1 使用 Mybatis puls 引入 Mybatis plus 依赖，代替原有 Mybatis 依赖： 12345<dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-boot-starter</artifactId> <version>3.5.3.1<version></dependency> 定义 mapper 接口，继承 BaseMapper： 12public interface UserMapper extends BaseMapper<User> { } 内容 说明 表名规则 默认以类名驼峰转下划线作为表名 主键规则 默认把名为 id 的字段作为主键 字段名规则 默认把变量名驼峰转下划线作为表字段名 常用注解 @TableName：指定表名及全局配置@TableId：指定主键字段及配置@TableFiel ...

通过本篇教程，您可以在 Linux 服务器上部署一个将 GitHub Copilot API 伪装为 OpenAI / Anthropic 兼容接口的代理服务，支持 Bun 运行、systemd 守护与反向代理增强，适合需要统一 AI 入口的个人或团队快速上手。

前言 前言 Gemini 作为一款强大的 AI 工具，在日常使用中可能会遇到网络访问限制或直连不便的问题。本教程将详细介绍如何利用 1Panel 面板的强大反向代理功能，为 Gemini 服务搭建一个稳定、高效且易于访问的中转点。通过这种方式，您不仅可以解决潜在的访问障碍，还能进一步优化连接体验，确保流畅使用 Gemini 的各项功能。 准备工作 一台可以连接Gemini的外网服务器 已安装1Panel 一个域名（例如 gemini.yourdomain.com），用于通过反向代理访问 Gemini 服务。 域名解析配置，将您的域名指向 1Panel 所在服务器的 IP 地址。 反向代理配置 首先，我们需要在左侧网站创建一个反向代理网站来反向代理 Gemini 按照下图进行配置

本文介绍如何为哪吒监控V1配置反向代理和CDN，使其能够通过单一域名访问，同时提升访问速度和安全性。

详细教程：如何为 Hexo AnZhiYu 主题配置自定义 AI 摘要平台，支持 OpenAI 兼容 API

1 集成学习 1.1 集成学习思想 Bagging（随机森林） Boosting（AdaBoost、GBDT、XGBoost） 集成学习是机器学习中的一种思想，它通过多个模型的组合形成一个精度更高的模型，参与组合的模型成为弱学习器（基学习器）。训练时，使用训练集依次训练出这些弱学习器，对未知的样本进行预测时，使用这些弱学习器联合进行预测。 1.2 集成学习分类 Bagging：随机森林 Boosting：Adaboost、GBDT、XGBoost、LightGBM 1.2.1 Bagging思想 有放回的抽样(bootstrap抽样)产生不同的训练集，从而训练不同的学习器 通过平权投票、多数表决的方式决定预测结果 弱学习器可以并行训练 Bagging思想图 目标：把下图的圈和方块进行分类 采样不同数据集 训练分类器 平权投票，获取最终结果 1.2.2 Boosting思想 每一个训练器重点关注前一个训练器不足的地方进行训练 通过加权投票的方式，得出预测结果 串行的训练方式 Boosting思想生活中的举例 滚球兽→亚古兽→暴龙兽→机械 ...

介绍下如何用 GitHub Actions 来自动部署基于 Hexo 的 Blog。 建议大家先看一下 GitHub Actions 官方的介绍，不然对于下面的内容可能没有办法很好的理解。 Hexo 首先我们先要在本地确保 Hexo 是可以正确运行的，比如： 12hexo cleanhexo deploy 至于如何设置和使用 Hexo，请参考 [https://hexo.io/ 至于如何使用 GitHub Pages 部署自己的网站，请参考：https://pages.github.com/（我使用的腾讯云 EdgeOne Pages，国内访问挺快的，国外可以用 Vercel 或者 cloudflare） 确认 _config.yml 文件中有类似如下的 GitHub Pages 配置： 1234deploy: type: git repository: git@github.com:sssstarrr/sssstarrr.github.io.git branch: main 注意：请将 repository 修改为你自己的仓库地址。 生成秘钥 Windows 用户可以在 ...

前提精要：上一篇实讲 Hexo 博客自动化部署教程，适合想要提升博客维护效率的用户。教程从本地环境验证开始，逐步指导用户完成 SSH 密钥生成、GitHub 仓库配置、工作流文件创建等关键步骤。重点强调了私钥和公钥的正确配置方法，以及如何设置 GitHub Actions 的触发条件和执行环境。教程还提供了完整的 YAML 配置文件示例，用户只需替换相应的仓库地址和用户信息即可直接使用。通过这套方案，用户可以实现“一次推送，自动部署“的便捷体验。 个人纪录如何用腾讯云EdgeOne Pages 进行集成部署 CI（每次提交代码后，自动执行构建、单元测试、静态检查、打包等）、CD（在CI通过后，自动将产物发布到测试/预发/生产环境） 环境准备： 腾讯云账号 已完成之前在 Github Actions 自动部署 Hexo 01. EdgeOne Pages 授权 有两种方式，一种是普通网站，另一种是 Pages 这里选择Git，因为它可以直接关联 git 代码仓库，就无需自己执行 build 的流程，比较方便，使用上文在 hexo 源代码仓库自动进行构建后生成的构建产物仓库 于是选 ...

1 Hexo 数学渲染器插件 1.1 hexo-renderer-marked hexo-renderer-marked 是 Hexo 默认的渲染器，不支持复杂的数学公式，正是我需要换掉的。 1.2 hexo-renderer-kramed hexo-renderer-kramed 在默认渲染器的基础上添加了 MathJax 的支持，支持更多的数学公式，与原渲染器有冲突，需要先卸载默认的渲染器再使用它。 12npm uninstall hexo-renderer-marked --save # 先卸载原渲染器npm install hexo-renderer-kramed --save # 安装 hexo-renderer-kramed 配置 Hexo 根目录的配置文件 _config.yml： 12345678kramed: gfm: true pedantic: false sanitize: false tables: true breaks: true smartLists: true smartypants: true 采用这种渲染器对于大多数公式都没有 ...

1 KNN算法（k-近邻算法 K-Nearest Neighbors） 是一种基本的分类与回归算法，属于监督学习算法 1.1 工作原理 计算距离；计算待分类样本跟训练集中每个样本的距离。 选择K个近邻：根据计算的距离，选择距离最近的k个样本。 投票或平均： 分类任务：统计K个近邻各类别的数量，将待分类样本归为数量最多的类别。 回归任务：取K个近邻的平均值作为预测结果。 1.2 关键参数 距离度量方法 K值：K小容易过拟合（容易模拟噪声），K大容易欠拟合（如将K = n，只用计算哪一类最多） 1.3 优缺点： 优点： 简单直观，易于理解和实现 无需训练过程，直接利用训练数据进行预测 缺点： 计算量大，尤其是训练集较大时。 对噪声数据较敏感。 1.4 使用 123456789101112131415161718192021222324252627282930313233343536373839404142434445# 分类from nltk.app.nemo_app import colorsfrom sklearn.neighbors import KNeig ...

1 线性回归简介 1.1 什么是线性回归 线性回归（Linear Regression）是一种用于建模两个或多个变量之间线性关系的统计方法。它通过拟合一条直线（或超平面）来描述自变量（输入特征）与因变量（输出目标）之间的关联，并可用于预测或分析变量间的影响关系。 假设因变量y与自变量x1,x2,…,xn之间的关系可以用如下线性方程表示： y=β0+β1x1+β2x2+…+βnxn β0：截距，模型在自变量全为0时的基准值 β1,β2,…,βn：自变量的系数，表示每个自变量对因变量的影响程度 通过估计这些系数，使模型预测值尽可能接近真实值。 1.1.1 一元线性回归 仅有一个自变量： 1.1.2 多元线性回归 包含多个自变量： 1.2 线性回归应用场景 GDP预测：用历史数据（如投资、消费、出口）建立回归模型，预测GDP增长趋势。 广告效果评估：量化不同渠道广告投入对销售额的影响，优化预算分配。 药物剂量研究：分析药物剂量与患者生理指标（如血压、血糖）之间的关系。 产品质量控制：通过生产参数（温度、压力、原料配比）预测产品性能（如强度、耐久）。 政策效果评估：分析最低工 ...

通过hexo-abbrlink插件生成永久固定链接，解决Hexo默认URL格式冗长的问题，提高SEO效果

使用Docker自建Twikoo本地评论系统的完整教程，包括环境准备、部署配置和前端引用方法