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
500+累计阅读
501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
今天开始学习Ionic2，Ionic和Cordova的安装都没有什么问题，和我之前写过的文章一样，Android_SDK的配置也是一样，此处不会赘述。
问题在于当你把一切准备工作做好了的时候，在命令行中输入ionic serve，问题来了：说什么插件没有装好，然后ionic-cli的功能被限制了，于是各种坑爹的找资料。
最后：
然后基本上ionic serve已经可以用了，问题接踵而至，坑爹的ionic-cli更新了原来的命令，导致现在敲你熟悉的ionic命令将会提示命令被重命名了，于是：
装好之后，还是有很多不会的，虽然英文文档看起来痛苦，但是你不看又有什么办法呢，于是最新ionic官方文档，英文不好的同学别哭，好好回忆一下大学的时候老师叫你好好学英语你在干什么，哈哈。补充一个中文文档，勉强看吧，博主还是翻译的挺好的。
Ionic2+Angular2创建项目打包Android及集成极光推送全解析排坑
ionic2项目环境集成创建打包以及极光推送的集成教程
Ionic2 slides的使用
<ion-slides pager> <ion-slide style="background-color: green"> <h2>Slide 1</h2> </ion-slide> <ion-slide style="background-color: blue"> <h2>Slide 2</h2> </ion-slide> <ion-slide style="ba
SoC设计中的RDC陷阱：如何避免异步复位导致的亚稳态问题
本文深入探讨了SoC设计中由异步复位引发的复位域交叉（RDC）陷阱及其导致的亚稳态风险。通过分析实际案例，文章系统性地提出了以同步复位优先、异步复位同步释放为核心的设计原则，并介绍了电路级加固与验证策略，为构建稳健的SoC复位架构提供了实用指南。
关于ionic的一些坑（2）
如果你通过查阅相关文档，ionic的项目框架已经搭好，下面我来总结一下我在项目中所遇到的坑，给还没踩过的人以方便，给自己以勉励： （1）关于android和ios的适配 因为ionic默认的tabs状态是位于每个页面的二级标题处，并没有位于底部，不过有相关的配置可以设置： $ionicConfigProvider.scrolling.jsScrolling(true); $ionic...
PointNetLK实战：5步搞定点云配准（附ModelNet40数据集训练技巧）
本文提供了一份详细的PointNetLK实战指南，帮助读者在5步内掌握点云配准技术。文章以ModelNet40数据集为例，深入讲解了环境搭建、数据预处理、模型训练与调试等核心步骤，并分享了关键的训练技巧和调参策略，旨在让开发者快速实现并应用这一高效的深度学习配准方法。
Seurat3.0小提琴图腰围的参数
小提琴图没有有些群没有出现小提琴只有点点，是由于0值比例太多， 一个关键的参数scale = "width"导致了这种局面，应加上上述参数 ggplot(p$data,aes(ident,CD4)) + geom_violin(scale = "width", adjust =1, trim = TRUE) + geom_jitter()+ theme_bw() adjust参数可以调整腰的粗细，eg： ggplot(p$data,aes(ident,CD4)) + geom_violin(scale
Ionic2关于Slides的一些坑
首先，要知道Slides是实际使用的是swiper组件，所以遇到问题也可以查阅swiper相关资料。 HTML ion-slides #ionSlides loop="true" autoplay="3000" pager (ionSlideAutoplayStop)="autoPlay()"> TS: @ViewChild('ionSlides') slide
el-table通过上下左右键移动光标
在Element Plus的el-table中包含el-input和el-select组件，要实现上下左右键控制光标位置，需要通过focus和blur跟踪判断当前是哪个el-input或el-select有焦点，当按键按下时，通过监听，计算下一个获取焦点元素的索引，通过focus方法将焦点切换至改元素。
Ionic2 可以左右滑动的Segment
ionic2为我们提供了一个非常好的组件叫segment，一般的使用是没有问题的但是我们如果想要给segment加上一个可以滑动的事件的时候就会遇到一些问题，以下就是个人见解。 在ionic2中使用swipe的时候，没有像1中那样提供左滑还是右滑，而是使用的$event事件。这样就为我们处理左滑还是右滑带来麻烦，但是如果我们使用过HammerJS 的话我们就知道HammerJS 中处理事件是通过e
LVGL在RTOS下的线程安全实践：从卡死到流畅的界面切换
本文探讨LVGL在RTOS环境下的线程安全实践，重点分析FreeRTOS多任务同步机制，包括互斥锁、任务通知和消息队列方案。通过实际案例展示如何避免界面卡顿和系统死锁，实现从卡死到流畅的界面切换，为嵌入式GUI开发提供可靠的适配解决方案。
迷茫之后：Java研发转型售前——选择大于努力！
写下这段文字的时候，小弟已经从Java开发岗位转型软件售前近20天了........ 2011年9月毕业于某培训机构，学的是java语言。之后来到深圳，进入华为外包开始了我的程序猿生涯....刚入职场，第一份工作总是兴奋情绪占主导地位，加入文思创新在华为的人力外包项目组，然后跟着老员工学习、修复小bug，一步一坑的去熟悉那老掉牙的框架...ejb+struts1.2.........项目组老
【Ionic2】Ionic2 踩坑记录
之前已经写过2篇相关的文章了，这里在把遇到的坑的细小的点也记录一下： 之前的两篇文章： 1 【Ionic】Ionic打包编译时内存溢出问题 2 【Ionic】Ionic Android 打包 Crosswalk报错问题的解决方案 这里要记录的坑： 1 安卓6.0时，Push跳页面报错，报错的信息如下： Expression has changed a
探索数据库领域 SQL 的 JSON 数据处理技巧
在当今数字化时代，JSON（JavaScript Object Notation）作为一种轻量级的数据交换格式，被广泛应用于各种领域，如 Web 应用、移动应用、大数据处理等。数据库作为数据存储和管理的核心，需要具备处理 JSON 数据的能力。本文章的目的在于深入探索 SQL 语言在数据库中处理 JSON 数据的技巧，涵盖从基础的 JSON 数据查询到复杂的 JSON 数据操作，帮助读者全面了解和掌握 SQL 处理 JSON 数据的方法。
ionic和ionic2 环境下编写自定义cordova插件
编写自定义的cordova插件，并在ionic1和ionic2的环境中使用
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")
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
ionic2+angular2中踩的那些坑
好久没写什么东西了，最近在做一个ionic2的小东西，遇到了不少问题，也记录一下，避免后来的同学走弯路。 之前写过一篇使用VS2015开发ionic1的文章，但自己还没摸清门道，本来也是感兴趣就学习了一下。后来看到TypeScript，觉得这个真不错，强类型，有点类似c#的感觉，而且如果写错了编辑器都可以感知出来，于是就开始看ionic2。ionic2是基于angular2的，语法跟以前有了
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
ionic1 升级到 ionic2
ionic1 ionic2 升级 问题
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
2.开启Ionic之旅
Hybird HTML5 App(移动应用开发)之2.开启Ionic之旅 Ionic是一个强大的混合式移动开发框架，特点是使用标准HTML、CSS和JavaScript，开发跨平台（目前支持：Android、iOS）的原生App应用。Ionic使用多个框架，比如AngularJS和Cordova。我们讲讲如何搭建Ionic+Cordova的开发环境。 一. 分三个安装...
Ionic2之tabs相关内容和其他一些坑
ionic tab的属性和一些使用方法， 和ionic其他的一些注意事项
Ionic2踩坑记录（一）
首先为了兼容对Ionic尚且不了解的人，允许我对ionic做一个介绍。 众所周知，在当今主流的移动应用开发中，android和ios平台采用的是完全不同的开发语言，android主流使用java和kotlin，而ios则主流OC和swift，因此在大多数移动应用开发中，不得不采用两套完全不同的代码来完成不同平台的开发。 如何让ios和android能够兼容，这个问题已经困扰了很多IT开发的研究
Ionic2优于Ionic1的6个理由
经历了一个从0到有的app的开发，我已经很熟悉Ionic1了，在此期间我曾发现过Ionic1的一些bug，和一些不合理的地方（根基版本不同，后续我会陆续发表这些文章），我甚至在此期间对Ionic1进行代码改造和Hack，或者对其组件进行增强和封装，在onic2刚刚发布的时候，我就已经迫不及待的欣赏它的新特性，但是我为此不得不再学习另外一个框架。
Ionic 2之页面堆栈
还记得Ionic 1中的state和router吗？他们两兄弟配合起来完成页面导航的功能，虽然它们使用起来并不算复杂## 标题 ##，概念也很清晰，不过当页面增多、state嵌套等问题出现后复杂度也会增加，当复杂程度到达一定程度时工程必然难以维护和理解。而Ionic 2效仿原生页面堆栈的概念解决了上述问题。页面与组件页面是应用的基石，是交互的基本单位，Ionic 2中页面是通过组件构成的，Ionic
ionic2/3 踏坑之路（1）
从ionic1转战过渡到ionic2/3已经好一段时间了，一直没有时间静下来总结一下。 ionic2/3以angular2和ts为基础开发，提前学习ag2和ts为接下来的开发大有好处。 自定义tabs导航栏颜色: 在variables.scss文件中添加$tabs-ios-background：***; 统一使用ios样式：在app.mudule.ts文件中的imports添加： ...
ionic2升级到ionic3并打包APK
通过IONIC2升级到3的时候，经过我一系列的测试，以及网上各种办法，现将新测有效的方法记录如下，本人按如下方法，对多个项目升级后，都能正常打包成APK IONIC 2到3的升级： 1.拷贝ionic3相关的配置文件覆盖原来的a.resource文件夹b.config.xml[执行cordova命令时必须的东西],ionic.config.json,ionic.starter....
Ionic4 入坑之谈
1.背景 介绍 Ionic是一个开源UI工具包，用于使用Web技术（HTML，CSS和JavaScript）构建高性能的高质量移动和桌面应用程序。（构建和部署跨多个平台的应用程序，例如iOS，Android，桌面和Web作为渐进式Web应用程序 ） 版本： 目前Ionic最新版本是V4，V4仍然通过@ionic/angular包与Angular深度集成，可以与任何其他JavaScrip...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8329
扫一扫
