


Bagaimana untuk menggunakan rangka kerja CodeIgniter4 dalam php?
PHP ialah bahasa pengaturcaraan yang sangat popular, dan CodeIgniter4 ialah rangka kerja PHP yang biasa digunakan. Apabila membangunkan aplikasi web, menggunakan rangka kerja sangat membantu Ia boleh mempercepatkan proses pembangunan, meningkatkan kualiti kod dan mengurangkan kos penyelenggaraan. Artikel ini akan memperkenalkan cara menggunakan rangka kerja CodeIgniter4.
- Pasang rangka kerja CodeIgniter4
Rangka kerja CodeIgniter4 boleh dimuat turun dari tapak web rasmi (https://codeigniter.com/). Setelah muat turun selesai, nyahzip fail rangka kerja ke mana-mana direktori pada pelayan web anda. Jika pengurus kebergantungan Komposer tidak dipasang pada pelayan web anda, anda perlu menjalankan arahan pemasangan berikut dalam direktori di mana fail rangka kerja CodeIgniter4 berada:
php spark install
- Buat projek baharu
Anda boleh mencipta projek baharu untuk dibangunkan menggunakan rangka kerja CodeIgniter4. Untuk mencipta projek baharu, gunakan arahan berikut:
php spark new project-name
- Menggunakan Pengawal
Dalam rangka kerja CodeIgniter4, pengawal ialah kelas yang digunakan untuk mengendalikan permintaan pengguna. Anda boleh mencipta pengawal menggunakan arahan berikut:
php spark make:controller ControllerName
Sebagai contoh, arahan berikut akan mencipta pengawal bernama "Selamat Datang":
php spark make:controller Welcome
Selepas mencipta pengawal, anda perlu mengikut memerlukan kaedah Tambah.
- Membuat Paparan
Paparan ialah sebahagian daripada antara muka pengguna yang boleh diakses daripada pengawal anda. Pada asasnya, paparan ialah kod HTML anda dan anda boleh menggunakan skrip PHP untuk menjana kandungan HTML dinamik.
Anda boleh mencipta paparan menggunakan arahan berikut:
php spark make:view ViewName
Sebagai contoh, arahan berikut akan mencipta paparan bernama "welcome_message":
php spark make:view welcome_message
Sila ambil perhatian bahawa paparan secara lalai Akan disimpan dalam direktori app/Views.
- Penghalaan
Penghalaan ialah cara semua permintaan pengguna dikendalikan, menggunakan URL untuk menentukan pengawal dan kaedah yang harus dipanggil.
Anda boleh menentukan peraturan penghalaan dalam fail app/Config/Routes.php. Sebagai contoh, kod berikut akan mengendalikan permintaan URL akar ('/') dan memanggil kaedah "indeks" pengawal "Selamat Datang":
$routes->get('/', 'Welcome::index');
- Sambung ke pangkalan data
Dalam rangka kerja CodeIgniter4 membolehkan anda menyambung ke pangkalan data dengan mudah. Mula-mula, anda perlu mengkonfigurasi sambungan pangkalan data dalam fail app/Config/Database.php. Sebagai contoh, kod berikut akan menggunakan MySQL sebagai pemacu pangkalan data dan menggunakan pangkalan data pada localhost:
$database['default'] = array( 'DSN' => '', 'hostname' => 'localhost', 'username' => 'your-username', 'password' => 'your-password', 'database' => 'your-database', 'DBDriver' => 'MySQLi', 'DBPrefix' => '', 'pConnect' => false, 'DBDebug' => (ENVIRONMENT !== 'production'), 'cacheOn' => false, 'cacheDir' => '', 'charset' => 'utf8', 'DBCollat' => 'utf8_general_ci', 'swapPre' => '', 'encrypt' => false, 'compress' => false, 'strictOn' => false, 'failover' => array(), 'port' => 3306, );
Selepas mengkonfigurasi sambungan pangkalan data, anda boleh menggunakan kod berikut untuk membuat sambungan pangkalan data dan menanyakan data:
$db = ConfigDatabase::connect(); $query = $db->query('SELECT * FROM my_table'); $results = $query->getResult();
- Menggunakan Model
Dalam rangka kerja CodeIgniter4, model ialah kelas yang digunakan untuk mengakses pangkalan data. Anda boleh mencipta model menggunakan arahan berikut:
php spark make:model ModelName
Contohnya, arahan berikut akan mencipta model yang dipanggil "MyModel":
php spark make:model MyModel
Selepas mencipta model, anda boleh menambah kaedah di dalamnya untuk mengakses pangkalan data. Contohnya:
namespace AppModels; use CodeIgniterModel; class MyModel extends Model { protected $table = 'my_table'; public function getRows() { return $this->findAll(); } public function getRowById($id) { return $this->find($id); } }
Dalam kod di atas, kami mencipta model bernama "MyModel" dan menambah kaedah getRows() dan getRowById() untuk mendapatkan data.
- Ringkasan
Rangka kerja CodeIgniter4 ialah rangka kerja PHP yang sangat popular yang boleh mempercepatkan proses pembangunan, meningkatkan kualiti kod dan mengurangkan kos penyelenggaraan. Dalam artikel ini, kami membincangkan cara menggunakan pengawal, pandangan, laluan, pangkalan data dan model. Semoga artikel ini bermanfaat kepada anda.
Atas ialah kandungan terperinci Bagaimana untuk menggunakan rangka kerja CodeIgniter4 dalam php?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Bayangkan model kecerdasan buatan yang bukan sahaja mempunyai keupayaan untuk mengatasi pengkomputeran tradisional, tetapi juga mencapai prestasi yang lebih cekap pada kos yang lebih rendah. Ini bukan fiksyen sains, DeepSeek-V2[1], model MoE sumber terbuka paling berkuasa di dunia ada di sini. DeepSeek-V2 ialah gabungan model bahasa pakar (MoE) yang berkuasa dengan ciri-ciri latihan ekonomi dan inferens yang cekap. Ia terdiri daripada 236B parameter, 21B daripadanya digunakan untuk mengaktifkan setiap penanda. Berbanding dengan DeepSeek67B, DeepSeek-V2 mempunyai prestasi yang lebih kukuh, sambil menjimatkan 42.5% kos latihan, mengurangkan cache KV sebanyak 93.3% dan meningkatkan daya pemprosesan penjanaan maksimum kepada 5.76 kali. DeepSeek ialah sebuah syarikat yang meneroka kecerdasan buatan am

Boston Dynamics Atlas secara rasmi memasuki era robot elektrik! Semalam, Atlas hidraulik hanya "menangis" menarik diri daripada peringkat sejarah Hari ini, Boston Dynamics mengumumkan bahawa Atlas elektrik sedang berfungsi. Nampaknya dalam bidang robot humanoid komersial, Boston Dynamics berazam untuk bersaing dengan Tesla. Selepas video baharu itu dikeluarkan, ia telah pun ditonton oleh lebih sejuta orang dalam masa sepuluh jam sahaja. Orang lama pergi dan peranan baru muncul. Ini adalah keperluan sejarah. Tidak dinafikan bahawa tahun ini adalah tahun letupan robot humanoid. Netizen mengulas: Kemajuan robot telah menjadikan majlis pembukaan tahun ini kelihatan seperti manusia, dan tahap kebebasan adalah jauh lebih besar daripada manusia Tetapi adakah ini benar-benar bukan filem seram? Pada permulaan video, Atlas berbaring dengan tenang di atas tanah, seolah-olah terlentang. Apa yang berikut adalah rahang-jatuh

Awal bulan ini, penyelidik dari MIT dan institusi lain mencadangkan alternatif yang sangat menjanjikan kepada MLP - KAN. KAN mengatasi MLP dari segi ketepatan dan kebolehtafsiran. Dan ia boleh mengatasi prestasi MLP berjalan dengan bilangan parameter yang lebih besar dengan bilangan parameter yang sangat kecil. Sebagai contoh, penulis menyatakan bahawa mereka menggunakan KAN untuk menghasilkan semula keputusan DeepMind dengan rangkaian yang lebih kecil dan tahap automasi yang lebih tinggi. Khususnya, MLP DeepMind mempunyai kira-kira 300,000 parameter, manakala KAN hanya mempunyai kira-kira 200 parameter. KAN mempunyai asas matematik yang kukuh seperti MLP berdasarkan teorem penghampiran universal, manakala KAN berdasarkan teorem perwakilan Kolmogorov-Arnold. Seperti yang ditunjukkan dalam rajah di bawah, KAN telah

Video terbaru robot Tesla Optimus dikeluarkan, dan ia sudah boleh berfungsi di kilang. Pada kelajuan biasa, ia mengisih bateri (bateri 4680 Tesla) seperti ini: Pegawai itu juga mengeluarkan rupanya pada kelajuan 20x - pada "stesen kerja" kecil, memilih dan memilih dan memilih: Kali ini ia dikeluarkan Salah satu sorotan video itu ialah Optimus menyelesaikan kerja ini di kilang, sepenuhnya secara autonomi, tanpa campur tangan manusia sepanjang proses. Dan dari perspektif Optimus, ia juga boleh mengambil dan meletakkan bateri yang bengkok, memfokuskan pada pembetulan ralat automatik: Berkenaan tangan Optimus, saintis NVIDIA Jim Fan memberikan penilaian yang tinggi: Tangan Optimus adalah robot lima jari di dunia paling cerdik. Tangannya bukan sahaja boleh disentuh

Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi

FP8 dan ketepatan pengiraan titik terapung yang lebih rendah bukan lagi "paten" H100! Lao Huang mahu semua orang menggunakan INT8/INT4, dan pasukan Microsoft DeepSpeed memaksa diri mereka menjalankan FP6 pada A100 tanpa sokongan rasmi daripada Nvidia. Keputusan ujian menunjukkan bahawa kaedah baharu TC-FPx FP6 kuantisasi pada A100 adalah hampir atau kadangkala lebih pantas daripada INT4, dan mempunyai ketepatan yang lebih tinggi daripada yang terakhir. Selain itu, terdapat juga sokongan model besar hujung ke hujung, yang telah bersumberkan terbuka dan disepadukan ke dalam rangka kerja inferens pembelajaran mendalam seperti DeepSpeed. Keputusan ini juga mempunyai kesan serta-merta pada mempercepatkan model besar - di bawah rangka kerja ini, menggunakan satu kad untuk menjalankan Llama, daya pemprosesan adalah 2.65 kali lebih tinggi daripada dua kad. satu

Pautan projek ditulis di hadapan: https://nianticlabs.github.io/mickey/ Memandangkan dua gambar, pose kamera di antara mereka boleh dianggarkan dengan mewujudkan kesesuaian antara gambar. Biasanya, surat-menyurat ini adalah 2D hingga 2D, dan anggaran pose kami adalah skala-tak tentu. Sesetengah aplikasi, seperti realiti tambahan segera pada bila-bila masa, di mana-mana sahaja, memerlukan anggaran pose metrik skala, jadi mereka bergantung pada penganggar kedalaman luaran untuk memulihkan skala. Makalah ini mencadangkan MicKey, proses pemadanan titik utama yang mampu meramalkan korespondensi metrik dalam ruang kamera 3D. Dengan mempelajari padanan koordinat 3D merentas imej, kami dapat membuat kesimpulan relatif metrik

Di barisan hadapan teknologi perisian, kumpulan UIUC Zhang Lingming, bersama penyelidik dari organisasi BigCode, baru-baru ini mengumumkan model kod besar StarCoder2-15B-Instruct. Pencapaian inovatif ini mencapai kejayaan ketara dalam tugas penjanaan kod, berjaya mengatasi CodeLlama-70B-Instruct dan mencapai bahagian atas senarai prestasi penjanaan kod. Keunikan StarCoder2-15B-Instruct terletak pada strategi penjajaran diri yang tulen Keseluruhan proses latihan adalah terbuka, telus, dan sepenuhnya autonomi dan boleh dikawal. Model ini menjana beribu-ribu arahan melalui StarCoder2-15B sebagai tindak balas kepada penalaan halus model asas StarCoder-15B tanpa bergantung pada anotasi manual yang mahal.
