自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(915)
  • 资源 (649)
  • 收藏
  • 关注

原创 FreeSWITCH windows docker

本文介绍了FreeSWITCH服务所需的关键端口配置及Docker部署优化方案。主要内容包括: FreeSWITCH核心端口说明:除5060 UDP外,还需开放TCP 5060、5080(TCP/UDP)、8021(ESL)、5066/7443(WebSocket)及16384-32768 UDP(RTP媒体流)。 Docker部署建议: 完整端口映射示例命令 推荐生产环境使用--net=host模式简化网络配置 国内镜像拉取问题解决: 配置Docker国内镜像加速器(如阿里云) 提供Windows配置路径

2026-07-06 20:20:18 39

原创 SIP 的一个简单接听例子

摘要:这段代码实现了一个基于PJSIP库(pjsua2)的简单SIP电话客户端,主要功能包括自动接听来电并播放音频文件。程序通过MyAccount类处理SIP账号注册和来电响应,使用MyCall类管理通话状态并触发音频播放。音频播放由MyAudioMediaPlayer类实现,播放完成后会自动清理资源。代码包含本地IP获取、异常处理和资源清理机制,通过设置null音频设备(sndDevId=-1)绕过声卡驱动,适用于无语音硬件的场景。使用前需安装pjsua2-wheel包,支持Windows平台。

2026-06-21 01:04:28 228

原创 Confluence Skills/Markdown 构建树形知识库

本文对比了RAG与Skills/Markdown两种知识库构建方式的优劣,提出树形知识库设计方案。Skills/Markdown更适合结构化知识,通过Router+Leaf模式实现层级管理:根路由文件进行领域分发,子路由文件细化内容导航,叶子节点存储具体知识。设计强调单一职责、意图词路由、3层深度限制,并建议与RAG混合使用。最后给出Confluence迁移建议,该方案能精准加载相关知识,维护简单,适合有明确层级的知识体系。

2026-06-16 10:20:03 210

原创 XGBoost 适合的应用场景、算法原理与调参原则

XGBoost应用场景与原理摘要 XGBoost是一种高性能梯度提升树算法,适用于结构化数据的分类、回归、排序等任务(如金融风控、电商推荐),尤其在处理非线性关系、缺失值及特征交互时表现优异。其核心原理通过加法模型逐步优化残差,采用二阶泰勒展开精确计算分裂增益,并引入正则化防止过拟合。相比传统GBDT,XGBoost在工程实现和理论优化上均有显著提升。 调参应遵循:1)明确评估指标;2)先控制过拟合(调整树深度、叶子约束),再提升拟合能力(学习率与树数量联动);3)合理使用采样和正则参数。不适用于非结构化数

2026-06-16 10:14:14 208

原创 XGBoost · 登录防欺诈示例

本项目开发了一个基于XGBoost的二分类模型,用于识别可疑登录行为。系统包含完整的数据处理流程(含200条训练数据和20条测试数据)、Flask后端API和浏览器前端界面。主要功能包括:1) 数据可视化浏览;2) 模型训练与超参数调优;3) 参数预设保存/加载;4) 模型评估与预测。技术栈采用Python3.10+环境,依赖XGBoost、Flask等库,提供数据生成脚本和RESTful API接口。系统支持模型保存、测试集评估,并展示特征重要性、混淆矩阵等关键指标,适用于异常登录检测场景的快速原型开发与

2026-05-07 10:59:23 379

原创 决策树与XGBoost

XGBoost不是简单的决策树升级,而是一个集成学习系统。核心区别在于:单棵决策树一次性完成学习,容易过拟合;而XGBoost通过Boosting框架让多棵树逐步优化(每棵树修正前序错误),并加入工程优化和正则化。其学习过程类似"多次考试改错题",使用梯度提升和一阶/二阶导数进行精细优化,具有更强的防过拟合能力。简言之,决策树是单一规则模型,XGBoost则是协同优化的树群系统,在准确性和稳定性上显著提升。理解层级应为:决策树→GBDT→XGBoost(强化版GBDT)。

2026-05-06 16:31:03 255

原创 XGBoost 和 Transformer 比较

摘要:XGBoost与Transformer是两类不同范式的模型,适用场景迥异。XGBoost擅长处理结构化表格数据(如推荐系统、风控),具有训练快、可解释性强的优势;而Transformer专精非结构化序列数据(如文本、图像),擅长建模长距离依赖关系。实际应用中需根据数据类型选择:小规模表格数据优先XGBoost,海量序列数据则用Transformer。工业场景常采用混合架构,如用Transformer生成Embedding后接XGBoost预测。两者的核心差异在于:XGBoost通过特征组合解决结构化问

2026-05-06 15:13:10 232

原创 用 ReLU 线性组合构造任意分段线性函数(以梯形为例)

这篇文章展示了如何利用ReLU(Rectified Linear Unit)函数的线性组合来构造任意分段线性函数。通过调整ReLU函数的平移和缩放系数,可以在不同位置创建斜率转折点,从而拼接出复杂的线性分段形状。文章以梯形函数为例,详细演示了使用4个ReLU分量构造梯形函数的过程:分别在梯形的起点、平台起点、下降起点和终点处设置ReLU转折点,通过控制各点的斜率变化量来精确塑造梯形轮廓。该方法可推广到任意分段线性函数的构造,只需在每个转折点处添加对应的ReLU项并设置适当的系数即可。文章还提供了Python

2026-05-06 14:07:12 258

原创 Skills:让 AI 拥有“可插拔能力”的一种工程化方案

摘要:Vercel-labs提出的"Skills"机制解决了AI应用中prompt工程面临的瓶颈问题,通过将AI能力模块化为独立技能包,实现动态加载和组合。每个Skill包含配置文件、核心prompt和执行逻辑,系统通过匹配用户意图动态注入相关技能。相比传统prompt堆砌,Skills具有模块化、可扩展、更稳定等优势,尤其适合开发工具、DevOps等场景。虽然当前存在匹配简单、缺乏协作等局限,但未来可通过向量匹配、依赖管理、工具执行等方向演进,推动从"写prompt&quot

2026-04-22 13:58:01 364

原创 AIGC 的一些模型体验分享

摘要: 在AI对口型与语音合成领域,不同工具各有优势,需根据具体需求选择。MuseTalk适合实时场景(如直播),速度快但画质一般;Wav2Lip易上手且社区资源丰富,适合快速验证;LatentSync则提供高画质与自然度,适合专业视频制作。类似地,语音合成模型中,CosyVoice2以超低延迟(150ms)见长,适合实时交互;Index-TTS支持精细控制(时长、情感),适合配音等专业场景。建议根据实际需求(实时性、画质/音质、硬件条件)选择,或组合使用以兼顾效率与效果。

2026-03-22 10:29:49 408

原创 Frank-Job +Dify 实现openclaw Cron 分布式任务调度的AI化思考

摘要: Frank-Job是一个轻量级分布式任务调度平台,通过中心化调度与分布式执行解决微服务任务管理痛点。支持Cron触发、分片路由等策略,提供可视化监控与高可靠保障。与OpenClaw(即时执行)互补,结合Dify实现智能运维闭环:Frank-Job负责调度,Dify分析数据,OpenClaw执行操作。通过MCP协议,Frank-Job将调度功能封装为标准化工具,支持自然语言交互,实现任务创建、暂停等全生命周期管理。架构包含调度中心(Frank-Admin)和执行器(Frank-Executor),三步

2026-03-19 22:24:51 671

原创 Openclaw + 本地搭建Ollama Qwen3-Coder

本文记录了OpenClaw AI工具的配置和使用过程,主要包括以下内容: 初始配置问题:遇到网关认证错误"disconnected(1008):unauthorized",通过重新生成令牌和修改配置文件解决。 模型配置问题: 尝试配置本地Ollama的qwen3-coder:30b模型,出现"Unknown model"错误 转用zai/glm-4.7模型后,遇到API密钥和余额问题 解决方案: 通过环境变量设置模型和API密钥 添加后备模型配置 使用ollamala

2026-02-10 22:39:38 5526

原创 什么是决策树(Decision Tree)

决策树是一种通过"如果...那么..."判断流程进行分类的算法。以8个候选人的招聘数据为例,本文演示了如何使用Gini系数选择最优划分属性:1)Gini系数衡量分类纯度,越小越好;2)计算发现"是否本科"和"年龄≤25"的Gini系数最优(0.30);3)构建的决策树先按"是否本科"划分,再对本科群体按"年龄≤25"细分,两层即可完全分类。相比"工作年限",这两个属性能更有效地区分录用结果

2026-02-09 13:49:43 783

原创 欺诈检测模型训练说明(XGBoost)

欺诈检测模型训练说明(XGBoost)

2026-02-09 11:03:19 621

原创 FORCE_VERIFYING_SIGNATURE=false

摘要:Dify 容器内部修改 .env 文件无效,配置通过 Docker Compose 环境变量注入。正确方式是在宿主机修改 docker/.env 文件添加 FORCE_VERIFYING_SIGNATURE=false。若需临时调试,可在容器内执行 export 命令并重启服务,但重启容器后会失效。执行 docker compose down 和 up -d 不会丢失数据,因数据存储在持久化 Volume 中。避免使用 -v 参数以防数据删除。建议通过宿主机修改配置确保永久生效。

2025-12-03 20:10:25 505

原创 用户意图分类

本文提出了一套完整的代码开发意图分类体系,将用户指令划分为13个大类(如代码操作、代码分析、文件操作等)和35个子类。每个子类对应特定的处理工具或代理(Agent),如代码操作使用AST/sandbox代理,代码搜索采用精确匹配或语义检索,测试验证调用sandbox代理等。该分类体系通过模块化的代理分工,实现了从用户意图识别到具体工具调用的全流程映射,为智能编程助手提供了清晰的任务分解框架。

2025-11-27 11:01:56 995

原创 让cursor改一个逻辑,比如给Email增加一个验证,是如何定位抽取,上下游依赖关系,以及调用关系,来判断需要哪些地方需要修改的?

Cursor修改功能的原理:通过意图识别确定修改目标,利用代码搜索和AST分析定位相关代码,构建调用图和数据流分析依赖关系,生成安全修改计划(To-Do List),在沙盒测试后执行修改。整个过程结合LLM理解、静态分析和安全验证,确保修改不破坏现有功能。

2025-11-27 10:55:32 392

原创 Cursor Agent 的核心执行调度逻辑

Cursor Agent采用有限状态机架构,将任务分解为可执行步骤。其核心流程包括:1)意图检测判断任务类型;2)工具选择根据任务粒度匹配read/explored/grepped等操作;3)生成To-Do List计划,每个步骤标记为可执行单元;4)执行循环通过打勾机制(checked标记)控制流程流转,支持手动/自动触发;5)动态调整计划,根据执行结果更新后续步骤。整个过程结合AST/sandbox保证安全性,实现从意图识别到安全执行的完整闭环。

2025-11-27 10:27:46 609

原创 Python AST 可视化工具(支持 Kotlin & Java) 的完整代码

本文介绍了一个基于Python的AST可视化工具,支持Kotlin和Java代码。该工具使用tree-sitter进行语法解析,graphviz生成可视化树状图。核心功能包括:加载不同语言的解析器、递归遍历AST节点、生成PNG格式的语法树图像。用户只需安装tree_sitter、tree_sitter_languages和graphviz三个Python包,以及系统级的graphviz软件包即可使用。工具提供示例代码演示了如何为Kotlin和Java代码生成AST图,并输出为png文件。文章还提出了可能的

2025-11-27 09:56:43 317

原创 Cursor 什么时候使用 Codebase(Explored 搜索)

摘要:Cursor在代码相关指令时才会触发codebase搜索,通过动态调整top-k(3-20+)和相似度阈值(0.18-0.55)来优化检索效果。其核心机制包括:1)基于语义向量搜索获取候选文件;2)通过AST解析和引用图分析文件结构;3)结合任务复杂度动态调整检索范围。Cursor利用AST确保代码修改的结构合法性,使其比普通AI工具更稳定可靠。整个过程融合了语义搜索、代码结构分析和智能参数调节技术。

2025-11-27 09:49:30 1160

原创 Cursor 的 Agent 是如何工作的?

Cursor Agent是一个自主代码编辑系统,结合LLM、文件系统访问和AST工具,实现安全高效的代码修改。其核心技术包括:1)意图识别判断用户需求;2)LLM生成可执行的编辑计划;3)基于AST的差分补丁系统确保修改安全。完整流程从用户请求到多轮计划执行,相比普通ChatGPT具有工程级编辑能力,支持多文件修改和精确代码定位。系统核心组件包括代码索引、意图分类、提示词调度等,用户可基于类似架构自行搭建简化版Code Agent。

2025-11-27 09:47:43 1496

原创 adb 与pad 交互方法

这段Python代码演示了通过ADB命令控制Android设备触屏操作。代码定义了一个tap()函数,通过adb shell input tap命令模拟点击屏幕指定坐标。示例中包含了多个坐标点的点击位置,如上下左右方向键和夹子按钮的坐标。代码需要ADB调试环境,有线直接连接,无线需先启用TCP模式(adb tcpip 5555)。主要适用于自动化测试或远程控制Android设备场景,通过简单的坐标点击实现基础操作。

2025-08-03 21:46:05 256

原创 PHP 5.5 Action Management with Parameters (English Version)

This PHP 5.5 script provides a simple action management system using URL parameters and session storage. It supports three operations: storing actions via ?action=value, checking status with ?cmd=status, and deleting actions with ?cmd=delete. The script sa

2025-07-31 22:24:16 398

原创 ADB+Python控制(有线/无线) Scrcpy+按键映射(推荐)

电脑通过键盘控制安卓平板屏幕点击方案 核心方案 ADB+Python控制(有线/无线) 需要开启开发者模式和USB调试 使用Python监听键盘并发送ADB点击指令 示例代码实现WASD键控制点击坐标 Scrcpy+按键映射(推荐) 安装开源的Scrcpy工具 创建JSON配置文件映射键盘到点击坐标 延迟低至30ms,适合游戏控制 Automate+HTTP Server 安卓端安装Automate应用搭建HTTP服务 电脑端发送HTTP请求触发点击操作 关键步骤 获取屏幕坐标(开发者选项或ADB命令) 处

2025-07-28 20:25:35 2403

原创 使用PaddleOCR识别数学试卷

PaddleOCR可用于数学试卷识别,支持中英文文本和表格内容。安装简单,需预处理图像提高识别率。对于复杂公式,建议结合Mathpix等专业工具或进行后处理转换。可批量处理文件,通过自定义字典提升数学术语识别准确率。但手写公式和复杂符号识别仍具挑战性,可能需要结合多种OCR工具优化效果。

2025-07-15 10:12:11 731

原创 AI 识别卷纸思路

本文介绍了使用Python处理数学、物理、化学等复杂试卷OCR识别的综合解决方案。针对公式识别、手写体识别、复杂布局等难点,提出多阶段处理流程:图像预处理(OpenCV)、布局分析(PaddleOCR/unstructured.io)、分区域识别(PaddleOCR处理文本,pix2tex识别公式,EasyOCR处理手写体)。文章详细对比了各工具的优缺点,并提供了三个代码示例(基础OCR、区域识别、公式识别),指导读者从简单到复杂逐步实现。最终推荐开源组合方案为:OpenCV+PaddleOCR+unstr

2025-07-14 17:49:19 1041

原创 一个系统有若干个API,每个API,都有若干个属性,如 入参 出参 逻辑 错误信息 背景,以及使用这个API的客户,和客户的使用场景, 根据以上信息建立一个知识图谱 比如有 login API

基于您描述的系统API和相关信息,我可以设计一个全面的知识图谱模型。

2025-06-08 17:50:53 582

原创 Nginx sse for mcp

本文提供了Nginx服务器的配置示例,涵盖了基本设置和模块加载。配置文件中定义了工作进程、错误日志、PID文件路径,并加载了动态模块。事件块中设置了工作连接数,HTTP块中定义了日志格式、访问日志路径、文件传输优化、超时设置等。此外,配置文件还包含了多个服务器块,定义了不同路径的代理规则,如/metrics、/api、/mcp等,并设置了相应的代理头信息。最后,配置文件中还包含了错误页面的处理规则。更多配置信息可参考官方英文和俄文文档。

2025-05-22 19:28:55 868

原创 基于供热企业业务梳理的智能化赋能方案

通过此框架,可实现供热企业从"经验驱动"向"数据驱动"的转型,预计综合效率提升15-20%(麦肯锡行业调研数据)。需特别注意数据治理(ISO38505标准)与组织变革管理的同步推进。

2025-05-07 19:16:10 915

原创 html实现websocket

【代码】html实现websocket。

2025-05-02 10:53:16 479

原创 Java 实现socket VAD通讯客户端

这个Java客户端实现了与Python服务端的完整交互流程,支持实时音频处理和标点恢复功能。根据实际需求可以扩展更多功能如:音频压缩、自适应VAD阈值、多语言支持等。

2025-05-02 10:50:48 1118

原创 Paraformer(由达摩院开发)是一款非自回归的端到端语音识别模型,支持高效的语音转文本任务

Paraformer(由达摩院开发)是一款非自回归的端到端语音识别模型,支持高效的语音转文本任务。通过以上步骤,您可以在本地高效部署Paraformer模型。如需进一步定制(如微调训练),需准备数据集并参考FunASR的文档。Paraformer的官方实现通常通过。通过API提交音频。

2025-05-02 05:48:12 2701

原创 Paraformer 的详细安装与部署指南,涵盖本地环境、云端及嵌入式设备的部署步骤

通过以上步骤,可快速完成Paraformer的部署。如需生产级服务,建议参考官方文档配置。

2025-05-02 05:43:32 2514

原创 服务器频繁重启日志分析与诊断

这表示系统在4月29日17:54启动,运行了约20小时31分钟后,于次日14:26结束(可能是崩溃或主动重启)。如果你能提供更多日志信息(特别是崩溃前的错误信息),我可以帮你更准确地诊断问题。从你提供的日志来看,系统确实经历了多次重启。

2025-04-30 18:52:57 1026

原创 manus-ai-prompts

Python- HTML/CSS- SQL- PHP- Ruby- Java- C/C++- Go。

2025-03-12 14:54:33 1111

原创 DeepSeek在供热行业中的应用

DeepSeek 是一种基于深度学习和自然语言处理(NLP)技术的先进人工智能平台,旨在通过高效的算法和海量数据训练,提升供暖行业业务的智能化水平。该技术通过多层次的神经网络模型,能够自动提取、分析和处理复杂的供暖数据,从而为供暖企业提供精准的业务决策支持。DeepSeek 的核心优势在于其高精度的预测能力和强大的自适应学习机制,能够根据市场变化和用户需求动态调整模型参数,确保其在供暖领域的高效应用。

2025-03-11 14:05:04 1643 1

原创 PID 控制的通俗理解

PID 控制就像一个“智能调节器”,通过比例、积分、微分三个部分的配合,让系统的输出值稳定在目标值。在 PLC 中,PID 控制可以用于温度、压力、流量、速度等各种控制场景。通过调整 PID 参数(比例、积分、微分的作用强度),可以让系统响应更快、更稳定。希望这个解释能帮助你理解 PID 控制!如果还有疑问,可以继续问我!

2025-03-09 16:46:30 1050

原创 使用 TOPSIS 进行决策

价格和投诉率都是成本型准则(越小越好)。权重分配为价格 40%,投诉率 60%。weights = np.array([0.4, 0.6]) # 价格、投诉率的权重criteria_types = np.array([-1, -1]) # -1 表示成本型准则通过 TOPSIS 方法,我们可以科学地权衡价格和投诉率,选择最适合企业长期发展的供热策略。

2025-03-09 16:34:30 468

原创 一个核心利用ollama deepseek来帮你处理数据的方法

【代码】一个核心利用ollama deepseek来帮你处理数据的方法。

2025-03-03 22:42:31 647 6

原创 方差的原理以及应用场景

方差是衡量数据波动性的重要指标,其应用广泛,能够帮助我们理解数据的变异程度、评估风险、以及在不同场景下做出更为科学的决策。下面是一个实际例子,说明方差的计算和应用。

2024-08-20 21:43:50 3666

Windows Server 2008 + tomcat 配置使用SSL.docx

Windows Server 2008 + tomcat 配置使用SSLWindows Server 2008 + tomcat 配置使用SSLWindows Server 2008 + tomcat 配置使用SSL

2018-02-23

weUI 入门教程:http://blog.csdn.net/libin_1/article/details/50734266

weUI 入门教程:http://blog.csdn.net/libin_1/article/details/50734266

2018-05-17

源自开源的甘特图组件jquery gantt 可拖拽

源自开源的甘特图组件jquery gantt,加上了拖拽和resize功能,enjoy!

2018-02-12

使用springboot集成jseesite

使用 springboot 改造 jeesite,只保留最简单的系统配置 。 介绍 1、运行主类,登录 admin/admin com.wolfking.jeesite.WolfkingJeesiteDriver 2、砍掉了所有的冗余的东西,只保留系统配置,数据库脚本 wolfking-jeesite.sql 3、使用 springboot 集成,使用 HikariDataSource 数据源 4、mvn install 打包运行 java -jar wolfking-jeesite-1.0.0-SNAPSHOT.war 5、如果使用外置的配置文件,在启动参数添加 java -jar --spring.config.location=./application.yml wolfking-jeesite-1.0.0-SNAPSHOT.war 6、由于 boot 对 jsp 的集成问题,只能用tomcat 和jetty 启动,undertow 有问题

2018-03-28

TensorFlowSharp-master

TensorFlowSharp-masterTensorFlowSharp-masterTensorFlowSharp-masterTensorFlowSharp-master

2018-01-02

Docker 快速安装caffe步骤

1.打开 2.解压 3.将这个压缩包传到linux里面 (我的环境如下: 我在win7虚拟机里面装的linux,用xshell用具链接linux,xftp实现win7和linux文件的传输。 3 可以使用 docker import 从容器快照文件中再导入为镜像,例如 cat ubuntu_c affe.tar | sudo docker import - test/ubuntu_caffe:v1.0 docker images 4建一个 Docker 实例: docker run -i -t test/ubuntu_caffe:v1.0 /bin/bash 5 执行训练: cd ~ cd caffe ./examples/mnist/train_lenet.sh 比较慢,多等一会儿!!! PS:centos7安装docker(其他版本安装centos自行百度) CentOS 7 中 Docker 的安装 Docker 软件包已经包括在默认的 CentOS-Extras 软件源里。因此想要安装 docker,只需要运行下面的 yum 命令: 1.[root@localhost ~]# yum install docker 启动 Docker 服务 安装完成后,使用下面的命令来启动 docker 服务,并将其设置为开机启动: 1.[root@localhost ~]# service docker start 2.[root@localhost ~]# chkconfig docker on (LCTT 译注:此处采用了旧式的 sysv 语法,如采用CentOS 7中支持的新式 systemd 语法,如下: 1.[root@localhost ~]# systemctl start docker.service 2.[root@localhost ~]# systemctl enable docker.service )

2017-12-21

EM抛硬币算法

Excel来解释公式,简单容易理解 这是一个抛硬币的例子,H表示正面向上,T表示反面向上,参数θ表示正面朝上的概率。硬币有两个,A和B,硬币是有偏的。本次实验总共做了5组,每组随机选一个硬币,连续抛10次。如果知道每次抛的是哪个硬币,那么计算参数θ就非常简单了,如上图所示。 如果不知道每次抛的是哪个硬币呢?那么,我们就需要用EM算法,基本步骤为:1、给θA和θB一个初始值;2、(E-step)估计每组实验是硬币A的概率(本组实验是硬币B的概率=1-本组实验是硬币A的概率)。分别计算每组实验中,选择A硬币且正面朝上次数的期望值,选择B硬币且正面朝上次数的期望值;3、(M-step)利用第三步求得的期望值重新计算θA和θB;4、当迭代到一定次数,或者算法收敛到一定精度,结束算法,否则,回到第2步。

2017-12-20

vue 一套前端框架

vue-element-admin is a production-ready solution for admin interfaces. Based on Vue.js and use the UI Toolkit -- element. vue-element-admin is a magical vue admin, it based on the newest development stack of vue, built-in i18n solution, typical templates for enterprise applications, lots of awesome features. It helps you build a large complex Single-Page Applications. I believe whatever your needs are, this project will help you.

2018-05-31

tensorflow-sharp例子大全

learn-tensorflow-sharp-master 里面已经有了libtensorflow.dll

2018-01-02

PostMan工具离线安装

Postman是一款功能强大的网页调试与发送网页HTTP请求的Chrome插件 打开chrome浏览器,单击右上角“≡”图标--> “更多工具” --> “扩展程序”; 下载类似Postman_v4.9.2.crx以crx为后缀的文件,改成“zip”或"rar"文件,解压该文件, 将文件夹里的“_metadata”文件夹名字改成“metadata”; 点击chrome浏览器“加载正在开发的扩展程序...”按钮,然后选中解压的文件夹; 点击加载后的postman界面上的“启动”即可。

2018-04-17

libtensorflow.dll

libtensorflow.dll 应用于TensorflowSharp的目录下使用的资源

2018-01-02

weui开发的手机商城模板

weui开发的一完整手机移动端商城购物平台整站html模板源码下载,包括首页,购物车,订单管理,评价,分类,会员中心等,全面到注册协议都弄好了。

2018-04-12

C# idx1-ubyte idx3-ubyte转图片 文字 浏览器

扩展名为idx1-ubyte一般为Lables idx3-ubyte是图片张量集合 要同时选中两个文件才能进行同时预览是什么值

2018-01-04

DsoFramer_KB311765_x86.exe 微软官方office控件,其中含源码,C、C++、Web 三种demo

DsoFramer_KB311765_x86.exe 微软官方office控件,其中含源码,C、C++、Web 三种demo

2018-04-13

快速安装caffe步骤

1.百度云获取caffe镜像 链接:http://pan.baidu.com/s/1o8NNlOm 密码:9a5x 2.解压 3.将这个压缩包传到linux里面 (我的环境如下: 我在win7虚拟机里面装的linux,用xshell用具链接linux,xftp实现win7和linux文件的传输。 3 可以使用 docker import 从容器快照文件中再导入为镜像,例如 cat ubuntu_caffe.tar | sudo docker import - test/ubuntu_caffe:v1.0 docker images 4建一个 Docker 实例: docker run -i -t test/ubuntu_caffe:v1.0 /bin/bash 5 执行训练: cd ~ cd caffe ./examples/mnist/train_lenet.sh 比较慢,多等一会儿!!! PS:centos7安装docker(其他版本安装centos自行百度) CentOS 7 中 Docker 的安装 Docker 软件包已经包括在默认的 CentOS-Extras 软件源里。因此想要安装 docker,只需要运行下面的 yum 命令: 1.[root@localhost ~]# yum install docker 启动 Docker 服务 安装完成后,使用下面的命令来启动 docker 服务,并将其设置为开机启动: 1.[root@localhost ~]# service docker start 2.[root@localhost ~]# chkconfig docker on (LCTT 译注:此处采用了旧式的 sysv 语法,如采用CentOS 7中支持的新式 systemd 语法,如下: 1.[root@localhost ~]# systemctl start docker.service 2.[root@localhost ~]# systemctl enable docker.service )

2017-12-21

nodejs上传下载管理文件

nodejs上传下载管理文件nodejs上传下载管理文件nodejs上传下载管理文件nodejs上传下载管理文件nodejs上传下载管理文件

2018-04-06

tensorflow 摄像头调用 Inception v1分类 vs2017 C#

TensorFlow自带例子已经包含了android和ios下的摄像头图像分类示例Inception v1,这里补充一个Windows下的,使用AForge库(www.aforgenet.com)操作摄像头。

2018-01-02

Netica贝叶斯

贝叶斯NeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNeticaNetica

2017-12-14

Mysql安装Linux

一、卸载原来的mysql: 卸载一: 输入: #rpm -qa | grep -i mysql 显示: mysql-libs-5.1.52-1.el6_0.1.i686 卸载方法: yum -y remove mysql-libs-5.1.52-1.el6_0.1.i686 卸载二: 输入: #rpm -qa | grep -i mysql 显示: MySQL-client-5.1.62-1. glibc23.i386 MySQL-server-5.1.62-1.glibc23.i386 卸载方法: #rpm -ev MySQL-client-5.1.62-1.glibc23.i386 MySQL-server-5.1.62-1.glibc23.i386 二、安装MySQL服务器端: 安装文件:MySQL-server-5.1.62-1.glibc23.i386.rpm # rpm -ivh /software/mysql/MySQL-server-5.1.62-1.glibc23.i386.rpm 这是在/usr/share/mysql 目录下生成一些 文件,其中有一个文件名为:my-medium.cnf 将其拷贝到/etc/my.cnf中 # cp /usr/share/mysql/my-medium.cnf /etc/my.cnf 现在就安装完了,可以看看他运行的进程: # ps -ef | grep mysql 三、安装MySQL客户端: # rpm -ivh /software/mysql/MySQL-client-5.1.62-1.glibc23.i386.rpm 现在就安装客户端成功了,可以看看关于MySQL一些文件: # ls /usr/bin/mysql* 四、登录mysql: 刚开始装上mysql时是没有密码的,输入: # mysql 就可登录到mysql数据库上了。 五、设置MySQL密码: # mysqladmin -u root password 123456 这样就将mysql中用户名为root密码设为123456 六、登录设置有密码的mysql: 命令和dos下登录mysql是一样的: # mysql -uroot -p123456 或者 # mysql -uroot -p[回车] 再输入密码

2017-12-13

ID3 算法 决策树使用的算法与阿里巴巴Java开发手册(终极版)

ID3 算法 决策树使用的算法与阿里巴巴Java开发手册(终极版) ID3 算法 决策树使用的算法与阿里巴巴Java开发手册(终极版) ID3 算法 决策树使用的算法与阿里巴巴Java开发手册(终极版) ID3 算法 决策树使用的算法与阿里巴巴Java开发手册(终极版)

2017-12-15

 XGBoost 二分类模型识别可疑登录

​ 使用 XGBoost 二分类模型识别可疑登录。本项目包含合成 CSV 数据、Flask 后端 JSON API,以及浏览器前端:可浏览数据、调参训练、保存/加载参数预设与模型,并在测试集上评估。 English: See README.md. 内容概览 项目 说明 数据 data/train.csv(200 条)、data/test.csv(20 条);约 30% 为正样本(is_fraud = 1) 后端 Flask,默认 http://127.0.0.1:5050/(可用环境变量 PORT 修改端口) 前端 单页 HTML,三个标签页:数据、训练与调参、预测 产出 超参数预设保存在 params/,训练好的模型保存在 models/ 环境要求 推荐 Python 3.10+(一般 3.9+ 也可用) 已安装 pip 安装步骤 在项目根目录(xgboost/)执行: cd xgboost # 建议:创建虚拟环境 python3 -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate pip install -r requirements.txt 依赖包括:Flask、XGBoost、NumPy、scikit-learn(用于指标与训练/验证划分)。 启动服务 python backend/app.py 浏览器访问:http://127.0.0.1:5050/ 更换端口示例: PORT=8080 python backend/app.py 首次启动时,若缺少 data/train.csv 或 data/test.csv,程序会自动运行数据生成逻辑创建这两个文件。 使用流程(网页界面) 在浏览器打开 http://127.0.0.1:5

2026-05-07

加特林压力测试代码示例 gatling stress test samples

加特林压力测试代码示例 gatling stress test samples 可以增加线程 持续时间来达到一定量的QPS

2022-05-24

最新百度地图API Javascript V2.0 离线版本。 完全脱离百度在线地图, 有比较完善的示例Demo, 默认带有全国8级地图

最新百度地图API Javascript V2.0 离线版本。 完全脱离百度在线地图, 有比较完善的示例Demo, 默认带有全国8级地图

2018-11-13

eureka-server+gateway-service+user-service+zipkin-server

eureka-server+gateway-service+user-service+zipkin-server 本文案例一共四个工程采用多Module形式。需要新建一个主Maven工程,主要指定了Spring Boot的版本为1.5.3,Spring Cloud版本为Dalston.RELEASE。包含了eureka-server工程,作为服务注册中心,eureka-server的创建过程这里不重复;zipkin-server作为链路追踪服务中心,负责存储链路数据;gateway-service作为服务网关工程,负责请求的转发,同时它也作为链路追踪客户端,负责产生数据,并上传给zipkin-service;user-service为一个应用服务,对外暴露API接口,同时它也作为链路追踪客户端,负责产生数据。

2018-07-18

Face++ C# Demo实现web API 人脸比对,识别等接口

实现了以下接口 https://api-cn.faceplusplus.com/facepp/v3/compare https://api-cn.faceplusplus.com/facepp/v3/detect https://api-cn.faceplusplus.com/facepp/v3/faceset/create https://api-cn.faceplusplus.com/facepp/v3/faceset/addface https://api-cn.faceplusplus.com/facepp/v3/search 人脸识别,人脸集合创建,查找,两张人脸图片比对 并对返回结

2019-01-05

Fiddler4 以及证书https

Fiddler简介: 一个很强大的抓包工具 1.安装: Filddler官网:点击打开链接 我安装的是filddler4:点击打开链接 直接下载文件,然后一路下一步就可以了 1.下载文件: 2.安装文件一路下一步即可 3.安装完成后打开软件出现: 接着安装完成后来说说遇到的坑——Filddler安全证书安装 安装证书失败的解决: 1、首先确保安装的 Fiddler 是较新的版本,比较老的版本可能会出现安装不上fiddler证书生成器的问题。 2、关闭Fiddler。 3、下载并安装Fiddler证书生成器。点击打开链接 4、打开Fiddler,点击工具栏中的Tools——>Fiddler Options… 5、切换到 HTTPS 选项卡,勾选 Capture HTTPS CONNECTs,勾选 Decrypt HTTPS trafic,会弹出安装证书的提示。一路点是或确定安装即可。 6、重启fiddler,依然停留在 HTTPS 选项卡,点击右侧Actions,能看一个下拉菜单,点击 Export Root Certificate to Desktop,此时证书会生成到桌面上,名为 FiddlerRoot.cer,点OK保存

2018-11-07

SKU 相关代码及知识

1、模拟淘宝产品SKU信息的组合添加规格组合 2、SKUDemo 淘宝商户端发布商品时,动态生成SKU表格的实例 可以根据自己项目 修改js文件实现 3、HeadSearchView 商城的商品有多规格的时候的选择页面。能够无限制的添加规格类型如:颜色,尺码,风格,等 4、html.zip可以自定义sku属性,根据自己的需求来填写数据后生成想要的表格数据 5、SKUDemo (1) 销售属性;仿淘宝SKU;SKU表格 6、添加商品规格例子新.rar 添加商品规格例子新,添加商品规格例子新,添加商品规格例子新,添加商品规格例子新,添加商品规格例子新,添加商品规格 例子新,添加商品规格例子新

2019-01-23

ELK( ElasticSearch、Logstash和Kiabana)

通常,日志被分散的储存不同的设备上。如果你管理数十上百台服务器,你还在使用依次登录每台机器的传统方法查阅日志。这样是不是感觉很繁琐和效率低下。开源实时日志分析ELK平台能够完美的解决日志收集和日志检索、分析的问题,ELK就是指ElasticSearch、Logstash和Kiabana三个开源工具。 因为ELK是可以跨平台部署,因此非常适用于多平台部署的应用。 二 环境准备 1. 安装JDK1.8环境 2. 下载ELK软件包 logstash: https://artifacts.elastic.co/downloads/logstash/logstash-5.5.0.zip elasticsearch:https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-5.5.0.zip kibana: https://artifacts.elastic.co/downloads/kibana/kibana-5.5.0-windows-x86.zip 分别解压下载的软件,elasticsearch,logstash,kibana 可以放在一个统一文件夹下 三 部署 1.配置logstash 在logstash文件夹的下bin目录创建配置文件logstash.conf ,内容如下: input { # 以文件作为来源 file { # 日志文件路径 path => "F:\test\dp.log" } } filter { #定义数据的格式,正则解析日志(根据实际需要对日志日志过滤、收集) grok { match => { "message" => "%{IPV4:clientIP}|%{GREEDYDATA:request}|%{NUMBER:duration}"} } #根据需要对数据的类型转换 mutate { convert => { "duration" => "integer" }} } # 定义输出 output { elasticsearch { hosts => ["localhost:9200"] #Elasticsearch 默认端口 } }   在bin目录下创建run.bat,写入一下脚本: logstash.bat -f logstash.conf 执行run.bat启动logstash。 2. 配置Elasticsearch elasticsearch.bat即可启动。 启动后浏览器访问 127.0.0.1:9200 ,出现以下的json表示成功。 3.配置kibana Kibana启动时从文件kibana.yml读取属性。默认设置配置Kibana运行localhost:5601。要更改主机或端口号,或者连接到在其他机器上运行的Elasticsearch,需要更新kibana.yml文件。 kibana.bat启动Kibana。

2018-07-20

LSB隐写术 C#源代码

隐写术是隐藏的艺术通信隐藏的以事实的地方,由隐藏信息的其他信息。可以使用许多不同载体的文件格式,但数字图像是最流行的因为他们在互联网上的频率。对于隐藏秘密信息在图像中的,都存在一个种类繁多的信息隐藏技术有些比其他人更复杂,他们都有各自的强和弱点。不同的应用程序可能需要绝对隐形的秘密信息,而另一些需要一个大的秘密消息来被隐藏。本项目报告打算给图像隐写术,其用途和技术的概述

2021-05-17

.net2.0 Mysql

String mysqlStr = "Database=test;Data Source=127.0.0.1;User Id=root;Password=root;pooling=false;CharSet=utf8;port=3306"; MySqlConnection mysql = new MySqlConnection(mysqlStr); 或者 string MyConString = "DRIVER={MySQL ODBC 3.51 Driver};" + "SERVER=localhost;" + "DATABASE=inv;" + "UID=root;" + "PASSWORD=root;" + "OPTION=3"; OdbcConnection MyConnection = newOdbcConnection(MyConString);

2018-10-24

NET_20.rar

在Visual Studio2005中实现SFTP上传,下载的dll文件,在Visual Studio2005中实现SFTP上传,下载的dll文件

2020-01-14

C# 隐写 二维码隐藏到网页

打开yxs.html,然后打开程序,可以测试出截取网页的图片后,如果在其他渠道,比如画图,粘贴就无水印,粘贴到微信,就加上了二维码溯源水印

2021-05-18

javac++.zip

JDK7,OpenJDK(HotSpot JVM、Javac)源代码学习研究(包括代码注释、文档、用于代码分析的测试用例)

2021-02-03

Spring Boot 拦截器+kibana 配置.zip

Spring Boot 拦截器 各项日志 通过kibana具体查询分析 Advanced Settings [7.2.0] 综合分析 定时任务执行日志 数据同步日志 用户访问操作日志 异常日志 内存日志 Spring逻辑参数执行日志 SQL流水日志 Feign接口调用日志 // 获取header中的属性 RequestAttributes requestAttributes = RequestContextHolder.getRequestAttributes(); if (requestAttributes == null) { return; } HttpServletRequest request = ((ServletRequestAttributes) requestAttributes).getRequest(); Enumeration<String> headerNames = request.getHeaderNames(); if (headerNames != null) { while (headerNames.hasMoreElements()) { String name = headerNames.nextElement(); Enumeration<String> values = request.getHeaders(name); while (values.hasMoreElements()) { String value = values.nextElement(); if("content-type".equalsIgnoreCase(name) && value.contains("multipart/form-data")){ break; } template.header(name, value); } } } }

2019-09-04

ELK6.2.4搭建

开源实时日志分析ELK平台能够完美的解决我们上述的问题,ELK由ElasticSearch、Logstash和Kiabana三个开源工具组成。 官方网站:https://www.elastic.co/products Elasticsearch是个开源分布式搜索引擎,它的特点有:分布式,零配置,自动发现,索引自动分片,索引副本机制,restful风格接口,多数据源,自动搜索负载等。 Logstash是一个完全开源的工具,他可以对你的日志进行收集、过滤,并将其存储供以后使用(如,搜索)。 Kibana 也是一个开源和免费的工具,它Kibana可以为 Logstash 和 ElasticSearch 提供的日志分析友好的 Web 界面,可以帮助您汇总、分析和搜索重要数据日志。 ELK下载:https://www.elastic.co/downloads/ ELK工作原理: ElasticSearch 配置ElasticSearch: 1 2 unzip elasticsearch-6.2.4.zip cd elasticsearch-6.2.4 然后编辑ES的配置文件: 1 vi config/elasticsearch.yml 修改以下配置项: 1 2 3 4 5 6 7 cluster.name=es_cluster node.name=node0 path.data=/tmp/elasticsearch/data path.logs=/tmp/elasticsearch/logs #当前hostname或IP,我这里是node1 network.host=node1 network.port=9200 其他的选项保持默认,然后启动ES: 1 nohup sh elasticsearch > nohup.log & 注意: 1.需要添加用户elk,ES不能以root用户进行启动 2.可能出现的错误: max file descriptors [4096] for elasticsearch process likely too low, increase to at least [65536] 1 2 3 vi /etc/security/limits.conf elk soft nofile 819200 elk hard nofile 819200 max number of threads [1024] for user [work] likely too low, increase to at least [2048] 1 2 3 4 vi /etc/security/limits.d/90-nproc.conf * soft nproc 1024 #修改为: * soft nproc 2048 max virtual memory areas vm.max_map_count [65530] likely too low, increase to at least [262144] 1 2 3 4 5 vi /etc/sysctl.conf #增加改行配置: vm.max_map_count=655360 #保存退出后,执行: sysctl -p 另外再配置ES的时候,threadpool.bulk.queue_size 已经变成了thread_pool.bulk.queue_size ,ES_HEAP_SIZE,ES_MAX_MEM等配置都变为ES_JAVA_OPTS这一配置项,如限制内存最大最小为1G: 1 export ES_JAVA_OPTS="-Xms1g -Xmx1g" 然后可以打开页面http://node1:9200/,将会看到以下内容:(我是通过外部访问虚拟机,因此为了简单没有配置host文件,直接用ip访问) Logstash 配置Logstash: 1 2 tar -zxvf logstash-6.2.4.tar.gz cd logstash-6.2.4 编写配置文件(名字和位置可以随意,这里我放在config目录下,取名为log_app.conf): 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 vi config/log_app.config #以下为内容 input { file { path => "/usr/local/software/elk/app.log" start_position => "beginning" #从文件开始处读写 } # stdin {} #可以从标准输入读数据 } filter { #Only matched data are send to output. } output { # For detail config for elasticsearch as output, # See: https://www.elastic.co/guide/en/logstash/current/plugins-outputs-elasticsearch.html elasticsearch { action => "index" #The operation on ES hosts => "node1:9200" #ElasticSearch host, can be array. index => "applog" #The index to write data to. } } 其他的选项保持默认,然后启动Logstash: 1 2 # -f为指定配置文件 nohup sh ./bin/logstash -f ../config/log_app.config > nohup.log & 日志: Kibana 配置Kibana: 1 2 tar -zxvf kibana-6.2.4-linux-x86_64.tar.gz cd kibana-6.2.4-linux-x86_64 修改以下几项(由于是单机版的,因此host的值也可以使用localhost来代替,这里仅仅作为演示): 1 2 3 4 server.port: 5601 server.host: “node1” elasticsearch.url: http://node1:9200 kibana.index: “.kibana” 启动kibana: 1 nohup sh ./bin/kibana > nohup.log & 启动后界面: 然后需要创建index,步骤如下: ①点击左边iscover出现以下界面 ②按照注释配置,然后点击Next step,在第二页 选择@timestamp点击create创建 ③创建完成之后,可以看到以下一个界面,红框内是 自动生成的域,也可以理解为 跟数据库中的字段类似,其中有一个message字段,就是我们想要的日志信息。 ④再次点击Discover出现以下界面,可以看到默认搜索的是最后15分钟的日志,可以通过点击设置搜索的时间范围. ⑤可以点击右侧域的add设置需要显示的字段 添加完成之后,日志显示如下:

2018-11-15

H5-Kline-master.zip

H5-Kline是基于echarts封装的非常轻量级的股票行情图表 功能点 基于ECharts的股票行情分时、K线、MACD、DIF、DEA图表 (绝无仅有)

2020-03-19

FiddlerCertMaker

关于高版本Fiddler导出的证书在ipad上安装显示未验证的问题,Google原文如下: Q:Can Fiddler intercept traffic from Apple iOS devices like iPad/iPhone/iPodTouch and Android devices? A: Yes, but these devices may not becompatible with the default certificates Fiddler generates. To resolve the incompatibility, you mayreplace Fiddler's default certificate generator with one that generatescertificates containing flags (e.g. AKID, SKID) that are compatible with theseplatforms. Simply download and install the newCertificateMaker and restart Fiddler. 安装一个证书生成器

2018-11-01

de4dot.zip

1、CMD 打开 De4Dot 所在文件夹 最好是以管理员身份运行CMD 2、输入 De4Dot C:\Users\muzigaiyu\Desktop\demo.exe 回车 3、成功后会在软件所在文件夹生成 demo-cleaned.exe 在用dotpeek 或者其他软件打开exe即可看到net源码 4、 一变混合 可以加 -v参数

2020-06-01

Xshell6 可用的免费版本

Xshell6 可用的免费版本

2018-11-13

使用SpringBoot整合jersey 实现Restful web service.同时整合springmvc。

使用SpringBoot整合jersey 实现Restful web service.同时整合springmvc。

2020-02-23

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除