- 博客(78)
- 资源 (2)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 这个coder不太懂【用SPUG发版JAVA服务和Vue前端】
本文详细介绍了使用Spug自动化部署工具配置前后端项目的完整流程。主要内容包括：1）安装JDK、Maven、NodeJs等基础环境；2）配置服务器连接和应用参数；3）设置前端和后端的发布流程，包括环境变量、构建命令和部署脚本；4）配置Webhook实现代码提交自动触发构建。文章通过清晰的目录结构和配置截图，展示了如何将项目构建、打包、发布等步骤自动化，提高部署效率和可靠性。适用于需要频繁部署的Web应用项目。
2025-11-04 18:18:48
448
原创 这个coder不太懂【Spug安装】
因为centos 7.9死活装不上node 20以上版本了，迫不得已升级服务器的操作系统。又恰巧闲置了一台Kylin Linux虚拟机，查看了其gcc make等相关工具版本都挺高，于是用它来装一下试试看。
2025-11-04 10:05:19
742
原创 为为什么ConfyUI操作界面有时点击无响应
在使用ConfyUI时发现界面下半部分无法操作，经检查发现是有道翻译插件在页面添加了遮挡标签导致。关闭该插件后刷新页面即可解决问题。
2025-10-23 08:37:53
351
原创 明明JWT的验证没问题，接口也没有添加任何权限限制，但接口总是报403，SpringSecurity，你究竟干了些啥！
问题摘要： 重构权限框架时，使用UsernamePasswordAuthenticationToken构造函数传递权限集合方式不当导致BUG。当传入null或不传权限参数时，SpringSecurity会直接判定无权限，跳过自定义校验；而传入空集合则会触发校验逻辑。正确的做法是传入空集合而非null，以确保自定义权限校验正常执行。
2025-09-05 10:23:13
347
原创 AI小白的第十一天：分类问题，我又回来了！（卷积神经网络）（含代码）
卷积神经网络之前使用多层感知机来做过手写数字分类问题。最近学习到了卷积神经网络，就训练了一个卷积神经网络模型，想着能够提升一下预测的命中率。这里先给出第一轮的对比。左侧是用初代卷积神经网络LeNet的预测结果；右侧是之前用多层感知机预测的结果。怎么样，提升不是一点点啊。
2025-04-02 18:02:14
227
原创 AI小白的第十天：影响模型泛化能力的因素以及对策
之前写了两次识别手写数字的模型训练，模型对我自己手写图片的识别效果总是不尽人意。后来了解到，模型在训练中命中率高，但是实战命中率差，就可能是出现了过拟合跟欠拟合的情况。
2025-04-02 14:50:08
736
原创 AI小白的第九天：分类问题（含代码）
前面的回归问题其实就是二分类问题。分类大于2时该如何处理？我们前面在识别手写数字的时候，其实就是这样的一个问题。
2025-03-27 16:00:29
815
原创 Mybatis @Select()中写sql语句的时候，不能很好的支持＜foreach＞语法
Mybatis @Select()中写sql语句的时候，不能很好的支持<foreach>语法，因此经常在Mapper.java文件中用@Select()来写查询语句的同学，遇到这样的问题的时候，不要钻牛角尖，抓紧上xml文件来写sql吧。
2025-03-26 15:41:04
201
原创 AI小白的第八天：梯度下降（含代码实现）
偏导数是针对多元函数而言的，而梯度其实就是一个包含多元函数所有偏导数的向量，表示函数在某一点处变化最快的方向和变化率。是学习率，之前代码中设置过。均方误差突出一个均，这对单个样本的参考价值就大了很多。偏导数相当于控制了纠正方向，学习率则控制了参数纠正的模长。表示在(x,y)点处变化最快的方向和变化率。梯度的方向是函数在该点处变化最快的方向。梯度的模表示函数在该方向上的变化率。是模型参数在第t+1次迭代时的值，是模型预测的输出值，n是样本数量。表示模型参数在第t次迭代时的值，是样本的真实输出值，
2025-03-25 18:47:04
837
原创 AI小白的第八天：回归问题（多元线性回归、多项式回归）
基本思路就是找到一条线，利用求样本到该线的纵坐标距离之和最小。具体而言就是定义目标函数，通过最优化方法找到使得目标函数最小化的参数值，从而得到模型。这条线也叫拟合线。
2025-03-25 17:39:22
739
原创 AI小白的第七天：必要的数学知识（概率）
概率是一个介于 0 和 1 之间的数，表示某个事件发生的可能性：例如，掷一枚公平的硬币，正面朝上的概率是 0.5。抛一万次硬币，看硬币正面向上的概率。Pn(x)=nxnP_n(x)=\frac{n_x}{n}Pn(x)=nnx这种方式，实验成本高，且误差不可控，概率始终是个近似值。样本空间中，每个结果发生的可能性相等，则事件A的概率为：P(A)=∣A∣∣S∣P(A)=\frac{|A|}{|S|}P(A)=∣S∣∣A∣P(A∣B)=P(B∣A)⋅P(A)P(B)P(A|B)=\frac
2025-03-19 17:58:54
2550
原创 AI小白的第七天：必要的数学知识（微积分）
大学以后就再也没有跟这个东西有任何交集了。但是回头再来看，理解起来比当初要容易多了。主要是记一下数学式子的写法。
2025-03-19 15:46:55
855
TA创建的收藏夹 TA关注的收藏夹
TA关注的人