Neo4j-Desktop2.0安装教程(更改安装路径)

Neo4j-Desktop2.0安装教程(更改安装路径)

引言

       由于neo4j-desktop2.0版本是不提供安装页面(默认安装在C盘),从而让你选择安装路径的,这对于C盘内存来说是灾难性的。因此,需要手动设置安装路径。

参考文献:

  1. https://zhuanlan.zhihu.com/p/1935104156433121644https://zhuanlan.zhihu.com/p/1935104156433121644
  2. https://blog.ZEEKLOG.net/WMXJY/article/details/150649084

安装包下载:https://neo4j.com/deployment-center/?desktop-gdbhttps://neo4j.com/deployment-center/?desktop-gdb

1文件夹创建及环境变量设置

    首先需要在C盘以外的位置先创建一个Neo4j2文件夹,再在下面创建两个文件夹:App,PROData来存放软件本体和相关数据

然后打开“高级系统设置”——“环境变量”——系统变量下方的“新建”

然后添加如下内容:

变量名:NEO4J_DESKTOP_DATA_PATH

变量值:想要移动的位置

(例如我的是:D:\Neo4J2\PROData)

然后一路点击确定,最后重启电脑,确保设置生效。

2安装

把安装包复制到刚刚创建的Neo4j2文件夹——右键单机——选择“在终端中打开”

然后执行以下命令:(此处应注意运行的安装包的版本,我的是2.0.5)

然后执行以下命令:(此处应注意运行的安装包的版本,我的是2.0.5) .\neo4j-desktop-2.0.5-x64.exe /S /D=D:\Neo4J2\App /S表示静默安装(无界面)。 /D=后面是你想安装到的路径,必须是绝对路径,且不含空格或引号。 /D=参数必须放在命令最后,否则无效。 

注意:安装后,C盘中可能仍会存在   .Neo4j2   的文件夹空壳,可以保留也可以删去。

这里是傻瓜式安装不需要进行什么点击,它会在后台自动安装

3测试是否安装及修改成功

如果桌面出现neo4j2.0的快捷方式,并且App文件夹里存放了安装好的文件就证明安装成功了。

Read more

llama-cpp-python完整安装指南:5步解决90%新手问题 [特殊字符]

llama-cpp-python完整安装指南:5步解决90%新手问题 🎯 【免费下载链接】llama-cpp-pythonPython bindings for llama.cpp 项目地址: https://gitcode.com/gh_mirrors/ll/llama-cpp-python llama-cpp-python是专为llama.cpp库设计的Python绑定项目,为开发者提供了在Python环境中高效运行本地大语言模型的完美解决方案。通过该项目,您可以轻松实现文本生成、对话交互、多模态推理等AI功能,无需依赖云端API即可享受强大的本地AI推理能力。 🔧 一键编译配置技巧 环境配置是新手最容易遇到问题的环节。llama-cpp-python支持多种硬件加速后端,正确配置编译环境至关重要。 步骤1:基础环境检查 确保系统已安装Python 3.8+和C编译器: * Linux/Mac: gcc或clang * Windows: Visual Studio或MinGW * MacOS: Xcode命令行工具 步骤2:核心安装命令 pip in

实战Pi0机器人控制中心:轻松实现机器人智能操控

实战Pi0机器人控制中心:轻松实现机器人智能操控 1. 项目概述:重新定义机器人控制体验 Pi0机器人控制中心是一个基于先进视觉-语言-动作模型的智能操控平台,它彻底改变了传统机器人控制的复杂方式。这个项目将多视角视觉感知、自然语言理解和精准动作控制完美融合,让机器人操控变得像与人对话一样简单直观。 想象一下,你只需要对机器人说"捡起那个红色方块",它就能准确理解并执行相应动作。这就是Pi0控制中心带来的革命性体验——无需编写复杂的控制代码,无需记忆繁琐的操作指令,用最自然的方式与机器人进行交互。 这个控制中心采用全屏Web界面设计,界面简洁现代,操作流程直观。无论你是机器人技术爱好者、研究人员,还是教育工作者,都能快速上手使用,专注于机器人应用开发而不是底层技术实现。 2. 核心功能详解:智能操控的四大支柱 2.1 多视角视觉感知系统 Pi0控制中心支持同时输入三个不同角度的环境图像:主视角、侧视角和俯视角。这种多视角设计模拟了人类观察环境的自然方式,为机器人提供了全面的环境感知能力。 * 主视角摄像头:提供机器人正前方的视野,用于识别主要操作对象 * 侧视角

把 Vivado 项目放心交给 Git:一篇 FPGA 工程师必读的实战指南

之前分享过一篇文章《FPGA 版本管理三种方式:你会选哪一种?》,评论区很多人都推荐使用Git进行版本管理,今天这篇文章主题就是使用Git进行备份指南。 在 FPGA 开发中,掌握 Git 等源码管理工具已经是必备技能。 当然,在使用 Vivado 时,我们不仅需要处理源代码控制,还需要处理以 IP 为中心的设计产品。 Vivado 的工程通常是 IP 为中心 的设计,包含: * IP Integrator Block Diagram * 各类 IP 实例(独立 IP 或 BD 内 IP) * 自动生成的包装文件与工程产物 这让很多 FPGA 工程师一开始会觉得: “Vivado 项目到底该怎么和 Git 一起用?” 好消息是,从 Vivado

高飞团队新作!基于高阶CBF的端到端无人机,实现7.5m/s丛林穿越,突破RL安全瓶颈

高飞团队新作!基于高阶CBF的端到端无人机,实现7.5m/s丛林穿越,突破RL安全瓶颈

「强化学习高速避障新范式」 目录 01  主要方法  1. 训练阶段:基于物理先验的奖励塑形 1. Dijkstra全局引导奖励 2. 基于控制障碍函数的安全惩罚  2. 部署阶段:基于高阶控制障碍函数的实时滤波 02  实验结果  1.仿真训练与消融实验  2.基准测试  3.实机飞行验证 03  总结 在无人机高速避障领域,Ego-Planner等传统的模块化规划方法受限于感知-规划-控制的累积延迟,往往难以兼顾高速与安全;而RL等纯端到端的强化学习虽然敏捷,却因缺乏理论上的安全保障而被视为黑盒。 浙江大学高飞老师团队的这项工作,最令人振奋之处在于巧妙地构建了一套混合架构。 * 在训练阶段,利用 Dijkstra 势场 引导 RL 智能体跳出局部极小值陷阱 ,实现了全局可达性; * 在部署阶段,则引入了基于 高阶控制障碍函数(HOCBF)的安全滤波器,将神经网络输出的动作实时投影到可行域内。 这种设计不仅在数学上给出了碰撞避免的严谨证明,更在实测中实现了高达 7.5m/s