触摸代码移植完成的基础上进行,第一次使用lvgl可根据前文一步步移植,点击下方传送门查看相关文章传送门:STM32F4驱动ILI9341的TFT-LCD触摸屏(HAL库)(一)STM32F4驱动ILI9341的TFT-LCD触摸屏(HAL库)(二)[LVGL] 显示代码移植 基于STM32F4。 阅读详情

相关推荐

Intel Realsense windows安装与入门

realsense400系列介绍: https://www.intelrealsense.com/stereo-depth/?utm_source=intelcom_website&utm_medium=button&utm_campaign=day-to-day&utm_content=D400_learn-more_button realsense 435i介绍: ...

hanshuning的专栏 1万+

论文笔记(5.17,文本抗击,sentence)--Evaluating and Enhancing the Robustness of Dialogue Systems: A Case Study

一种任务导向型协商对话系统的动态攻击策略,一个非常难的任务;分析比较了白盒黑盒的攻击方案 novel: 开路人 离散优化的替代方法(Yang et al., 2018) Reactive attack、Preemptive attack、delay attack等。思想都有值得借鉴的地方 ...

weixin_43301333的博客 427

N32G003学习——第九章 第三节1 串口 发送

经过第九章前2节的学习,基础打下之后,开始敲代码。

qq_34525008的博客 1034

5.17 学习小组笔记

这是我的笔记

zrh0242030807的博客 151

MT5交易软件系统源码

Manager配置的功能及权限:管理客户、开户,销户、入金、信用额度、修改定单、人工交易报表、设定点差、强制平仓、修改密码,设定持仓交割单或挂单小止盈止损点数;26、修改价格 27、更改K线图历史价格 28、同步历史数据;2、系统设置 3、交易管理 4、交易柜台 5、价格更改 6、多台服。务器联机 7、恢复交易历史 8、数据源调整 9、备份服务调整 10、交易市场设定 11、交易单更改 12、平台时间设定(全世界) 13、可添加商品;15、设置商品利息;独立主机(服务器、VPS、VM)

tutujunjun的博客 904

5分钟搞定mmdetection3d多模态推理可视化:从KITTI数据集到3D检测结果展示

本文提供了一份快速上手MMDetection3D进行多模态推理可视化的实战指南。文章详细介绍了从环境搭建、KITTI数据集准备,到模型选择、配置解析,再到执行多模态推理并生成3D检测结果可视化的完整流程,旨在帮助开发者在30分钟内快速验证模型并直观展示检测效果。

weixin_29051149的博客 250

Dell戴尔Alienware外星人笔记本电脑17 R4,17 R5原装出厂Windows10系统包下载

外星人原装WIN系统自带所有驱动、出厂主题壁纸、系统属性专属联机支持标志、系统属性专属LOGO标志、Office办公软件、MyAlienware、戴尔外星人控制中心等预装程序。链接:https://pan.baidu.com/s/1YKqspQVZp6cdBWEGvPgcAA?下载前请核对确认好型号是否一致,如果不是想要的型号或者不确定具体型号的话,请底部留言或私信。安装方式:采用WinPE模式下,利用Dism+或Win安装器安装。注意:安装系统时会格式化系统盘,请自行提前备份好重要资料!

QQ17855069的博客 2024

数据库和BI工程师面试题

 一.数据库 1.Oracle数据库,视图与表的区别?普通视图与物化视图的区别?物化视图的作用? 2.Oracle数据库,有哪几类索引,分别有什么特点? 3.Union与Union All的区别? 4.对游标的理解?游标的分类?使用方法? 5.如何查找和删除表中的重复数据?给出方法或SQL。 6.不借助第三方工具,怎么查看SQL的执行计划? 7.创建索引有哪些需要注意的要点?

web_go_run的专栏 1万+

外星人笔记本电脑Alienware 17 R5原装出厂系统恢复指南

外星人笔记本电脑Alienware 17 R5原装出厂系统恢复指南 【下载地址】外星人笔记本电脑Alienware17R5原装出厂系统恢复指南 本项目提供了一套完整的外星人Alienware 17 R5笔记本电脑的原装出厂系统恢复文件,包含原厂系统镜像、预装软件、驱动程序和防病毒工具等。通过本资源,您可以在必要时将设备恢...

gitblog_06725的博客 490

(二)OpenClaw-连接即时通讯平台-集成飞书完整配置指南

本文详细介绍了如何将OpenClaw与飞书机器人对接,实现通过飞书聊天窗口下达指令自动执行任务的高效协作模式。主要内容包括:1)OpenClaw服务部署验证和飞书账号准备;2)在飞书开放平台创建企业自建应用、添加机器人能力、获取凭证和开通必要权限;3)OpenClaw服务端的首次配置,包括设置飞书通道参数和启动长连接。文章提供了完整的操作步骤和截图指引,帮助用户快速完成对接配置,实现AI自动化助手功能。

直到世界的尽头 2247

【深度学习新浪潮】气候预测模型的研发进展一览(2025年版)

模型类型核心优势适用场景不足ARIMA(统计模型)简单高效、可解释性强短期单变量预测非线性、长时依赖建模差随机森林(机器学习)多特征融合、抗噪声中短期多因素预测空间相关性、时序趋势捕捉弱LSTM(深度学习)长时依赖建模、端到端中长期时序预测物理一致性差、数据需求量大物理知情AI物理规律约束、高可靠性极端天气、长期气候变化模型复杂、计算成本高。

专注:太空算力、AI infra、异构调度、大模型成本工程 528

Obsidian 新手笔记模板指南:5 分钟跑通这套 17 类免费 Obsidian 模板

早上打开 Obsidian,新建一篇空白笔记,光标闪了半天,你不知道该写什么、怎么写。上次那篇日记的格式还记得吗?项目笔记的字段都齐了吗? 如果你也这样,缺的不是灵感,是一套现成的起点。OB_Template 就是一个给 Obsidian 新手准备的模板参考库:17 个分类、二十多个模板,覆盖每日日志、课程笔记、项目规划、会议记录这些高频场景,全部免费开源,而且只依赖 Obsidian 内置功能

gitblog_00518的博客 668

【Flutter 问题系列第 16 篇】如何防止软键盘弹出后顶掉内容

Flutter 如何防止软键盘弹出后顶掉内容

“Allen Su”的博客 3317

外星人笔记本电脑Alienware17R5原装出厂系统恢复指南:项目核心功能/场景

外星人笔记本电脑Alienware17R5原装出厂系统恢复指南:项目核心功能/场景 【下载地址】外星人笔记本电脑Alienware17R5原装出厂系统恢复指南 本项目提供了一套完整的外星人Alienware 17 R5笔记本电脑的原装出厂系统恢复文件,包含原厂系统镜像、预装软件、驱动程序和防病毒工具等。通过本资源,您可以...

gitblog_06793的博客 1049

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")

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

笔记:d2l==0.17.5安装

笔记:d2l==0.17.5安装

FXJgogogo的博客 323

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

mysql5.7.17 g_windows 10 下安装mysql 5.7.17的简单笔记

之前一直在Linux下用MySQL,安装也很简单,今天试一下windows下安装,发现还真有坑。还好搞定了,把安装过程记录一下。1. 首先我们得去mysql官网下载我们需要的资源,选择Downloads—>Community,这时候就能看到MySQL Community Server下载mysql-5.7.10-winx64.zip版本的安装包。解压后路径:G:mysqlmysql-5.7...

weixin_33610601的博客 82

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

笔记—初次使用Struts2.5.17框架

这个版本是目前(2018)最新版,先到官网  点击Full Distribution下载,然后解压到自己想要的一个目录下,:接着可以下载一个min版本(截图第三个)的,这个里面有我们需要的的基本包。 第一步:创建一个WEB动态工程。 第二步:导包,把刚刚下载的基本包导入到WE-BINF的lib目录里 第三步:创建一个action 类 first.java package my...

无意呢的博客 825

mysql5.7.17压缩_MySQL 5.7.17压缩版安装笔记

本文实例为大家分享了mysql5.7.17压缩版安装步骤,供大家参考,具体内容如下1.下载压缩包并解压缩到相应目录2.添加MySQL的bin目录路径到Path环境变量3.修改配置文件my-default.ini,将?12\# basedir = .....\# datadir = .....修改成:?12basedir = G:\Program\Program Files\MySQLdatadir...

weixin_33448555的博客 114

5.17 Quartz笔记

  有用到构建者模式:     builder---JobDetail相当于需要构建者构建出来的一个配件:JobDetail为Job实例提供了许多设置属性,以及JobDetaMap成员变量属性,它用来存储特定Job实例的状态信息,调度器需要借助JobDeatil对象来添加Job实例!JobDetail重要属性:name\group\jobClass\jobDataMap!!组名没有设置...

anxmq48288的专栏 187

Xinference-v1.17.1零基础入门:5分钟部署开源LLM到你的笔记本

本文介绍了如何在星图GPU平台上自动化部署Xinference-v1.17.1镜像,实现本地大语言模型的快速搭建。该镜像支持文本生成等核心AI功能,用户可通过简单配置在个人设备上运行类ChatGPT的对话应用,保障数据隐私的同时无需依赖网络连接。

weixin_31486261的博客 109

5/17笔记

文件到集合:读取文件每一行并把内容添加至集合 ArrayList<String> list = new ArrayList<>(); //创建缓冲字符输入流,读取D盘下的fos.txt的内容 BufferedReader br = new BufferedReader(new FileReader("D:/IdeaProject/untitledDemo/fos.txt")); String line; while ((line = br.readLine())!=null)

Nina19980917的博客 138

Linux下MySQL-5.7.17安装笔记

mysql-5.7.17:linux安装过程 安装路径:/opt/mysql-5.7.17 下载路径: wget http://mirrors.sohu.com/mysql/MySQL-5.7/mysql-5.7.17-linux-glibc2.5-x86_64.tar.gz 解压: tar -zxvf mysql-5.7.17-linux-glibc2.5-x86_64.tar.gz

qq_32231171的博客 252

Java笔记5.17*

题解 198.打家劫舍 你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警。 给定一个代表每个房屋存放金额的非负整数数组,计算你在不触动警报装置的情况下,能够偷窃到的最高金额。 示例 1: 输入: [1,2,3,1] 输出: 4 解释: 偷窃 1 号房屋 (金额 = 1) ,然后偷窃 3 号房屋 (金额 = 3)。 偷窃到的最高金额 = 1 + 3 = 4 。 示例 2: 输入

Qulon的博客 228

mysql5.7.17压缩_MySQL数据库之MySQL 5.7.17压缩版安装笔记

本文主要向大家介绍了MySQL数据库之MySQL 5.7.17压缩版安装笔记 ,通过具体的内容向大家展现,希望对大家学习MySQL数据库有所帮助。本文实例为大家分享了mysql5.7.17压缩版安装步骤,供大家参考,具体内容如下1.下载压缩包并解压缩到相应目录2.添加MySQL的bin目录路径到Path环境变量3.修改配置文件my-default.ini,将#basedir=.....#d...

weixin_39611275的博客 100
上一篇: 关于初学vue的笔记
下一篇: vue.user的笔记(5.19)
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