首页 文章 精选 留言 我的

精选列表

搜索[监督学习]，共10000篇文章
优秀的个人博客,低调大师

神经进化是深度学习的未来

过去几年时间里，我们有一个完整的团队致力于人工智能研究和实验。该团队专注于开发新的进化计算方法（EC），包括设计人工神经网络架构、构建商业应用程序，以及使用由自然进化激发的方法来解决具有挑战性的计算问题。这一领域的发展势头非常强劲。我们相信进化计算很可能是人工智能技术的下一个重大课题。 EC与Deep Learning（DL）一样都是几十年前引入的，EC也能够从可用的计算和大数据中得到提升。然而，它解决了一个截然不同的需求：我们都知道DL侧重于建模我们已知的知识，而EC则专注于创建新的知识。从这个意义上讲，它是DL的下个步骤：DL能够在熟悉的类别中识别对象和语音，而EC使我们能够发现全新的对象和行为-最大化特定目标的对象和行为。因此，EC使许多新的应用成为可能：为机器人和虚拟代理设计更有效的行为，创造更有效和更廉价的卫生干预措施，促
2018-03-19
优秀的个人博客,低调大师

关于java中的类的学习

设计模式应该牵扯到类的分布排列了,尽管现在我只能这么表达. 下面来自段帅发来的视频课程中的整理: 类与类之间的关系 每天进步一点点 类是java程序中最小组成单位,要理解后才可以更能理解类继承,重载,等java特性和java代码的视觉观性.泛化关系(类和类之间的继承,接口和接口之间的继承,A is a B) 实现关系(A like a B) 关联关系(A has a B) [聚合,合成,依赖也算属于关联关系.]聚合关系( 是一个特殊的关联关系,整体和部分之间的关系,整体不会决定部分的生命周期 ) 上图中+stus的加号表示公开,减号表示私有.合成关系( 是一个特殊的关联辊系,整体和部分之间的关系,整体会决定部分的生命周期 ) 依赖关系( 主要体现在局部变量上,类和类体中的局部变量之间的关系,方法执行结束,该局部变量的内存就消失了 ) 将编程看作是一门艺术，而不单单是个技术。 敲打的英文字符是我的黑白琴键， 思维图纸画出的是我编写的五线谱。 当美妙的华章响起，现实通往二进制的大门即将被打开。
2018-03-14
优秀的个人博客,低调大师

Java-学习笔记-4-抽象

不足之处，欢迎专家、同行、读者批评指正。 上一篇在说类库文件时提到了封装，不够严谨，这一篇来简单讲讲。 抽象和封装，这是面向对象程序设计中的一个重要思想。换句话说，是思维方式的转变。以前我们编程，是围绕某一个问题的，研究它的过程是怎样的。现在嘛，是考虑不同的对象之间的信息传递，更适合来写不同对象交互信息的业务。 先说说抽象。最关键的在于属性和功能。举个例子吧，比如说现在你要去图书馆借书，那对你来说，你的属性就是个人ID，借阅权限，借了几本书等等，图书馆那边对象很多，比如说管理员、书等等。你们之间的业务往来，就可以看作功能。 更直白点说，属性通常就是信息的那个值，编程时我们写成int的这种，所谓的功能就是对这个值进行操作的函数或者说方法。当然啦，一个类之中嵌套另一个类，并且把里边的那个类看做是成员变量，这种情况也是有的，不过在理解含义时可以把它和上文的“值”看作一回事。
2018-02-27
优秀的个人博客,低调大师

Java-学习笔记-5-封装

不足之处，欢迎专家、同行、读者批评指正。 抽象和封装其实可以放到一起来记。 封装，字面意思看起来像是封上口打包装起来——实际上就是这个意思。只不过，这里我们打包的不是快递包裹，是代码的源文件。Java是有包管理机制的。 这个包，在资源管理器里看的话，是一个个的文件夹——但反过来不能说文件夹就是包。你看，封装，打包，命名的时候就是这么直白。 这个机制，是对访问权限的限制。不过它限制的不是我们。作为开发者，我们自己所负责的几个包中，所有代码都是可以看到的。但是，它限制了不同包的源文件中的变量或者方法，访问其他源文件中的变量或者方法的权限。 关于这个，和C++相似，但不一样。具体可以查阅文档。搜索的关键字可以是public、private等。 是的，文档永远是第一手信息。
2018-02-27
优秀的个人博客,低调大师

Java-学习笔记-6-继承

不足之处，欢迎专家、同行、读者批评指正。 我们写代码，当然是希望越简单越好——这个简单是说简洁没有废话，但也不是极端的少，而是必须便于理解，不是秀操作的那种一行写完原本十行的逻辑，让别人读起来像做解谜游戏一样。 继承就有这个好处。 在面向对象的思想中，我们操作的是一个个的对象。如果对象之间有从属关系，我们再去写其中相同的内容，岂不是很多余？这时候就该用上继承了。 当然，继承的作用远不止如此。 继承、多态、某种角度还可能要算上接口，这些是需要打通理解的知识点。
2018-02-27
优秀的个人博客,低调大师

Java-学习笔记-7-多态

不足之处，欢迎专家、同行、读者批评指正。 关于多态，我在学的时候遇到了不同的划分范畴的说法。一种理解是，子类对象分别各自实现父类对象的同一个方法。而我本科所用的教材，则是说这个有子类对象作为父类对象引用、子类对父类方法的覆盖、同一个类中方法的覆盖。（因为这个是之前面试时我和面试官分歧的地方，所以印象深刻，他持第一种观点，认为我提到的“同一个类中方法的覆盖”这个不是多态） 之前写了几篇文章，似乎没什么人关注。如果有人关注的话，稍后我会补上自己总结的用来理解的代码示例。
2018-02-27
优秀的个人博客,低调大师

Java-学习笔记-8-接口

不足之处，欢迎专家、同行、读者批评指正。 Java在设计的时候为了求简，是舍弃了多继承机制的。但是，实际开发中有时候又需要用。于是，开发者们就曲线救国，通过接口来变相地实现多继承。 其实我个人也比较赞同单继承。接口和继承，是两个不同层次的概念，本来不应该相提并论的。不过在使用时，比较接近。 今天太晚了，先写到这里。如果有人关注的话，稍后我会补上更多的理解。
2018-02-27
优秀的个人博客,低调大师

Java-学习笔记-1-概述

不足之处，欢迎专家、同行、读者批评指正。 源起 Java语言的前身是oak语言——oak是在1991年诞生于Sun公司的研究项目，由 James Goslingt 和 Patrick naughton 这两位大牛负责。这个项目最初是为了给消费级电子设备（通俗点说就是家用电器）提供一个通用的开发环境，结果并不成功。这个不成功说的是这个项目它不赚钱，不是说这个oka没开发出来。 简单说一下这个oka。一开始他们本来是打算用c++的，但是C++的安全性差。所以他们就参考C++开发了一个新语言，oak。也就是C特性的一些语法，加上安全性方面的机制。 回来接着说这个项目。正所谓乱世出英雄，这个生不逢时的oak项目，在互联网时代迎来了曙光。因为它的三大特性：跨平台、面向对象、安全性高，正好符合互联网的需要。跨平台，这个是他们一开始就设计好的，因为当初就是为了解决不同设备的通用环境问题。面向对象，这个是C++的特性。安全性，这个是他们自己补充的。但是oak不是拿来就能在Internet上直接用的，所以他们就结合互联网的需求，重新设计了一下oak，最后把它取名叫做Java——没错，就是爪哇，图标都配的是当地特产咖啡。这是在1995年，Java正式面世。 Java与C++的比较 先说它们两个的相同点：它们都是面向对象的——Java当初在设计的时候就向C++借鉴了这一点。所以他们在语法上也非常相似。 接下来再说说它们的不同点。它们最大的不同就是：Java不支持指针，而C++是支持指针的。指针对于编程新手来说，非常的不友好。甚至可能在开发的过程中造成严重的后果。而Java由于不支持指针，从一开始就限制了程序员不能使用指针，主动避免了这个问题。所以说Java比C++简单了很多。这也是Java广受欢迎，应用广泛的原因之一。 第二个不同点。Java 需要被编译成虚拟机的字节码，通过虚拟机来运行。而C++则是直接编译成机器码，然后直接运行。由此可以看出，Java的运行效率是不如C++的。 第三个不同点。Java 中最基本的数据类型都有规定的字节大小。而C++中数据类型的字节大小，要看它具体是怎么实现的。Java中所有对象都是按引用传递的。而C++中的对象都是按值传递的。 第四个不同点。C++保留了许多 C 的功能，这些是面向底层的。Java 中去除了这些功能。同时，Java 用垃圾回收代替了程序员自己释放内存，还放弃了运算符重载和多重继承等这些c++的功能。但在Java的实际编程操作中，我们可以利用接口来实现有限制的多重继承。 第五个不同点。Java更关注的是安全性，可移植性和快速开发。C++则是关注性能和对C向下兼容。
2018-02-24
优秀的个人博客,低调大师

机器学习实例-titanic数据预处理

加载数据集，打印前五行： import numpy as np import pandas as pd import seaborn as sns from scipy import stats,integrate import matplotlib.pyplot as plt %matplotlib inline data=pd.read_csv("Desktop/titanic_train.csv") print(data.head()) PassengerId Survived Pclass \0 1 0 3 1 2 1 1 2 3 1 3 3 4 1 1 4 5 0 3 Name Sex Age SibSp \ 0 Braund, Mr. Owen Harris male 22.0 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1 2 Heikkinen, Miss. Laina female 26.0 0 3 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0 1 4 Allen, Mr. William Henry male 35.0 0 Parch Ticket Fare Cabin Embarked 0 0 A/5 21171 7.2500 NaN S 1 0 PC 17599 71.2833 C85 C 2 0 STON/O2. 3101282 7.9250 NaN S 3 0 113803 53.1000 C123 S 4 0 373450 8.0500 NaN S 查看原始数据统计结果： print(data.describe()) PassengerId Survived Pclass Age SibSp \count 891.000000 891.000000 891.000000 714.000000 891.000000 mean 446.000000 0.383838 2.308642 29.699118 0.523008 std 257.353842 0.486592 0.836071 14.526497 1.102743 min 1.000000 0.000000 1.000000 0.420000 0.000000 25% 223.500000 0.000000 2.000000 20.125000 0.000000 50% 446.000000 0.000000 3.000000 28.000000 0.000000 75% 668.500000 1.000000 3.000000 38.000000 1.000000 max 891.000000 1.000000 3.000000 80.000000 8.000000 Parch Fare count 891.000000 891.000000 mean 0.381594 32.204208 std 0.806057 49.693429 min 0.000000 0.000000 25% 0.000000 7.910400 50% 0.000000 14.454200 75% 0.000000 31.000000 max 6.000000 512.329200 可以看到Age这一项有缺失值。 填充缺失值有很多种方法，最常见的比如说均值填充，中位数填充，等等。 首先看一下年龄数据的原始分布状况： sns.distplot(data["Age"].dropna(),kde=True,bins=50,fit=stats.gamma)#dropna()处理浮点数据 先用均值填充： data["Age"]=data["Age"].fillna(data["Age"].mean()) sns.distplot(data["Age"].dropna(),kde=True,bins=50,fit=stats.gamma) 可以明显看到图像已经变形，虽然也可以用均值填充的数据进行训练，但如果可以改进填充方式，就可以使数据分布更接近实际。 于是我们提取一些与年龄相关的特征，比如船票（年轻人通常比较穷，富人年纪大），家庭成员数量，兄弟姐妹数量，船舱等级等。 在正式训练数据前，先通过线性回归大致预测一下年龄缺失的部分人的年龄。 print(age_df.head(10)) Age Fare Parch SibSp Pclass0 22.000000 7.2500 0 1 31 38.000000 71.2833 0 1 12 26.000000 7.9250 0 0 33 35.000000 53.1000 0 1 14 35.000000 8.0500 0 0 35 27.525206 8.4583 0 0 36 54.000000 51.8625 0 0 17 2.000000 21.0750 1 3 38 27.000000 11.1333 2 0 39 14.000000 30.0708 0 1 2 可以看到，船票价格相比其他数据非常高，先对船票价格进行标准化处理 #标准化 from sklearn import preprocessing age_df=data[["Age","Fare","Parch","SibSp","Pclass"]].copy()#.copy()用于复制原始数据，否则在为DataFrame对象新增一列数据时会报错“A value is trying to be set on a copy of a slice from a DataFrame.” #scaler=preprocessing.StandardScaler() #age_df["Fare_scaled"]=scaler.fit_transform(age_df.loc[:,"Fare"])#数据维数问题出错了，暂不知如何解决 age_df["Fare_scaled"] = preprocessing.scale(age_df.loc[:,"Fare"]) print(age_df.head(10)) del age_df["Fare"] Age Fare Parch SibSp Pclass Fare_scaled0 22.000000 7.2500 0 1 3 -0.5024451 38.000000 71.2833 0 1 1 0.7868452 26.000000 7.9250 0 0 3 -0.4888543 35.000000 53.1000 0 1 1 0.4207304 35.000000 8.0500 0 0 3 -0.4863375 27.525206 8.4583 0 0 3 -0.4781166 54.000000 51.8625 0 0 1 0.3958147 2.000000 21.0750 1 3 3 -0.2240838 27.000000 11.1333 2 0 3 -0.4242569 14.000000 30.0708 0 1 2 -0.042956 数据处理结束，分割数据集： #分割有缺失值的数据集 known_age=age_df[age_df.Age.notnull()] unknown_age=age_df[age_df.Age.isnull()] #print(known_age.head()) x=known_age.iloc[:,1:] y=known_age.iloc[:,0] x_test=unknown_age.iloc[:,1:] y_pred=unknown_age.iloc[:,0] 训练模型，预测结果，填充缺失值： from sklearn import linear_model lr = linear_model.LinearRegression() model=lr.fit(x,y) y_pred=lr.predict(x_test) data.loc[data.Age.isnull(),"Age"]=y_pred sns.distplot(data["Age"].dropna(),kde=True,bins=50,fit=stats.gamma) 填充结果如上图，相比均值填充，通过模型填充缺失值得到了更符合真实分布的数据。
2018-02-21
优秀的个人博客,低调大师

NLTK基础教程学习笔记（十三）

在信息摘要应用中还包含着另一种理论逻辑：重要的句子中通常包含着重要的词汇，而跨语料库的差异词（discriminatory word）绝大多数数是重要词汇。因此，句子中包含具有差异很大的词汇，它就很重要。这样就得到一个非常简单的测量方法，就是计算每一个词各种的TF-IDF（term frequency-inverse document ）分值，然后根据词汇的重要性找出一种标准化的凭据评分。这个评分就可以用来充当在信息摘要中选取句子的标准。 TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜寻引擎应用，作为文件与用户查询之间相关程度的度量或评级。除了TF-IDF以外，因特网上的搜寻引擎还会使用基于连结分析的评级方法，以确定文件在搜寻结果中出现的顺序。按照其不拿整段介绍来做，只拿前三句来实践，我拿了前一段： import nltk from sklearn.feature_extraction.text import TfidfVectorizer f=open('news.txt') news_content=f.read() results=[] sentences=nltk.sent_tokenize(news_content) vectorizer=TfidfVectorizer(norm='l2',min_df=0,use_idf=True,smooth_idf=False,sublinear_tf=True) sklearn_binary=vectorizer.fit_transform(sentences) print(vectorizer.get_feature_names()) print(sklearn_binary.toarray()) 结果： ['accept', 'accepting', 'altria', 'and', 'announce', 'approaches', 'arthur', 'as', 'at', 'be', 'birth', 'britain', 'british', 'by', 'caliburn', 'ceremonial', 'character', 'decides', 'despite', 'destined', 'dies', 'draws', 'ector', 'eligible', 'embedded', 'enters', 'entrusted', 'explaining', 'fearing', 'fifteen', 'following', 'for', 'full', 'gender', 'growing', 'hardships', 'heir', 'her', 'hesitation', 'his', 'however', 'if', 'in', 'inspired', 'invasion', 'is', 'king', 'knight', 'known', 'large', 'leadership', 'leaving', 'legends', 'legitimate', 'loyal', 'mantle', 'merlin', 'monarch', 'name', 'nativity', 'never', 'no', 'not', 'of', 'or', 'pendragon', 'people', 'period', 'preserving', 'publicly', 'pulling', 'raises', 'recognize', 'responsible', 'ruler', 'saber', 'saxons', 'she', 'shoulders', 'sir', 'slab', 'son', 'soon', 'stone', 'subjects', 'surrogate', 'sword', 'symbolic', 'that', 'the', 'this', 'threat', 'throne', 'to', 'turmoil', 'uther', 'welfare', 'when', 'who', 'will', 'withdraws', 'without', 'woman'] [[ 0. 0. 0.15095332 0. 0. 0. 0.31622502 0. 0. 0. 0. 0. 0. 0.20340954 0. 0. 0.31622502 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.31622502 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.31622502 0. 0.17386773 0.24504638 0. 0. 0. 0. 0. 0.31622502 0. 0. 0. 0. 0. 0.31622502 0. 0. 0. 0. 0.15095332 0. 0.31622502 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.31622502 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.15095332 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. ] [ 0.23250474 0. 0.11098857 0. 0.23250474 0. 0. 0.14955705 0.23250474 0. 0.23250474 0. 0. 0. 0. 0. 0. 0.23250474 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.23250474 0. 0. 0. 0. 0.18017058 0. 0. 0. 0.11098857 0. 0.23250474 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.23250474 0. 0. 0. 0. 0. 0.23250474 0.23250474 0. 0.23250474 0. 0.23250474 0. 0. 0. 0. 0.23250474 0. 0. 0. 0. 0.18017058 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.23250474 0. 0. 0. 0. 0. 0. 0. 0. 0.14955705 0. 0.18017058 0. 0. 0. 0.14955705 0. 0. 0.23250474] [ 0. 0. 0. 0. 0. 0. 0. 0.18736875 0. 0. 0. 0. 0. 0.18736875 0. 0. 0. 0. 0. 0. 0. 0. 0.29128766 0. 0. 0. 0.29128766 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.13904921 0. 0. 0. 0. 0. 0. 0. 0.1601566 0. 0.29128766 0. 0. 0. 0. 0. 0. 0.29128766 0. 0.22572213 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.29128766 0. 0. 0. 0. 0. 0.18736875 0. 0.29128766 0. 0.29128766 0. 0. 0. 0.29128766 0. 0. 0. 0. 0. 0. 0. 0.18736875 0. 0. 0. 0. 0.29128766 0. 0. 0. 0. ] [ 0. 0. 0.14155101 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.29652856 0. 0. 0.29652856 0. 0. 0. 0. 0. 0.29652856 0. 0. 0. 0. 0. 0. 0.29652856 0. 0. 0. 0. 0. 0. 0. 0. 0.16303816 0.22978336 0. 0.29652856 0. 0. 0.29652856 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.29652856 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.14155101 0. 0. 0.29652856 0.19073992 0. 0.22978336 0. 0.29652856 0. 0. 0. 0. 0. ] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.24121053 0. 0.20022545 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.31127497 0. 0. 0. 0. 0.31127497 0. 0. 0. 0.31127497 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.31127497 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.25158536 0. 0. 0. 0.31127497 0. 0. 0. 0. 0. 0. 0. 0. 0.31127497 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.25158536 0. 0.31127497 0. 0. 0.31127497 0. 0. 0. 0. 0. 0. 0. 0. ] [ 0. 0. 0.10632924 0. 0. 0.22274414 0. 0.14327861 0. 0. 0. 0. 0.22274414 0. 0.17260697 0.22274414 0. 0. 0. 0.22274414 0. 0. 0. 0. 0.22274414 0. 0. 0.22274414 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.10632924 0. 0. 0. 0.22274414 0.22274414 0. 0. 0. 0. 0. 0. 0.22274414 0. 0. 0. 0. 0. 0. 0.17260697 0. 0. 0. 0. 0. 0. 0.10632924 0. 0. 0.17260697 0. 0. 0. 0. 0. 0.22274414 0. 0.17260697 0. 0. 0.14327861 0. 0. 0.22274414 0. 0.22274414 0.22274414 0. 0. 0.17260697 0. 0.22274414 0.10632924 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.14327861 0.22274414 0. 0. ] [ 0. 0.24521796 0.11705736 0.19002219 0. 0. 0. 0. 0. 0.24521796 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.24521796 0. 0. 0. 0.24521796 0. 0.11705736 0. 0. 0.24521796 0. 0. 0. 0. 0.13482643 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.24521796 0. 0. 0. 0. 0. 0.24565801 0. 0. 0.19002219 0. 0.24521796 0. 0.24521796 0. 0. 0.24521796 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.19002219 0.24521796 0. 0.19819534 0.24521796 0. 0. 0. 0. 0. 0.24521796 0. 0. 0.15773474 0. 0. 0. ] [ 0. 0. 0. 0.38872173 0. 0. 0. 0. 0. 0. 0. 0.22958532 0. 0. 0.22958532 0. 0. 0. 0.29627299 0. 0. 0.29627299 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.22958532 0. 0. 0. 0.14142901 0.29627299 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.29627299 0. 0. 0. 0. 0.29627299 0. 0. 0. 0. 0. 0. 0. 0.14142901 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.19057553 0.29627299 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.29627299 0. ]]
2018-02-08

资源下载

更多资源
腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

时间: 2026-08-21 大小: 1MB 下载: 10次
Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

时间: 2026-09-24 大小: 189MB 下载: 9次
Rocky Linux

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

时间: 2026-08-21 大小: 1.42GB 下载: 6次
WebStorm

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。

时间: 2025-12-13 大小: 249.54MB 下载: 22次
热门标签
DeepSeek Jdk25 OpenAi HarmonyOS6 Nacos3 SpringBoot4 SpringCloud Docker Kubernetes Service Mesh Redis Gemini3 Rocky

欢迎您来访！

登录后，您将获得更多功能！
热门文章
联系我们

有任何问题或合作意向欢迎联系我们

Email: 99873273@qq.com

QQ: 99873273

用户登录
用户注册