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
700+累计阅读
703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
查看若干springboot的有用的信息
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
management:
endpoint:
env:
enabled: true
endpoints:
web:
exposure:
include: "*" #将所有的端点都暴露出来
Spring Boot有四大神器，分别是auto-configuration、starters、cli、actuator
参考 https://docs.spring.io/spring-boot/docs/current/reference/html/index.html
springboot
SpringBoot 3.x + Activiti 8.4.0 保姆级整合教程：从25张表解读到请假流程实战
本文详细介绍了SpringBoot 3.x与Activiti 8.4的深度整合实战，从环境搭建、数据库表结构解析到请假流程开发，提供全面的工作流解决方案。涵盖依赖配置、BPMN流程设计、性能优化等关键环节，帮助开发者快速构建企业级智能审批系统。
Spring Boot Actuator 详解
详述Actuator使用方法
SpringBoot+Vue智能任务分配系统设计与实践
任务管理系统是现代企业数字化转型的核心组件，其核心原理是通过工作流引擎实现业务流程自动化。基于RBAC权限模型和动态负载算法，系统能智能分配任务并实时追踪进度。SpringBoot框架提供了与Flowable工作流引擎的无缝集成，结合Vue3的响应式特性，可构建包含甘特图与看板双视图的可视化界面。在工程实践中，采用多级缓存策略和虚拟滚动技术可有效提升系统性能。这类系统特别适用于制造业、IT项目管理等需要跨部门协作的场景，某案例显示其能将项目交付周期缩短37%。
spring-boot-actuator入门实用教程
spring-boot-actuator入门实用教程
SpringBoot集成Activiti/Flowable工作流引擎与bpmnjs流程设计器实战
工作流引擎是实现业务流程自动化编排的核心技术，其核心原理是通过预定义的流程模型（如BPMN 2.0标准）来驱动任务流转与状态管理。在Java生态中，Activiti和Flowable是广泛应用的开源引擎，它们为审批流、自动化任务等场景提供了强大的技术支撑。通过SpringBoot框架进行集成，可以快速构建高可用的流程服务，显著提升开发效率与系统可维护性。本文聚焦于SpringBoot整合Activiti/Flowable引擎，并集成bpmnjs前端可视化设计器的完整方案，涵盖环境搭建、依赖冲突解决、流程定义
act-boot.zip springboot整合activiti工作流Workflow
springboot整合activiti工作流Workflow 安装本机java环境 用idea打开本项目文件 启动项目 即可生成activiti工作流的相应配置，基本环境 act_evt_log.sql里是新建activiti工作流所需要的表列表
springboot整合activity基础入门
pom.xml引入依赖： <dependencies> <dependency> <groupId>io.springfox</groupId> <artifactId>springfox-swagger2</artifactId> <version>2.9.2<...
从仿真到部署：基于ROS2与Gazebo的UR5e机械臂全流程控制实践
本文详细介绍了基于ROS2与Gazebo的UR5e机械臂全流程控制实践，从环境准备、模型构建到控制器开发和仿真优化，最终实现真实机器人部署。通过实战案例和避坑指南，帮助开发者掌握机器人仿真与控制的关键技术，提升UR5e机械臂在物料分拣等任务中的性能与稳定性。
Spring Boot Actuator - 应用监控与管理
Spring Boot Actuator - 应用监控与管理
七步设计高频变压器
七步设计高频变压器
LangChain4j + Milvus 从0-1实现会话管理与RAG检索的AIChat超详细教程
本教程将介绍如何使用LangChain4j和Milvus向量数据库构建一个具备流式输出、会话管理、会话隔离和基于文档RAG检索能力的AI机器人。我们将使用阿里百炼模型作为LLM后端，并通过Docker部署Milvus向量数据库。创建Assistant接口，定义聊天服务：LangChain4j 中文文档 | LangChain4j 中文文档wiringMode ：这个属性一般两种，一种是自动装配，我们这里选择手动配置。
Springboot中使用Actuator监控项目
在企业应用中除了要了解Spring Boot业务的单元测试、集成测试等功能使用外，在上线之后还需要对线上应用的各项指标(比如，CPU利用率、内存利用率、数据库连接是否正常、用户请求数据等)进行监控和运维。在传统项目中，这些监控和运维往往需要借助其他第三方的工具实现，而在Spring Boot中提供了spring-boot-actuator模块，对于小型项目够用了，可以通过http、jmx、ssh、telnet等形式来监控和管理生产环境。
在ARM平台上使用Anbox和LXC进行ARM开发调试
在ARM平台上使用Anbox和LXC进行ARM开发调试是一种强大的工具组合。通过安装和配置Anbox和LXC，以及在LXC容器中运行ARM应用程序，开发人员可以方便地进行ARM开发和调试。LXC（Linux容器）是一种轻量级虚拟化技术，它提供了一种在单个主机上运行多个独立的Linux容器的方法。我们将讨论安装和配置Anbox和LXC，以及如何在容器中运行ARM应用程序。通过上述步骤，你现在可以在LXC容器中运行ARM应用程序，并使用Anbox在ARM平台上进行开发和调试。步骤2：启动LXC容器。
springboot集成actuator实现优雅关闭应用
参考 ruoyi 开源项目。http post 请求。
【SAP HANA 46】关于HANA CPU高峰到 80-100%
关于HANA CPU高峰到 80-100%
Android HAL 架构详解，底层开发不再难
HAL Binder 这套机制牛在哪？性能：一次拷贝，快如闪电。规范：HIDL 让接口定义整齐划一，维护省心。兼容：版本管理做得好，新老设备都能跑。有了这套通信体系，HAL 就像打了通脉，上下贯通，硬件操作变得丝滑无比。通信机制搭好了桥，接下来 HAL 得真正把手伸到硬件上。这部分是 HAL 的 “最后一公里”，直接决定硬件能不能被用起来。HAL 的接口定义是整个体系的灵魂，它决定了上层和底层怎么 “说话”。
SpringBoot Actuator & SpringBoot Admin
SpringBoot Actuator提供了很多监控和管理你的spring boot应用的HTTP或者JMX端点，并且你可以有选择地开启和关闭部分功能。 当你的spring boot应用中引入依赖之后，将自动的拥有审计、健康检查、Metrics监控功能。 Spring Boot Admin用于监控基于Spring Boot的应用，它是在Spring Boot Actuator的基础上提供简洁的...
【OpenClaw从入门到精通】第09篇：企业级实践——将OpenClaw接入钉钉，打造7×24小时数字员工（2026实测版）
本文聚焦OpenClaw的企业级落地实践，以“招聘数字专员”为核心场景，完整演示从钉钉接入到全流程自动化的实现路径。内容涵盖企业级部署架构设计、前置环境搭建、核心技能开发、流程串联、安全权限管控及运维监控六大模块，详解简历解析、岗位匹配、外呼集成、CRM同步、日历提醒等关键技能的构建逻辑与代码实现。借鉴中关村科金、网易智企的企业级实践经验，重点突破企业知识融合、安全权限管控、业务系统连接三大核心门槛，提供可直接参考的配置示例与操作步骤。所有技术方案均基于公开文档与实测验证，兼顾新手入门与进阶实操。
使用spring boot actuator 2.x进行应用监控
对springboot中执行机构actuator感兴趣的小伙伴，可以参考下面来学习 使用spring boot actuator 2.x进行应用监控
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")
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
使用Actuator监控
Actuator可能大家非常熟悉，它是springboot提供对应用自身监控，以及对应用系统配置查看等功能。 springboot使用actuator的方式非常简单，只需要在项目中加入依赖spring-boot-starter-actuator，完整pom文件如下： <?xml version="1.0" encoding="UTF-8"?> <project xmlns=...
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
boot-actuator 项目教程
boot-actuator 项目教程 1. 项目介绍 boot-actuator 是一个基于 SpringBoot 2.0 实现的 JVM 远程监控图形化工具。它可以同时监控多个 Web 应用，并支持远程监控。该项目借鉴了另一个开源项目 JavaMonitor 的初始版，剔除了一些功能，并增加了远程监控模块。用户只需在需要监控的项目中集成监控的 JAR 包，并设置可访问的 IP（默认为空，则不拦截...
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
SpringBoot与Flowable工作流引擎的Docker化实践：从零构建高效镜像
本文详细介绍了如何将SpringBoot与Flowable工作流引擎项目Docker化，从环境准备、Dockerfile编写到生产环境优化。通过多阶段构建、Docker Compose编排等实践，帮助开发者构建高效、安全的容器镜像，提升工作流应用的部署效率和可维护性。
springboot与flowable（4）：表结构
表名注释部署单元信息模型信息已部署的流程定义。
Spring Actuator & Micrometer 实现应用的监控模块
meter
SpringBoot面试刷题平台开发实战与技术解析
SpringBoot作为Java生态中主流的微服务框架，其自动装配机制和starter依赖管理是面试中的高频考点。本文从技术面试评估系统的设计原理出发，探讨如何基于SpringBoot+MyBatis-Plus构建智能刷题平台，重点解析了题库动态更新、在线编码沙箱、分布式事务模拟等核心模块的实现方案。通过集成HanLP智能分词和Spark MLlib数据分析技术，系统能自动构建技术知识图谱并生成三维能力评估报告。在工程实践层面，针对高并发题目检索场景，详细介绍了Elasticsearch优化和Caffein
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
451
扫一扫
