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
200+累计阅读
265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
Cesium是一款强大的开源地理信息系统（GIS）平台，它提供了丰富的功能和工具，用于创建交互式的三维地理可视化应用程序。本文将介绍如何下载并使用Cesium示例来构建自己的GIS应用，并提供相应的源代码。
Cesium示例下载步骤如下：
访问Cesium官方网站（https://cesium.com/ ↗），点击"下载"按钮，选择适合你操作系统的版本进行下载与安装。
安装完成后，打开你喜欢的集成开发环境（IDE）或文本编辑器，并创建一个新的HTML文件。
在HTML文件中，首先添加必要的引用。Cesium需要加载Cesium.js库文件和相关的CSS样式表。在标签中添加以下代码：
<!DOCTYPE html>
<html Cesium教程(一)：Cesium的下载和安装
Cesium的下载和安装以及测试是否安装成功。并自己亲自动手创建自己的第一个程序《HelloCesium》
Cesium示例下载 - 探索GIS世界
Cesium是一个强大的GIS开发框架，它提供了丰富的功能和工具，用于创建交互式的地球浏览器应用程序。通过下载Cesium示例并使用示例代码，您可以开始探索GIS世界，并构建出令人惊叹的地理可视化应用程序。Cesium是一个强大的地理信息系统（GIS）开发框架，它提供了丰富的功能和工具，用于创建交互式的地球浏览器应用程序。本文将为您介绍如何下载Cesium示例，并提供一些示例代码，帮助您开始探索GIS世界。这些示例代码只是Cesium功能的冰山一角，您可以根据自己的需求和创意进行进一步的探索和开发。
cesium小知识： SelectionIndicator 详解示例
/ 创建Cesium Viewer实例// 创建自定义的选择指示器});// 将自定义选择指示器添加到场景中// （可选）设置位置属性是 Cesium 中一个非常有用的工具，能够显著提升用户交互体验。通过合理的配置和事件处理，你可以为你的3D地理空间应用添加直观且响应迅速的选择反馈功能。根据具体需求，灵活运用这些API，可以使你的应用更加友好和实用。
Cesium 如何申请 GIS Token
Cesium 是一个强大的地理信息系统（GIS）开发平台，它提供了丰富的功能和工具，使开发者能够构建出令人印象深刻的交互式地图应用程序。要在 Cesium 中使用 GIS 功能，并获得访问地理数据的权限，您需要申请并获取一个 GIS Token。通过按照上述步骤，您可以申请并获取到 Cesium 的 GIS Token，从而获得访问地理数据的权限。然后，在应用程序的设置选项中，您将找到一个名为"Tokens"（令牌）的部分。现在，您可以将获取到的 GIS Token 应用到您的应用程序中。
Cesium实现加载3D城市建筑物的GIS应用
通过引入Cesium库、创建Cesium场景、加载3D城市建筑物数据以及添加其他功能和交互，你可以构建出一个功能丰富的3D城市建筑物GIS应用程序。通过引入Cesium库、创建Cesium场景、加载3D城市建筑物数据以及添加其他功能和交互，你可以构建出一个功能丰富的3D城市建筑物GIS应用程序。上述代码将在id为"cesiumContainer"的div元素中创建一个Cesium场景，并使用Cesium的全球地形数据作为地形提供程序。请根据你的需求修改上述代码，并根据实际情况添加其他所需的功能和交互方式。
Cesium示例：如何运行GIS
Cesium是一个强大的开源JavaScript库，用于创建高性能、跨平台的WebGIS应用程序。希望本文对您有所帮助！在上面的代码中，我们创建了一个点图层，并在图层上添加了一个红色的点。然后，我们添加了一个默认的地球影像图层，并设置了初始视图位置为纬度40.03883，经度-75.59777的位置。您可以根据需要添加更多的地理数据，使用Cesium提供的各种功能来自定义地图样式和交互行为。在上面的代码中，我们创建了一个具有标题和Cesium容器的基本HTML结构。替换为您下载的Cesium库的实际路径。
Cesium之家：Cesium 如何申请 GIS Token？
在本文中，我们将详细介绍如何申请 Cesium 的 GIS Token，并提供相应的源代码示例。记住，为了保护您的 Access Token，确保将其存储在安全的位置，并避免将其泄露给他人。一旦您成功创建了 Cesium Access Token，您可以将其用于访问 Cesium 的 GIS 功能和服务。一旦您成功注册并登录到 Cesium 的账户，您可以创建一个 Access Token，以便访问 Cesium 的 GIS 功能。接口，您将成功创建一个 Cesium Access Token。
cesium1.95版本
cesium1.95版本下载，cesiun开发包，cesium
cesium-Cesium-1.135
cesium资源包，学习安装使用
3D IC中Memory-on-Logic堆叠测试的DFT解决方案与工程实践
在半导体行业，随着摩尔定律逼近物理极限，3D IC技术通过芯片垂直堆叠实现性能提升和异构集成，已成为重要发展方向。其核心原理是利用硅通孔（TSV）或微凸块实现芯片间电气互连，将多个不同功能的芯片（如逻辑芯片与存储芯片）集成在一个封装内。这项技术的核心价值在于能大幅提升系统性能、降低功耗并实现更小的封装尺寸。然而，芯片堆叠后，传统的测试方法面临巨大挑战，尤其是测试访问存在物理屏障，无法直接探测被覆盖的芯片接口。为此，可测试性设计（DFT）成为确保3D IC可靠性与量产可行性的关键技术。它通过在设计阶段植入专用
从零开始的立绘拆包教程
蓝毒小天使天下第一！ 本文拆包教程不限于明日方舟，在后面也会给出其他手游的拆包教程，例如少女前线 首先拆包最简单的无非就是拆取游戏资源，例如游戏立绘，音频，视频等，再深层次一点有拆取游戏配置文件，apk反编译得到部分源码 在本文，我们只介绍拆取游戏资源和对游戏资源的后期处理（因为另外两个讲道理我也没太搞懂，虽然可以提取游戏配置文件，但似乎大部分重要的数据都有加密，反编译出来的源码也只是部分，...
手把手教你编写I2C读写EEPROM代码（驱动层实现）
从底层寄存器配置到时序控制，详解如何编写可移植的I2C读写EEPROM代码，覆盖起始信号、地址帧、数据收发及ACK应答等关键环节，确保在STM32、ESP32等主流平台稳定运行，真正落地i2c读写eeprom代码需求。
iTunes登录协议全解析：从抓包到签名验证（含HTTPDebugger避坑指南）
本文深入解析了iTunes登录协议的核心流程，包括sign-sap-setup-cert和sign-sap-setup-buffer等关键请求，并提供了使用HTTPDebugger等工具进行抓包分析时绕过反调试检测的实战技巧与避坑指南。文章详细拆解了PLIST编解码、请求签名验证机制及密码加密逻辑，为网络安全研究和协议逆向提供了完整的技术路径。
钣金设计高薪进阶：从材料工艺到DFMA降本增效全解析
钣金设计是机械制造领域的核心技术之一，它涉及将金属板材通过切割、折弯、焊接等工艺成型为所需零件。其核心原理在于深刻理解材料特性、制造工艺约束与结构力学，以确保设计在功能、成本与可制造性之间取得最佳平衡。这项技术的价值在于，优秀的钣金设计能直接驱动产品降本增效，通过优化材料利用率、简化装配工序和避免设计缺陷，为企业节省大量模具与生产成本。其应用场景广泛，从机箱机柜、汽车部件到电子设备外壳无处不在。本文将聚焦于实现这一价值的关键路径，深入探讨面向制造与装配的设计（DFMA）原则在钣金领域的实战应用，并剖析如何通
告别Python依赖！用C++编译PaddleOCR打造轻量级本地OCR工具（附模型选择与性能对比）
本文详细介绍了如何将PaddleOCR从Python迁移到C++平台，打造高性能、低资源占用的本地OCR工具。通过对比Python和C++实现的性能差异，展示了C++在冷启动时间、内存占用和部署便捷性上的显著优势。文章还提供了模型选择、编译配置和优化技巧等实用指南，帮助开发者轻松构建轻量级OCR解决方案。
如何通过插值法计算cell delay？
插值法的公式：Z = A + B * X + C * Y + D * X * Y，其中X为input transition，Y为output load，A、B、C、D为四个参数，Z为delay值。从而得到Z=-0.086176 + 11.5493 * x + 0.65917 * y - 24.859 * x * y，当X=0.014930、Y=0.296311时，得到Z=0.1716ns。从而得到A = 0.08075，B = 3.47539，C = 0.04008，D = 0.01648。
论文阅读：NeurIPS 2024 JailbreakBench: An Open Robustness Benchmark for Jailbreaking Large Language Model
论文指出评估越狱攻击存在挑战，如缺乏评估标准、成本和成功率计算方法不一致、许多研究无法复现。为解决这些问题，作者提出了JailbreakBench，这是一个开源基准测试，包含以下组件：持续更新的越狱提示库（jailbreak artifacts）。包含100种行为的越狱数据集，符合OpenAI的使用政策。标准化的评估框架，包括威胁模型、系统提示、聊天模板和评分函数。跟踪各种LLMs攻击和防御性能的排行榜。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
5273
扫一扫
