2.x学习系列

vue-cli3.0.0-rc.3与2.x的区别

安装启动等命令不一样npmi-gvue-clivueinitwebpack项目名称cd项目名称npmicnpmrundev//vue-cli2.xnpmi-g@vue/vue-cli或者yarnaddglobal@vue/clivuecreate项目名称cd项目名称npmrunserver或者yarnserve//vue-cli3.0.0-rc.3在创建的过程有区别,这里主要将vue-cli3.0
南蓝NL·2024-01-06 04:18

springboot经方药食两用服务平台

一、技术路线：开发语言：Java使用框架：springboot前端技术：JavaScript、VUE.js（2.X）、css3数据库：MySQL5.7数据库管理工具：Navicat或sqlyog开发工具
言宇程序·2024-01-05 21:41

C++ 学习系列 -- using关键字

一概述c++11中新引入了关键字using二using关键字的用处1.usingnamespace与usingnamespacemember#include#includeintmain(){usingnamespacestd;vectorvec={1,2,3};usingstd::list;listli={1,2,3};return0;}2.aliastype与aliastemplate#inc
在河之洲木水·2024-01-05 13:53

Docker网络上篇-网络介绍

本系列教程直通车直通车，本系列教程已发布文章，快速到达,《Docker学习系列》教程已经发布的内容如下：【图文教程】Windows11下安装DockerD
凯哥Java·2024-01-05 13:41

系列十、Spring Cloud Gateway

一、SpringCloudGateway1.1、概述SpringCloud全家桶中有个很重要的组件就是网关，在1.x版本中采用的是Zuul网关，但是在2.x版本中，由于Zuul的升级一直跳票，SpringCloud
YYAugenstern·2024-01-05 12:08

【Python机器学习系列】建立逻辑回归模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型
数据杂坛·2024-01-05 12:22

【Python机器学习系列】建立支持向量机模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型
数据杂坛·2024-01-05 12:47

EasyExcel学习系列笔记（1）--easyexcel 样式设置

packagecom.zjm.gwork.utils.myEasyExcel;importcom.alibaba.excel.write.metadata.style.WriteCellStyle;importcom.alibaba.excel.write.metadata.style.WriteFont;importcom.alibaba.excel.write.style.Horizontal
幸福巡礼·2024-01-05 08:14

李沐机器学习系列4---全连接层到卷积

1从全连接到卷积1.1平移不变性从概率分布的角度来看卷积的定义,f(τ)f(\tau)f(τ)是概率密度，g(t−τ)g(t-\tau)g(t−τ)是在这个分布下的均值(f∗g)(t)=∫−∞∞f(τ)g(t−τ)dτ(f*g)(t)=\int_{-\infin}^{\infin}f(\tau)g(t-\tau)d\tau(f∗g)(t)=∫−∞∞f(τ)g(t−τ)dτ2图像卷积2.1互相关运算
expectmorata·2024-01-05 08:01

Spring Boot 2.x 输出Json对象时对LocalDateTime的格式化

定义LocalDateTimeSerializerimportjava.io.IOException;importjava.time.LocalDateTime;importjava.time.format.DateTimeFormatter;importcom.fasterxml.jackson.core.JsonGenerator;importcom.fasterxml.jackson.dat
EasyNetCN·2024-01-04 12:40

李沐机器学习系列1--- 线性规划

1Introduction1.1线性回归函数典型的线性回归函数f(x)=w⃗⋅x⃗f(x)=\vec{w}\cdot\vec{x}f(x)=w⋅x现实生活中，简单的线性回归问题很少，这里有一个简单的线性回归问题。房子的价格和房子的面积以及房子的年龄假设成线性关系。price=warea∗area+wage+bprice=w_{area}*area+w_{age}+bprice=warea∗area
expectmorata·2024-01-04 12:53

李沐机器学习系列3---深度学习计算

1层和块1.1定义块用class表示层，并只需要实现构造函数和前向传播函数classMLP(nn.Module):#用模型参数声明层。这里，我们声明两个全连接的层def__init__(self):#调用MLP的父类Module的构造函数来执行必要的初始化。#这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）super().__init__()self.hidden=
expectmorata·2024-01-04 12:53

李沐机器学习系列2--- mlp

1IntroductionLP中有一个很强的假设，输入和输出是线性关系，这一般是不符合事实的。通过几何的方式去对信息进行理解和压缩是比较高效的，MLP可以表示成下面的形式。1.1从线性到非线性X∈Rn×dX\inR^{n\timesd}X∈Rn×d表示输入层，有n个样本，d个特征。H∈Rn×hH\inR^{n\timesh}H∈Rn×h表述隐藏层的输出，有h个输出；W(1)∈Rd×hW^{(1)}
expectmorata·2024-01-04 11:45

云原生学习系列之基础环境准备（单节点安装kubernetes）

一、环境要求操作系统CentOS7.x-86_x64硬件配置：内存2GB或2G+，CPU2核或CPU2核+，需要在虚拟机中提前设置好，不然后续会报错二、系统初始化1、设置主机名#在master节点执行hostnamectlset-hostnamemaster012、配置主机和IP映射，注意IP换成自己的cat>>/etc/hosts/etc/sysctl.d/kubernetes.conf/etc
shanshan3003·2024-01-04 07:20

Vue 2.x源码学习笔记

前置准备了解类型检查工具-flowflow是facebook出品的JavaScript静态类型检查工具。Vue.js2.x的源码利用了flow做了静态类型检查,先了解Flow有助于对源码的阅读。源码下载利用git将vue源码GitHub地址clone到本地目录设计├──compiler//编译相关├──core//核心代码├──platforms//不同平台的支持├──server//服务端渲染├
dashingdog·2024-01-04 06:06

Antlr4 - 自定义SparkSQL解析

Antlr4是一个强大的解析器的生成器，可以用来读取、处理、执行或翻译结构化文本，ANTLR可以从语法上来生成一个可以构建和遍历解析树的解析器，最出名的Spark计算引擎2.x就是用它来解析SQL的，是一个牛到没朋友的家伙
大猪大猪·2024-01-04 04:40

Vue.js 源码分析——响应式原理

Vue源码的获取项目地址：https://github.com/vuejs/vueFork一份到自己的仓库，克隆岛本地，可以自己写注释提交到gitbub为什么分析Vue2.6现有的项目不会升级到3.x,2.
丽__·2024-01-04 01:15

antv/x6 2.x 搭建流程图编辑页面（1）

进来闲来无事，看到x62.x版本也更新了有几个月了，便想着熟悉下2.x版本一、首先搭建项目基础框架。
bigHead-·2024-01-04 01:31

手撕Vuex-vuex实现原理分析

选择2.X版本的Vue：创建package.json：是否保存为模板这里我选择不：到这里我们的模板项目就创建完毕了。紧接着找
快乐非自愿·2024-01-03 23:41

mybatis-plus 从2.x到3.x升级指南

mybatis-plus2.x到3.x有以下改进Wrapper分为QueryWrapper、UpdateWrapper、LambdaQueryWrapper、LambdaUpdateWrapper了，EntityWrapper已经废弃了分页查询可以直接返回Ipage的子类(下面会有详细使用说明)Wrapper实现类的改动1.EntityWrapper更名为QueryWrapper2.新增一个实现类
懒狗罢了·2024-01-03 20:26

【网络安全常用术语解读】CVSS详解

CVSS3.X与2.X版本主要有哪些区别？如何给一个CVE漏洞进行评分？读完本文你将收获所有答案。如还有其他相关疑问，欢迎留言讨论。
筑梦之月·2024-01-03 19:06

Spring Boot 2.x基础教程：实现文件上传

文件上传的功能实现是我们做Web应用时候最为常见的应用场景，比如：实现头像的上传，Excel文件数据的导入等功能，都需要我们先实现文件的上传，然后再做图片的裁剪，excel数据的解析入库等后续操作。今天通过这篇文章，我们就来一起学习一下如何在SpringBoot中实现文件的上传。动手试试第一步：创建一个基础的SpringBoot项目，如果还不会的话就先看看这篇《快速入门》。第二步：在pom.xml
程序猿DD·2024-01-03 18:25

云原生学习系列之基础环境准备（虚拟机搭建）

最近由于工作需要开始学习云原生相关内容，为方便学习操作，准备在外网搭建自己的环境，然后进行相关的练习，搭建环境的第一步便是虚拟机的安装。基础软件这里我用到的是CentOS-7-x86_64的操作系统。链接：https://pan.baidu.com/s/1WqBlPY-kr55NAkZs96wvwQ?pwd=abcd提取码：abcd安装虚拟机少不了VMware链接：https://pan.baid
shanshan3003·2024-01-03 07:47

ChatGPT学习系列教程（一）—chatGPT简介

一、ChatGPT介绍ChatGPT是一种基于GPT（GenerativePre-trainTransformer）模型的大型语言模型，由OpenAI公司开发。它是目前世界上最先进的自然语言处理技术之一。二、ChatGPT发展历程ChatGPT是美国人工智能研究实验室OpenAI在2023年11月30日推出的一款人工智能技术驱动的语言模型应用。以下是ChatGPT的发展历程：三、ChatGPT的主
huazi99·2024-01-03 01:23

使用webcruiser扫描网站漏洞及防御

Webcruiser从2.x开始，一直在坚持更新，因此对漏洞的识别率比较高，当然也存在一定几率的误报。
程序员_大白·2024-01-03 01:27

springboot2.x 的 RedisCacheManager变化

第二种是2.X中的写法cache.PNG配置自定义的key新建配置类并继承CachingConfigurerSupport复写并注入KeyGenerator注入CacheManager与使用时候再类上或者方法上指定用哪个
LAMYMAY·2024-01-02 18:42

uView对比1.X

uView2.0与uView1.x之间，是有非常大差异的，1.x不能升级到2.x版本。
破浪前进·2024-01-02 15:39

gradle

Gradle学习系列之一——Gradle快速入门-无知者云-博客园Gradle学习总结——根本上看透AndroidStudio构建-
味123·2024-01-02 01:34

VUE3.0学习系列随笔（五）：自定义组件使用

VUE3.0学习系列随笔（五）：自定义组件使用VUE2.0和VUE3.0虽然在工程目录结构上存在较大差异，但是具体的代码实现逻辑相同，本文所使用的自定义组件方法，同样适用于VUE2.0。
一方通行00·2024-01-01 21:27

python学习笔记 | Python 2.x 中 raw_input() 和 input() 的区别

Python2.x和Python3.x还是有一点小差别的。比如input在Python2.x中有两个函数raw_input()和input()。在Python3.x中，只有一个函数来获取用户输入，这被称为input()，这相当于Python2.7的raw_input()。例1：input()name=input('Pleaseenteryournumber:')printname命令行1.1Ple
CoXie的大数据世界·2024-01-01 19:28

【深度学习】第一章：深度学习的入坑线路

所以在写深度学习系列文章之前，我觉得非常有必要先把深度学习的整个框架展示一下。这是我自己跌跌撞撞走了很多弯路，才略知一二
宝贝儿好·2024-01-01 12:26

HTML+JS好例子集锦

基础知识参见HTML5+CSS入门与提高学习系列https://blog.csdn.net/cnds123/artic
软件技术爱好者·2024-01-01 04:25

MAML 源代码解释说明 (一)

元学习系列文章optimizationbasedmeta-learning《Model-AgnosticMeta-LearningforFastAdaptationofDeepNetworks》论文翻译笔记元学习方向
田小成plus·2023-12-31 23:30

Springboot整合Elastic-job

从2.X版本以后，主要分为Elastic-Job-Lite和Elastic-Job-Cloud两个子项目。
swimming_in_it_·2023-12-31 22:06

精品Nodejs实现的校园疫情防控管理系统的设计与实现健康打卡

软件开发环境及开发工具：操作系统：Windows10、Windows7、Windows8开发语言：node.js前端技术：JavaScript、VUE.js（2.X）、css3开发工具：VisualStudioCode
天行IT科技馆·2023-12-31 17:50

精品Nodejs实现的线上零食铺微信小程序购物商城

软件开发环境及开发工具：操作系统：Windows10、Windows7、Windows8开发语言：node.js前端技术：JavaScript、VUE.js（2.X）、css3开发工具：VisualStudioCode
天行IT科技馆·2023-12-31 17:50

精品Nodejs实现的校园医疗健康管理系统设计与实现-寻医问药疫苗体检接种

软件开发环境及开发工具：操作系统：Windows10、Windows7、Windows8开发语言：node.js前端技术：JavaScript、VUE.js（2.X）、css3开发工具：VisualStudioCode
天行IT科技馆·2023-12-31 17:20

精品Nodejs实现的在线菜谱食谱美食学习系统的设计与实现

软件开发环境及开发工具：操作系统：Windows10、Windows7、Windows8开发语言：node.js前端技术：JavaScript、VUE.js（2.X）、css3开发工具：VisualStudioCode
天行IT科技馆·2023-12-31 17:47

【Python机器学习系列】一文带你了解机器学习中的Pipeline管道机制（理论+源码）

一、引言对于表格数据，一套完整的机器学习建模流程如下：背景知识1：机器学习中的学习器【Python机器学习系列】一文搞懂机器学习中的转换器和估计器（附案例）背景知识2：机器学习中的管道机制简介：转换器用于数据的预处理和特征工程
数据杂坛·2023-12-31 14:36

【vim 学习系列文章 3.1 -- vim 删除 ^M】

请阅读【嵌入式开发学习必备专栏之VIM专栏】文章目录^M来源^M删除^M来源在Vim中打开文件时，您可能会遇到行尾的^M字符，这通常是因为文件使用了Windows风格的回车换行符（CRLF），而不是Unix/Linux风格的换行符（LF）。在Vim中，^M实际上是回车符（CarriageReturn，CR）的可见表示。^M删除为了删除所有行尾的^M字符，您可以使用Vim的替换命令：:%s/\r$/
CodingCos·2023-12-31 13:55

机器学习系列 - 3. 数据预处理

一.KNN优缺点及KD-Tree1)KNN优缺点：KNN的主要优点有：理论成熟，思想简单，既可以用来做分类也可以用来做回归天然解决多分类问题，也可用于回归问题和朴素贝叶斯之类的算法比，对数据没有假设，准确度高，对异常点不敏感由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合KNN的主要缺点有：
小蘑菇1962·2023-12-31 07:31

使用 Docker Compose 部署 Halo 2.x 与 MySQL

使用DockerCompose部署Halo2.x与MySQL本文主要介绍使用DockerCompose部署Halo2.x和MySQL，主要针对小白。有一定基础的，可以直接去官网查看。博主博客https://blog.uso6.comhttps://blog.csdn.net/dxk539687357一、Docker与DockerCompose安装1.1Docker安装先使用下面命令，判断系统是都已
nukix·2023-12-31 05:56

关于vue-cli2.x创建项目迁移到vue-cli4.x版本过程及问题

项目背景公司有一个老项目最近要修改东西，此时发现因为开发新项目需要，本地环境vue脚手架已经升级到了4.5版本，无法运行npmrundev,因为4.x需要npmrunserve启动项目，所以需要对2.x
sosoYU·2023-12-30 19:11

机器学习系列11：减少过拟合——L1、L2正则化

如果我们注意到模型在训练集上的表现明显优于模型在测试集上的表现，那么这就是模型过拟合了，也称为highvariance。产生的过拟合的原因是对于给定的训练集数据来说，模型太复杂了。有几种可以减少过拟合的方法：收集更多的训练数据（通常可行性不大）通过正则化引入对模型复杂度的惩罚选择一个含有较少参数的简单模型减少数据的维度假设模型的参数是向量w，那么L1和L2正则化的定义如下。L1正则化通常会产生更稀
加百力·2023-12-30 18:04

SpringCloud实战之Feign 2.x 迁移到 4.x

从官方文档中去发现变化的点：官方关于Okhttpfrom3.xto4.x官方关于Spring-cloud+feignfrom2.2.x官方关于Spring-cloud+feignfrom4.1.xspring-cloud-openfeign变化对比如何引入feign?如何加载feign?如何申明一个client？关于load-balancer关于资源加载关于启动默认的httpclient和okht
c_zyer·2023-12-30 14:58

机器学习系列06：决策树

如果你很关心模型的可解释性，那么决策树（DecisionTree）算法当之无愧为首选。决策树算法如何工作套用西瓜书上的一个图来说明决策树算法是如何工作的：我们挑选西瓜时，都会考虑西瓜脐部、色泽、根蒂以及敲一敲听声音等因素（特征），决策树就是对这些考虑因素进行逐个拆解，从而判断西瓜（样本）是好瓜还是坏瓜（类别）。从上面来看，这些特征好像都是离散型的，对于Iris数据集中数值特征来说，我们可以设定一个
加百力·2023-12-30 07:00

机器学习系列13：通过随机森林获取特征重要性

你可能需要参考：《机器学习系列06：决策树》这种方法无需对特征做归一化或者标准化预处理，也不假设数据集是否线性可分。以红酒数据集为例。我们可以直接通过feature_impor
加百力·2023-12-30 07:58

机器学习系列12：减少过拟合——降维（特征选择）

对于不支持正则化的模型来说，我们可以通过降低数据的特征维度来减小模型复杂度，从而避免过拟合。有两种降维方法：特征选择（featureselection）：从原始特征集中选择一部分特征子集。特征抽取（featureextraction）：从现有的特征集中抽取信息形成新的特征空间。顺序特征选择是一种贪心算法，它通过自动选择与问题最相关的特征子集来提升计算效率，剔除不相关的特征或噪声数据来降低模型泛化误
加百力·2023-12-30 07:32

机器学习系列10：数据预处理——特征缩放

这里我们要换使用UCI上面的红酒数据集了。下载地址：https://archive.ics.uci.edu/dataset/109/wine这个数据集含有三种不同的红酒，共178个样本，每个样本由13个不同化学属性。我们首先将数据集分层采样划分70%出来作为训练集，剩余30%用作测试集。特征缩放（featurescaling）是数据预处理步骤中及其容易被忽略的一步。除了决策树和随机森林这两种不需要
加百力·2023-12-30 07:02

log4j2漏洞升级遇到的坑

项目场景：最近爆发的log4j2的漏洞，导致各种老旧项目的log4j2版本需要升级到2.17.0问题描述：使用IDEA的MavenHelper插件，将log4j2的2.X版本全部屏蔽掉，然后引入2.17.0
熊崽_张·2023-12-30 06:24
上一页 3 4 5 6 7 8 9 10 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他