【大模型:知识图谱】--6.Neo4j DeskTop安装+使用

【大模型:知识图谱】--6.Neo4j DeskTop安装+使用

上一期讲了图知识库的安装,

【图数据库】--Neo4j 安装_neo4j安装-ZEEKLOG博客

 现在来看看可视化管理程序:Neo4j DeskTop的安装.

需要先安装java环境,具体看上面

目录

1.Neo4j DeskTop版下载

2.Neo4j DeskTop版安装

3.Neo4j DeskTop版使用

3.1.本地实例

3.2.远程连接

3.3.导入数据


1.Neo4j DeskTop版下载

1、进入“Neo4j官网”下载DeskTop版本。

好像需要科学上网:

放一个网盘下载:

通过网盘分享的文件:neo4j-desktop-2.0.2-x64.exe
链接: https://pan.baidu.com/s/1BIjfzdAGWGU19MJrmZIqJg?pwd=sxuw 提取码: sxuw

2.Neo4j DeskTop版安装

双击安装:

默认安装路径:"C:\Users\asus\AppData\Local\Programs\neo4j-desktop"

3.Neo4j DeskTop版使用

3.1.本地实例

在目录下面创建一个实例数据库,

创建实例基本信息

主要包括:实例名称、创建数据库用户和密码

3.2.远程连接

下面展示一下如何使用neo4j desktop连接neo4j server

需要配置修改远程服务器的 neo4j.conf文件
server.bolt.listen_address=0.0.0.0:7687
server.http.listen_address=0.0.0.0:7474

然后打开, 

在 Neo4j DeskTop使用远程连接:

 输入数据库密码即可:

然后在下面查看数据库信息:

3.3.导入数据

选择需要导入的数据库:

这里的数据一定要是csv可导入数据,具体的看官网要求:

对于格式的要求,请参考:Importing data - Operations Manual

我这里创建简单的csv导入:

person_id:ID,name,gender,age:int,:LABEL dddbd3ad0f2e3fca80da88296298bb51,杜玉岱,男,58,Person 2f867939e123f10437a15a127799248e,延万华,男,45,Person e68b3ae7a003c60cd9d50e371cdb3529,宋军,男,48,Person b8b7f9a79ba362a435cbabc863fe7309,周天明,男,50,Person 87deaf5073b7c1ac2f679334efb54d5d,王建业,男,47,Person 7415cf6aec1074660e15c0efd5b1ea60,张必书,男,49,Person dc92998750539efe0723541aebe95259,丁乃秀,女,43,Person 228bd4a6ec3cf830377580521d7e7250,谢岭,男,47,Person

1.数据导入可以拖拽或者选择文件导入

2.导入完成添加一个节点Label

节点标签(Label)​​,表示节点的类别

填写节点标签信息,选择上传文件

  • 注意:属性的主键必须唯一

3.开始运行

之后就可以在 Query执行相应的查询语句勒

Read more

TWIST2——全身VR遥操控制:采集人形全身数据后,可训练视觉base的自主策略(基于视觉观测预测全身关节位置)

TWIST2——全身VR遥操控制:采集人形全身数据后,可训练视觉base的自主策略(基于视觉观测预测全身关节位置)

前言 我司内部在让机器人做一些行走-操作任务时,不可避免的需要全身遥操机器人采集一些任务数据,而对于全身摇操控制,目前看起来效果比较好的,并不多 * 之前有个CLONE(之前本博客内也解读过),但他们尚未完全开源 * 于此,便关注到了本文要解读的TWIST2,其核心创新是:无动捕下的全身控制 PS,如果你也在做loco-mani相关的工作,欢迎私我你的一两句简介,邀你加入『七月:人形loco-mani(行走-操作)』交流群 第一部分 TWIST2:可扩展、可移植且全面的人形数据采集系统 1.1 引言与相关工作 1.1.1 引言 如TWIST2原论文所说,现有的人形机器人远程操作系统主要分为三大类: 全身控制,直接跟踪人体姿态,包括手臂、躯干和腿部在内的所有关节以统一方式进行控制(如 HumanPlus [12],TWIST [1] ———— TWIST的介绍详见此文《TWIST——基于动捕的全身遥操模仿学习:教师策略RL训练,学生策略结合RL和BC联合优化(可训练搬箱子)》 部分全身控制,

无人机避障——Mid360+Fast-lio感知建图+Ego-planner运动规划(胎教级教程)

无人机避障——Mid360+Fast-lio感知建图+Ego-planner运动规划(胎教级教程)

电脑配置:Xavier-nx、ubuntu 18.04、ros melodic 激光雷达:Livox_Mid-360 结果展示:左边Mid360+Fast-lio感知建图,右边Ego-planner运动规划 1、读取雷达数据并显示 无人机避障——感知篇(采用Livox-Mid360激光雷达获取点云数据显示)-ZEEKLOG博客 看看雷达数据话题imu以及lidar两个话题  2、读取雷达数据并复现fast-lio  无人机避障——感知篇(采用Mid360复现Fast-lio)-ZEEKLOG博客 启动fast-lio,确保话题有输出   由于此处不需要建图,因此不打开rviz,launch文件如下修改: <launch> <!-- Launch file for Livox MID360 LiDAR --> <arg name="rviz&

Flutter 三方库 modular_core 大型应用级鸿蒙微服务化架构适配解析:纵深拆解路由控制组件化隔离网格,利用轻量级依赖注入中枢斩断应用深层耦合羁绊-适配鸿蒙 HarmonyOS ohos

Flutter 三方库 modular_core 大型应用级鸿蒙微服务化架构适配解析:纵深拆解路由控制组件化隔离网格,利用轻量级依赖注入中枢斩断应用深层耦合羁绊-适配鸿蒙 HarmonyOS ohos

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 modular_core 大型应用级鸿蒙微服务化架构适配解析:纵深拆解路由控制组件化隔离网格,利用轻量级依赖注入中枢斩断应用深层耦合羁绊 在构建超大型、多业务线的鸿蒙应用时,代码的模块化分层与解耦是决定项目成败的关键。modular_core 作为 flutter_modular 的核心逻辑库,提供了一套纯粹的依赖注入(DI)和模块生命周期管理机制。本文将深入解析该库在 OpenHarmony 上的适配与应用实践。 前言 什么是 modular_core?它不是一个 UI 框架,而是一套管理“对象如何创建”和“模块如何组织”的底层协议。在鸿蒙操作系统这种强调模块化分发(HAP/HSP)和细粒度原子化服务的生态中,利用 modular_core 可以帮助开发者构建出高内聚、低耦合的系统底座。本文将指导你如何在鸿蒙端侧实现模块的动态注入与回收。 一、