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
900+累计阅读
930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
微软家的一款系统增强工具,解决了平时使用的一些痛点,提供了windows系统下的一系列工具。
其中最好用的就是PowerYoys Run，它提供了类似everything一样的全局搜索功能。
一款开源的小软件，主要用于美化Windows任务栏，有多种颜色可选。透明，亚克力，模糊等。
将onedrive挂载到本地磁盘，实现云盘本地化的体验。
一款有多种风格的MD风格主题。
File > Settings > Appearance & Behavior > Material Theme
图标插件。
File > Settings > Appearance & Behavior > Atom Material Icons Settings
一款小猫进度条。
注：idea主题为：night Owl
彩虹括号
Windows 11与VSCode终端美化全攻略：从字体配色到Oh My Posh实战
终端是开发者与系统交互的核心界面，其信息呈现效率直接影响工作流。通过定制字体、配色方案与提示符，可以显著提升命令行的可读性与操作体验。在技术实现上，现代终端如Windows Terminal提供了高度可配置的JSON架构，支持自定义字体、颜色主题、透明度及背景效果，这为个性化与功能增强奠定了基础。其技术价值在于降低视觉疲劳、加速信息识别，并可通过插件生态扩展功能。在应用场景中，结合Oh My Posh等提示符引擎，能够动态展示Git状态、路径、时间等关键信息，实现信息密度与美观的平衡。本文聚焦于Window
IDEA好看的主题安装
https://plugins.jetbrains.com/plugin/8006-material-theme-ui/versions/stable
IntelliJ IDEA Markdown插件深度配置指南：从安装到高效写作
Markdown作为一种轻量级标记语言，已成为技术文档、项目说明和博客写作的主流格式。其核心原理是通过简洁的语法实现内容与格式的分离，让作者专注于写作本身。在集成开发环境（IDE）中，原生的Markdown支持往往功能有限，无法满足高效写作和复杂文档管理的需求。通过安装和深度配置专业的Markdown插件，开发者可以将IDE转变为功能完备的文档写作环境，实现语法高亮、实时预览、代码补全、链接管理和格式化排版等高级功能，从而显著提升技术文档的编写效率与规范性。本文以热门的Markdown Navigator插
IDEA工具(使用教程与工具美化)
如何使用IntelliJ IDEA工具 这里使用IDEA工具，我从其他博主那里找了写的很好的教程，我就自己贴链接了，讲的很详细哈。 IDEA使用教程：点击此处跳转 学会上面的基础后，就可以看下面的，把你的IDEA变得更加溜。 IDEA详细配置和使用教程：点击此处跳转 这里贴一下我的IDEA： 没错，我有壁纸桌面。想要添加壁纸桌面的小伙伴，看过来！！ 话不多说，按图操作➡ Setting 设置 Background Image 背景图片 Image 你想要做桌面的图片路径 Opacity 调整桌面图片
IntelliJ IDEA 2023高效配置指南：从环境定制到插件生态的工程实践
集成开发环境（IDE）是现代软件开发的基石，它通过整合代码编辑、编译、调试等核心功能，极大提升了开发效率。其原理在于提供一个高度可定制和可扩展的平台，允许开发者根据个人习惯和技术栈进行深度配置，从而将通用工具转化为专属的高效工作台。这种定制化的技术价值在于能够显著减少认知负荷和操作摩擦，将开发者的注意力聚焦于创造性工作本身。在Java、全栈开发等应用场景中，一个精心调校的IDE环境是保障工程效能的关键因素。本文聚焦于业界广泛使用的IntelliJ IDEA，深入探讨如何通过系统性的环境层、交互层和智能层配置
Qt for Android：基于libusb实现CH340x串口通信的高效开发方案
本文详细介绍了在Qt for Android环境下，基于libusb实现CH340x串口通信的高效开发方案。通过绕过Android高版本系统的权限限制，利用libusb+JNI技术实现稳定通信，适用于工业手持终端等场景。文章涵盖环境搭建、核心实现、常见问题解决方案及性能调优经验，帮助开发者快速掌握这一关键技术。
intellij idea编辑器好看炫酷主题配色方案推荐
IDE：VScode和intellij idea的好看炫酷主题
双轴按键摇杆模块原理与嵌入式驱动实战
双轴按键摇杆是一种融合模拟量（X/Y轴）与数字量（Z轴按键）的复合型人机交互传感器，其本质基于电位器分压原理与机械开关通断特性。通过ADC采集连续电压信号并结合数字IO检测按键状态，可实现高鲁棒性的二维运动感知与触发控制。该方案技术门槛低、成本可控、兼容性强，广泛应用于智能小车、DIY游戏手柄、工业HMI及教育开发板等嵌入式场景。文中深入解析电位器线性度、KEY引脚开漏特性、ADC参考电压稳定性及软件消抖状态机等关键工程要素，为基于Arduino、STM32或ESP32平台的快速集成提供可复用的技术路径。
idea全局主题_IntelliJ IDEA好看的主题设置（支持自定义）
现在越来越多的人使用IntelliJ IDEA，你是否想要一个好看的IDEA主题呢？本篇博客教你如何设置一个美美哒IDEA主题，你也可以根据个人喜好自定义喜欢的主题样式。目录：▾ 系统主题设置首先进到设置里：File➞Settings➞Appearance&Behavior➞Appearance。这里默认提供了三套主题：IntelliJ,Darcula，high contrast。这里可以...
激光定位算法竞技场：hdl_localization与Cartographer/AMCL的横向技术解剖
本文深入对比了hdl_localization、Cartographer和AMCL三种激光定位算法的技术原理与性能表现。通过UKF-NDT融合、图优化和粒子滤波等核心技术，分析了各算法在结构化环境、动态环境和大尺度场景下的适应性。实验数据表明，Cartographer在全局一致性上表现最优，而AMCL在动态环境中更具鲁棒性。文章还提供了算法选型指南和参数调优技巧，为工程实践提供参考。
【SLAM】探索explore_lite在移动机器人自主建图中的高效边界检测策略
本文深入解析了explore_lite在移动机器人自主建图中的应用，重点探讨了其高效的贪婪边界检测策略。该工具包专为资源受限平台设计，通过直接利用SLAM生成的地图信息，以极低的计算开销实现快速、稳定的未知区域探索，并与move_base导航框架无缝协作，是轻量级机器人自主探索的优选方案。
在idea中安装windows版的git插件_Intellij IDEA 实用插件推荐
1. 前言2020 年 JVM 生态报告 可以看出Intellij IDEA 目前已经稳坐 Java IDE 头把交椅。而且统计得出付费用户已经超过了八成（国外统计）。IDEA 的优良设计保证了编程的生产力，也是我情愿为之付费的软件之一。今天把我自己经常用的一些插件拿出来分享一波。2. IDEA 插件 分享之前我们来看看其插件体系。Intellij IDEA 大部分功能是通过插件集成进来的。默认情...
Apollo Control——超详细入门教程(六)：MPC二次规划问题转化
专栏文章列表 Apollo Control——超详细入门教程(一)：基于道路误差的车辆动力学模型 Apollo Control——超详细入门教程(二)：连续状态空间方程离散化与离散LQR公式推导 Apollo Control——超详细入门教程(三)：基于Frenet坐标系及XY坐标系的多项式轨迹生成 Apollo Control——超详细入门教程(四)：控制模块轨迹误差计算 Apollo Control——超详细入门教程(五)：油门刹车标定表之双线性插值算法 ...
使用ZSH美化Windows系统Git Bash
本文介绍了在 Windows 系统中使用 ZSH 美化 Git Bash 的方法，对比了 WSL 的优缺点后，详细阐述了 Git Bash 美化步骤。包括安装 Git 并勾选相关选项，下载并配置 ZSH，安装并设置 Windows Terminal，以及安装oh-my-zsh和插件并进行相应配置。最终使 Git Bash 拥有类似 Mac 终端的体验，提升 Windows 用户的命令行操作体验和效率。
本地快速部署谷歌开放模型Gemma教程(基于Ollama)
谷歌最近发布了新一代开源AI模型Gemma，此次发布的 Gemma 相比自家的 Gemini 更加轻量级，模型权重也一并开源。不仅可以在笔记本电脑上运行，而且还免费可商用，支持中文。运行速度飞快。
PHM2010刀具磨损预测完整实现
本文介绍了PHM2010刀具磨损预测项目的完整实现方案。项目采用PHM2010公开数据集，包含6个子数据集，记录了铣削加工过程中7个通道的传感器数据（切削力、振动和声发射信号）。技术路线包括数据预处理（截取中间10万点、小波降噪）、特征提取（时域9个、频域4个特征）、特征融合和皮尔逊相关系数筛选，最终使用BiLSTM模型进行训练和评估。环境配置基于Python 3.9，依赖NumPy、Pandas、PyTorch等库。数据加载和预处理阶段重点处理了传感器信号分段和磨损标签对齐问题，为后续建模奠定基础。
IntelliJ IDEA 使用指南(自用)
打开 IDEA，进入设置（Settings）在设置窗口中选择 在插件市场中搜索想要的插件点击 按钮安装插件安装完成后重启 IDEA 使插件生效从 JetBrains Plugin Repository 下载插件文件（.jar 格式）在 IDEA 中打开设置，进入 点击齿轮图标，选择 选择下载的插件文件，点击确定重启 IDEA打开设置中的 切换到 标签页如果有可用更新，会显示 按钮点击单个插件的 按钮或使用 更新所有插件更新完成后重启 IDEA常用开发插件代码质量插件版本控制插件界面美化插件注意：安
【华为OD】华为性格测试（综合测试）高分策略
1、性格测试非常重要，是一次否决制，18 个月有效期，所以态度一定要认真对待，不要随便乱选;2、做题原则:正向原则，积极乐观向上3、时间为 25-30 分钟，会频繁出现重复选项重复出现的题目注意一致性。
IntelliJ IDEA插件生态：从效率工具到人性化工作台的进阶指南
集成开发环境（IDE）是现代软件开发的核心工具，其可扩展性通过插件机制实现，允许开发者根据需求定制功能。插件的工作原理是遵循IDE提供的API规范，通过扩展点注入自定义功能模块，从而在不修改核心代码的前提下增强开发体验。这种技术架构的价值在于能将离散的工作流整合到统一环境中，显著降低上下文切换成本，提升长期开发效率。在实际应用场景中，插件生态覆盖了从代码智能补全、自动化测试到界面美化、外部信息集成等多个维度。例如，AI编程助手（如通义灵码）通过大模型技术提供智能代码生成与解释，而信息流集成类插件则可将股票行
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
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")
IDEA高效开发环境配置指南：从插件、界面到快捷键的全面优化
集成开发环境（IDE）是程序员的核心生产力工具，其配置优化直接关系到编码效率与体验。通过理解IDE的插件扩展机制、界面布局逻辑和快捷键设计原理，开发者可以构建高度个性化的工作流，从而显著提升开发效率与代码质量。在工程实践中，合理管理插件生态（如通义灵码、MyBatisX等核心工具）能增强代码智能辅助与框架支持能力；优化界面信息密度与操作路径可减少认知负荷；而定制化的快捷键映射则能将常用操作转化为肌肉记忆。这些配置技巧尤其适用于Java、Kotlin及全栈项目开发场景，帮助开发者将JetBrains IDEA
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
IntelliJ IDEA 2024.3 插件管理实战：3种安装方式与5个性能优化技巧
本文详细介绍了IntelliJ IDEA 2024.3版本中插件管理的3种安装方式与5个性能优化技巧，包括Marketplace可视化安装、离线安装和命令行安装，以及依赖树优化、懒加载配置等性能调优方法，帮助开发者构建高效稳定的开发环境。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
IntelliJ IDEA插件精选：提升Java开发效率的必备工具集
在Java开发领域，集成开发环境（IDE）是程序员的核心生产力工具。通过插件机制，开发者可以扩展IDE功能，实现代码智能生成、质量检查、工具集成等定制化需求，从而显著提升编码效率和软件质量。其技术价值在于将重复性工作自动化，并引入最佳实践规范，广泛应用于日常开发、代码审查、团队协作等场景。本文聚焦于IntelliJ IDEA这一主流Java IDE，结合Lombok、MyBatisX等热词，系统梳理了能够切实解决开发痛点的插件分类、配置心法及高阶工作流组合，帮助开发者打造个性化的高效开发环境。
IntelliJ IDEA 2023 保姆级配置指南：插件、快捷键与性能调优
集成开发环境（IDE）是现代软件开发的基石，它通过集成代码编辑、编译、调试和项目管理等功能，极大提升了开发效率。其核心原理在于提供智能代码补全、实时错误检查和深度框架集成，从而减少上下文切换，让开发者专注于业务逻辑。对于Java开发者而言，一个高效、顺手的IDE能直接转化为生产力优势，尤其在微服务、云原生等复杂应用场景中。本文聚焦于业界广泛使用的IntelliJ IDEA，从**插件生态管理**和**快捷键体系**两个高频技术点切入，深入探讨如何通过系统性配置构建个性化高效开发环境。文章不仅涵盖必备插件选型
IDEA 字体美化全攻略：从下载到设置一步到位
本文详细介绍了如何美化IDEA字体，从选择专业编程字体到安装设置全流程。推荐使用JetBrains Mono等优化字体样式，提升代码可读性和视觉舒适度，并提供了Windows系统下的安装技巧和IDEA中的详细配置步骤，帮助开发者打造更高效的编程环境。
如何在5分钟内配置Dracula for JetBrains：从安装到美化的完整教程
Dracula for JetBrains是一款专为JetBrains IDE设计的终极暗色主题，它基于经典的Dracula配色方案，为开发者提供舒适、护眼的编程环境。这款主题不仅美观，还能显著提升代码可读性和开发效率。无论你是IntelliJ IDEA、PyCharm、WebStorm还是其他JetBrains IDE的用户，这篇完整指南将帮助你在5分钟内完成Dracula主题的安装和配置。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
430
扫一扫
