Docker 安装 Neo4j 保姆级教程

Docker 安装 Neo4j 保姆级教程

本教程适用于零基础用户,详细讲解如何在 Windows 或 Linux 环境下通过 Docker 安装并配置 Neo4j 图数据库。

Neo4j 官方 Docker 文档

1. 环境准备

2. 创建挂载目录

在宿主机上新建以下目录,用于数据持久化和配置挂载(以 Linux 为例,Windows 可用资源管理器新建文件夹):

mkdir -p /home/neo4j/data /home/neo4j/logs /home/neo4j/conf /home/neo4j/import /home/neo4j/plugins 

Windows 示例:

  • 新建 datalogsconfimportplugins 这五个文件夹。

3. 拉取 Neo4j 镜像

以最新版为例(你也可根据需要指定版本):

docker pull neo4j:latest 

4. 启动 Neo4j 容器

  • Linux Docker run :
docker run -d --name neo4j \ -p 7474:7474 -p 7687:7687 \ -v /home/neo4j/data:/data \ -v /home/neo4j/logs:/logs \ -v /home/neo4j/conf:/var/lib/neo4j/conf \ -v /home/neo4j/import:/var/lib/neo4j/import \ -v /home/neo4j/plugins:/var/lib/neo4j/plugins \ -e NEO4J_AUTH=neo4j/your_secure_password neo4j:latest 
  • Windows Docker run :
docker run -d --name neo4j ^ -p 7474:7474 -p 7687:7687 ^ -v E:/docker/neo4j/data:/data ^ -v E:/docker/neo4j/logs:/logs ^ -v E:/docker/neo4j/conf:/var/lib/neo4j/conf ^ -v E:/docker/neo4j/import:/var/lib/neo4j/import ^ -v E:/docker/neo4j/plugins:/var/lib/neo4j/plugins ^ -e NEO4J_AUTH=neo4j/neo4j@1234 ^ neo4j:latest 
注意:NEO4J_AUTH 的格式必须为 用户名/密码,如 neo4j/123456,不能只写密码,否则会报错。并且密码要超过8个字符,不然也无法启动

5. 访问 Neo4j

浏览器访问 http://localhost:7474,输入用户名 neo4j 和你设置的密码。

6. 配置远程访问(可选)

如需远程访问,需修改 neo4j.conf 文件:

  • 编辑挂载到宿主机的 conf/neo4j.conf 文件,添加或修改如下内容:
# Neo4j 4以下版本追加以下配置 dbms.connector.bolt.listen_address=0.0.0.0:7687 dbms.connector.http.listen_address=0.0.0.0:7474 

如果报错:

E:\docker\neo4j>docker logs -f neo4j Failed to read config /var/lib/neo4j/conf/neo4j.conf: Unrecognized setting. No declared setting with name: dbms.connectors.default_listen_address. Cleanup the config or disable 'server.config.strict_validation.enabled' to continue. Run with '--verbose'for a more detailed error message. 

从 Neo4j 4.x 开始,配置项已经发生较大变更。而你提供的配置中混用了旧版本(如 3.x)和新版本(如 4.x/5.x)的配置项。

server.memory.pagecache.size=512M server.default_listen_address=0.0.0.0 # 设置 Bolt 和 HTTP 端口 server.bolt.listen_address=:7687 server.http.listen_address=:7474 server.directories.logs=/logs 
  • 保存后重启容器:
docker restart neo4j 

7. 常见问题

  • 端口被占用:修改 -p 参数映射到未被占用的端口。
  • 数据持久化:务必挂载 /data 目录,否则容器删除后数据会丢失。
  • 防火墙问题:确保 7474、7687 端口已放行。
  • 首次登录强制修改密码:首次登录后需修改密码。

Read more

AI绘画新选择:Z-Image-Turbo与Stable Diffusion对比体验

AI绘画新选择:Z-Image-Turbo与Stable Diffusion对比体验 如果你最近在AI绘画工具间反复横跳——等SDXL模型下载到怀疑人生、调参调到显存报警、生成一张图要喝三杯咖啡,那今天这篇实测可能就是你一直在找的“那个开关”。我们不聊参数量、不讲训练方法,就用最真实的工作流场景:同一台RTX 4090D机器、同一个提示词、同一张显示器,把Z-Image-Turbo和Stable Diffusion XL(SDXL 1.0)面对面拉出来比一比。不是理论对比,是手按回车键后,看谁先弹出那张图。 1. 先说结论:快不是噱头,是实打实的体验差 Z-Image-Turbo不是“又一个扩散模型”,它是为生产环境重新定义“生成”这个动作的工具。而Stable Diffusion,依然是那个你熟悉、信赖、但越来越像“需要定期保养的老朋友”的经典方案。它们的区别,不是“好与坏”,而是“快刀切菜”和“慢火炖汤”的分工差异。

Flutter 三方库 llm_json_stream 的鸿蒙化适配指南 - 掌控 LLM 流式 JSON 解析、大模型解析实战、鸿蒙级精密 AIGC 专家

Flutter 三方库 llm_json_stream 的鸿蒙化适配指南 - 掌控 LLM 流式 JSON 解析、大模型解析实战、鸿蒙级精密 AIGC 专家

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 llm_json_stream 的鸿蒙化适配指南 - 掌控 LLM 流式 JSON 解析、大模型解析实战、鸿蒙级精密 AIGC 专家 在鸿蒙跨平台应用执行大型语言模型(LLM)的流式交互(如实时获取大模型生成的结构化 JSON 数据、处理非完整的 JSON 片段解析或是实现一个具备极致反馈速度的 AI 驱动表单)时,如果依赖传统的 jsonDecode,极易在处理“不完整字符串(Chunk)”、“语法中断”或“非预期的文本噪声”时陷入解析异常死循环。如果你追求的是一种完全对齐流式解析规范、支持实时恢复 JSON 结构且具备极致容错性能的方案。今天我们要深度解析的 llm_json_stream—

【论文阅读103】pinn-review-科学机器学习中的物理信息神经网络:现状与展望

【论文阅读103】pinn-review-科学机器学习中的物理信息神经网络:现状与展望

科学机器学习中的物理信息神经网络:现状与展望 作者:Salvatore Cuomo¹ · Vincenzo Schiano Di Cola² · Fabio Giampaolo¹ · Gianluigi Rozza³ · Maziar Raissi⁴ · Francesco Piccialli¹ 在线发表:2022年7月26日 摘要 物理信息神经网络(Physics-Informed Neural Networks,PINNs)是一类将模型方程(如偏微分方程,PDE)直接嵌入神经网络结构中的神经网络(NN)。目前,PINNs 已被广泛用于求解偏微分方程、分数阶方程、积分-微分方程以及随机偏微分方程。这一新兴方法作为一种多任务学习框架出现,在该框架中,神经网络不仅需要拟合观测数据,还需最小化 PDE 残差。 本文对物理信息神经网络相关文献进行了全面综述:研究的主要目标是阐明这类网络的特征、优势与局限性。同时,本文还涵盖了更广义的基于配点法(collocation-based)的物理约束神经网络研究,包括从最初的基础 PINN(

【无人机控制】无人机控制系统的MATLAB仿真实现,包含快速扩展随机树(RRT)路径规划、B样条轨迹生成及线性规划(LP)轨迹优化

✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 🍎 往期回顾关注个人主页:Matlab科研工作室  👇 关注我领取海量matlab电子书和数学建模资料  🍊个人信条:格物致知,完整Matlab代码获取及仿真咨询内容私信。 🔥 内容介绍 无人机自主飞行控制系统的核心目标是在复杂环境中实现 “安全路径规划 - 平滑轨迹生成 - 最优轨迹跟踪” 的闭环控制。本文设计的系统包含三大核心模块:快速扩展随机树(RRT)路径规划(解决 “无碰撞路径搜索” 问题)、B 样条轨迹生成(解决 “路径平滑化” 问题)、线性规划(LP)轨迹优化(解决 “动态约束适配” 问题),辅以传感器数据融合与姿态控制模块,形成完整的自主飞行解决方案。 系统工作流程如下: 1. 环境感知模块获取障碍物信息与飞行任务(起点、终点、飞行区域边界); 2. RRT 路径规划模块在障碍物环境中搜索无碰撞初始路径;