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
400+累计阅读
460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
本来是一个docker和springboot的实战练习项目，目前已经开源，功能齐全、部署简单及完善的代码，一定会给使用者无与伦比的体验，如果觉得这个项目不错，请为它点赞支持。
gitee地址: https://gitee.com/chenhaiwei
如何设计一个低代码平台
近些年来，低代码发展火热，各种低代码平台如雨后春笋纷纷崛起，这些平台各定位不同，优劣不同，用户的选择空间很大。那么，如果用户想从零开始设计一个低代码平台，该如何做呢？
Docker+SpringBoot+Mybatis+thymeleaf的Java博客系统开源啦
作者：13 GitHub：https://github.com/ZHENFENG13 版权声明：本文为原创文章，未经允许不得转载。 项目演示视频：https://www.bilibili.com/video/av52551095 个人博客 对于技术人员来说，拥有自己的个人博客应该是一件令人向往的事情，可以记录和分享自己的观点，想到这件事就觉得有意思，但是刚开始写博客的时候脑海中是没...
关于DHCP Option60的认识
<br /> 最近在网络建设过程中，必须面对一个实际存在的问题：当只有一根线入户时，该如何解决CATV和宽带业务的共存呢？这时就要考虑用到DHCP Option60了，那么DHCP Option60到底是如何来实现业务区分的呢？<br />首先先来看下DHCP协议，在DHCP协议中，定义了一个option字段，该字段主要是用来扩展DHCP协议的，Option 60 (Vendor class identifier)是DHCP报文中的一个选项字段，code为60，可以标识终端类型，根据不同的终
Docker容器化部署项目实践全流程springboot+mybatis+redis+rabbitmq+nginx+nacos
1. docker 安装 # step 1: 安装必要的一些系统工具 sudo yum install -y yum-utils device-mapper-persistent-data lvm2 # Step 2: 添加软件源信息 sudo yum-config-manager --add-repo http://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repo # Step 3: 更新并安装 Docker-CE sudo yum make
AAC编解码器在实时通信中的性能对比与应用选择
本文深入分析了AAC编解码器在实时通信中的性能优化，重点对比了faac、faad2与fdk-aac三大开源方案在WebRTC场景下的表现。通过实测数据揭示其在延迟、音质和资源消耗等关键指标的差异，并提供场景化选型建议与调优技巧，帮助开发者提升实时音视频通信质量。
Transformer论文解读
Transformer有多牛逼不用多说，时隔7年我们再来看看论文原文，看看这篇深刻改变世界的文章都说了什么。当然逐字逐句解读已经意义不大，我们只列考点。
springboot+mybatis+thymeleaf+docker构建的个人站点开源项目（集成了个人主页、个人作品、个人博客）
前言 My Site 主要功能有：个人首页、个人作品、个人博客为一体的站点，网站的文章和作品均由markdown进行编写，可以满足你的基本需求。如果觉得这个项目不错，请为它点赞支持。 项目架构 JDK版本：至少1.8及以上； springboot版本：2.0.1RELEASE； thymeleaf； mybatis； pagehelper版本：5.1.3； druid； swagger...
安时积分法和开路电压法结合估算锂电池SOC
基于安时积分法和开路电压法结合的锂电池SOC估计Simulink仿真建模，利用安时积分法计算放电过程中的SOC，在搁置状态利用开路电压法进行SOC修正。
SpringBoot+Mybatis等技术实现的 Java 个人博客，带博客和后台管理
SpringBoot+Mybatis等技术实现的 Java 个人博客，带博客和后台管理 Layui 版本的 My-Blog是由我通过原My-Blog改进而来，通过联系原My-Blog作者，现已经将Layui版本发布到他的github上给大家借鉴和学习，还有很多不足的地方忘见谅。 项目链接：https://github.com/ZHENFENG13/My-Blog-layui 坚持不易，各位朋友如果觉得项目还不错的话可以给项目一个 star 吧，也是对我们一直更新代码的...
浏览器缓存导致代码不更新？一招解决部署后用户仍看到旧页面的问题
方案效果适用场景文件名哈希永久解决前端工程化项目HTTP缓存头控制精准控制需服务器权限Meta标签部分生效临时补救方案最佳实践：入口HTML禁用缓存，静态资源使用哈希文件名 + 长期缓存，达到「秒级更新」+「高性能」的平衡！
CATIA二次开发一一一计算 CATIA 零件模型在全局坐标系下的包围盒方法
本文介绍了一种在CATIA中计算零件模型全局坐标系下包围盒（BoundingBox）的方法。通过遍历零件几何体特征点，并应用坐标变换矩阵，最终返回精确的零件包围盒。核心步骤包括初始化与输入校验、坐标变换处理、几何体特征点遍历以及全局坐标变换。关键方法涉及CATMathBox操作和坐标变换接口。该方法适用于碰撞检测、可视化优化和装配分析等场景，能够快速判断零件间的空间干涉，提升渲染性能，并计算零件在装配体中的全局位置范围。
Java开源博客My-Blog(SpringBoot+Docker)系列文章
My Blog 1、Docker+SpringBoot+Mybatis+thymeleaf的Java博客系统开源啦 2、My-Blog搭建过程：如何让一个网站从零到可以上线访问 3、将数据的初始化放到docker中的整个工作过程(问题记录) 4、利用Dockerfile构建mysql镜像并实现数据的初始化及权限设置 5、解决Docker容器时区及时间不同步的问题 6、Java开源博客...
【100分】最长子字符串的长度
题目要求在一个环形字符串中找出字符 ‘o’ 出现了偶数次的最长子字符串长度。这里的字符串是一个环形的，即首尾相连。代码统计了字符串中字符 ‘o’ 的出现次数，并根据其奇偶性返回相应的最长子字符串长度。当 ‘o’ 的数量为偶数时，直接返回字符串长度；当 ‘o’ 的数量为奇数时，返回长度减去 1。给你一个字符串 s，字符串s首尾相连成一个环形 ，请你在环中找出 ‘o’ 字符出现了偶数次最长子字符串的长度。【最长子字符串的长度】
Java开源博客My-Blog之docker容器组件化修改
前言 5月13号上线了自己的个人博客，《Docker+SpringBoot+Mybatis+thymeleaf的Java博客系统开源啦》，紧接着也在github上开源了博客的代码，到现在为止，感觉这个项目还是有一点点关注度的，包括博客站点的访问量，github仓库中MyBlog项目的访问量都还不错，总体来说是一种进步且向上的态势。 这是某个24小时内http://blog.hanshua...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
java 组件化_Java开源博客My-Blog之docker容器组件化修改
前言5月13号上线了自己的个人博客，《Docker+SpringBoot+Mybatis+thymeleaf的Java博客系统开源啦》，紧接着也在github上开源了博客的代码，到现在为止，感觉这个项目还是有一点点关注度的，包括博客站点的访问量，github仓库中MyBlog项目的访问量都还不错，总体来说是一种进步且向上的态势。这是某个24小时内http://blog.hanshuai.xin站点...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
My-Blog搭建过程：如何让一个网站从零到可以上线访问
作者：13 GItHub：https://github.com/ZHENFENG13 版权声明：本文为原创文章，未经允许不得转载。 项目演示视频：https://www.bilibili.com/video/av52551095 文章中的图片被限制访问，可以查看我的这篇文章My-Blog搭建过程：如何让一个网站从零到可以上线访问 文章简述 5月13号的时候，上线了自己的个人博客网站：...
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")
SpringBoot + MyBatis + Thymeleaf开发的个人博客。集成了：博客前台，后台管理。
Kyrie Blog 个人博客系统 Kyrie Blog是由SpringBoot1.5 + MyBatis + Thymeleaf等技术实现的个人网站，如果觉得项目不错，请帮忙Star支持一下。 适用对象 Spring Boot 初学者。该博客系统综合运用了作者发表的 《Spring Boot 入门》 系列的文章提及的知识内容，初学者可以阅读文章以及结合该项目学习。 与作者一样，...
Springboot + Mybatis + Thymeleaf 整合教程
Springboot + Mybatis + Thymeleaf整合 首先我们来讲一下springboot，springboot主张无xml配置，但是还是需要一些最基础的信息配置的，例如sql账号密码的设置，在简洁你的账号密码还是需要你自己配置的，它是没办法帮你自动生成的。所以一般配置文件...
spingboot用户列表显示和实现新增功能
需求,用户列表显示和实现新增功能 1. userList.html函数显示list,并增加”用户添加”button <!DOCTYPEhtml> <htmllang="en"xmlns:th="http://www.thymeleaf.org"> <head> <metacharset="UTF-8"> <m...
基于SpringBoot+MyBatis+Docker实现部署电商系统，分享项目源码
前言 mall项目致力于打造一个完整的电商系统，采用现阶段流行技术实现。 mall项目简介 mall项目是一套电商系统，包括前台商城系统及后台管理系统，基于SpringBoot+MyBatis实现，采用Docker容器化部署。 前台商城系统包含首页门户、商品推荐、商品搜索、商品展示、购物车、订单流程、会员中心、客户服务、帮助中心等模块。 后台管理系统包含商品管理、订单管理、会员管理、促销管理、运营管理、内容管理、统计报表、财务管理、权限管理、设置等模块。 需要这个mall项目地址以及源码的老铁，请
自己写了好久的SSM个人博客。。。记录下，并分享 源码----(SpringBoot+Thymeleaf+layui+mybatis)
预览图 预览地址：www.dreamylost.cn后台手机ipad大三工作室练手项目。（IP暂时没有找到很好的免费办法，学校教育网，都是一个nginx地址，最好用手机测试ip相关功能，富文本功能因为layui本身问题，需要处理浏览器缓存，QQ浏览器，有时无法完成初始化加载信息，刷新第二次即可。）github： https://github.com/jxnu-liguobin 源码已经更新（...
docker连接spring boot和mysql容器
在之前使用docker部署运行了Spring Boot的小例子，但是没有使用数据库。在这一篇中，介绍docker如何启动mysql容器，以及如何将Spring Boot容器与mysql容器连接起来运行。docker基本命令：首先熟悉一下在操作过程中常用的docker基本命令： docker images：列出所有docker镜像 docker ps：列出所有运行中的容器，-a参数可以列出所有容器，包
springboot学习：springboot+mybatis+MySQL+thymeleaf（一）
一、准备工作 1、有spring基础，同时掌握或者熟悉springmvc。 2、开发准备工作 1）、开发需求：maven、JDK8（本人使用的是这个版本）、idea（eclipse也可以）、MySQL 2）、jdk以及开发工具、数据库的安装不过多讨论。springboot的基于maven进行开发的。不管是idea还是eclipse都需要配置maven环境，maven仓库最好...
springboot+mybatis 搭建环境
Springboot + mybatis 环境搭建 springBoot 就是讲一些基础的框架集合起来，提供默认的配置，减少人为的配置。不用 springBoot 而用 spring 也是可以将项目搭建起来的。 开发环境： IDEA（推荐） 1：Intellij idea菜单栏File->new->project 2：选择左侧栏中spring initia
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8259
扫一扫
