本文中涉及到的开源软件排名不分先后，本文也不对涉及的开源软件做好与坏的评价，适合自己，能够发挥价值，就好。
一款开源工作流管理软件套件。
找到它是因为看到Odoo在2019年的一个视频，然后在github上找到了Odoo12与PM3.2的链接器模块，当然由于Odoo12与PM3.2这两个的版本都已经成为陈年往事，我们就没有测试，直接升级成了Odoo15与PM4.1。
想要体验的话，使用docker部署一个本地环境还是很简单的，克隆仓库下来，地址：https://github.com/ProcessMaker/pm4core-docker，直接docker-compose up -d即可。env文件是可选项，所以我们没选。
本文不涉及软件的用法，那么对各位看官有什么价值呢？我想在本文中列出来的软件，起码在体验环境搭建上都是比较容易的，另外就是可以当个故事听听，丰富自己的知识面。
一款超轻量级开源云平台。https://nanos.cloud/
找到它是因为需要为高校私有云搭建选型。常年关注开源软件的我们，拿到一款软件，第一件事就是搭建体验环境。有些软件要想搭建起来体验环境是非常不容易的，版本啊，梯子啊，各种阻碍。看到Nano首页的时候，特别赞同作者的话，就毫不犹豫将其作为首选了。
Nano的诞生，起源于公司内部为了搭建大数据平台开发环境而进行的云计算平台选型。公司有一堆x86服务器，只需要创建出实例，网络连通就行，但是没想到这个简单的要求，却没那么容易搞定。我们调研了很多现有的云计算和虚拟化平台，发现许多知名产品内部组件繁多，相互之间重重关联，产品体系庞大，概念名词也很多，导致学习困难，配置也极为复杂，难以维护。
Isard VDI是一款免费软件桌面虚拟化平台（觉得中文别扭的看官，可以看英文： IsardVDI is a Free Software desktop virtualization platform），找到它是因为需要为客户的外包团队提供商业VDI替代方案。我们团团队由于是offsite，所以常年使用VDI，其实对于外包团队来说也就那么回事儿，但是对于企业来讲就是很大的成本。
Isard在github上的星星才一百多个，感觉这个跟市场有关，我们是根据代码的更新频率决定去体验一下，参照官方给的quick start（https://isard.gitlab.io/isardvdi-docs/install/#quick-start），经历了一点小波折将系统运行了起来。
什么波折呢？Isard整个运行起来有十几个容器，其中的gcr.io/cadvisor/cadvisor托管在google，要想pull下来需要使用替代地址，这个就不在这里贴了，因为后期不一定就是有效的，另外目前也不建议大家去体验Isard。
出了什么问题呢？无法下载镜像！我们会一直跟官方团队保持联系，后续也可能拿出资源来调查这个问题。
官方着重介绍RustDesk为“开源虚拟与远程桌面基础架构”，是一款开箱即用，不用什么配置的远程桌面软件。找到它是因为Isard VDI暂时无法应用，所以先用着远程桌面。至于为什么不选用teamXX或者某葵，这里就不说了，大家领域不同，思路不一样。
RustDesk支持的客户端挺全面，当即下载了windows和mac os进行试用，没啥问题。后续会搭建一下中继服务器，进行一个较全面的使用。
Ⅰ软件测试基础一、软件测试基础理论1、软件测试的必要性所有的产品或者服务上线都需要测试2、测试的发展过程3、什么是软件测试找bug，发现缺陷4、测试的定义使用人工或自动的手段来运行或者测试某个系统的过程。目的在于检测它是否满足规定的需求。弄清预期结果和实际结果的差别。5、测试的目的以最小的人力、物力和时间找出软件中潜在的错误和缺陷6、测试的原则28原则：20%的主要功能要重点测（eg：支付宝的支付功能，其他功能都是次要的）80%的错误存在于20%的代码中7、测试标准8、测试的基本要求功能测试性能测试安全性测试兼容性测试易用性测试外观界面测试可靠性测试二、质量模型衡量一个优秀软件的维度①功能性功
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
SPI接收数据左移一位问题目录SPI接收数据左移一位问题一、问题描述二、问题分析三、探究原理四、经验总结最近在工作在学习调试SPI的过程中遇到一个问题——接收数据整体向左移了一位（1bit）。SPI数据收发是数据交换，因此接收数据时从第二个字节开始才是有效数据，也就是数据整体向右移一个字节（1byte）。请教前辈之后也没有得到解决，通过在网上查阅前人经验终于解决问题，所以写一个避坑经验总结。实际背景：MCU与一款芯片使用spi通信，MCU作为主机，芯片作为从机。这款芯片采用的是它规定的六线SPI，多了两根线：RDY和INT，这样从机就可以主动请求主机给主机发送数据了。一、问题描述根据从机芯片手
最近在学习CAN，记录一下，也供大家参考交流。推荐几个我觉得很好的CAN学习，本文也是在看了他们的好文之后做的笔记首先是瑞萨的CAN入门，真的通透；秀！靠这篇我竟然2天理解了CAN协议！实战STM32F4CAN！原文链接：https://blog.csdn.net/XiaoXiaoPengBo/article/details/116206252CAN详解（小白教程）原文链接：https://blog.csdn.net/xwwwj/article/details/105372234一篇易懂的CAN通讯协议指南1一篇易懂的CAN通讯协议指南1-知乎(zhihu.com)视频推荐CAN总线个人知识总
深度学习部署：Windows安装pycocotools报错解决方法1.pycocotools库的简介2.pycocotools安装的坑3.解决办法更多Ai资讯：公主号AiCharm本系列是作者在跑一些深度学习实例时，遇到的各种各样的问题及解决办法，希望能够帮助到大家。ERROR:Commanderroredoutwithexitstatus1:'D:\Anaconda3\python.exe'-u-c'importsys,setuptools,tokenize;sys.argv[0]='"'"'C:\\Users\\46653\\AppData\\Local\\Temp\\pip-instal
我完全不是程序员，正在学习使用Ruby和Rails框架进行编程。我目前正在使用Ruby1.8.7和Rails3.0.3，但我想知道我是否应该升级到Ruby1.9，因为我真的没有任何升级的“遗留”成本。缺点是什么？我是否会遇到与普通gem的兼容性问题，或者甚至其他我不太了解甚至无法预料的问题？ 最佳答案 你应该升级。不要坚持从1.8.7开始。如果您发现不支持1.9.2的gem，请避免使用它们(因为它们很可能不被维护)。如果您对gem是否兼容1.9.2有任何疑问，您可以在以下位置查看:http://www.railsplugins.or
如何学习ruby的正则表达式？(对于假人) 最佳答案 http://www.rubular.com/在Ruby中使用正则表达式时是一个很棒的工具，因为它可以立即将结果可视化。 关于ruby-我如何学习ruby的正则表达式？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/1881231/
我正在学习Ruby，遇到了inject。我正处于理解它的风口浪尖，但当我是那种需要真实世界的例子来学习一些东西的人时。我遇到的最常见的例子是人们使用inject来添加一个(1..10)范围的总和，我不太关心这个。这是一个任意的例子。在实际程序中我会用它做什么？我正在学习，所以我可以继续使用Rails，但我不必有一个以Web为中心的示例。我只需要一些我可以全神贯注的目标。谢谢大家。 最佳答案 inject有时可以通过它的“其他”名称reduce更好地理解。它是一个对Enumerable进行操作(迭代一次)并返回单个值的函数。它有许多有
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
文章目录1、自相关函数ACF2、偏自相关函数PACF3、ARIMA(p,d,q)的阶数判断4、代码实现1、引入所需依赖2、数据读取与处理3、一阶差分与绘图4、ACF5、PACF1、自相关函数ACF自相关函数反映了同一序列在不同时序的取值之间的相关性。公式：ACF(k)=ρk=Cov(yt,yt−k)Var(yt)ACF(k)=\rho_{k}=\frac{Cov(y_{t},y_{t-k})}{Var(y_{t})}ACF(k)=ρk=Var(yt)Cov(yt,yt−k)其中分子用于求协方差矩阵，分母用于计算样本方差。求出的ACF值为[-1,1]。但对于一个平稳的AR模型，求出其滞
