归来!

在这里插入图片描述
大家好,才是真的好。

今天的标题是归来,但不是我的归来,也不是电影《归来》,而是众多资源的归来!

那些口口声声说Notes Domino资料少的人,应该是比较懒的人吧?

毕竟一个产品从1989年开始发布,2020年还在全世界流行,还在快速迭代更新,更是曾经引领世界的群件产品,要是说没有相应资料,很不具备说服力。

即使你随随便便地在Bing上进行搜索,总能看到很多对应问题的答案:
在这里插入图片描述
结果里看起来是个论坛,其实就是论坛。

从R4/5时代,一直到V11,都有产品站点、帮助文档、wiki、开源站点,论坛等。

这其中,以论坛是最为犀利的存在,因为你碰到的问题,全世界的其他人几乎都替你碰一遍,尤其是那些疑难杂症,往往就隐匿在论坛中的只言片语间。有时会给你极具灵感的提示,进而解决问题,并获得快乐。

假如你也因为过于喜悦而不吝分享,也可发布(提问题)在论坛里。

因此,即使版本久远,但经年累月,仍不失是一笔丰厚的知识财产。

作为从事Domino事业十来年的人,对这些论坛总是充满了亲切的感觉。

从排版布局上一看,就是20年前的Domino 的论坛风格。
在这里插入图片描述
你点开进去,的确就是20年前的风格。
在这里插入图片描述
论坛还是用Notes数据库中的表单和视图设计元素直接划拉的。

不过,搜索到的答案和内容却永不过时。

因为你碰到过的问题,别人总会碰到一次。

这些论坛的出现也极其有规律,发布一个新版本的Notes Domino,就会出现一个新版本的论坛,并且都构建在Domino自身平台上。

随着版本的演进,论坛界面也和Domino一同在发展改进,比如R9的论坛风格就变化了不少。
在这里插入图片描述
最新的V10和V11明显又是另一种风格,而且没有分开各个版本单独存在。
在这里插入图片描述
不过,V10和V11之所以称之为V,是因为这是HCL收购之后自己做的论坛。

而过去R9、R8、R7/6等等,那些老界面老论坛,都随着IBM,悄然地下线了。

所以我们从bing搜索并点进去时,只能可怜地看看搜索引擎留下的缓存中的只言片语。
在这里插入图片描述
在这里插入图片描述
感觉Notes Domino知识的半壁江山,就这样失去了。

就在我们将遗憾并叹息之时,9月15号,这些论坛居然又重新上线了!
在这里插入图片描述
经过HCL的重新整理和投入,所有旧论坛,从R6/7到R9.0,从XPages到Sametime等都重新进行了上线。

我们在站点https://help.hcltechsw.com/docs/nsf/index.html可以看到这些论坛的新的连接地址。

是的,过去都在www.lotus.com/ldd站点,现在都挂在https://ds_infolib.hcltechsw.com/ldd下。对了,https://ds_infolib.hcltechsw.com/ldd也是用Domino作为Web平台。

无论是界面还是内容都特别亲切,里面积累了太多资料,很多很有用的知识资料。

曾经有人提议能否直接使用Notes客户机进行访问这些论坛,而不是采用Web,毕竟里面都是Notes数据库。

这真不失是一个很好的主意,毕竟如果能访问,我们就能通过Notes数据库的复制技术,离线这些文档,搜索和查找就会快很多很多。

不过,现在这些论坛上线,也已经很满足了,而且在未来的数年里不会感到担忧。很多运维知识、技巧、错误解答、开发代码都在里面,等着你去发现。

更多精彩内容请关注微信公众号“协作者”

原文地址:https://mp.weixin.qq.com/s/VWs4I3dt9CvrIfpeEbUAoA

更多HCL Domino学习视频请关注淘宝店铺:协作者的店

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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