开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

.NET列表的范围(T).反向方法

首先，我们明确要查找的.NET列表的范围（T）以及反向方法。

针对.NET列表的范围（T），我们可以将其划分为以下几个子范围：

类型系统：Type System
命名空间：Namespaces
模块：Modules
IL指令：IL Instructions
CTS：Common Type System
CLR：Common Language Runtime
JIT编译器：Just-In-Time Compiler
CTS、CLS和CLR：CTS, CLS, and CLR
编程语言：Programming Languages
元数据：Metadata
反射：Reflection
序列化：Serialization
动态调用：Dynamic Invocation
LINQ：Language-Integrated Query
异步编程：Asynchronous Programming
并行编程：Parallel Programming
内存管理：Memory Management
安全：Security
资源管理：Resource Management
调试：Debugging
性能优化：Performance Optimization
测试：Testing
开发工具：Development Tools
构建：Build
部署：Deployment
维护：Maintenance

接下来，我们讨论反向方法。反向方法（Reverse Engineering）是一种分析程序的二进制代码从而推导出程序功能的软件工程技术。在.NET程序中，通过使用反编译工具，如.NET Reflector，可以查看和访问编译后的.NET代码。通过反向工程，开发人员可以深入了解程序的结构和功能，从而更好地理解其工作原理。

相关搜索:ASP.NET MVC Beta支持列表中的Model Binder <T>吗？ASP.NET中List <T>和ListViews的Dictionary <T>awk范围模式中的反向引用 IOptions<T>的简化方法 LINQ-组合多个列表<T>并按值排序(.Net 3.5)Prolog列表的反向前置成员 Pythonic式的查找值在范围列表中的位置的方法 T-SQL -筛选范围内的日期使用反向迭代方法时，无法打印反向链接列表列表中的反向索引

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

第十四届蓝桥杯集训——练习解题阶段(无序阶段)-ALGO-97 排序

这段时间我会把蓝桥杯官网上的所有非VIP题目都发布一遍，让大家方便去搜索，所有题目都会有几种语言的写法，帮助大家提供一个思路，当然，思路只是思路，千万别只看着答案就认为会了啊，这个方法基本上很难让你成长，成长是在思考的过程中找寻到自己的那个解题思路，并且首先肯定要依靠于题海战术来让自己的解题思维进行一定量的训练，如果没有这个量变到质变的过程你会发现对于相对需要思考的题目你解决的速度就会非常慢，这个思维过程甚至没有纸笔的绘制你根本无法在大脑中勾勒出来，所以我们前期学习的时候是学习别人的思路通过自己的方式转换思维变成自己的模式，说着听绕口，但是就是靠量来堆叠思维方式，刷题方案自主定义的话肯定就是从非常简单的开始，稍微对数据结构有一定的理解，暴力、二分法等等，一步步的成长，数据结构很多，一般也就几种啊，线性表、树、图、再就是其它了。顺序表与链表也就是线性表，当然栈，队列还有串都是属于线性表的，这个我就不在这里一一细分了，相对来说都要慢慢来一个个搞定的。蓝桥杯中对于大专来说相对是比较友好的，例如三分枚举、离散化，图，复杂数据结构还有统计都是不考的，我们找简单题刷个一两百，然后再进行中等题目的训练，当我们掌握深度搜索与广度搜索后再往动态规划上靠一靠，慢慢的就会掌握各种规律，有了规律就能大胆的长一些难度比较高的题目了，再次说明，刷题一定要循序渐进，千万别想着直接就能解决难题，那只是对自己进行劝退处理。加油，平常心，一步步前进。

01

Python: list列表的内置方法介绍

文章背景：在实际开发中，经常需要将一组（不只一个）数据存储起来，以便后边的代码使用。在VBA中有使用数组，可以把多个数据存储到一起，通过数组下标可以访问数组中的每个元素。Python 中没有数组，但是加入了更加强大的列表（list）。下面就对列表的内置方法进行介绍。

02

【Groovy】集合遍历 ( 使用集合的 reverseEach 方法进行遍历 | 倒序集合迭代器 ReverseListIterator 类简介 | 代码示例 )

使用集合的 reverseEach 方法进行倒序遍历 , 传入一个闭包作为参数 , 在该方法中 , 又调用了 each 方法进行遍历 , 只是传入的参数是倒序迭代器 ;

02

CENTOS通过iptables做端口转发

因为一些特殊原因，我需要用到端口转发功能，这个功能是这样的，我有2台服务器：A和B，分别是2个不同IP。2台服务器各自的特点是：A网络好，性能差；B网络差，但性能强。(此处“网络”只针对大陆IP访问的网络性能) 所以我的网站放在B上，但是要通过A服务器的IP去访问B服务器上的网站。（注意，这里只是拿放网站做例子，如果只放网站的话，使用nginx做反向代理即可。如果是其他的服务，就需要使用本文章说的端口转发。）例如： A服务器IP：1.1.1.1 B服务器IP：2.2.2.2 通过网上找到的资料，

07

CentOS部署.NET Core网站

安装 .NET 之前，请运行以下命令，将 Microsoft 包签名密钥添加到受信任密钥列表，并添加 Microsoft 包存储库。打开终端并运行以下命令：

03

iperf3 网络探测详解（android、iOS、windows）

iPerf是一个网络性能测试工具。iPerf可以测试最大TCP和UDP带宽性能，具有多种参数和UDP特性，可以根据需要调整，可以报告带宽、延迟抖动和数据包丢失。目前已经发布有Window，iOS，Android和Linux版本程序。主要有iPerf2和iPerf3两个版本，2与3不兼容（Android的iPerf3的程序测试网络时会自动兼容iPerf2程序，iOS不会自动兼容）。

02

kali linux 渗透测试之 DNS信息收集

从本节开始，我们从头开始，系统的学习基于Kali Linux的web应用渗透测试。

03

Linux CentOS7部署ASP.NET Core应用程序，并配置Nginx反向代理服务器

本篇文章主要讲解的是如何在Linux CentOS7操作系统搭建.NET Core运行环境并发布ASP.NET Core应用程序，以及配置Nginx反向代理服务器。因为公司的项目一直都是托管在Window服务器IIS上，对于Linux服务器上托管.NET Core项目十分好奇。因为好奇，因此就有了这篇文章关于如何在Linux CentOS7系统中配置.NET Core运行环境，部署项目和反向代理服务器的配置。

01

如何利用matlab做BP神经网络分析（利用matlab神经网络工具箱）[通俗易懂]

最近一段时间在研究如何利用预测其销量个数，在网上搜索了一下，发现了很多模型来预测，比如利用回归模型、时间序列模型，GM（1,1）模型，可是自己在结合实际的工作内容，发现这几种模型预测的精度不是很高，于是再在网上进行搜索，发现神经网络模型可以来预测，并且有很多是结合时间序列或者SVM（支持向量机）等组合模型来进行预测，本文结合实际数据，选取了常用的BP神经网络算法，其算法原理，因网上一大堆，所以在此不必一一展示，并参考了bp神经网络进行交通预测的Matlab源代码这篇博文，运用matlab 2016a,给出了下面的代码，并最终进行了预测

01

AI绘画中采样器用于逐步去噪

Stable Diffusion 进行 AI 绘画，采样器存在的价值就是从噪声出发，逐步去噪，得到一张清晰的图像。

01

PyTorch的简单实现

PyTorch 的关键数据结构是张量，即多维数组。其功能与 NumPy 的 ndarray 对象类似，如下我们可以使用 torch.Tensor() 创建张量。如果你需要一个兼容 NumPy 的表征，或者你想从现有的 NumPy 对象中创建一个 PyTorch 张量，那么就很简单了。

07

VList data structures in C#

VLIST数据结构是由Phil Bagwell设计的，它作为在函数式编程语言单链表的替代品。它可以被认为是链接列表和动态数组（如.NET Framework的List<T>类）之间的折中，它们混合了每个列表的优点。

07

bp神经网络及matlab实现_bp神经网络应用实例Matlab

BP（Back-propagation，反向传播）神经网络是最传统的神经网络。当下的各种神经网络的模型都可以看做是BP神经网络的变种（虽然变动很大…）。这东西是干什么用的呢？我们在现实中要处理的一切问题映射到数学上只分为两类，可归纳的问题与不可归纳的问题。首先什么是不可归纳的问题，举个例子，你不能用一套完美的数学公式去表达所有的质数，因为目前的研究表明，还没有什么方法是能够表达质数的，也就是说，质数的出现，本身不具备严格的数学规律，所以无法归纳。但是我们人眼看到猫猫狗狗的图片就很容易分辨哪个是猫，哪个是狗。这说明在猫和狗之间，确实存在着不同，虽然你很难说清楚它们的不同到底是什么，但是可以知道，这背后是可以通过一套数学表达来完成的，只是很复杂而已。大部分AI技术的目的就是通过拟合这个复杂的数学表达，建立一个解决客观问题的数学函数。BP神经网络的作用也是如此。 BP神经网络这个名字由两部分组成，BP（反向传播）和神经网络。神经网络是说这种算法是模拟大脑神经元的工作机理，并有多层神经元构成的网络。而这个名字的精髓在BP上，即反向传播。反向传播是什么意思呢。这里举个例子来说明。比如你的朋友买了一双鞋，让你猜价格。你第一次猜99块钱，他说猜低了。你第二次猜101块钱，他说猜高了。你第三次猜100块钱，他说猜对了。你猜价格的这个过程是利用随机的数据给出一个预测值，这是一个正向传播。而你的朋友将你的预测值与真实值进行对比，然后给出一个评价，这个过程是一个反向传播。神经网络也是类似的过程，通过对网络的超参数进行随机配置，得到一个预测值。这是一个正向传播的过程。而后计算出预测值与真实值的差距，根据这个差距相应的调整参数，这是一个反向传播的过程。通过多次迭代，循环往复，我们就能计算出一组合适的参数，得到的网络模型就能拟合一个我们未知的复杂函数。我们来看这个BP神经网络的示意图

02

MedSegDiff：基于 Diffusion Probabilistic Model 的医学图像分割

在前面的一篇文章ICLR 2023：基于 diffusion adversarial representation learning 的血管分割中，我们已经介绍过了 diffusion model 在医学图像分割上的一个应用，推荐对 diffusion model 不了解的同学优先阅读，其中讲了一些基本概念。上一篇文章是将 diffusion 应用到自监督学习中，而 MedSegDiff 是一个有监督的框架，现在已更新到 V2 版本， V2 版本区别于 V1 使用了 Transformer，且适用于多分类。MedSegDiff-V1 已被接收在 MIDL 2023。

04

小白都能玩的明白的Nmap基础（二）

Nmap (“Network Mapper(网络映射器)”) 是一款开放源代码的网络探测和安全审核的工具。它的设计目标是快速地扫描大型网络，当然用它扫描单个主机也没有问题。Nmap以新颖的方式使用原始IP报文来发现网络上有哪些主机，哪些主机提供什么服务(应用程序名和版本)，哪些服务运行在什么操作系统(包括版本信息)，

02

2D 扩散模型 + Nerf，实现文本生成 3D 模型

在数十亿图像-文本对上训练的扩散模型，在文字生成图像的任务上大获成功。但是，如果想要将这种方法应用于 3D 生成（synthesis），需要对大规模的 3D 数据集进行标注并且在其上面训练，除此之外，还需对 3D 数据去噪的有效架构，但目前这两者都不存在。在这项工作中，作者通过使用预训练的 2D 文本-图像的扩散模型，实现文本到 3D 合成。他们引入了基于概率密度蒸馏的损失函数，这也允许了2D扩散模型作为先验，用以优化参数图像生成器。在类似 DeepDream 的过程中使用这种损失函数，作者通过梯度下降优化随机初始化的 3D 模型（NeRF），使其从随机角度的 2D 渲染均能让损失函数值较低。

02

Django之model查select的用法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

04

【AI】从零构建深度学习框架过程学习

当前深度学习框架越来越成熟，对于使用者而言封装程度越来越高，好处就是现在可以非常快速地将这些框架作为工具使用，用非常少的代码就可以构建模型进行实验，坏处就是可能背后地实现都被隐藏起来了。在这篇文章里笔者将设计和实现一个、轻量级的（约 200 行）、易于扩展的深度学习框架 tinynn（基于 Python 和 Numpy 实现），希望对大家了解深度学习的基本组件、框架的设计和实现有一定的帮助。

01

PyTorch 2.2 中文官方教程（十一）

PyTorch C++ 前端是 PyTorch 机器学习框架的纯 C++ 接口。虽然 PyTorch 的主要接口自然是 Python，但这个 Python API 坐落在一个庞大的 C++ 代码库之上，提供了基础数据结构和功能，如张量和自动微分。C++ 前端暴露了一个纯 C++11 API，扩展了这个底层 C++ 代码库，提供了用于机器学习训练和推断所需的工具。这包括一个内置的常见神经网络建模组件集合；一个 API 用于扩展此集合以添加自定义模块；一个流行的优化算法库，如随机梯度下降；一个并行数据加载器，具有定义和加载数据集的 API；序列化例程等。

01

Linux运维工程师利器：Nmap和TCPdump

主要功能：探测主机是否在线、扫描主机开放端口和嗅探网络服务，用于网络探测和安全扫描。

02

【Go】获取用户真实的ip地址

用户请求到达提供服务的服务器中间有很多的环节，导致服务获取用户真实的 ip 非常困难，大多数的框架及工具库都会封装各种获取用户真实 ip 的方法，在 exnet 包中也封装了各种 ip 相关的操作，其中就包含获取客户端 ip 的方法，比较实用的方法如下：

05

Windows 系统信息收集姿势

很多新入门的同学在在拿下一台服务器权限后经常会出现不知道做什么的问题，往往就会不管三七二十一提权 exp 一顿砸，在宕机的边缘疯狂试探。

02

【动手学深度学习】深入浅出深度学习之利用神经网络识别螺旋状数据集

通过这次实验，我成功创建了一个用于识别螺旋状的数据集三层神经网络，并对深度学习所需的数学知识有了更深入的理解。

01

Oracle索引知识学习笔记

Oracle索引中最常用的是BTree索引，所以就以BTree索引为例，讲一下BTree索引，BTree索引数据结构是一种二叉树的结构，索引由根块(Root)、茎块(Branch)、叶子块(Leaf)组成，其中叶子块主要存储索引列具体值(Key Column Value)以及能定位到数据块具体位置的Rowid，茎块和根块主要保存对应下级对应索引

03

bp神经网络应用实例(简述bp神经网络)

clear; clc; TestSamNum = 20; % 学习样本数量 ForcastSamNum = 2; % 预测样本数量 HiddenUnitNum=8; % 隐含层 InDim = 3; % 输入层 OutDim = 2; % 输出层 % 原始数据 % 人数(单位：万人) sqrs = [20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 ... 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63]; % 机动车数(单位：万辆) sqjdcs = [0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6... 2.7 2.85 2.95 3.1]; % 公路面积(单位：万平方公里) sqglmj = [0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 ... 0.56 0.59 0.59 0.67 0.69 0.79]; % 公路客运量(单位：万人) glkyl = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 ... 22598 25107 33442 36836 40548 42927 43462]; % 公路货运量(单位：万吨) glhyl = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 ... 13320 16762 18673 20724 20803 21804]; p = [sqrs; sqjdcs; sqglmj]; % 输入数据矩阵 t = [glkyl; glhyl]; % 目标数据矩阵 [SamIn, minp, maxp, tn, mint, maxt] = premnmx(p, t); % 原始样本对(输入和输出)初始化 SamOut = tn; % 输出样本 MaxEpochs = 50000; % 最大训练次数 lr = 0.05; % 学习率 E0 = 1e-3; % 目标误差 rng('default'); W1 = rand(HiddenUnitNum, InDim); % 初始化输入层与隐含层之间的权值 B1 = rand(HiddenUnitNum, 1); % 初始化输入层与隐含层之间的阈值 W2 = rand(OutDim, HiddenUnitNum); % 初始化输出层与隐含层之间的权值 B2 = rand(OutDim, 1); % 初始化输出层与隐含层之间的阈值 ErrHistory = zeros(MaxEpochs, 1); for i = 1 : MaxEpochs HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隐含层网络输出 NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 输出层网络输出 Error = SamOut - NetworkOut; % 实际输出与网络输出之差 SSE = sumsqr(Error); % 能量函数(误差平方和) ErrHistory(i) = SSE; if SSE < E0 break; end % 以下六行是BP网络最核心的程序 % 权值(阈值)依据能量函数负梯度下降原理所作的每一步动态调整量 Delta2 = Error; Delta1 = W2' * Delta2 .* HiddenOut .* (1 - HiddenOut); dW2 = Delta2 * HiddenOut'; dB2 = Delta2 * ones(TestSamNum, 1); dW1 = Delta1 * SamIn'; dB1 = Delta1 * ones(TestSamNum, 1); % 对输出层与隐含层之间的权值和阈值进行修正 W2 = W2 + lr*dW2; B2 = B2 + lr*dB2; % 对输入层与隐含层之间的权值和阈值进行修正 W1 = W1 + lr*dW1; B1 = B1 + lr*dB1; end HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隐含层输出最终结果 NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 输

03

Oracle SQL调优系列之索引知识学习笔记

Oracle索引中最常用的是BTree索引，所以就以BTree索引为例，讲一下BTree索引，BTree索引数据结构是一种二叉树的结构，索引由根块(Root)、茎块(Branch)、叶子块(Leaf)组成，其中叶子块主要存储索引列具体值(Key Column Value)以及能定位到数据块具体位置的Rowid，茎块和根块主要保存对应下级对应索引

01

Oracle索引知识学习笔记

Oracle索引中最常用的是BTree索引，所以就以BTree索引为例，讲一下BTree索引，BTree索引数据结构是一种二叉树的结构，索引由根块(Root)、茎块(Branch)、叶子块(Leaf)组成，其中叶子块主要存储索引列具体值(Key Column Value)以及能定位到数据块具体位置的Rowid，茎块和根块主要保存对应下级对应索引

02

深度学习概述：从感知机到深度网络

http://www.cnblogs.com/xiaowanyer/p/3701944.html

01

【深度学习】深度学习概述：从感知机到深度网络

近些年来，人工智能领域又活跃起来，除了传统了学术圈外，Google、Microsoft、facebook等工业界优秀企业也纷纷成立相关研究团队，并取得了很多令人瞩目的成果。这要归功于社交网络用户产生的大量数据，这些数据大都是原始数据，需要被进一步分析处理；还要归功于廉价而又强大的计算资源的出现，比如GPGPU的快速发展。　　除去这些因素，AI尤其是机器学习领域出现的一股新潮流很大程度上推动了这次复兴——深度学习。本文中我将介绍深度学习背后的关键概念及算法，从最简单的元素开始并以此为基础进行下一步构建。

Python语法必备篇——Python中的列表【顶级入门教程全面讲解】

序列指的是一块可存放多个值的连续内存空间，这些值按一定顺序排列，可通过每个值所在位置的编号（称为索引）访问它们。

03

浅析内网信息收集

在渗透测试中信息收集的深度与广度以及对关键信息的提取，直接或间接的决定了渗透测试的质量，本篇文章主要对内网中信息收集做一个简单的归纳以及介绍

06

nmap学习笔记

当然也支持CIDR记法，再例如，nmap 192.168.1.1/24用于扫描你家路由器上都连了些什么。

07

一篇文章带你了解ListIterator接口

（一）我们之前学过了Iterator对象迭代器，它提供了hasNext()方法是判断集合中是否存在下一个遍历元素，如果还有元素没被遍历，返回true；反之，返回false。还有一个next()方法是返回集合中的下一个元素，这两个方法都可以实现集合元素的迭代。ListIterator迭代器是Iterator子类，它在父类的基础上添加了一些方法。

02

WAF绕过技巧浅谈

远程命令执行漏洞是Web应用中常见的漏洞之一，在2017年发布的10项最严重的Web应用程序安全风险列表中”注入“毫不意外的被放在了第一位。当不可信数据作为命令或查询的一部分发送给解释器时，会发生注入漏洞，如SQL，NoSQL，OS和LDAP注入。攻击者的恶意数据可能会诱使解释器执行意外的命令或在没有适当授权的情况下访问数据。如今市面上的所有WAF几乎都已具备了对RCE攻击的拦截甚至阻断，但当它发生在Linux系统中时，我们已经有了极为巧妙的方法来绕过WAF规则集。作为渗透测试人员我们最大的朋友不是“狗

手把手开发一个深度学习框架（Python）

当前深度学习框架越来越成熟（如Keras、Pytorch、TensorFlow等等），对于使用者而言封装程度越来越高，好处就是现在可以非常快速地将这些框架作为工具使用，用非常少的代码就可以构建模型进行实验，坏处就是可能背后地实现都被隐藏起来了。

01

手把手教你从零实现一个深度学习框架（附代码实现）

当前深度学习框架越来越成熟，对于使用者而言封装程度越来越高，好处就是现在可以非常快速地将这些框架作为工具使用，用非常少的代码就可以构建模型进行实验，坏处就是可能背后地实现都被隐藏起来了。在这篇文章里笔者将设计和实现一个、轻量级的（约 200 行）、易于扩展的深度学习框架 tinynn（基于 Python 和 Numpy 实现），希望对大家了解深度学习的基本组件、框架的设计和实现有一定的帮助。

03

动态计算图

Pytorch是一个基于Python的机器学习库。它广泛应用于计算机视觉，自然语言处理等深度学习领域。是目前和TensorFlow分庭抗礼的深度学习框架，在学术圈颇受欢迎。

03

反向传播算法从原理到实现

是一个有上百万维度的向量,这时候我们使用反向传播算法有效率的计算参数的梯度下降值.

03

8.python3实用编程技巧进阶（三）

3.1.如何实现可迭代对象和迭代器对象 #3.1 如何实现可迭代对象和迭代器对象 import requests from collections.abc import Iterable,Iterator class WeatherIterator(Iterator): def __init__(self,cities): self.cities = cities #从列表中迭代一个city，index就+1 self.index = 0

03

误差反向传播算法浅解

反向传播（英语：Backpropagation，缩写为BP）是“误差反向传播”的简称。由于多层前馈神经网络的训练经常采用误差反向传播算法，人们也常把多层前馈神经网络称为BP网络。

01

ASP.NET Core基础补充01

需要记住的最重要的一点是，ASP.NET Core Web 应用程序最初作为控制台应用程序启动，Main() 方法是应用程序的入口点。因此，当我们执行ASP.NET Core Web应用程序时，首先它寻找 Main() 方法，这是执行开始的方法。然后，Main()方法将ASP.NET配置并启动它。此时，应用程序将成为ASP.NET Core Web应用程序。

01

NeurIPS 2021 | 华为诺亚Oral论文：基于频域的二值神经网络训练方法

二值神经网络（BNN）将原始全精度权重和激活用符号函数表征成 1-bit。但是由于常规符号函数的梯度几乎处处为零，不能用于反向传播，因此一些研究已经提出尝试使用近似梯度来减轻优化难度。然而，这些近似破坏了实际梯度的主要方向。

03

MUMmer共线性分析与SNP检测

系统发育相关的基因组之间既存在保守性又存在可变性。有些序列片段的数目以及顺序具有保守性，这种保守性可以使用共线性（synteny）或同线性（colinearity）来进行描述。共线性主要强调两方面，一是序列的同源性，二是序列片段的排列顺序。同时即使很近缘的基因组也可能存在大量的变异和多态性，这种变异可能构成了不同个体与群体性状差异的基础。单核苷酸多态性(single-nucleotide polymorphism，SNP)是指由于单个核苷酸位置上存在转换或颠换等变异所引起的DNA序列多态性，常用来研究近缘物种基因组的进化。

02

.Net Core with 微服务 - Ocelot 网关

上一次我们通过一张架构图（.Net Core with 微服务 - 架构图）来讲述了微服务的结构，分层等内容。从现在开始我们开始慢慢搭建一个最简单的微服务架构。这次我们先用几个简单的 web api 项目以及 ocelot 网关项目来演示下网关是如何配置，如何工作的。

01

yml文件详解

YAML（/ˈjæməl/，尾音类似 camel 骆驼）是一个可读性高，用来表达数据序列化的格式。YAML 参考了其他多种语言，包括： C 语言、 Python、Perl，并从 XML、电子邮件的数据格式（RFC 2822）中获得灵感。Clark Evans 在 2001 年首次发表了这种语言，另外 Ingy döt Net 与 Oren Ben-Kiki 也是这语言的共同设计者。当前已经有数种编程语言或脚本语言支持（或者说解析）这种语言。

01

.NET深入解析LINQ框架（二：LINQ优雅的前奏）

例子说明：假设我有一个表示学生的对象类型还有一个表示学生集合的类型。学生集合类型主要就是用来容纳学生实体，集合类型提供一系列的方法可以对这个集合进行连续的操作，很常用的就是筛选操作。比如筛选出所有性别是女生的学生，然后再在所有已经筛选出来的女性学生的集合当中筛选出年龄大于20周岁的学生列表，再继续筛选来自江苏南京地区的学生列表等等这一系列的连贯操作。这样的处理方式我想是LINQ最为常见的，毕竟LINQ是为了查询而生，而查询主要就是面向集合类的数据。

03

创建 Nginx docker 容器反向代理 https

Nginx 反向代理可以方便地实现服务器网络配置,本文记录使用 Nginx 容器进行反向代理 https 服务的方法。预备知识 Nginx docker https ssl 证书当前环境介绍一下我当前的实验环境，有相似需求和环境的同志可以参考我的操作流程本机有部署在 IP:Port 的某个网页服务器服务器没有配置 https，仅提供 http 协议服务安装好了docker 准备安装 nginx docker 目的：以 https 协议对外反向代理本地 http 服务操作流程创建

02

python学习笔记2.4-数据结构之列表和元组

本文介绍了Python中列表和元组的基本操作，包括列表的创建、删除、查找和修改，以及元组的创建、修改和删除。同时，还介绍了Python中列表和元组的一些其他方法，包括列表和元组的长度、拼接、重复、排序和反转等。

09

Python笔记第一章

（括号内的内容可提示所输入内容，输入的内容会被赋值给 x，input 每次只输入一行）

03

C++(STL):26 ---关联式容器set用法

set容器都会自行根据键的大小对存储的键值对进行排序，只不过 set 容器中各键值对的键 key 和值 value 是相等的，根据 key 排序，也就等价为根据 value 排序。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭