.Net开源程序大全

wangfeng8317 wangfeng8317 博客等级 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 500+累计阅读 568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 码龄20年
关注
转载 最新推荐文章于 2026-07-06 09:30:12 发布 568 阅读 AI 写同款· GEO 优化 ›
asp.net全开源微信源码 开发环境MsSql2012+VS2013 源码解压出来文件是200多兆 立即下载
.Net开源程序大全

  AJAX框架
http://www.hellocto.com/wz/list.aspx?cid=98
  工作流
http://www.hellocto.com/wz/list.aspx?cid=99
  文本编辑
http://www.hellocto.com/wz/list.aspx?cid=101
  Blog
http://www.hellocto.com/wz/list.aspx?cid=102
  系统构建
http://www.hellocto.com/wz/list.aspx?cid=103
  图表制作
http://www.hellocto.com/wz/list.aspx?cid=104
  聊天系统
http://www.hellocto.com/wz/list.aspx?cid=105
  内容管理系统(CMS)
http://www.hellocto.com/wz/list.aspx?cid=106
  代码覆盖
http://www.hellocto.com/wz/list.aspx?cid=107
  论坛系统
http://www.hellocto.com/wz/list.aspx?cid=108
  开发工具(IDE)
http://www.hellocto.com/wz/list.aspx?cid=109
  安装制作
http://www.hellocto.com/wz/list.aspx?cid=110
  loc容器
http://www.hellocto.com/wz/list.aspx?cid=111
  Bug追踪
http://www.hellocto.com/wz/list.aspx?cid=112
  日志工具
http://www.hellocto.com/wz/list.aspx?cid=113
  网络客户端
http://www.hellocto.com/wz/list.aspx?cid=114
  网络服务器
http://www.hellocto.com/wz/list.aspx?cid=115
  PDF类库
http://www.hellocto.com/wz/list.aspx?cid=116
  持久层框架
http://www.hellocto.com/wz/list.aspx?cid=117
  门户系统
http://www.hellocto.com/wz/list.aspx?cid=118
  剖析工具(Profilers)
http://www.hellocto.com/wz/list.aspx?cid=119
  项目管理
http://www.hellocto.com/wz/list.aspx?cid=120
  RSS和RDF工具
http://www.hellocto.com/wz/list.aspx?cid=121
  规则引擎
http://www.hellocto.com/wz/list.aspx?cid=122
  搜索引擎
http://www.hellocto.com/wz/list.aspx?cid=123
  版本控制
http://www.hellocto.com/wz/list.aspx?cid=124
  SQL客户端
http://www.hellocto.com/wz/list.aspx?cid=125
  模板引擎
http://www.hellocto.com/wz/list.aspx?cid=126
  Web框架
http://www.hellocto.com/wz/list.aspx?cid=127
  Email客户端
http://www.hellocto.com/wz/list.aspx?cid=128
  Web测试
http://www.hellocto.com/wz/list.aspx?cid=129
  Wiki引擎
http://www.hellocto.com/wz/list.aspx?cid=130
  XML解析
http://www.hellocto.com/wz/list.aspx?cid=131
  多媒体工具
http://www.hellocto.com/wz/list.aspx?cid=132
  C#游戏
http://www.hellocto.com/wz/list.aspx?cid=133
  文档工具
http://www.hellocto.com/wz/list.aspx?cid=134
  脚本语言
http://www.hellocto.com/wz/list.aspx?cid=135
  地理信息系统(GIS)
http://www.hellocto.com/wz/list.aspx?cid=136
  其它项目
http://www.hellocto.com/wz/list.aspx?cid=137

收录于
C#

当前文章被收录于：

C#
13 篇文章 0 人学习
订阅专栏 查看详情
标签
#.net #持久层框架 #多媒体工具 #图表制作 #ajax框架
#web框架
.Net开源流程引擎RoadFlow最新版包含全部源码 可视化流程引擎RoadFlow 是天知软件旗下基于.NET的集成工作流引擎的快速开发平台，由从事六年以上OA及工作流开发与实施的团队设计开发，该工作流平台已应用于众多大型企事业单位。拥有全浏览器兼容的可视化流程设计器、表单设计器、基于角色的权限管理等系统开发必须功能，大大为您节省开发时间，是您开发OA、 CRM、HR等企事业各种应用管理系统和工作流系统的最佳基础平台。 立即下载

相关推荐

.NET 4.6 开源代码

以.zip文件的形式下载.NET Framework的完整源代码。存档包括可在Visual Studio中打开的解决方案和项目文件。此解决方案不会构建，因为它缺少关键组件，如资源，XAML文件等，但它足以浏览Visual Studio中的源代码。

分享20个最实用的 .NET 开源项目

YuebonCore是基于.Net6.0开发的权限管理及快速开发框架，整合应用最新技术包括Asp.NetCore MVC、SqlSugar ORM、WebAPI、Swagger、Vue3等，核心模块包括：组织机构、角色用户、权限授权、多系统、多应用管理、定时任务、业务单据编码规则。4、语法最爽的ORM、优美的表达式、仓储、UnitOfWork、DbContext、AOP 【文档视频教程(https://www.donet5.com/Home/Doc?一套与SqlSugar一样爽的.Net6低代码开源框架。

grh_168的博客 7739

.NET开源代码下载地址

以.zip文件的形式下载.NET Framework的完整源代码。存档包括可在Visual Studio中打开的解决方案和项目文件。此解决方案不会构建，因为它缺少关键组件，如资源，XAML文件等，但它足以浏览Visual Studio中的源代码。

盘点72个ASP.NET Core源码Net爱好者不容错过

盘点72个ASP.NET Core源码Net爱好者不容错过

zdh13370188237的博客 1368

glide-transformations

glide-transformations glide-transformations glide-transformations

FPGA：将FIFO封装成AXI接口的IP

封装AXI_stream的接口IP核

m0_46830519的博客 4216

分享99个ASP.NET源码，总有一款适合您

分享99个ASP.NET源码，总有一款适合您

zy0412326的专栏 2460

麒麟操作系统安装达梦数据库ARM版

Linux安装达梦数据库ARM版

运维@小兵的博客 8769

分享68个ASP.NET源码总有一个是你想要的

分享68个ASP.NET源码总有一个是你想要的

zy0412326的专栏 1264

LangChain + Milvus Lite：从零搭建本地RAG知识库

本文详细介绍了如何利用LangChain、Milvus Lite和gte-large-zh模型，在本地从零搭建一个完整的RAG知识库系统。文章涵盖了环境配置、文档处理与向量化、本地向量库构建以及检索问答实现的全流程，重点突出了完全本地化部署带来的数据隐私安全和成本优势，为开发者提供了一条实践性极强的技术路径。

weixin_29044713的博客 444

Proteus一体化安装STC15库添加

Proteus一体化安装与STC15库添加指南 本文详细介绍了Proteus 8.9 SP2专业版的一体化安装流程和STC15系列单片机库文件的添加方法。安装过程简单快捷，无需破解，稳定性好。通过将两个库文件(Lib和LIB)复制到Proteus安装目录的DATA/LIBRARY文件夹中，即可实现STC15W4K32S4芯片的仿真功能。文中还提供了新建工程和器件放置的步骤说明，特别指出STC15W4K32S4芯片可兼容仿真其他STC15系列芯片，并附带下载链接获取资源。该教程适用于电子设计初学者和开发者。

#法外狂徒张三的博客 4万+

分享84个NET源码，总有一款适合您

NET

zy0412326的专栏 1512

RAGFlow 离线部署:解决cl100k_base.tiktoken问题

摘要 本文详细解决了RAGFlow离线部署时tiktoken缓存文件下载失败的问题。通过分析tiktoken库的缓存机制,一次性不改代码解决.

baidu_25691461的博客 830

.Net开源程序大全 [收藏]

.Net开源程序大全   AJAX框架 http://www.hellocto.com/wz/list.aspx?cid=98   工作流 http://www.hellocto.com/wz/list.aspx?cid=99   文本编辑 http://www.hellocto.com/wz/list.aspx?cid=101   Blog http://www.hellocto.com/wz/

Flyear_cheng的专栏 1374

AEJoy —— 最受欢迎的 5 个 Ae 表达方式

NOTE] 原文作者我意识到表达式可能令人生畏，有些人宁愿复制粘贴有用的代码，而不愿学习这门语言。对此我完全理解。因此，我想与您分享我的。这些是我几乎在每个项目中都会使用的表达式，我认为它们极大地提升了工作流程。

ShaderJoy 的兴趣技术杂货铺 364

C#与欧姆龙PLC 通信——Fins Tcp协议

该调试助手专门为了帮助大家学习以及测试Fins-Tcp通信，下面进行详细介绍。

qq_34059233的博客 2087

B2C，开源程序？技术外包？还是自主开发？

<br />最近，很多人在IM上问我，是自己开发还是用现成的商城系统；ECSHOP好还是SHOPEX好之类的问题。我的回答一概是：看自身需求，有多大肚子吃多少饭。今天，分析一下三种方式各自的优缺点：<br />1开源程序：适合没有“进销存”问题又不想花钱，订单量不大的小企业或个人。EC和EX应该是商城系统里做的比较成熟的，前阵感兴趣研究了下这两个 商城系统，发现一般的基础功能比较简陋，而财务管理；采购管理；退货管理；营销管理；库存管理；客户关系管理这些专业功能基本没有。虽说SHOPEX可以 定制，ECS

shark0001的专栏 2335

从 SAP GUI 到 API 自动化，为什么 SAP 团队必须把 API 拉到路线图中央

摘要： SAP项目正从传统手工操作转向API驱动，以应对业务敏捷性需求。API不仅是技术接口，更是核心业务能力的标准化封装，助力自动化、低代码、AI集成和系统升级。通过SAP Business Accelerator Hub等工具，企业可复用标准API替代定制开发，减少技术债。API还赋能自动化平台、实时集成和AI Agent执行，确保安全治理与审计追踪。未来，API将成为企业系统与AI交互的核心桥梁，缺乏API将迫使业务依赖脆弱的UI自动化方案。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 302

SATI--文献题录开源程序

SATI程序及源码下载地址：http://liuqiyuan.com/#sati 网上对于SATI的介绍相对来说还是比较少的，而这款程序确实很好。所以本着造福大家的心态，再此撰文一篇。 使用过SATI程序的人可能会很郁闷，有的功能看着有就是用不了，以为是自己的问...

2867

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

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")

torchmd-net开源程序是训练神经网络潜力

torchmd-net开源程序是训练神经网络潜力，TorchMD-NET 提供最先进的神经网络电位 （NNP） 和训练它们的机制。如果有多个 NNP，它可提供高效、快速的实现，并且它集成在 GPU 加速的分子动力学代码中，如 ACEMD、OpenMM 和 TorchMD。TorchMD-NET 将其 NNP 公开为 PyTorch 模块。

struggle2025的博客 1233

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

GIS大讨论（二）：GIS开源程序收集

  GIS开源程序收集粟卫民http://www.gisdev.cn/ http://blog.csdn.net/suen/ 日期：2008-6-25创建日期：2007-6-11     最后修改：2007-6-22注意：每一个项目包含以下信息：名称主题分类描述开始时间语言许可演示网址项目网址成熟度活跃度评价 分类包括：G

地理信息，无处不在 5464

.net调用java程序_在.net应用中调用java程序

本例主要是介绍利用C#程序调用已经写好的JAVA程序.很多时候我们不可避免的要用到别人写的东西.就拿我来说.很多应用是用.NET写的.也有很多程序是用JAVA写的.这就带来了很多麻烦,有时候要实现同样的功能,必须写两遍代码.那么我们有没有办法让C#直接调用java写好的东西呢?(java直接调用.net的程序也是可以的).这里需要提到的就是IKVM.NET开源程序.这个开源程序不想过多的介绍.说多...

weixin_42099755的博客 846
上一篇： C#命名规则和风格
下一篇： net中的WMI编程（一）：WMI介绍及简单应用
点赞 0
评论 0
书签 书签 0
wangfeng8317
wangfeng8317
博客等级 码龄20年 11粉丝 4原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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