田猿笔记-优快云博客

原创 Apache DolphinScheduler 和 Apache Airflow 对比

Apache DolphinScheduler和Airflow都是开源工作流调度平台，但各有侧重。DolphinScheduler提供可视化拖拽界面，适合非开发人员快速使用，支持多种大数据和AI任务，部署简单；而Airflow基于Python代码定义工作流，灵活性高但学习曲线陡，生态更成熟。DolphinScheduler适合国内大数据场景，Airflow则更适用于需要深度定制的国际化项目。两者在架构、易用性和适用场景上存在差异，用户可根据团队技术栈和需求选择合适的工具。

2025-06-05 09:12:50 873

原创 #轻松掌握 Node.js 中的 `Array.some` 方法

JavaScript 和 Node.js 中的 Array.some 方法用于快速检测数组中是否至少有一个元素满足条件。它不改变原数组，具有短路求值特性（找到匹配即停止），空数组默认返回 false。基本语法为 array.some(callback)，回调函数接收元素、索引和数组参数。示例展示了检查偶数、长字符串等场景，Node.js 中常用于文件扩展名检查、用户权限验证、API可用性检测和数组元素比对。实用技巧包括性能优化（优先匹配靠前元素）、异步处理（结合 Promise.all）、与 every 的

2025-06-05 09:08:35 16

原创 Web3 领域中的一些专业术语

Uniswap 是一个去中心化交易所，允许用户通过加密钱包（如 MetaMask）直接交换数字货币，无需中介。它通过智能合约实现自动化交易，用户还可以通过提供流动性赚取手续费。DAI 是一种稳定币，价值接近 1 美元，适合在 Web3 游戏中作为交易媒介，保护玩家收益免受市场波动影响。NFT 是独特的数字资产，代表游戏中的稀有装备或角色，玩家可以真正拥有并在不同平台交易。MetaMask 是管理加密资产的钱包，用户通过签名交易证明所有权。区块链记录所有交易，确保透明和不可篡改。智能合约是自动化程序，管理代币

2025-05-21 19:00:00 775

原创深入理解 Python 异步编程：asyncio 全面指南

本文全面介绍了Python中的asyncio模块，用于编写单线程异步I/O程序。asyncio基于事件循环，支持协程、任务、Future对象和流等高级抽象，适用于高并发的I/O密集型场景。文章从核心概念入手，详细讲解了如何定义协程、使用asyncio.run()启动异步程序，以及如何通过asyncio.gather()并发执行多个任务。此外，还介绍了如何通过asyncio.Semaphore和asyncio.Queue限制并发任务数量，并提供了异常处理与容错机制的建议。最后，文章通过实战案例展示了如何利用a

2025-05-21 10:05:05 697

原创 OpenObserve API Usage Guide for Log Management

OpenObserve 是一个开源的 observability 平台，支持日志、指标和追踪数据。日志摄入：通过 API 批量摄入日志数据。日志查询：支持 SQL-like 语法查询日志，支持模糊匹配。Stream 管理：创建、更新、删除 stream，以及管理 stream 设置（如用户和组织管理：管理组织、用户和权限。告警和仪表盘：配置告警规则和创建仪表盘。OpenObserve 的 API 提供了强大的日志管理功能，支持摄入、查询、模糊匹配和 stream 管理。通过str_match。

2025-04-29 19:00:00 1811

原创解决 Dify 深度限制错误：一步步指南

在使用 Dify（一个强大的 AI 驱动应用开发平台）时，您可能会遇到与深度限制相关的错误，例如和。这些错误源于 Dify 对嵌套数据结构和工作流调用的限制。本文将深入分析这些错误的原因，并提供通过修改.env配置文件来解决问题的详细步骤，同时分享预防错误再次发生的最佳实践。

2025-04-24 09:06:14 1478

原创 Spring boot 中 AOP vs 拦截器 vs Filter：全面解析三大横切技术区别与应用场景

理解AOP、拦截器和Filter的区别是成为Spring高级开发者的重要一步。Filter是Web防火墙拦截器是MVC流程控制器AOP是业务逻辑的瑞士军刀。

2025-04-22 08:55:41 1006

原创使用 Dify 代码运行模块调用 requests：实现 CouchDB 数据获取与重试机制

Dify 的代码运行模块默认支持requests库，使得开发者可以直接在工作流中发起 HTTP 请求。本文展示了如何使用requests从 CouchDB 获取数据，并通过重试机制提高请求的成功率。直接使用requests：DifySandbox 默认已安装requests，无需额外配置。缓存处理：通过随机参数和头避免缓存问题。重试逻辑：使用正则表达式转换，并发起新请求。Dify 的代码运行模块为复杂业务逻辑提供了强大的支持，结合requests库，可以轻松实现与外部 API 的交互。

2025-04-21 15:17:19 1038

原创安装和配置 OpenSearch 集群

以下是一个详细的安装和配置 OpenSearch 集群的文档，基于您提供的 docker-compose 文件和 Nginx 配置。此文档将指导您完成从环境准备到集群部署的完整过程。

2025-04-16 15:18:35 503

原创使用 JSON Schema 实现语言模型的结构化输出：跨平台实践指南

Ollama和SGLang是本地部署的理想选择，支持 Schema。OpenAI适合云端高性能场景。vLLM需提示词和后处理，适合速度优先。通过合理设计 JSON Schema（尤其是properties和的选择）并结合提示工程，开发者可以在不同平台上实现可靠的结构化输出。欢迎大家提问和讨论。

2025-04-07 10:53:38 156

原创如何为图片 PDF 添加可搜索的文本层：完整指南

幸运的是，通过 OCR（光学字符识别）技术，我们可以为图片 PDF 添加一个隐藏的文本层，使其具备可搜索和可复制的功能。通过 OCR 技术和 PDF 工具的结合，我们可以为图片 PDF 文件添加一个隐藏的文本层，从而实现搜索、复制和选择功能。这样可以确保嵌入的文本与原始图像中的文字对齐。根据 OCR 提供的字符高度信息，我们可以动态计算字体大小，确保嵌入的文本与原始图像中的文字对齐。为了解决这些问题，我们需要借助 OCR 技术，从图像中提取文字，并将其嵌入到 PDF 中，形成一个新的文本层。

2025-03-28 08:34:54 267

原创使用 OCRmyPDF 将扫描 PDF 转为可搜索文档和文本文件

OCRmyPDF 基于 Tesseract OCR 引擎，主要功能是为扫描的 PDF 添加可搜索的文本层。它支持多语言、页面调整、元数据修改等功能，并能通过--sidecar选项生成 TXT 文件。无论是命令行还是 Python 调用，它都是文档处理的高效选择。OCRmyPDF 是一个多功能的工具，支持命令行和 Python API。通过安装语言包（英文、简体中文、繁体中文），你可以处理多语言 PDF，生成可搜索的 PDF 和 TXT 文件。它提供了丰富的参数（如--jobs）和优化选项（如。

2025-03-27 17:50:42 767

原创 2025 年推荐的 20 个热门 MCP Server

MCP（Model Context Protocol）Server 是增强 AI 工具能力的关键组件，它们允许 AI 与外部平台、服务和数据源进行交互。这些服务器充当桥梁，使像 Claude 这样的 AI 助手能够自动化任务、访问实时信息，并无缝集成到各种工作流程中。以下是 2025 年推荐的 20 个热门 MCP Server，它们可以显著提升 AI 工具的功能，帮助用户在开发、通信、项目管理等领域实现更高的效率和自动化水平。

2025-03-21 08:53:43 3452

原创 One API：统一接口与模型重定向的强大功能

One API 是一个开源的代理层，用于统一管理和调用不同的 AI 模型服务。它的主要目标是通过一个标准化的接口，屏蔽底层不同供应商之间的差异，从而简化开发流程。统一接口：无论底层使用的是 OpenAI、Azure 还是其他供应商的服务，用户只需通过一个统一的 API 调用即可。多供应商支持：支持接入多个供应商的模型，并根据需求动态切换。灵活性与扩展性：支持自定义模型和自定义逻辑，满足特定业务需求。高效成本管理：通过智能路由和模型重定向，帮助用户优化成本。在 One API 的架构中，

2025-03-19 17:51:28 402

原创如何使用 Gemma3 实现视觉任务：从图片中提取文本

Gemma3 是一个强大模型（它已被调整为支持视觉任务,除了1B），通过结合 Ollama 的 API，我们可以轻松实现从图片中提取文本的功能。本文将介绍如何使用 Gemma3 处理图像，并分享一个实际的示例。

2025-03-14 18:00:00 4557 1

原创 FerretDB 2.0：开源 MongoDB 替代品的安装与使用指南

FerretDB 2.0 是一个开源数据库，旨在作为 MongoDB 的替代品。它与 MongoDB 5.0+ 的驱动程序和工具兼容，适合需要避免 MongoDB 许可复杂性的开发者。它的核心特点是使用 PostgreSQL 作为后端，并通过 DocumentDB 扩展提升性能，研究表明某些工作负载可快 20 倍。

2025-03-11 17:58:27 1410

原创 Spring Boot API 项目中 HAProxy 与 Nginx 的选择与实践

HAProxy（High Availability Proxy）是一个专注于负载均衡和代理的开源工具，以高性能和低资源占用著称。它支持 TCP（Layer 4）和 HTTP（Layer 7）协议，广泛用于分布式系统。Nginx 是一个高性能 Web 服务器，后来扩展为反向代理和负载均衡工具。它以易用性和模块化设计受到开发者青睐。HAProxy 和 Nginx 各有千秋，选择的关键在于你的 Spring Boot API 项目规模和需求：如果追求高性能和专注负载均衡，HAProxy 是首选。如果需要。

2025-03-06 08:57:27 643

原创使用 Node.js 和 Follow 模块监控 CouchDB 数据库变更

通过结合nano和follow，我们可以轻松实现 CouchDB 的变更监控。启动时处理历史数据，随后切换到实时监听，既满足了完整性需求，又保证了实时性。希望这篇文章能帮助你在项目中高效集成 CouchDB 监控！

2025-03-04 13:27:52 112

原创 Llama.cpp 服务器安装指南（使用 Docker，GPU 专用）

构建服务器镜像-t：命名镜像为。：仅构建服务器版本。-f：指定修改后的。：使用当前目录作为构建上下文。构建时间：10-20 分钟，取决于网络和机器性能。验证。

2025-02-27 11:32:10 1101

原创 Llama.cpp Server Installation Guide with Docker (CPU-Only)

这个镜像默认支持 CPU，不含 CUDA。若需 GPU 支持，得用 server-cuda，但你指定 CPU-only，这里保持原样。-t 8: Uses 8 CPU threads (调整为你的核心数，跑 nproc 查看).-c 4096 够用，若处理长对话可增到 8192（注意 RAM 使用）。改端口：-p 8080:8080 和 --port 8080。Increase -t 到 CPU 最大核心数。Check -v 路径和文件名是否正确。

2025-02-27 11:11:14 455

原创高级应用：使用 p-retry 处理 Node.js 中的重试逻辑

p-retry允许你通过传递一个选项对象来自定义重试策略。retries: 最大重试次数。: 每次重试失败时调用的回调函数。factor: 用于计算重试间隔的因子。minTimeout: 重试之间的最小间隔时间（毫秒）。maxTimeout: 重试之间的最大间隔时间（毫秒）。randomize: 是否在重试间隔时间中添加随机性。if (!try {${if(!if(!if(

2025-02-20 13:23:30 175

原创 p-queue 详细介绍

是一个基于 Promise 的队列管理工具，专注于控制异步任务的并发数量。它非常适合用于限流异步操作（或同步操作），例如与 REST API 交互、执行 CPU/内存密集型任务等。如果你的项目使用 CommonJS，需要转换为 ESM。例如，你可以创建一个优先级队列或延迟队列。：对于服务器端的任务队列需求，建议使用 Redis 支持的。返回一个 Promise，当队列为空且所有任务完成时解决。可以为任务分配优先级，高优先级的任务会优先执行。参数，可以限制同时运行的任务数量。逻辑，实现任务失败后的延迟重试。

2025-02-18 16:56:36 177

原创 MySQL 窗口函数：功能、使用场景与性能优化

MySQL 窗口函数是一项强大的工具，能够帮助开发者轻松实现复杂的分析操作，如排名、累计计算和前后行比较等。它为数据分析和复杂查询提供了极大的便利，但同时也可能带来性能问题。窗口函数是一种特殊的 SQL 函数，用于在查询结果集上执行复杂的分析操作。尽管窗口函数功能强大，但在处理大数据集时可能会遇到性能瓶颈。）不同，窗口函数不会合并行，而是保留每一行的数据，同时允许对一组相关行进行计算。：根据排序规则分配排名，相同值的行排名相同，后续排名会跳过。窗口函数与分页结合时，可以通过嵌套查询或临时表优化性能。

2025-02-18 10:49:44 532

原创如何编写提示词，让AI发挥最佳效果？——初学者指南

今天，我们将通过简单易懂的方式，教你如何编写提示词，让AI（如DeepSeek）发挥最佳效果。模糊的提示词会让AI“猜”你的意图，结果可能南辕北辙。：“请解释量子计算、人工智能和区块链的关系，并写一篇关于它们如何改变未来的文章。：“请写一段类似以下的文案：‘在这个快节奏的世界中，我们为您提供宁静的港湾。：“请解释量子计算的基本原理，假设读者是计算机科学专业的大学生。：“请解释量子计算的基本原理，假设读者是计算机科学专业的大学生。模糊的提示词会让AI“猜”你的意图，结果可能南辕北辙。

2025-02-17 13:43:57 205

原创 AI多跳推理的提示词

多跳推理是一种需要经过多个推理步骤才能得出结论的复杂推理过程。与单跳推理（Single-hop Reasoning）不同，多跳推理涉及多个信息源或知识片段，通过逻辑连接逐步推导出最终答案。多跳推理是一种强大的工具，能够通过多个推理步骤解决复杂问题。它在文件分类、问答系统、知识图谱和推荐系统等领域有广泛的应用。通过分步骤提取和分析信息，多跳推理可以提高任务的准确性和可解释性。如果你有具体的应用需求，可以尝试设计多跳推理的提示词，逐步引导模型完成任务。

2025-02-17 13:18:58 109

原创 Node.js 异步并发控制：`p-map` 和 `p-limit` 的使用与对比

你可以通过。

2025-02-17 11:46:02 269

原创使用 Flowable 实现子流程调用与参数传递：嵌入式子流程与调用活动详解

子流程是 BPMN（Business Process Model and Notation）中的一个重要概念，用于将复杂的业务逻辑分解为更小的单元。嵌入式子流程（Embedded Sub-Process）嵌套在主流程中，作为主流程的一部分。共享主流程的上下文和变量。适用于简单的任务分组或逻辑封装。调用活动（Call Activity）调用一个独立的流程定义（另一个 BPMN 文件）。子流程拥有独立的流程实例。适用于需要复用流程逻辑或模块化设计的场景。

2025-02-13 11:07:44 1516

原创 Node.js 应用性能测试：Autocannon 的使用与 Docker 集成

通过 autocannon，这一强大的工具，我们可以轻松实现对应用性能的全面评估和优化。本文详细介绍了如何将 autocannon 集成到 Docker 和 PM2 的环境中，并展示了如何通过自动化测试和 CI/CD 集成，提升开发效率和应用稳定性。无论是 API 服务、Web 应用，还是微服务架构，性能测试都是确保系统稳定性和高效运行的重要环节。测试完成后，autocannon 会输出详细的测试报告，你可以根据这些结果分析应用的性能表现，并进行针对性的优化。，添加 autocannon 的安装和配置。

2025-02-08 10:43:29 411

原创使用 Docker 和 PM2 构建高并发 Node.js API 网关

通过结合 Docker 和 PM2，我们可以构建一个高性能、高可用的 Node.js API 网关，并利用分布式限流器保护服务不被过多请求压垮。这种架构不仅适用于高并发场景，还能显著提升服务的可维护性和可扩展性。

2025-02-08 10:32:47 296

原创 PM2 与 Docker 结合使用：Node.js 应用的高效管理与部署

本文将详细介绍 PM2 的功能、Docker 的优势，并展示如何在 Docker 容器中使用 PM2 管理 Node.js 应用，实现高效、稳定的部署。PM2（Process Manager 2）是 Node.js 的流行进程管理工具，能够帮助开发者更好地管理和监控应用进程。但 Node.js 是单线程的，直接运行多个。以下是一个完整的 Node.js 应用示例，展示如何在 Docker 中使用 PM2 管理应用。）允许开发者定义应用的启动参数、环境变量和资源限制，简化了应用的部署和管理。

2025-02-08 10:28:16 742

原创多租户架构设计与实现：基于 PostgreSQL 和 Node.js

多租户架构是 SaaS 应用的核心设计模式，能够显著降低成本和维护复杂度。本文介绍了多租户的常见数据隔离方案，并基于PostgreSQL和Node.js实现了一个多租户系统。通过动态切换 Schema，我们可以在共享数据库中实现租户数据的隔离。在实际应用中，选择合适的多租户方案需要根据业务需求、租户规模、性能要求和成本预算进行权衡。无论是独立数据库、独立模式还是共享表，都有其适用的场景。希望本文能为你的多租户架构设计提供参考和启发。

2025-02-08 09:23:26 1360

原创如何通过 Nginx 实现 CouchDB 集群的负载均衡并监控请求分发

在 Nginx 配置中添加自定义响应头，返回请求被转发到的后端服务器地址。

2025-01-16 14:08:27 736

原创 Docker Swarm、Kubernetes 和 LVS 的功能对比

Docker Swarm、Kubernetes 和 LVS 是三种不同的技术，分别用于容器编排、集群管理和负载均衡。

2025-01-13 19:15:00 1147

原创详解 RabbitMQ 在 Go 中的实现：一个带重试机制和死信队列的消息消费者

加载环境变量：从.env文件中加载 RabbitMQ 的连接信息和其他配置。连接 RabbitMQ：建立与 RabbitMQ 的连接并创建通道。声明交换机和队列：包括主交换机、主队列、死信交换机和死信队列。绑定队列到交换机：将主队列绑定到主交换机，并将死信队列绑定到死信交换机。消费消息：从主队列中消费消息，并处理消息。消息处理逻辑：模拟消息处理，支持重试机制和死信队列。下面我们将逐步解析代码的每一部分。消息重试机制：支持最多 3 次重试。死信队列：确保消息在多次处理失败后不会被丢失。

2025-01-09 15:02:17 372

原创 RabbitMQ 在 Go 中的核心方法详解

通过QueueBind和Consume这四个方法，我们可以在 RabbitMQ 中实现消息的发布、路由和消费。理解这些方法的参数及其作用，是使用 RabbitMQ 的基础。希望这篇博客能帮助你更好地掌握 RabbitMQ 在 Go 中的使用！！

2025-01-09 14:57:29 432

原创局部敏感哈希（LSH）：高维数据相似性搜索的利器

局部敏感哈希（LSH）是一种用于高维数据近似最近邻搜索的算法。它的核心思想是通过哈希函数将相似的数据点映射到相同的桶中，从而在搜索时只需检查同一桶或邻近桶中的数据点，大大减少计算量。局部敏感哈希（LSH）是一种强大的工具，能够高效处理高维数据的相似性搜索问题。尽管它是一种近似算法，可能会牺牲一定的精度，但在许多实际应用中，这种权衡是值得的。无论是文本、图像、音频，还是推荐系统和生物信息学，LSH都展现了其广泛的应用价值。

2025-01-09 14:46:34 902

原创 NodeJs 箭头函数：`()=＞{}` 和 `()=＞()` 的区别与使用场景

特性 |()=>{}()=>()函数体| 块级作用域{}| 表达式()返回值| 需要显式return| 隐式返回表达式的值 |适用场景| 多行逻辑或复杂操作 | 单行逻辑或直接返回值 |()=>{}和()=>()是 JavaScript 中箭头函数的两种常见写法，它们的主要区别在于函数体的结构和返回值的方式。理解它们的区别后，你可以根据实际需求选择更合适的写法，从而编写出更简洁、高效的代码。

2025-01-07 16:42:51 643

原创实现CouchDB 全文搜索

如果 CouchDB 自带的全文搜索功能无法满足需求，可以将数据同步到 Elasticsearch 中，利用 Elasticsearch 的强大全文搜索功能。CouchDB 本身并不直接支持全文搜索功能，但可以通过一些简单的方法实现基本的全文搜索。如果需要更强大的全文搜索功能，建议使用 CouchDB Lucene 插件或将数据同步到 Elasticsearch。通过 CouchDB 的 MapReduce 视图，可以实现简单的全文搜索。支持复杂的全文搜索功能（如分词、模糊搜索、短语搜索等）。

2025-01-06 10:50:49 1154

原创 CouchDB 中模糊查询并不区分大小写

在使用 CouchDB 的 Mango 查询进行正则表达式匹配时，要注意避免使用不支持的正则表达式语法。通过简化正则表达式并清楚地理解其规则，我成功地解决了问题。同时，这也让我认识到，选择合适的查询方式可以显著提高工作效率。

2025-01-02 15:29:36 221

原创解决 Node.js 单线程限制的有效方法

Node.js 是一个基于事件驱动、非阻塞 I/O 模型的 JavaScript 运行时环境，特别适合构建高并发的网络应用。然而，由于其单线程架构，在处理 CPU 密集型任务时可能会遇到瓶颈。本文将介绍几种解决 Node.js 单线程限制的方法，帮助你提高应用程序的性能和可扩展性。

2024-12-25 15:01:15 562

Flowable 的安装和源代码

Flowable 的安装和源代码在我最近寻求优化业务流程执行的过程中，Flowable开源项目引起了我的注意：它提供了各种各样的功能，同时还保留了BPMN（业务流程管理符号）和DMN（决策管理符号）等行业标准。您可以在这里找到有关Flowable的更多信息。 Flowable的设置分为两个主要部分：Flowable用户界面，您可以在其中在交互式环境中构建流程和应用程序，以及引擎API部分，我在这种情况下是通过一个Java微服务应用程序来控制的。本步骤的设置指南将重点介绍在MacOS上本地安装Flowable，其中包括从它随附的内存数据库切换到使用PostgreSQL的持久解决方案。切换到持久存储将使我们有机会永久存储在Flowable用户界面中创建的BPMN流程，而不会在重新启动Tomcat时丢失流程。如果您喜欢不同的数据库类型，请随时根据需要更改步骤。第1步：安装依赖项为了以后更容易安装其他软件，请先安装MacOS的强大软件包管理器：Homebrew。您可以在这里了解有关Homebrew的更多信息。目前，您只需要知道它将帮助我们安装其他软件，如Tomcat和Postg

2023-09-08

使用机器学习进行图像识别

写一篇完整的人工智能（AI）图像识别的论文需要非常详细和深入的研究，通常包括问题陈述、文献回顾、方法、实验、结果分析和结论等部分。以下是一个简化版本的AI图像识别论文示例，供您参考，但请注意这只是一个简单的模板，实际的论文需要更多的细节和深度：本论文研究了基于深度学习的图像识别算法在实时应用中的性能表现。我们使用了一系列深度学习模型，包括卷积神经网络（CNN）和预训练的模型，如ResNet和YOLO，来进行图像分类和对象检测任务。通过广泛的实验和性能评估，我们探讨了不同模型在不同场景下的性能差异。 **1. 引言** 在计算机视觉领域，图像识别一直是一个重要的任务。它在自动驾驶、医疗诊断、安全监控等应用中有着广泛的应用。近年来，深度学习技术的发展推动了图像识别的性能提升。本研究旨在评估不同深度学习模型在实时应用中的可行性和性能。 **2. 文献回顾** 我们回顾了与图像识别相关的文献，特别关注了深度学习模型的发展和应用。我们讨论了卷积神经网络（CNN）的基本原理以及一些常用的预训

2023-09-02

AI 图像识别和视频分析

ImageAI 是一个用于计算机视觉任务的开源Python库，它简化了图像处理和分析的任务。ImageAI构建在一些流行的深度学习框架（如TensorFlow、Keras和OpenCV）之上，使开发人员能够轻松地执行各种计算机视觉任务，包括对象检测、图像识别、文本识别和视频分析等。以下是ImageAI的一些主要特点和功能： **1. 对象检测：** ImageAI支持目标检测任务，可用于识别图像中的对象、物体或人脸。它预训练了一些常用的检测模型，如YOLO（You Only Look Once）和RetinaNet。 **2. 图像识别：** 该库允许您构建和训练图像分类模型，以识别图像中的物体、场景或情感。您可以使用预训练的模型或自己的自定义模型。 **3. 视频分析：** ImageAI支持对视频进行分析，包括视频对象检测、视频跟踪和视频分析。这对于监控、视频监控和视频内容分析非常有用。 **4. 文本识别：** 除了图像处理，ImageAI还支持文本识别任务，如识别图像中的文本或文档中的文本。 **5. 简化接口：** ImageAI提供了简单而直观的API，使开发人员

2023-09-02

人工智能安全学习和用例

人工智能安全 **学习目标：** 1. 了解什么是人工智能安全，以及为什么它在现代社会中至关重要。 2. 学习常见的人工智能安全威胁和攻击方法，以提高对潜在风险的认识。 3. 掌握如何保护人工智能系统免受恶意攻击和滥用。 4. 学习利用技术和最佳实践来提高人工智能系统的安全性。 5. 理解合规性和伦理标准在人工智能安全中的作用。 **学习内容：** **第一部分：介绍人工智能安全** - 什么是人工智能安全？ - 解释人工智能安全的概念，包括保护人工智能系统免受潜在威胁的方法。 - 为什么人工智能安全重要？ - 使用现实世界例子说明，如何不安全的人工智能系统可能导致数据泄漏、隐私侵犯和业务风险。 **第二部分：常见威胁和攻击** - 数据注入攻击 - 通过示例说明如何在输入数据中注入恶意内容以欺骗人工智能模型。 - 模型逃逸攻击 - 解释攻击者如何尝试绕过模型的安全机制，以获取访问敏感数据的权限。 **第三部分：保护人工智能系统** - 输入数据预处理 - 学习如何对输入数据进行预处理，以检测和清理恶意内容。 -

2023-09-02

使用AI进行文本分类的深入学习

学习目标： 1. 了解Hugging Face Transformers库以及其在自然语言处理任务中的重要性。 2. 学会使用Hugging Face Transformers库进行文本分类任务。 3. 掌握如何使用预训练的模型进行文本分类，例如BERT、GPT等。 4. 理解迁移学习的概念，并将其应用于文本分类。 5. 学习评估文本分类模型的性能指标。 **学习内容：** **第一部分：介绍Hugging Face和Transformers库** - 什么是Hugging Face？ - Hugging Face是一个自然语言处理（NLP）领域的开源社区和平台，提供了Transformers库，用于训练和使用NLP模型。 - 为什么使用Hugging Face？ - 强调Hugging Face在NLP中的重要性，以及它的优势。 **第二部分：文本分类基础** - 什么是文本分类？ - 解释文本分类任务的概念，例如将文本分为不同的类别或标签。 - 数据集介绍 - 使用示例数据集

2023-09-02

Spring Boot和Spring Security应用例子

当构建一个安全的Web应用程序时，使用Spring Boot和Spring Security可以大大简化开发过程。以下是一个示例项目，展示了如何使用这些框架来实现基本的安全功能。构建安全的Web应用程序：一个示例项目 1. 项目准备首先，确保你已经在项目中集成了Spring Boot和Spring Security。可以使用Maven或Gradle来添加依赖。在pom.xml中添加以下依赖： xml Copy code <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-security</artifactId> </dependency> 2. 配置Spring Security .

2023-08-12

python构建实时车辆安全监控系统

python构建实时车辆安全监控系统 **介绍** 为了提高道路安全并保护乘车人员，我们推出一款全面的车辆安全监控系统。该系统利用传感器网络，持续监测车辆行为，及时检测并响应任何异常情况，例如碰撞预警和车辆失控等。通过实施这一安全系统，我们旨在确保乘车人员在行程中的安全和福祉。 **系统组成和架构** 车辆安全监控系统包含以下组件： 1. **传感器**：在车辆中放置各种传感器，实时捕获数据。包括加速度计传感器、陀螺仪传感器、GPS 模块和碰撞传感器。加速度计和陀螺仪传感器提供车辆加速度、旋转和方向的数据，从而检测突然的移动或失控情况。GPS 模块有助于跟踪车辆位置和速度，而碰撞传感器可检测碰撞事件。 2. **微控制器单元 (MCU)**：一台功能强大的微控制器单元作为系统的大脑。它收集和处理传感器数据，并根据预定算法做出决策。我们建议使用 Arduino 或 Raspberry Pi 作为 MCU，因为它们广泛可得并易于使用。

2023-07-30

汽车动力控制系统：使用C#上位机实现精确控制，提升燃油效率和动力性能

汽车动力控制系统：使用C#上位机实现精确控制，提升燃油效率和动力性能摘要：随着汽车技术的不断发展，动力控制系统在提高汽车性能和燃油效率方面起着关键作用。本文介绍了一种通过C#上位机系统实现对汽车发动机输出和传动系统的精确控制的方法。通过这种方法，我们能够优化发动机的输出和传动系统的效率，从而提高汽车的燃油效率和动力性能。本文将详细讨论实现的步骤，并提供完整的C#代码。 1. 动力控制系统的架构和设计汽车动力控制系统是一个复杂的系统，它涉及到发动机、传动系统、车速传感器、油门传感器等多个组件的协调工作。在本文中，我们将重点关注发动机输出和传动系统的控制。 2. 使用C#上位机实现发动机输出控制首先，我们需要通过C#上位机与车辆的ECU（发动机控制单元）通信。这可以通过汽车诊断接口（OBD-II接口）来实现。然后，我们可以发送指令给ECU，以调整发动机的输出。

2023-07-30

驾驶辅助系统：实现自动驾驶辅助、自动泊车和车道保持功能的代码和想法

驾驶辅助系统：实现自动驾驶辅助、自动泊车和车道保持功能的代码和想法 **摘要：** 本文介绍了一个驾驶辅助系统，利用上位机采集的数据，通过实现自动驾驶辅助、自动泊车和车道保持等功能，以提高驾驶的安全性和便捷性。我们将提供系统设计的详细思路和完整的代码示例。 **引言：** 驾驶辅助系统是现代汽车行业的一个重要发展方向，旨在提高驾驶的安全性和舒适性，减少交通事故的发生。本文中，我们将展示一个基于上位机数据采集的驾驶辅助系统，它实现了自动驾驶辅助、自动泊车和车道保持功能。 **系统设计：** 1. **硬件配置：** - 汽车装备有各种传感器，如相机、激光雷达、超声波传感器和惯性测量单元（IMU）等，用于获取周围环境和车辆状态的数据。 - 将传感器采集的数据通过CAN总线或其他通信协议发送到上位机进行处理。 2. **软件设计：** - 上位机运行着驾驶辅助系统的核心算法。这些算法可以使用深度学习、计算机视觉和传统控制方法相结合。 3. **自动驾驶辅助功能：**

2023-07-30

C# 上位机的汽车控制系统的设计

I. 概述 A. 介绍C# 上位机的汽车控制系统 B. 目的和意义 II. 系统架构 A. 硬件架构 1. 控制器 2. 传感器 3. 执行器 B. 软件架构 1. 上位机软件 2. 下位机软件 3. 数据库 III. 功能模块 A. 数据采集模块 1. 传感器数据采集 2. 数据预处理 B. 控制模块 1. 控制算法设计 2. 控制指令下发 C. 数据存储模块 1. 数据库设计 2. 数据存储 IV. 开发流程 A. 需求分析 B. 系统设计 C. 编码实现 D. 调试测试 E. 系统上线 V. 应用场景 A. 汽车动力控制 B. 驾驶辅助系统 C. 安全监控系统 VI. 总结和展望 A. 总结系统的优点和不足之处 B. 展望未来的发展方向

2023-07-30

上位机：C# CAN的高级的例子

A. C# CAN的概述 Controller Area Network（控制器局域网，CAN）是一种常用于嵌入式系统和通信领域的串行通信协议。C#是一种通用的、面向对象的编程语言，通常与Windows应用程序开发相关。C# CAN是指在C#中使用CAN协议进行通信的方式。 B. 高级例子的意义高级例子将展示C# CAN在现实世界中的应用价值，以及它在汽车控制系统和工业自动化控制系统等领域的实际用途。通过这些例子，我们可以了解C# CAN在不同场景下的实现细节和优势。 II. 具体实用例子 A. 汽车控制系统 1. CAN总线的作用 CAN总线在汽车控制系统中起着关键作用，它是用于连接各种电子控制单元（ECUs）的通信介质，使得这些ECUs可以相互之间进行实时的数据交换和通信。 2. C# CAN的应用使用C# CAN，我们可以通过CAN总线与汽车上的各个ECUs进行通信，从而实现对发动机、制动系统、仪表盘等的监控和控制。

2023-07-30

C# OPC UA的高级实用例子

在本文中，我们介绍了C# OPC UA的基本概念和用途，并提供了建立OPC UA连接、创建节点、读取和写入节点数据的实现步骤。我们强调了高级实用例子的价值和重要性，如生产线监控系统和智能家居控制系统。通过这些实用例子，开发者可以更深入地了解和掌握C# OPC UA的应用，提高自身技能水平，并在工业自动化和物联网领域做出更有价值的贡献。鼓励开发者积极尝试更多实用例子，以拓展应用领域和解决实际问题。实用例子1：生产线监控系统在这个实用例子中，我们将使用C# OPC UA连接到生产线设备，并创建节点来存储生产线数据，如温度、湿度、压力等。然后，我们将实时读取生产线数据并进行分析，以检测异常情况。实用例子2：智能家居控制系统在这个实用例子中，我们将使用C# OPC UA连接到家居设备，如灯光、温度、音响等。我们将创建节点来存储家居设备状态，如开关状态、亮度等。通过写入节点数据来控制家居设备状态，如打开灯光、调整音量等。

2023-07-30

C#编写的Modbus TCP通信的详解

Modbus是一种通信协议，用于在不同类型的设备之间传输数据。C# Modbus是一个在C#中实现Modbus协议的库。本文将介绍如何使用C# Modbus编写一个高级的例子，并给出一个具体实用的例子。 II. 编写高级例子的步骤 1. 安装C# Modbus库 2. 编写代码连接Modbus设备 3. 编写代码读写Modbus寄存器 4. 编写代码处理Modbus设备返回的数据 III. 具体实用例子假设我们需要连接一个温度传感器，并读取它的温度数据。以下是具体步骤：

2023-07-30

开源的可视化爬虫易采集EasySpider：如何无代码可视化的爬取需要登录才能爬的网站

一个可视化爬虫软件，可以使用图形化界面，无代码可视化的设计和执行爬虫任务。只需要在网页上选择自己想要爬的内容并根据提示框操作即可完成爬虫设计和执行。同时软件还可以单独以命令行的方式进行执行，从而可以很方便的嵌入到其他系统中。

2023-06-20

开源的低代码框架，几分钟内构建复杂的响应式前端

一个开源的低代码框架，可以用最少的工程工作量快速构建和部署内部工具。它的拖放式前端构建器允许您在几分钟内构建复杂的响应式前端。您还可以连接到您的数据源，例如数据库（PostgreSQL、MongoDB、Elasticsearch等）、API端点（ToolJet支持导入OpenAPI规范和OAuth2授权）、SaaS工具（Stripe、Slack、Google Sheets、Airtable、Notion等）和对象存储服务（S3、GCS、Minio等），以获取和写入数据。

2023-06-10

Golang 的JWT 类

它基本有所有基本功能，包括：GenerateToken，GenerateRefreshToken, ValidateToken, ParseToken, 应该用： // Create JWT instance jwtInstance := objects.NewJWT(secretKey, refreshKey, tokenExpire) // Generate a JWT token for user with ID 123 tokenString, err := jwtInstance.GenerateToken(userID)

2023-05-26

spring.net 中文文档

spring.net 中文文档，可以清楚告诉你怎样使用spring.net

2010-06-10

php函数参考手册参考与学习

这个是php函数手册，希望对你们有用吧。大家可以看一看.我认为不错。。

2008-12-31

.net 寻路算法源代码

.net 寻路算法源代码，感觉很好，请大家请看看吧。

2010-04-28

Sliverlight TagControl Sample

sliverlight tagControl have close button and add the close event .

2010-04-22

很准确的OCR 服务，可以使用API 直接调用，整合任何系统很方便

OCR Service 是一款的开源、离线准确OCR 工具，支持文档（PDF）文字识别和生成search PDF、图片的文字识别以及二维码的识别与生成。CPU 就可以使用，速度很快。提取的文字很准确，是机器学习和AI training 和RAG必备神器。

2025-03-19

使用 Docker Compose 部署 CouchDB 集群：问题与解决方案

1. 背景 CouchDB 是一个分布式 NoSQL 数据库，支持多节点集群部署。使用 Docker Compose 可以轻松地在本地环境中模拟多节点集群。然而，在部署过程中，可能会遇到以下问题：节点名称不合法： CouchDB 要求节点名称必须是完全限定主机名（FQDN），否则会抛出 Hostname is illegal 错误。网络配置问题：网络已存在但未标记为外部网络。网络标签不匹配。数据目录挂载问题：数据目录未正确挂载，导致系统数据库（如 _users）未自动创建。节点无法加入集群：节点之间无法通信，导致集群配置失败。 2. 解决方案 2.1 使用完全限定主机名 CouchDB 要求节点名称必须是完全限定主机名（FQDN）。在 docker-compose.yml 中，通过 NODENAME 环境变量设置节点名称： environment: NODENAME: couchdb-0.test 2.2 配置网络别名为了让节点之间能够互相通信，需要在 Docker 网络中为每

2025-01-14

Python 编程基础：深度解析

从零开始每一次学习新的编程语言之旅都始于最基本的步骤。本文旨在综合整理Python编程中常见的语法规则和基础概念，逐个深入探讨每个知识点，帮助读者从入门到进阶。 Hello World！ Python 中的问候世界在任何编程语言中，“Hello, World!” 程序都是初学者接触的第一课。在 Python 中，我们可以简单地使用 print() 函数实现这一点： print("你好，世界！") 然而，还有一个鲜为人知的小技巧：Python 内置了一个 __hello__ 模块，导入后会自动打印出 “Hello world!”： import __hello__ 虽然这不是标准的输出方式，却是一个有趣的彩蛋。 Python 版本确认 Python 版本的重要性作为开发者，了解当前使用的 Python 版本非常重要，因为不同版本之间的语法和特性可能存在差异。通过以下方式查询 Python 版本： import sys print(sys.version) 此外，还可以使用 platform 库获取更为详细的版本信息： import platform print(platform.

2024-02-12

Python PaddleOCR OCR结构化识别的例子

Python PaddleOCR OCR结构化识别的例子 Python PaddleOCR 是由百度研发的一个开源的光学字符识别（Optical Character Recognition, OCR）工具包，它基于深度学习技术，设计用于解决各种场景下的文字检测与识别问题。该库具有以下特点： 1. 广泛适用性：PaddleOCR能够准确识别中文以及其他多种语言的文字，不仅适用于常规印刷体文本，还针对身份证、名片、发票、运单等特殊场景进行了优化，支持手写体识别。 2. 高性能模型：内置了多个预训练模型，包括文本检测（如DBNet、PanNet等）、文本识别（如CRNN、Rosetta等）模型，通过端到端的方式实现对图像中的文字区域定位以及文字内容的识别。 3. 简单易用：提供了简洁的API接口，用户无需深入了解深度学习细节，即可快速集成到自己的项目中。 4. 定制化服务：支持模型的训练和优化，用户可以根据自身需求对模型进行微调，提高特定领域的识别精度。 5. 跨平台兼容：可在多种操作系统环境下运行，支持Windows、Linux、MacOS等。在使用PaddleOCR时，用户首先需要安

2024-02-07

Tesseract最新的中文简体和繁体语言包 chi-sim.traineddata

Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可以将图像转换为可编辑的文本。它最初由HP Labs开发，后来被Google收购并维护。Tesseract支持多种语言，包括简体中文和繁体中文。 Tesseract的中文简体和繁体语言包分别用于识别简体中文和繁体中文字符。它们包含了一组预先训练好的模型，用于识别和转换图像中的中文字符。这些语言包可以提高Tesseract在识别中文字符时的准确性和效率。使用Tesseract的Python库pytesseract，可以轻松地将图像中的中文字符识别为文本。以下是一个简单的示例： import pytesseract from PIL import Image # 打开图像文件 image = Image.open('example.jpg') # 使用Tesseract读取图像中的文本 text = pytesseract.image_to_string(image, lang='chi_sim') # 使用简体中文语言包

2024-02-07

使用Spring Boot和Python Flask实现AI文本分类服务注册与发现

简介：在本文中，我们将探讨如何使用Spring Boot和Python Flask构建一个AI文本分类服务，并使用etcd作为服务注册与发现的工具。我们将详细介绍如何设置项目、编写代码以及在多个服务实例中实现负载均衡。一、项目背景假设我们有一个AI文本分类库，需要将其部署为服务，以便其他应用程序可以使用。我们将使用Python Flask构建服务端，Spring Boot构建客户端，同时使用etcd作为服务注册与发现的工具，以实现负载均衡和服务发现。二、技术选型 1. Spring Boot：一个基于Spring框架的快速开发应用程序的工具。 2. Python Flask：一个轻量级的Python Web框架。 3. etcd：一个分布式键值存储系统，用于服务注册与发现。三、项目设置 1. 创建一个新的Spring Boot项目，并添加以下依赖项： ```xml <dependency> <groupId>org.springframework.cloud</groupId> <artifactId>spring-cloud-starte

2024-02-06

Python 面试题目大全2

175.HTTPS是如何实现安全传输数据的？ 176.TTL，MSL，RTT各是什么？ 177.谈一谈你对Selenium和PhantomJS了解 178.平常怎么使用代理的？ 179.存放在数据库(redis、mysql等)。 180.怎么监控爬虫的状态? 181.描述下scrapy框架运行的机制？ 182.谈谈你对Scrapy的理解？ 183.怎么样让 scrapy 框架发送一个 post 请求（具体写出来） 184.怎么监控爬虫的状态？ 185.怎么判断网站是否更新？ 186.图片、视频爬取怎么绕过防盗连接 187.你爬出来的数据量大概有多大？大概多长时间爬一次？ 188.用什么数据库存爬下来的数据？部署是你做的吗？怎么部署？ 189.增量爬取 190.爬取下来的数据如何去重，说一下scrapy的具体的算法依据。 191.Scrapy的优缺点? 192.怎么设置爬取深度？ 193.scrapy和scrapy-redis有什么区别？为什么选择redis数据库？ 194.分布式爬虫主要解决什么问题？ 195.什么是分布式存储？

2023-10-04

Python 全面的面试题

* [16 单例模式](#16-单例模式) * [1 使⽤__new__⽅法](#1-使⽤__new__⽅法) * [2 共享属性](#2-共享属性) * [3 装饰器版本](#3-装饰器版本) * [4 import⽅法](#4-import⽅法) * [17 Python中的作⽤域](#17-python中的作⽤域) * [18 GIL线程全局锁](#18-gil线程全局锁) * [19 协程](#19-协程) * [20 闭包](#20-闭包) * [21 lambda函数](#21-lambda函数) * [22 Python函数式编程](#22-python函数式编程) * [23 Python⾥的拷⻉](#23-python⾥的拷⻉) * [24 Python垃圾回收机制](#24-python垃圾回收机制) * [1 引⽤计数](#1-引⽤计数) * [2 标记-清除机制](#2-标记-清除机制) * [3 分代技术](#3-分代技术) * [25 Python的List](#25-python的list) * [26 Python的is

2023-10-02

用apisix 做一个api key web 管理和api key 权限和访问级别控制

用apisix 做一个api key web 管理和api key 权限和访问级别控制使用API网关是现代开发中不可或缺的一部分，API网关可以帮助我们管理API的访问、权限和安全性。而API Key则是API网关中常用的一种安全认证方式，它可以帮助我们控制API的访问级别和权限。在本文中，我们将介绍如何使用Apache APISIX来实现API Key的Web管理和API Key权限和访问级别控制。 ## 什么是Apache APISIX？ Apache APISIX是一个高性能、可扩展、云原生的API网关，它基于Nginx和OpenResty构建，具有灵活的插件机制和易于扩展的架构。 Apache APISIX提供了丰富的功能，包括负载均衡、路由、限流、熔断、重试、安全认证等，可以帮助我们构建高可用、高性能、安全可靠的API网关。 ## 如何使用Apache APISIX实现API Key的Web管理？ Apache APISIX提供了一个名为Key-Auth的插件，可以用于API Key的认证和授权。Key-Auth插件支持多种认证方式，包括Header、Que

2023-10-01

开发和启用llama2 api

这是一个基于Gradio的通用文本生成模型Web UI框架，支持transformers、GPTQ、llama.cpp (ggml)、Llama模型等。它的目标是成为文本生成的AUTOMATIC1111/stable-diffusion-webui。以下是启动API的完整流程： 1. 安装text-generation-webui。你可以使用以下命令克隆text-generation-webui并按要求安装必要的依赖： ``` git clone https://github.com/oobabooga/text-generation-webui cd text-generation-webui pip install -r requirements.txt ``` 2. 下载模型权重。你可以在[这里](https://github.com/ymcui/Chinese-PreTrained-Language-Models/tree/master/LLaMA)找到一些预训练模型权重。 3. 运行web ui。下载好模型参数到models目录下即可执行以下命令： ``` pyth

2023-10-01

构建一个私用的chatGPT

这个是一个可以在没有互联网连接的情况下使用LLMs的功能来向文档提问的工具。它是100%私密的，不会在任何时候将数据传输到外部环境。您可以在没有互联网连接的情况下导入文档并提问！ privateGPT使用了LangChain、GPT4All、LlamaCpp、Chroma和SentenceTransformers进行构建。环境设置为了设置您的环境以运行此代码，请首先安装所有要求： pip3 install -r requirements.txt 使用poetry进行备选要求安装安装poetry 运行以下命令 cd privateGPT poetry install poetry shell 然后，下载LLM模型并将其放置在您选择的目录中： LLM：默认为ggml-gpt4all-j-v1.3-groovy.bin。如果您喜欢其他兼容GPT4All-J的模型，只需下载它并在.env文件中引用即可。将example.env模板复制到.env中 cp example.env .env 并在.env文件中适当地编辑变量。 MODEL_T

2023-09-10

交互式图表和可视化的MATLAB工具箱

交互式图表和可视化的MATLAB工具箱 Plotly 是一个强大的交互式可视化工具，它允许用户创建高质量的图表和可视化。Plotly 支持多种编程语言，包括 Matlab。在 Matlab 中使用 Plotly，你可以创建各种图表，如散点图、线图、条形图、饼图等，并添加交互性，例如缩放、放大、悬停等。以下是使用 Plotly 在 Matlab 中创建和使用图表的基本步骤： **1. 安装 Plotly for Matlab：** 首先，你需要安装 Plotly for Matlab。你可以在 [Plotly 官方网站](https://plotly.com/matlab/getting-started/) 上找到安装指南和详细说明。 **2. 导入 Plotly 库：** 在 Matlab 中导入 Plotly 库，以便使用其功能： ```matlab % 导入 Plotly 库 import plotly.graph_objs as go ``` **3. 创建图表对象：** 使用 `go` 模块的函数来创建不同类型的图表对象。例如，要创建一个简单的散点图： ```m

2023-09-10

用go 写的mysql复制库

用go 写的mysql复制库它是一个纯 Go 语言库，用于处理 MySQL 网络协议和复制。该库提供了多个功能，包括 MySQL 复制、增量数据导出、客户端、模拟服务器、故障转移、数据库驱动等。以下是对其中一些关键部分的简要翻译： **Replication（复制）**： - 复制包处理 MySQL 复制协议，用于从主服务器同步 binlog，并且可以执行一些操作，如更新缓存等。 **Canal**： - Canal 是一个用于将 MySQL 数据同步到其他地方（如 Redis、Elasticsearch）的包。它首先会导出 MySQL 数据，然后以增量方式同步更改的数据，使用 binlog。 **Client（客户端）**： - Client 包支持一个简单的 MySQL 连接驱动程序，可以用于与 MySQL 服务器进行通信。它提供了连接、查询、插入等功能。 **Server（服务器）**： - Server 包提供了一个框架，用于实现一个简单的 MySQL 服务器，可以处理来自 MySQL 客户端的数据包。这使您可以构建自己的 MySQL 代理。 **Failover（

2023-09-10

Spring boot and Spring Cloud财务顾问应用程序

Spring boot and Spring Cloud财务顾问应用程序一个简单的财务顾问应用程序，旨在使用 Spring Boot、Spring Cloud 和 Docker 演示微服务架构模式。该项目旨在作为一个教程，但欢迎您分叉它并将其变成其他东西！功能服务它被分解为三个核心微服务。所有这些都是围绕某些业务领域组织的独立可部署应用程序。账户服务包含一般输入逻辑和验证：收入/支出项目、储蓄和账户设置。方法小路描述用户已通过身份验证可从用户界面获取得到 /账户/{账户} 获取指定账户数据得到 /账户/当前获取当前账户数据 × × 得到 /账户/演示获取模拟账户数据（预填收入/支出项目等） × 放 /账户/当前保存当前帐户数据 × × 邮政 /账户/ 注册新帐户 × 统计服务对主要统计参数进行计算并捕获每个帐户的时间序列。数据点包含标准化为基础货币和时间段的值。该数据用于跟踪账户生命周期内的现金流动态。方法小路描述用户已通过身份验证可从用户界面获取得到 /统计/{帐户} 获取指定账户统计信息得到 /统计/当前获取当前账

2023-09-09

即时通讯app源码，它是语音和视频通话

它是 Signal 私密通信应用的 Android 版本，是一款开源的安全通信应用程序。Signal 专注于提供端到端加密的消息传输，以确保用户的通信内容只有发送者和接收者能够解密和阅读，即使在中间没有第三方可以访问消息内容。以下是它的一些主要特点和介绍： 1. **端到端加密**：Signal 使用强大的端到端加密协议，确保用户的消息在传输过程中都是加密的，只有接收者能够解密并阅读消息。这确保了通信的隐私和安全。 2. **开源**：它是开源项目，其源代码可以公开查看和审查。这有助于社区检查应用程序的安全性和隐私，以确保没有后门或恶意代码。 3. **点对点语音和视频通话**：除了文本消息外，Signal 还支持加密的语音和视频通话。用户可以进行私密的通话，而无需担心被监听。 4. **自毁消息**：Signal 支持自毁消息功能，用户可以设置消息在一定时间后自动删除，以增加消息的隐私性。 5. **屏幕锁定和解锁**：Signal 可以设置为需要密码或生物识别认证（如指纹或面部识别）才能解锁应用程序，增加应用程序的安全性。 6. **开源加密协议**：Signal

2023-09-09

Spring 各种例子：Spring Data Elasticsearch，JDBC，JPA，LDAP，MongoDB

2. Spring Data Elasticsearch：展示了基本文本搜索、地理空间搜索和分面搜索的示例。使用了High Level REST Client作为模板和仓库的后端。 - example：展示了使用基本文本搜索、地理空间搜索和分面搜索的示例。 - reactive：展示了使用反应式客户端、模板和仓库功能的示例。需要运行本地Elasticsearch实例才能运行测试。 3. Spring Data JDBC： - basic：展示了Spring Data JDBC的基本用法。 - immutables：展示了使用Immutables的Spring Data JDBC用法。 4. Spring Data JPA： - eclipselink：展示了如何在Spring Boot和Eclipselink中使用Spring Data JPA的示例项目。 - example：包含了各种示例包，展示了使用Spring Data JPA的不同级别。可以查看simple包以获取最基本的设置。 - interceptors：展示了如何使用AOP增

2023-09-09

如何在Windows本地和云端安装LLaMA 2 (ChatGPT)

## 目录 1. 简介 2. 先决条件 3. 在Windows本地安装LLaMA 2 - 步骤1：创建新的Conda环境 - 步骤2：激活新环境 - 步骤3：安装PyTorch - 步骤4：克隆代码库 - 步骤5：切换目录 - 步骤6：安装Python模块 - 步骤7：启动服务器 - 步骤8：访问Web用户界面 - 步骤9：下载模型 - 步骤10：加载模型 - 步骤11：配置会话 - 步骤12：配置参数 - 步骤13：测试模型 4. 在云端安装LLaMA 2 5. 结论 --- ## 1. 简介 LLaMA 2是Meta的下一代开源大型语言模型，是一种强大的人工智能工具，可用于客户服务和内容创作等多个领域。在本指南中，我们将为您介绍如何在Windows本地和云端环境中安装LLaMA 2。 ## 2. 先决条件在开始之前，请确保您具备以下先决条件： - 在您的系统上安装了Conda。 - 具备使用终端或命令提示符的基本知识。 ## 3. 在Windows本地安装LLaMA

2023-09-09

下载和安装JDK 8u301（Java开发工具包）的Windows 64位版本和mac 版本

下载完成后，双击安装程序文件（通常是一个.exe文件）来启动安装向导。安装JDK：安装向导将引导您完成JDK的安装过程。您可以选择安装JDK到默认位置或选择其他安装位置。确保您记住安装的路径，因为您将需要在配置开发环境时引用它。配置环境变量（可选）：为了在命令行中能够使用Java和相关工具，您可能需要配置环境变量。在Windows中，您可以按照以下步骤配置：在桌面上右键单击“此电脑”，然后选择“属性”。在系统窗口左侧，点击“高级系统设置”。在系统属性窗口中，点击“高级”选项卡，然后点击“环境变量”按钮。在用户变量或系统变量部分，找到名为“Path”的变量，并编辑它。在变量值中添加JDK安装路径的bin目录。例如，如果JDK安装在C:\Program Files\Java\jdk1.8.0_301目录下，您应该将C:\Program Files\Java\jdk1.8.0_301\bin添加到变量值中。验证安装：打开命令提示符（cmd）并运行以下命令来验证JDK是否成功安装： Copy code java -version 如果一切正常，您应该看到JDK的版

2023-09-09

文档理解转换器,OCR 图片和解释图片内容

文档理解转换器介绍: Donut 文档理解转换器，是一种利用无 OCR 端到端 Transformer 模型的文档理解新方法。Donut 不需要现成的 OCR 引擎/API，但它在各种视觉文档理解任务上显示出最先进的性能，例如视觉文档分类或信息提取（也称为文档解析）。此外，我们还推出了SynthDoG 文档生成器，它有助于模型预训练在各种语言和领域上保持灵活如下是一个demo例子: 您可以使用文件运行演示./app.py。 示例图像可在CORD 数据集链接./misc中获取，更多收据图像可在 CORD 数据集链接中获取。可通过下表中的链接获取 Web 演示。注意：我们更新了 Google Colab 演示（截至 2023 年 6 月 15 日）以确保其正常工作。任务秒/图像分数训练模型演示 CORD（文档解析） 0.7/ 0.7/ 1.2 91.3 / 91.1 / 90.9 甜甜圈基微调线-v2 (1280) / 甜甜圈基微调线-v1 (1280) / 甜甜圈基微调线-v1-2560 Gradio Space Web 演示、 Google Colab 演示

2023-09-08

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

Flowable 的安装和源代码

使用机器学习进行图像识别

AI 图像识别和视频分析

人工智能安全学习和用例

使用AI进行文本分类的深入学习

Spring Boot和Spring Security应用例子

python构建实时车辆安全监控系统

汽车动力控制系统：使用C#上位机实现精确控制，提升燃油效率和动力性能

驾驶辅助系统：实现自动驾驶辅助、自动泊车和车道保持功能的代码和想法

C# 上位机的汽车控制系统的设计

上位机：C# CAN的高级的例子

C# OPC UA的高级实用例子

C#编写的Modbus TCP通信的详解

开源的可视化爬虫易采集EasySpider：如何无代码可视化的爬取需要登录才能爬的网站

开源的低代码框架，几分钟内构建复杂的响应式前端

Golang 的JWT 类

spring.net 中文文档

php函数参考手册参考与学习

.net 寻路算法源代码

Sliverlight TagControl Sample

很准确的OCR 服务，可以使用API 直接调用，整合任何系统很方便

使用 Docker Compose 部署 CouchDB 集群：问题与解决方案

Python 编程基础：深度解析

Python PaddleOCR OCR结构化识别的例子

Tesseract最新的中文简体和繁体语言包 chi-sim.traineddata

使用Spring Boot和Python Flask实现AI文本分类服务注册与发现

Python 面试题目大全2

Python 全面的面试题

用apisix 做一个api key web 管理和api key 权限和访问级别控制

开发和启用llama2 api

构建一个私用的chatGPT

交互式图表和可视化的MATLAB工具箱

用go 写的mysql复制库

Spring boot and Spring Cloud财务顾问应用程序

即时通讯app源码，它是语音和视频通话

Spring 各种例子：Spring Data Elasticsearch，JDBC，JPA，LDAP，MongoDB

如何在Windows本地和云端安装LLaMA 2 (ChatGPT)

下载和安装JDK 8u301（Java开发工具包）的Windows 64位版本 和mac 版本

文档理解转换器,OCR 图片和解释图片内容

空空如也

下载和安装JDK 8u301（Java开发工具包）的Windows 64位版本和mac 版本