墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
476平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
分别使用 单独按键、 组合按键（Shift 、Ctrl 、Alt）来练习下面 按键，观察出现什么效果。
| 按键名 | 单独按键 | Shift+ | Ctrl+ | Alt+ |
| Insert | 插入或者修改 | 粘贴当前行 | 复制当前行 | 新建文件 |
| Del | 删除 | 删除当前行 | 删除至后一标点符号 | 安全删除 |
| Backspace | 删除前一个字符 | 删除前一个字符 | 删除至前一标点符号 | 删除全部，删除文件 |
| Enter | 换行 | 在下一行新增加一行 | 换行，但光标不动 | 更换单双引号 |
| Tab | 右缩进 | 左缩进 | 文件之间切换 | 应用程序之间切换 |
| PageUp | 上翻一页 | 选择所选 | 页首 | 无 |
| PageDown | 下翻一页 | 选择所选 | 页尾 | 无 |
| Home | 行首 | 选择所选 | 文件头 | 导航标签 |
| End | 行尾 | 选择所选 | 文件尾 | 无 |
| Up | 向上一行 | 选择所选 | 上翻一行光标不动 | 无 |
| Down | 向下一行 | 选择所选 | 下翻一行光标不动 | 无 |
| Left | 向左一个字符 | 选择所选 | 移动至前一标点符号 | 页标签切换 |
| Right | 向右一个字符 | 选择所选 | 移动至后一标点符号 | 页标签切换 |
| Alt+Shift+Insert | 列模式 |
Python | PyCharm 键盘快捷键
Python | PyCharm 键盘快捷键
PyCharm快捷键
PyCharm快捷键 1、编辑（Editing） Ctrl + Space 基本的代码完成（类、方法、属性） Ctrl + Alt + Space 快速导入任意类 Ctrl + Shift + Enter 语句完成 Ctrl + P 参数信息（在方法中调用参数） Ctrl + Q 快速查看文档 F1 Web帮助文档主页 Shift + F1 选中对象的Web帮助文档 Ctrl + 悬浮/单击鼠标左...
LCD、LED、OLED、Mini LED、Micro LED、全阵列LED、QLED、QD-OLED、QNED、AMOLED是什么意思？
LCD（液晶显示器，Liquid Crystal Display）定义：LCD 是一种利用液晶材料控制光线通过的显示技术，需依靠背光源（如冷阴极荧光灯 CCFL 或 LED）照亮液晶层以形成图像。技术原理：液晶分子在电场作用下改变排列，控制背光通过的强度和颜色。液晶本身不发光，需外部光源。特点：结构包括背光层、液晶层、彩色滤光片和偏光片。响应时间较慢，黑色表现因背光漏光而偏灰。LED（发光二极管显示，Light Emitting Diode）定义。
Python Pycharm的缩进规则 及快捷键_pycharm缩进
1、pycharm使多行代码同时缩进 鼠标选中多行代码后，按下Tab键，一次缩进四个字符 2、pycharm使多行代码同时左移 鼠标选中多行代码后，同时按住shift+Tab键，一次左移四个字符Python语言是一款对缩进非常敏感的语言，给很多初学者带来了困惑，即便是很有经验的Python程序员，也可能陷入陷阱当中。最常见的情况是tab和空格的混用会导致错误，或者缩进不对，而这是用肉眼无法分别的。 在编译时会出现这样的错IndentationError:expected an indented block说
Fast DDS源代码走读
DDS, PDP, EPD, DataWriter, DataReader
计量经济学——事件研究法/事件分析法
计量经济学——事件研究法/事件分析法
PyCharm快捷键大全
1、编辑（Editing） Ctrl + Space 基本的代码完成（类、方法、属性） Ctrl + Alt + Space 快速导入任意类 Ctrl + Shift + Enter 语句完成 Ctrl + P 参数信息（在方法中调用参数） Ctrl + Q 快速查看文档 F1 Web帮助文档主页 Shift + F1 选中对象的Web帮助文档 Ctrl + 悬浮/单击鼠标左键 简...
YOLOv9 损失函数解析
YOLOv9作为YOLO系列的最新成员，在损失函数设计上进行了多项创新，重点优化了动态任务对齐机制、多模态定位损失融合以及跨层级梯度协同，进一步提升了检测精度与训练效率。
Pycharm常用快捷键大全
Pycharm常用快捷键大全
CUDA编程 - Nsight system & Nsight compute 的安装和使用 - 学习记录
在 cuda 编程中，经常会用到 Nsight system 和 Nsight compute 进行性能分析等，下面做个学习总结。本篇包括安装和常用分析思路总结，具体实践操作总结会放在下一篇博客。
【NodeRed】node-red-contrib-opcua实现PLC读写
在之前的博文【Node-RED】node-red-contrib-opcua-server模块使用（1）中，我们介绍了用node-red-contrib-opcua-server模块实现OPCUA服务端的，以及二次开发的内容。本节博文中我们采用官方社区自带的node-red-contrib-opcua组件开展对OPCUA客户端的介绍，详细阐述用该组件中OpcUa-Client节点实现客户端对PLC的读写，以及实现过程中遇到的问题。由于官方社区中并没有找到该组件的介绍实例，这也是本博文编写的第1个原因。
pycharm快捷键
一、pycharm快捷键 在PyCharm /opt/pycharm-3.4.1/help目录下可以找到 ReferenceCard.pdf（或 ReferenceCardForMac.pdf） 快捷键英文版说明。 PyCharm3.0默认快捷键(翻译的) 1、编辑（Editing） Ctrl + Space 基本的代码完成（类、方法、属性） Ctrl + Alt + Space 快速导入...
基于Simulink与MATLAB的七轴OpenArm机械臂逆运动学仿真与轨迹规划完整指南
本文详细介绍了七自由度OpenArm机械臂在MATLAB/Simulink环境下的运动学仿真与轨迹规划实现方法。首先建立了机械臂的DH参数模型，验证了正运动学计算；随后提出了两种逆运动学求解算法（数值迭代法和臂型角参数化解析法）的MATLAB实现方案；最后在Simulink中搭建了完整的轨迹规划与控制系统。研究解决了七自由度冗余机械臂特有的多解性、奇异性和关节限位约束等核心问题，为OpenArm机械臂的运动控制提供了完整的技术方案和可运行代码实现。
python撤回快捷键大全_Python基础之PyCharm快捷键大全
Pycharm中打开Help->Keymap Reference可查看默认快捷键帮助文档一、编辑(Editing)Ctrl + Space 基本的代码完成(类、方法、属性)Ctrl + Alt + Space 快速导入任意类Ctrl + Shift + Enter 语句完成Ctrl + P 参数信息(在方法中调用参数)Ctrl + Q 快速查看文档F1 Web帮助文档主页Shift + F1...
uniapp+renderJS+google map开发安卓版APP非小程序
uniapp+renderJS+google map开发安卓版APP非小程序,google map小叉号不显示，google map自定义marker右上角的小叉号如何去掉,uniapp+google map不显示
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
PyCharm设置书签的设置使用以及pycharm快捷键
之前偶然在一个地方看到在PyCharm中设置书签的方式，就记了下来。 平时我们看纸质书的时候，经常会使用一些好看漂亮的书签来记录这本书我们看到了什么地方，这样就不需要折书以免损坏。 PyCharm中也可以创建书签，像我们平时代码很多很长，而有些地方需要经常查看的时候就可以在这个地方创建一个书签。 创建书签 在PyCharm中创建书签其实很简单，只需要将光标移动到你想要加入书签的位置，然后按F11...
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
pycharm常用快捷键
pycharm常用快捷键 ctrl+shift+enter 代码补全 ctrl+/ 单行注释 ctrl+shift+/ 块注释 CTRL + ALT + L 代码格式标准化 CTRL + ALT + I 自动缩进 CTRL + D 复制当前代码行/块 CTRL + Y 删除当前代码行/块 SHIFT + ENTER 开启新一行 欢迎使用Markdo...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
python自动导包快捷键_pycharm快捷键、常用设置、包管理
pycharm Learning tips学习技巧A special variant of the Code Completion feature invoked by pressing Ctrl+Space twice allows you to complete the name of any class no matter if it was imported in the current ...
Pycharm快捷键大全
Pycharm 常用快捷键： 目录 Pycharm 常用快捷键： 1、编辑（Editing） 2、查找/替换(Search/Replace) 3、运行(Running) 4、调试(Debugging) 5、导航(Navigation) 6、搜索相关(Usage Search) 7、重构(Refactoring) 8、控制VCS/Local History 9、模版(Live ...
eclipse保存快捷键_PyCharm3.0默认快捷键
PyCharm3.0默认快捷键(翻译的)1、编辑(Editing)Ctrl + Space 基本的代码完成(类、方法、属性)Ctrl + Alt + Space 快速导入任意类Ctrl + Shift + Enter 语句完成Ctrl + P 参数信息(在方法中调用参数)Ctrl + Q 快速查看文档Shift + F1 外部文档Ctrl + 鼠标 简介Ctrl + F1 显示错误描述或警告信息A...
PyCharm3.0默认快捷键
PyCharm3.0默认快捷键(翻译的) 1、编辑（Editing） Ctrl + Space 基本的代码完成（类、方法、属性） Ctrl + Alt + Space 快速导入任意类 Ctrl + Shift + Enter 语句完成 Ctrl + P 参数信息（在方法中调用参数） Ctrl + Q 快速查看文档 Shift + F1 外部文档 Ctrl + 鼠标 简介 Ctrl + F1 显示错...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1278
扫一扫
