项目介绍 1、整体需求 达内云笔记，是达内在线教育平台(tmooc)中的一个子项目， 用于在学员学习时，随时的记录笔记、收藏笔记、分享笔记 以及参加笔记相关的活动。
期望达到一个无时不学习，不处 不笔记的目标。
2、技术架构 1）开发环境 WindowsXP+JDK1.6+Tomcat7+MySql5.5+MyEclipse8.5 2）采用技术 Java+MyBatis3.2+SpringMVC+Spring3.2+JQuery2.1 Java：基础的核心技术 MyBatis：访问数据库 SpringMVC：对代码分层，实现MVC，重点在于处理请求 Spring：管理组件、整合MyBatis、处理一些通用的业务 JQuery：处理客户端的逻辑，以及发送异步请求 3）设计思想 采用了MVC分层思想，将代码分为如下： 视图层V：JQuery2.1 控制层C：DispatcherServlet+Controller(SpringMVC) 业务层M：Java 持久层M：MyBatis 4）部署方案 采用分布式部署，如图
期望达到一个无时不学习，不处 不笔记的目标。
2、技术架构 1）开发环境 WindowsXP+JDK1.6+Tomcat7+MySql5.5+MyEclipse8.5 2）采用技术 Java+MyBatis3.2+SpringMVC+Spring3.2+JQuery2.1 Java：基础的核心技术 MyBatis：访问数据库 SpringMVC：对代码分层，实现MVC，重点在于处理请求 Spring：管理组件、整合MyBatis、处理一些通用的业务 JQuery：处理客户端的逻辑，以及发送异步请求 3）设计思想 采用了MVC分层思想，将代码分为如下： 视图层V：JQuery2.1 控制层C：DispatcherServlet+Controller(SpringMVC) 业务层M：Java 持久层M：MyBatis 4）部署方案 采用分布式部署，如图
2023/8/2 2:44:15
1.29MB
1
FIFO配合管道PIPE，实现FIFO传递数据，PIPE触发epoll，异步IO效果
2023/7/30 16:06:52
4KB
1
本次实验是一个基于SSH框架的网上商城，本次实验的主要目标是完成在基本了解SSH框架之后对其的强化练习，通过实际操作才能发现更多的问题和收获更多的经验。
总的来说本次实验的内容还是很丰富的，首先功能模块主要有用户模块，一级分类模块，商品模块，购物车模块，订单模块。
对于用户模块来说，登录和注册采用了所种方式的校验，主要有前台的js校验，ajax异步校验，后台的数据校验，验证码校验以及注册的邮箱校验与激活。
对于一级分类模块和商品模块来说主要涉及的增删改查的操作然后与页面进行交互，此模块的实现较为简单。
对于购物车模块和订单模块来说，首先因为需要保存购物车和订单信息到session中，所以这俩个模块的功能实现主要是封装购物车和订单的信息，然后再从session域中取出。
总的来说本次实验的内容还是很丰富的，首先功能模块主要有用户模块，一级分类模块，商品模块，购物车模块，订单模块。
对于用户模块来说，登录和注册采用了所种方式的校验，主要有前台的js校验，ajax异步校验，后台的数据校验，验证码校验以及注册的邮箱校验与激活。
对于一级分类模块和商品模块来说主要涉及的增删改查的操作然后与页面进行交互，此模块的实现较为简单。
对于购物车模块和订单模块来说，首先因为需要保存购物车和订单信息到session中，所以这俩个模块的功能实现主要是封装购物车和订单的信息，然后再从session域中取出。
2023/7/30 7:21:38
43.21MB
1
ZeroMQ（也说明ØMQ，0MQ或ZMQ）是一个高性能的异步消息库，旨在使用分布式或并行应用程序。
它提供了一个消息队列，但不同于面向消息的中间件，一个ZeroMQ系统可以在没有专用运行消息代理。
jzmq安装包，本人也有资源。
它提供了一个消息队列，但不同于面向消息的中间件，一个ZeroMQ系统可以在没有专用运行消息代理。
jzmq安装包，本人也有资源。
2023/7/29 19:10:11
1.35MB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
1
在一个特定的场合，很多应用或产品都需要升级固件，以修复Bug或提高性能。
大多数人都不愿意使用专用的调试接口，而是使用UART、USB、I2C等通信接口。
这种情况下，就需要一个串行BootLoader通过其中一个通信接口升级固件，而不需要调试器或特定的程序工具。
本文档将指导您如何使用UART（通用异步接收器/发送器）接口在KinetisE系列上设计BootLoader。
本文档中列出的示例代码是在IAR6.50中开发的。
大多数人都不愿意使用专用的调试接口，而是使用UART、USB、I2C等通信接口。
这种情况下，就需要一个串行BootLoader通过其中一个通信接口升级固件，而不需要调试器或特定的程序工具。
本文档将指导您如何使用UART（通用异步接收器/发送器）接口在KinetisE系列上设计BootLoader。
本文档中列出的示例代码是在IAR6.50中开发的。
2023/7/28 6:48:05
329KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB