RESTool 2.0（） 社区中最好的工具。 管理RESTful API从未如此简单。 RESTool提供了一个开箱即用的UI，该UI通过简单的配置文件连接到RESTful API。 其背后的想法很简单。 鉴于API中的每个实体都有一个RESTful实现的事实，RESTool将为您提供UI工具，通过简单地编辑配置文件即可立即管理这些实体。 没有前端工程师，没有JavaScript，没有CSS，没有html。 只是一个简单的JSON文件。 现场演示： : V2有什么新功能？ RESTool最初是由Angular开发的，但我们决定从头开始重写它，然后移至React 。 我们搬到Re

APMS-预先项目管理系统 这是使用AdonisJS用NodeJS编写的APMS的后端。 用户管理 项目管理 项目冲刺管理 票务管理 建立 使用adoins命令下载所有依赖项 adonis install 或手动克隆存储库，然后运行npm install 。 .env文件 APMS在MongoDB之上运行。 确保已安装mongoDB。 一旦数据库就位。 将.env编辑为匹配您的资源 运行服务器 对于APMS-Backend的生产用途，请运行 server -- watch 或用于发展目的 adonis serve -- dev 运行测试 adonis test Angular 6客户端

Microsoft REST API指南Microsoft REST API指南作为一种设计原则，鼓励应用程序开发人员通过RESTful HTTP接口访问资源。 为了提供尽可能流畅的体验Microsoft REST API准则Microsoft REST API准则是Microsoft内部公司范围内的REST API设计准则。 Microsoft的团队通常在设置API设计策略时参考此文档。 他们可以另外创建针对其团队的文档，添加更多指导或根据情况进行调整。 我们在这里发布这些指南，旨在促进整个API社区的对话和学习。 我们进一步希望

Spring启动docker-rest-api 使用Spring Boot，MySQL和Swagger文档以及使用Docker的容器化构建RESTFul API Services 执行步骤： 克隆/下载存储库。 在IDE（Netbeans / Intellij Idea / Eclipse）中打开项目，并为应用程序生成可执行的.jar文件。 生成.jar文件的另一种方法是通过Maven。 将docker-compose-sample.yml文件重命名为docker -compose.yml 。 打开docker-compose.yml文件，并添加MySQL（db）环境参数值和Spring REST API（spring-rest-api）环境参数值，用于从应用程序进行数据库连接。 打开终端并转到docker-compose.yml所在的目录，然后在-d（分离模式）下运行以下命

使用Flask Dockerize并将机器学习模型作为REST API部署 一个可以服务于预测机器学习模型的简单Flask应用程序。 启动Flask应用程序后，将一个腌制的sklearn模型读入内存，并通过/ predict端点返回预测。 您还可以使用/ train端点来训练/重新训练模型。 部署ML模型的步骤 安装Flask和Docker 序列化您的scikit学习模型（可以使用Pickle或JobLib完成） [可选]将列名称列表添加到scikit对象，例如：rf.columns = ['Age'，'Sex'，'Embarked'，'Survived'] 创建一个单独的flask_api.py文件，该文件将使用Flask构建Web服务 运行python flask_api.py 转到http地址检查其是否正常工作 创建一个执行以下项目的dockerfile 安装ubuntu，python和git 从git克隆代码回购或将本地python代码移动到容器中的/ app 将WORKDIR设置为/ app 在requirements.xt中安装软件包 露出端口以进行烧瓶定位

PyRecognizer 一个简单的人脸识别引擎 火车/预测视频指南 模型为一些名人调整 以下列表包含名人的姓名和用于训练的照片数，按照片数排序 名人名单George_W_Bush 530 Colin_Powell 236 Tony_Blair 144 Donald_Rumsfeld 121 Gerhard_Schroeder 109 Ariel_Sharon 77 Hugo_Chavez 71 Junichiro_Koizumi 60 Jean_Chretien 55 John_Ashcroft 53 Serena_Williams 52 Jacques_Chira

休息应用 这是基于GO（GOLANG）的ReST API的框架。 这可以用作需要JWT用户身份验证，带有日志记录和键/值存储（KVS）的基于GO的应用程序的基础。 主要特征： 分层日志记录； 由github.com/paulfdunn/logh提供 键/值存储（KVS）； 由github.com/paulfdunn/db提供。 KVS用于存储应用程序配置数据和身份验证数据，但也可以用于任何其他目的。 KVS实现了对象序列化/反序列化，使持久化对象变得容易。 身份验证使用JWT（JSON Web令牌）进行处理。 身份验证支持两种模型：任何人都可以创建登录名，或者只有注册用户可以创建新的登录名。 后者是示例应用程序中的默认设置。 身份验证支持基于REGEX的密码验证/规则。 要求 您必须已安装GO。 此代码是根据GO 1.16.2构建并测试的 针对所提供应用程序的curl命令示例，

CompreFace-Exadel的开源人脸识别系统 CompreFace是一项免费的人脸识别服务，可以轻松集成到没有事先机器学习技能的任何系统。 ··· 面对面 总览 CompreFace是用于人脸识别的基于docker的应用程序，可以集成为独立服务器或部署在云中，并且无需机器学习专家即可进行设置和使用。 我们的方法基于深度神经网络，它是最流行的面部识别方法之一，并提供了便捷的REST API，用于Face Collection训练和面部识别。 我们还提供了一个角色系统，您可以使用它轻松控制谁可以访问Face Collection。 每个用户都可以创建自己的模型，并在输入数据的不同子集上对

道岔控制器 一个Ryu控制器应用程序，可根据用户的决定重定向流量。 具体来说，我们可以将流量重定向到连接到由控制器管理的交换机的各种计算机：这些计算机中的每台计算机都对该流量进行分析，而无需对其进行修改，然后，它通过另一个以太网再次在交换机上吐出该流量。端口（这些计算机有2个以太网端口，一个接收要分析的流量，另一台在交换机上吐出相同的流量）。 对于每种流量，我们可以创建一条路由，该路由将每种流量映射到用户选择的各种计算机。 特别是，我们提供了实时设置交通路线，可视化现有路线并对其进行修改的可能性。 这个怎么运作 基于基于Ryu组件的框架，我们创建了三个模块（在modules文件夹中），可通过r

:warning: 这将不再更新 Hapi API基础 我发现自己在启动基于的API时总是使用的基本代码 ORM（SQL） 使用HTTPS进行本地开发 文献资料 入门 克隆此仓库 ~$ git clone git@github.com:iniva/hapi-api-base.git 从主机运行项目 要使用计算机来运行所有内容，您需要： 节点LTS版本，例如Carbon或Dubnium（推荐） 。 推荐使用nvm很简单 苹果电脑 运行brew install nvm 的Ubuntu 有关最新版本，请检查nvm版本 curl -o- https://raw.githubusercontent.com/creationix/nvm/v0.33.11/install.sh | bash source ~/.profile 两个都 使用lts / dubnium 运行nvm install lts