Tech 导读 弹窗作为非常重要的营销触达手段被各业务广泛应用，本文主要介绍 “XView 营销弹窗搭投系统” 关于快速搭建、投放配置营销弹窗能力的实现原理，以及在 618 等重要大促场景中的应用和实践，欢迎交流与探讨。
Tech 导读 XView是一个一站式APP弹窗管理平台，本文介绍XView架构升级后的搭建流程，弹窗间的互斥管理，预加载处理，页面管理等技术方案，以及升级后的XView平台的整体框架，最终使得弹窗可以通过搭建的方式快速触达到APP端，大大减少需求交付周期的实战经验，欢迎大家交流探讨。
Tech 导读 本文聚焦于打破固有研发壁垒，提升平台能力，打通设计稿到楼层生产的线上化链路，一键精准还原设计稿，0代码，低门槛，让用户可以成为楼层样式的生产者。通过本文，读者可以对京东营销活动搭建平台通天塔有初步了解，对0代码搭建应用的架构和和设计稿规则识别有新的思考和可能性。
本文为中国大学MOOC课程《人工智能实践：Tensorflow笔记》的笔记中搭建神经网络，总结搭建八股的部分
ThingJS 基于 HTML5 和 WebGL 技术，可方便地在主流浏览器上进行浏览和调试，支持 PC 和移动设备。ThingJS 为可视化应用提供了简单、丰富的功能，只需要具有基本的 Javascript 开发经验即可上手。
家人们!图片在今天的社交媒体、博客和论坛中扮演着至关重要的角色。然而，随着图片数量的增加，寻找一个可靠的图片托管解决方案变得越来越重要。Chevereto图床是一个备受赞誉的解决方案，而使用Docker Compose搭建它更是一种高效、可维护的方法。本文将介绍Chevereto图床的优势，并指导您如何使用Docker Compose在短时间内搭建自己的图片托管平台。
第1章 本地服务器的搭建 1.1 WEB服务器简介 1.2 ASP服务器的搭建 1.2.1 IIS的安装 1.2.2 ACCESS数据库的安装 1.2.3 SQL Server数据库的安装 1.2.4 ASP环境的测试 1.3 PHP服务器的搭建 1.3.1 Apache的安装 1.3.2 MySQL数据库的安装 1.3.3 PHP的安装 1.3.4 PHP环境的测试 1.4 JSP服务器的搭建 1.4.1 JDK的安装 1.4
Hadoop 是一个由 Apache 基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。它的目的是从单一的服务器扩展到成千上万的机器，将集群部署在多台机器，每个机器提供本地计算和存储。Hadoop 框架最核心的设计是 HDFS 和 MapReduce。
以图搜视频，顾名思义就是拿一张图片去视频底库里面搜索包含相似镜头的视频。以图搜视频中一个关键的步骤就是视频向量化，视频向量化即在视频中抽取关键帧，对每帧视频进行特征提取，将其转化为结构化的向量。至此，好奇的读者可能会问，这和以图搜图有什么区别呢？是的，对视频所有关键帧图片的搜索本质上就是以图搜图。
处在这个大数据时代势必让我们不得不追求高效，高效工作便捷生活。可在工作中想要高效完成某件事情似乎有点儿难度，比如高效开发三维可视化应用!尤其是新手更是大呼“我太难了”。新手不会建模又该如何完成三维
jupyter lab是我最喜欢的编辑器，在过往的文章中也给大家介绍过很多相关资源和实用插件，但本文要给大家介绍的jupyter lab插件elyra，绝对是我使用过的最强大的jupyter lab插件没有之一，因为它的核心功能就是帮助我们解决数据分析工作中非常重要的问题——「搭建工作流」。
目标：搭建神经网络，总结搭建八股 一、基本概念 1:基于 Tensorflow 的 NN： 用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。 2:TensorFlow的张量: 张量就是多维数组（列表），用“阶”表示张量的维度。 0 阶张量称作标量，表示一个单独的数； 举例 S=123 1 阶张量称作向量，表示一个一维数组； 举例 V=[1,2,3] 2 阶张量称作矩阵，表示一个二维数组，它可以有 i 行 j 列个元素，每个元素可以用行号和列号共同索引到； 举例 m=
学生和班级信息管理是一个非常繁琐的工作，数量之大，传统的管理方式使用起来极其不方便，但在平时的工作生活中是不可避免的。
FancyHeatmap，是我给TBtools中“卡通式热图”命的名字。前述，在公众号上，我已经推出了这个功能相关的新手教程。在后续，我也发现有不少人已经应用：
之前搭建一个简单易用的生活物联网平台，最近进行了一些重构和优化，所以整体完成速度也很快，仅仅2小时就完成了，功能更加强大，可用于搭建物联网平台以及二次开发和学习。
用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。
流程图是对某项事情的操作过程或者是解决方法进行总结归纳的操作过程，流程图可以使着真个操作过程更加明了，那流程图怎么画？分享流程图模板及绘制方法给大家希望可以有所帮助。
数据可视化，是数据分析师日常工作中绕不开的内容之一。在工作中，如果只是以完成业务方的需求为目的，其价值会被大大缩水。本节，想和大家聊聊小火龙对于可视化的一些思考，希望你能够有所收获。
TensorFlow 2.0有一个很友好的地方，就是提供了多种不同的抽象方式，可以根据自己的需求来选择。这些API分成两种风格：
在FPGA实现图像处理算法之前我们需要验证我们的verilog代码的算法是否正确，或者是哪里出了问题，这时搭建一个图像处理的仿真平台就非常必要。我们很容易在仿真过程中找到算法的计算错误，但是下板之后就不那么容易了。所以搭建FPGA图像处理仿真平台非常必要。
今天咱们来搞点有趣的事情：人像卡通化。本文的人像卡通化功能没有使用第三方接口功能，辰哥知道百度有提供接口，并且十来行代码就可以搞定，但是有使用次数限制，所以辰哥就通过搭建神经网络模型，借助数据集进行训练，最后得到模型。
最近流行使用图床，就想着自己搭建一个，于是上网找了一些资料了解下。树洞外链是一个免费开源的外链系统，因为是中文的安装也比较简单，今天就尝试自己搭建了一个，顺便记录下安装及使用树洞外链做图床过程。 安装
Tech 导读 以低代码为基线，通过Ui2Code与ChatGPT辅助提升搭建效率，本文会详细介绍低代码搭建在京东内小程序场景的应用，低代码平台如何定位边界、如何做减法。
前言：现今最主流的处理图像数据的技术当属深度神经网络了，尤其是卷积神经网络CNN尤为出名。本文将通过讲解CNN的介绍以及使用keras搭建CNN常用模型LeNet-5实现对MNist数据集分类，从而使得读者更好的理解CNN。 1.CNN的介绍 CNN是一种自动化提取特征的机器学习模型。首先我们介绍CNN所用到一些基本结构单元： 1.1卷积层：在卷积层中，有一个重要的概念：权值共享。我们通过卷积核与输入进行卷积运算。通过下图可以理解如何进行卷积运算。卷积核从左到右对输入进行扫描，每次滑动1格（步长为1），
大数据文摘专栏 投稿作者：唐亘 *剧透：本文作者将在本周二带来题为《社交网络分析在互联网反欺诈中的应用》，感兴趣的读者可以直接拉至文末扫码报名哦！ 和武侠世界里有少林和武当两大门派一样，数据科学领域也有两个不同的学派：以统计分析为基础的统计学派，以及以机器学习为基础的人工智能派。 虽然这两个学派的目的都是从数据中挖掘价值，但彼此“互不服气”。 注重模型预测效果的人工智能派认为统计学派“固步自封”，研究和使用的模型都只是一些线性模型，太过简单，根本无法处理复杂的现实数据； 而注重假设和模型解释的统计学派则认
关于厂房，工厂园区规划，及钢结构类项目效果图制作过程中所经常遇到的一些问题，在这里予以汇总整理，并对场景搭建的流程给予简述。【西安六方体效果图工作室原创文章，请勿转载】
随着信息技术的不断发展，大量数据中心机房的建设、监控软件已经成为机房管理者的重要武器，特别是机房效果图这一块，从简易的CAD到现在的3D效果图，从静态到三维动态的改进，机房监控软件基本上可以说是从无到有的一个过程，下面本文跟大家分享机房高大上的数据中心三维可视化管理软件的三维场景制作过程（俗称：3D效果图的制作过程）。
用计算图表示：y = (x+ w) * (w+1) a = x + w b = w + 1 y = a * b
本文是继《微服务架构系列一：关键技术与原理研究》的后续，系列一中论述了微服务研究的背景和意义，主要调研了传统架构的发展以及存在的问题和微服务架构的由来，然后针对微服务架构的设计原则、容器技术、服务发现、通信机制、持续集成等方面进行了分析与研究，并简单讲述了谷歌Kubernetes的相关组件和原理。系列二依据系列一中讲述的相关技术，进行了业务原理分析和建模，然后一步步实现了基于机器学习的密码强度评测服务，搭建相关环境并部署编排服务和进行了相关验证，最后对微服务架构设计进行了总结和展望，并简单概述了后续系
之前一直在社区分享零代码&低代码的技术实践，也陆陆续续设计并开发了多款可视化搭建产品，比如：
DVWA是一款开源的渗透测试漏洞练习平台，内含XSS、SQL注入、文件上传、文件包含、CSRF和暴力破解等漏洞的测试环境。
虽然这两个学派的目的都是从数据中挖掘价值，但彼此“互不服气”。注重模型预测效果的人工智能派认为统计学派“固步自封”，研究和使用的模型都只是一些线性模型，太过简单，根本无法处理复杂的现实数据;
做爬虫的同学肯定或多或少会为验证码苦恼过，在最初的时候，大部分验证码都是图形验证码。但是前几年「极验」验证码横空出世，行为验证码变得越来越流行，其中之一的形式便是滑块验证码。
格式的文件后，在小波工具箱中打开，发现图像是一条递增的斜线（似乎是时间的递增），解决这个问题的具体步骤是什么？本文将要解决的就是上述描述的这种问题。
Growth Hacking这个词在过去一两年开始迅速从硅谷传播到国内，也诞生了一系列专注于企业数据分析业务的明星初创公司，如GrowingIO，神策数据，诸葛IO等。Growth Hacking简单的来说就是用数据驱动的方式来指导产品的迭代改进，以实现用户的快速增长，可以看看上面几家数据分析公司披露的客户就知道它有多流行了： GrowingIO客户：有赞，豆瓣，36Kr等 神策数据客户：秒拍，AcFun，爱鲜蜂，pp租车等 诸葛IO客户：Enjoy，罗辑思维等 我司的一个主要产品是面向中小诊所的运营S
从【DL笔记1】到【DL笔记N】，是我学习深度学习一路上的点点滴滴的记录，是从Coursera网课、各大博客、论文的学习以及自己的实践中总结而来。从基本的概念、原理、公式，到用生动形象的例子去理解，到动手做实验去感知，到著名案例的学习，到用所学来实现自己的小而有趣的想法......我相信，一路看下来，我们可以感受到深度学习的无穷的乐趣，并有兴趣和激情继续钻研学习。 正所谓 Learning by teaching，写下一篇篇笔记的同时，我也收获了更多深刻的体会，希望大家可以和我一同进步，共同享受AI无穷的乐趣。
Pseudoyu 是我的个人博客网站，最早使用 WordPress 搭建在自己的 Vultr vps 上，因为网络访问比较慢所以迁移到了腾讯云服务器上并且进行备案，虽然访问速度有提升，但是发布博客的流程很繁琐，服务器的维护长期也是一笔不小的开支。
随着互联网产业的迅速发展，越来越多的企业用户选择开始搭建自己的私有云平台，以达到节约成本的目的。与传统的idc数据中心中的物理服务器相比，在企业中建立私有云平台有许多好处。构建私有平台在提高资源处理灵活性的同时，还可以通过提高资源利用率来实现更高的效率，包括大幅度节能。因此，企业应该如何构建私有云平台呢？
(broker 北京)，(broker 深圳)彼此之间相距甚远，网络延迟是一个不得不面对的问题。有一个在北京 的业务(Client 北京) 需要连接(broker 北京)，向其中的交换器 exchangeA 发送消息，此时的网络延迟很小， (Client 北京)可以迅速将消息发送至 exchangeA 中，就算在开启了 publisherconfirm 机制或者事务机制的 情况下，也可以迅速收到确认信息。此时又有个在深圳的业务(Client 深圳)需要向 exchangeA 发送消息， 那么(Client 深圳) (broker 北京)之间有很大的网络延迟，(Client 深圳) 将发送消息至 exchangeA 会经历一 定的延迟，尤其是在开启了 publisherconfirm 机制或者事务机制的情况下，(Client 深圳) 会等待很长的延 迟时间来接收(broker 北京)的确认信息，进而必然造成这条发送线程的性能降低，甚至造成一定程度上的 阻塞。
本文介绍一种信息化管理的新方案，能让普通用户自主搭建管理系统，适合管理人员、IT人员阅读。
仅需要 M3 CPU 内核，总线解码模块，RAM模块，ROM模块，简单的外设模块，在配合软件驱动，一个最简的M3 SOC 系统即可运行。这里演示如何在资源有限的硬件平台上，仅利用其中的CPU部分，搭建最简单的系统。在\m3designstart\logical\cortexm3integration_ds_obs\verilog文件夹中有两个VerilogHDL文件：cortexm3ds_logic.v和CORTEXM3INTEGRATIONDS.v。其中前者是经过扰乱的Cortex-M3CPU代码，后者是对外的接口文件。
微信的小程序已经推出好一段时间了，项目组也做了好几个小程序，但都是跟同事一起协作完成的，但这次跟大家聊聊一个人如何做一款小程序。 你需要具备以下技能： 1、数据库，如Mysql或者MongoDB 2、一种后台语言：Java或Php或C++等等 3、前端JavaScript、Css 、jquery、HTML5 4、知道一点基本的设计规范 5、搭建web服务器的能力 6、一个域名（需要支持https） 解析
大家好，我是Mandy。今天给大家推荐一款开源、适合个人和小型团队的文档、知识、笔记在线管理系统。
Spektral 是一个基于 Keras API 和 TensorFlow 2，用于图深度学习的开源 Python 库。该项目的主要目的是提供一个简单但又不失灵活性的图神经网络（graph neural networks，GNNs) 框架。
推荐系统[1]（Recommender System，RS）能够根据用户的偏好主动为用户推荐商品或项目。它通过用户的历史数据来发掘用户兴趣偏好，从而将用户可能感兴趣的物品推送给用户，一个设计出色的推荐系统能够为企业带来可观的经济效益。
导语 Keras是Python中以CNTK、Tensorflow或者Theano为计算后台的一个深度学习建模环境。相对于其他深度学习的框架，如Tensorflow、Theano、Caffe等，Keras在实际应用中有一些显著的优点，其中最主要的优点就是Keras已经高度模块化了，支持现有的常见模型（CNN、RNN等），更重要的是建模过程相当方便快速，加快了开发速度。 笔者使用的是基于Tensorflow为计算后台。接下来将介绍一些建模过程的常用层、搭建模型和训练过程，而Keras中的文字、序列和图像数据预处
“产品使用攻略”、“上云技术实践” 有奖征集啦～ 图片案例名称案例简介使用 AWS S3 SDK 访问 COS介绍如何使用 S3 SDK 的接口访问 COS 上的文件。Web 端直传实践介绍如何不依赖 SDK，仅使用简单的代码，实现在 Web 端直传文件到 COS 的存储桶。将 COS 作为本地磁盘挂载到 Windows 服务器介绍如何将 COS 挂载到 Windows 服务器上，映射为本地磁盘。第三方云存储数据迁移至 COS介绍如何将第三方云平台的存储数据快速迁移至 COS。使用 COS 静态网站功能搭建
Pix2Pix是一种基于条件生成对抗网络的深度学习图像转换模型，可以实现多种图像之间的转换，如语义/标签到真实图片、灰度图到彩色图等。该模型由Phillip Isola等作者在2017年CVPR上提出，包括生成器和判别器两个模型。相比传统方法，Pix2Pix使用通用框架和相同的架构和目标训练不同的数据，得到令人满意的结果。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
云直播
