NCF 如何通过WebApi实现前后端分离

最新推荐文章于 2024-04-28 15:43:07 发布
最新推荐文章于 2024-04-28 15:43:07 发布
阅读量234 收藏
点赞数
原文链接：https://www.cnblogs.com/zhao365845726/p/14854797.html
版权

简介

优惠券免费领取 https://www.fenfaw.cn/

昨天参加了《Best Of Microsoft Build》上海专场 

NCF 模块化 WebApi 系统开发 + 容器化部署实战

的小伙伴们，昨天有些没有记住的，今天我在这里给大家把步骤再详细的一步步阐述一下，如果中间有些环节大家不太清楚的，可以及时找我沟通

下面我们就来说一说昨天谈到的NCF 如何写WebApi

 

步骤

1.拉取NCF仓库WebApi分支

2.修改数据库连接字符串

3.运行Senparc.Web项目，初始化基础数据库

4.登录后台进入模块管理界面

5.安装模块生成器模块

6.安装本地的Xncf Module Template

7.使用模块生成器生成你想生成的任意的模块

8.生成数据库所需要的表

9.进入演示完全分离的前后端及WebApi

 

实施

1.拉取NCF仓库WebApi分支

首先我们得知道NCF的仓库在什么地方，推荐大家Star

NCF仓库地址：https://github.com/NeuCharFramework/NCF

NCF依赖库仓库地址：https://github.com/NeuCharFramework/NcfPackageSources

NCF开发文档仓库地址：https://gitee.com/NeuCharFramework/NcfDocs

找到仓库，使用git工具拉取到本地后，直接使用宇宙第一IDE（Visual Studio）打开项目，如图所示

 

 

 2.修改数据库连接字符串

找到Senparc.Web项目下面的SenparcConfig.config

 

 

 打开文件，修改连接字符串

 

 

 修改完连接字符串以后，就可以直接运行咯，见证奇迹的时候到来了

3.运行Senparc.Web项目，初始化基础数据库

 

 点击立即安装，可以看到出现了登录的页面，保存好这个账号密码，以便后续使用

 

4.登录后台进入模块管理界面

点击登录，并输入账号密码，进入后台管理

5.安装模块生成器模块

 点击模块管理进入

 

 如果在这里未发现模块生成器，则双击Senparc.Web，进入文件编辑，增加XncfBuilder

<PackageReference Include="Senparc.Xncf.XncfBuilder" Version="0.8.127.20-beta1" />

 

 然后重新编译，即可看到模块生成器

6.安装本地的Xncf Module Template

首先检查一下本地是否安装了Xncf Module Template

进入cmd 或 powershell，输入一下命令

dotnet new

看下是否会有图中所示内容

 

 如果有就跳过此步骤，如果没有则执行以下命令

dotnet new --install Senparc.Xncf.XncfBuilder.Template::0.1.19

安装完成后效果如上图所示

7.使用模块生成器生成你想生成的任意的模块

安装模块生成器后，点击开启

 

 

 

 点击执行生成模块

 

 弹出生成需要的条件参数

 

 

 

 执行后，则生成了项目中的

 

 然后把生成的模块及Senparc.Xncf.Swagger模块，加入到Senparc.Web的引用中

在模块管理中，则可以看到2个引入的模块

 

8.生成数据库所需要的表 

安装WorkShop.Xncf.WebApiDemo01模块，并开启，则能看到如下图所示

 

 同时数据库中就已经生成了

9.进入演示完全分离的前后端及WebApi

在Senparc.Web/wwwroot/下面，我放了一个demo的文件夹

如果你的访问首页地址为：https://localhost:44311/

则访问demo的地址为：https://localhost:44311/demo/index.html

 

以上就是昨天演示Demo的所有内容

 

下一篇预告：（NCF WebApi中 Controller的全解析）

 

分发吧
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
WebAPI 实现前后端分离的示例
10-18
下面小编就为大家分享一篇WebAPI 实现前后端分离的示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
WebAPI 实现前后端分离
weixin_33928467的博客
01-17 266
随着Web技术的发展，现在各种框架，前端的，后端的，数不胜数。全栈工程师的压力越来越大。 现在的前端的框架，既可以做各种Web，又可以做各种APP，前端框架更新换代越来越快，越来越多。 传统的模式 前端和后端进行调试，修改都非常麻烦。往往前端配合后端很痛苦，后端也嫌前端麻烦。 （无解，能动手解决的事，尽量别动嘴。办公室应该常备一些，绷带，止血条，速效救心丸等药品。为了阻止事态升级，办公室要...
webapi把html内容传后端,WebAPI 实现前后端分离
weixin_39774219的博客
06-08 474
随着Web技术的发展，现在各种框架，前端的，后端的，数不胜数。全栈工程师的压力越来越大。现在的前端的框架，既可以做各种Web，又可以做各种APP，前端框架更新换代越来越快，越来越多。传统的模式前端和后端进行调试，修改都非常麻烦。往往前端配合后端很痛苦，后端也嫌前端麻烦。(无解，能动手解决的事，尽量别动嘴。办公室应该常备一些，绷带，止血条，速效救心丸等药品。为了阻止事态升级，办公室要加强刀具管制条例...
.net core webapi 前后端开发分离后的配置和部署
weixin_33714884的博客
04-08 884
背景：现在越来越多的企业都采用了在开发上前后端分离，前后端开发上的分离有很多种，那么今天，我来分享一下项目中得的前后端分离。 B/S Saas 项目：（这个项目可以理解成个人中心，当然不止这么点功能） 前端：node.js + vue 后端：.net core webapi 前端安装 node.js 跟创建vue项目这些不是这篇文章的重点，重点在于项目完成...
前后端分离——webapi项目（后端）与HTML页面（前端）
susan的博客
07-14 1406
前后端分离实例，通过C# asp.net webapi项目实现后端与HTML前端的数据交互。
python实现基于深度学习神经网络协同过滤模型(NCF)的视频推荐系统源码.zip
04-16
python实现基于深度学习神经网络协同过滤模型(NCF)的视频推荐系统源码.zip本资源中的源码都是经过本地编译过可运行的，资源项目的难度比较适中，内容都是经过助教老师审定过的能够满足学习、使用需求，如果有需要的...
NCF数据集和python代码实现
07-18
Neural Collaborative Filtering (NCF)论文学习笔记及代码实现 一、研究背景 二、相关知识 1、GFM（广义矩阵分解）模型： 2、One-hot编码 3、embedding层 4、哈达马积 5、MLP（多层感知机）模型： 6、激活函数ReLU 7...
NCF：NeuCharFramework模板项目
02-04
NCF-NeuCharFramework NeuCharFramework（NCF）是一个集成可用于内置基础项目的框架，包含基础的缓存，数据库，模型，验证和配套管理后台，可以，具有高度的可扩展性。 当前版本： 0.2.0-beta6 注意 NCF由盛派...
NCF29A1 智能钥匙 NXP方案
06-25
标题和描述中提到的“NCF29A1 智能钥匙 NXP方案”涉及到了几个关键点：NCF29A1、智能钥匙、NXP方案，以及PKE（Passive Keyless Entry）功能。 首先，NCF29A1是一个芯片的型号，从描述来看，它被应用在智能钥匙系统...
NXP LIN ncf文件解析工具
11-15
1. **验证配置**：通过读取.ncf文件，工具能检查配置的语法正确性和逻辑一致性，确保文件符合LIN协议标准。 2. **可视化展示**：提供直观的图形界面，将抽象的配置信息转化为易于理解的图表和列表，方便用户查看和...
C#职场最精髓Webapi实例(Demo含源码，前后端分离，终身受益).rar
09-19
此项目是C#语言编写，以最真实职场做项目的技术，WebAPI特性路由+前后端调用分离技术，非常适用于刚入行IT的新人和不懂Web api的朋友们，直接可用，现成项目，UI+DAL间隔分明，数据网格自动获取配置文件动态加载显示数据，贱卖技术，学成后必能在职场收入上增加资源成本的几十倍收益，终身受益。
vue+.netcore webapi前后端分离跨域请求配置
Hello_JayJay的博客
10-08 2517
1.安装http库-axios（axios 是一个基于 promise 的 HTTP 库）： npm install --save axios vue-axios // npm安装 import Vue from 'vue' import axios from 'axios' import VueAxios from 'vue-axios' axios.defaults.baseUR...
基于RESTful Web API的前后端分离全栈工程师之路[0]
sch1111878的专栏
01-08 836
Ruby ROR Java SSM Python Django C# .NET Core
ASP.NET前后端分离，WebApi。Vue3+ElementPlus+Axios+Pinia全流程教程
最新发布
m0_46319477的博客
04-28 3308
ASP.NET前后端分离，WebApi。Vue3+ElementPlus+Axios+Pinia全流程教程
dotnet core webapi +vue 搭建前后端完全分离web架构(一)
dotNET跨平台
02-08 1万+
架构服务端采用 dotnet core  webapi 前端采用: Vue + router +elementUI+axios         问题使用前后端完全分离的架构，首先遇到的问题肯定是跨域访问。前后端可能不在同个server上，即使前后端处在同个server上，由于前后端完全分离，前后端使用的端口号也可能是不一样的，所以必须解决跨域访问。 具体实现 服务端服务端使用的dotnetcore
JavaWeb项目为什么我们要放弃jsp？为什么要前后端解耦？为什么要前后端分离？2.0版，为分布式架构打基础。
热门推荐
欢迎！欢迎来到17号城市！
03-23 6万+
前言 前后端分离已成为互联网项目开发的业界标准使用方式，通过nginx+tomcat的方式（也可以中间加一个nodejs）有效的进行解耦， 并且前后端分离会为以后的大型分布式架构、弹性计算架构、微服务架构、多端化服务（多种客户端，例如：浏览器，车载终端，安卓，IOS等等）打下坚实的基础。 这个步骤是系统架构从猿进化成人的必经之路。 核心思想是前端html页面通过ajax调用后端...
ASP.Net Core Web Api 使用静态文件
韬光养晦
06-18 1044
将 wwwroot 文件夹重命名为 MyWebRoot 后，需要在 Program 类的 Main() 方法中调用 UseWebRoot() 方法将 MyWebRoot 文件夹配置为 webroot 文件夹，如下所示。您可以根据自己的选择将 wwwroot 文件夹重命名为任何其他名称，并将其设置为 webroot，同时在 Program.cs 文件中准备托管环境。一、为了添加 wwwroot 文件夹，右键单击项目，然后选择 add => new folder 选项，然后将文件夹名称提供为 wwwroot。
利用pytorch实现推荐模型NCF
05-16
NCF是一种基于神经网络的协同过滤推荐模型，它将用户和物品的交互矩阵作为输入，通过神经网络将用户和物品映射到一个低维空间中，并用内积计算两者之间的相关性得分。下面介绍如何使用PyTorch实现NCF推荐模型。 1. 数据预处理 首先，我们需要准备训练数据。通常情况下，训练数据由用户-物品交互矩阵组成，其中每个元素表示用户对某个物品的评分或点击行为。我们可以使用Pandas库读取和处理数据，如下所示： ```python import pandas as pd import numpy as np # 读取数据 data = pd.read_csv('ratings.csv') # 将用户和物品ID映射为连续的整数 user_ids = data['user_id'].unique() user2id = {u: i for i, u in enumerate(user_ids)} item_ids = data['item_id'].unique() item2id = {i: j for j, i in enumerate(item_ids)} data['user_id'] = data['user_id'].apply(lambda x: user2id[x]) data['item_id'] = data['item_id'].apply(lambda x: item2id[x]) # 将数据拆分为训练集、验证集和测试集 train_data = data.iloc[:80000] val_data = data.iloc[80000:90000] test_data = data.iloc[90000:] ``` 2. 定义NCF模型 接下来，我们需要定义NCF模型。NCF模型由三个部分组成：用户嵌入层、物品嵌入层和全连接层。用户和物品嵌入层将用户和物品ID映射为低维向量，全连接层将这些向量拼接起来并通过一系列非线性变换得到最终的相关性得分。代码如下所示： ```python import torch import torch.nn as nn class NCF(nn.Module): def __init__(self, num_users, num_items, hidden_size): super(NCF, self).__init__() self.user_embedding = nn.Embedding(num_users, hidden_size) self.item_embedding = nn.Embedding(num_items, hidden_size) self.fc_layers = nn.Sequential( nn.Linear(hidden_size * 2, 64), nn.ReLU(), nn.Linear(64, 1), nn.Sigmoid() ) def forward(self, user_ids, item_ids): user_vectors = self.user_embedding(user_ids) item_vectors = self.item_embedding(item_ids) vectors = torch.cat([user_vectors, item_vectors], dim=1) scores = self.fc_layers(vectors) return scores ``` 3. 定义训练和评估函数 接下来，我们需要定义训练和评估函数。训练函数将训练数据输入模型，计算损失并根据损失更新模型参数。评估函数将验证集输入模型，计算预测得分并计算评估指标（如准确率、召回率、F1值等）。代码如下所示： ```python def train(model, train_data, val_data, num_epochs, batch_size, lr): criterion = nn.BCELoss() optimizer = torch.optim.Adam(model.parameters(), lr=lr) for epoch in range(num_epochs): model.train() total_loss = 0.0 for i in range(0, len(train_data), batch_size): batch_data = train_data.iloc[i:i+batch_size] user_ids = torch.LongTensor(batch_data['user_id'].values) item_ids = torch.LongTensor(batch_data['item_id'].values) labels = torch.FloatTensor(batch_data['rating'].values) optimizer.zero_grad() outputs = model(user_ids, item_ids) loss = criterion(outputs.squeeze(), labels) loss.backward() optimizer.step() total_loss += loss.item() * len(batch_data) print('Epoch %d, train loss: %.4f' % (epoch+1, total_loss / len(train_data))) evaluate(model, val_data) def evaluate(model, val_data): model.eval() user_ids = torch.LongTensor(val_data['user_id'].values) item_ids = torch.LongTensor(val_data['item_id'].values) labels = val_data['rating'].values with torch.no_grad(): outputs = model(user_ids, item_ids) scores = outputs.squeeze().numpy() predictions = (scores >= 0.5).astype(int) accuracy = np.mean(predictions == labels) print('Accuracy: %.4f' % accuracy) ``` 4. 训练和评估模型 最后，我们可以使用训练和评估函数训练和评估NCF模型。代码如下所示： ```python num_users = len(user_ids) num_items = len(item_ids) hidden_size = 64 model = NCF(num_users, num_items, hidden_size) train(model, train_data, val_data, num_epochs=10, batch_size=256, lr=0.001) evaluate(model, test_data) ``` 运行以上代码，即可训练和评估NCF推荐模型。需要注意的是，NCF模型的训练非常耗时，建议使用GPU进行加速。
评论
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