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
471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
今天又要打包应用程序，之前打包过，但是没记录方法，导致每次打包又要去翻以前的记录，然后慢慢尝试，浪费时间！！！所以特此记录打包应用程序步骤，希望下次打包的时候，两三分钟就搞定！！
1.在桌面建立一个文件夹qtpack
2.找到要打包的qt的exe文件，并复制到 qtpack文件夹内
3. 打开MinGW的cmd，然后进入该目录
4.进入命令行后， windeployqt.exe文件就在当前命令行路径下，然后再cmd窗口输入以下指令：
指令：windeployqt.exe D:\HTWorkDir\xxxx\HTUpdateTool.exee
5.最后可以在 qtpack文件夹内看到，HTUpdateTool.exe可执行文件所需要的依赖。
结束！over！
告别 RPA 和 Selenium，MCP + Playwright 成为自动化开发新宠！
摘要： 随着数字化转型加速，传统自动化工具（如RPA和Selenium）在复杂场景中暴露出开发成本高、灵活性不足等问题。新一代解决方案MCP（Model Context Protocol）与Playwright的结合，通过AI与自动化的无缝对接，实现了智能化的任务处理。MCP支持自然语言交互和上下文感知，开发者无需编写复杂代码即可生成自动化脚本；Playwright则提供多浏览器支持、高性能和易用性。二者结合显著提升开发效率，使自动化更智能、灵活。文章还对比了VS Code与Trae中配置Playwrigh
Qt打包应用程序
作者: @bushuo联系方式: 3513566868@qq.com。
新手必看：SMIC 0.18um PDK安装保姆级教程（附Cadence IC617环境配置）
本文提供SMIC 0.18um PDK在Cadence IC617环境下的详细安装教程，涵盖环境准备、文件解压、安装脚本运行、环境变量配置及Cadence集成验证等关键步骤，特别针对初学者常见问题提供解决方案，助力快速掌握芯片设计工具配置。
QT程序打包成应用
QT程序打包成一个可下载的应用软件
ESP32学习笔记06-UART 的485 通讯模式
通信方式选择UART 控制器支持多种通信模式，使用函数 uart_set_mode() 可以选择模式。选择特定模式后，UART 驱动程序将处理已连接 UART 设备的相应行为。例如，主机开始向 Tx FIFO 缓冲区写入数据时，UART 驱动程序会自动置位 RTS 管脚（逻辑 1）；最后一位数据传输完成后，驱动程序就会取消置位 RTS 管脚（逻辑 0）。要使用此模式，软件。
【MT7628】固件开发-SDK4320添加MT7612E WiFi驱动操作说明
【MT7628】固件开发-SDK4320添加MT7612E WiFi驱动操作说明
QT 应用程序打包
QT 应用程序打包 一、简述 记--将应用程序打包成一个exe应用，以便给没有Qt环境的用户使用。 步骤：使用windeployqt将exe所依赖的库文件找出来，然后使用Enigma Virtual Box将所有文件打包成一个exe。 如果是未打包的exe，那么普通用户无法直接运行程序的，我们有qt运行环境的，只需要将库路径添加到环境变量就可以了：...
在群辉（NAS）中安装虚拟机套件（Virtual Machine Manager）
一、在群辉中下载虚拟机套件Virtual Machine Manager ①启用Open vSwitch（网络-->管理--启用Open vSwitch） ②打开“套件中心” ③查找到Virtual Machine Manager套件点击“安装套件” 二、安装虚拟机套件（Virtual Machine Manager） ①打开虚拟机套件运行设置向导 ②选择存储空间...
QT项目打包应用
【代码】QT打包应用。
【占用网络】OccNet: Scene as Occupancy 适用于检测、分割和规划任务 ICCV2023
本文分享“占用网络”方案中，具有代表性的方法：OccNet。它以多视角视觉为核心，首先生成BEV特征，然后通过级联结构和时间体素解码器重建生成3D占用特征。构建一个通用的“3D占用编码特征”，用以表示3D物理世界。这样的特征描述可以应用于广泛的自动驾驶任务，包括检测、分割和规划。
基于simulink创建一个针对双馈异步风力发电机并网运行的仿真模型
摘要：本文详细介绍了基于Simulink的双馈异步风力发电机(DFIG)并网运行仿真建模方法。系统包含风速输入、风力机、双馈发电机、电力电子变换器、控制器和并网接口等模块，通过8个步骤完整呈现了建模流程，包括风速模拟、机械功率计算、发电机特性建模、变流器控制策略设计等关键环节。仿真可评估系统在不同风速条件下的动态响应、最大功率跟踪能力和发电效率，为风力发电系统的优化设计提供有效验证手段。模型可根据实际需求扩展环境因素和电网交互等细节，提高仿真精度。
QT5.6+opencv2.49+vs2015生成的exe可执行程序打包方法
由于研究生工作关系，用到了qt写界面，程序写好了，但是当exe文件拷贝出来到其他电脑上时总是提醒缺少各种dll文件，搞了半天，终于还是把exe文件打包好了，测试可以在室友们的电脑上正常运行。下面把相关步骤大致写一下。 环境：qt5.6(vs版本的)，opencv2.49，vs2015 问题：因为qt已经集成到vs里面，而且opencv的环境在vs里面也已配置好，所以为了省事我先是直接打包vs在
【AUTOSAR-IpduM】-3.1-配置一个发送Tx Dynamic Container PDU(Multiple-PDU)
手把手教您如何配置一个Tx Dynamic Container PDU(Multiple-PDU)，动态容器复用帧。并附上测试LOG帮助您进一步加深理解。
C/C++ Qt 编译打包项目
Qt程序编译后，需要去qt目录拷贝几个文件，与qt程序放在一起该程序才可以脱离开发环境而独立运行下去，在开发环境下编译好代码以后，还需要进行以下操作将其打包才可以在别的机器上正常运行。Qt项目打包有两种方式，第一种是自己打包项目，此方法需要将我们需要用到的库手动拷贝出来，并放入工程目录下。如果是自动打包我们可以进入Qt提供的命令行页面，跳转到需要打包程序的目录下，执行以下命令。当我们打包完成后，可以手动删除多余文件，只保留如下文件即可，其他的可全部裁掉。如果打包时需要去掉不需要的库文件，我们可以指定。
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")
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
Qt程序打包发布
4种程序打包方式1、拷贝dll方式2、Qt自带的 mingw3、命令行解释器应用程序cmd4、脚本文件。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
enigmavb封包软件的使用——打包QT项目
文章目录前言一． 安装二． VC程序打包三． 打包QT程序四． 总结 前言 前段时间有人问我平时都咋给exe封包的，说enigmavb封好的文件打不开。我虽然一直用，但之前的包都是前辈给我弄好的，也没有出过什么问题，直到给他解决问题，才了解到QT的封包好像要拷贝qt自带的dll文件，顺便也学习了下enigmavb。 一． 安装 免费软件，直接下载，https://enigmaprotector.com/assets/files/enigmavb.exe，直接安装 切换语言（可选），重启软件后生效 二．
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
Qt--常见的打包问题
Qt--打包文件问题、windeployqt 不是内部或外部命令问题、无法定位程序输入点于动态链接库问题
qt for python 打包_[Qt]Qt程序发布：在windows下打包成exe文件的过程
0:Qt程序发布理论知识和相关工具Qt程序在发布时只需要把需包含的dll动态链接库文件放在需要发布程序同一目录即可那么如何找到可运行程序，依赖哪些dll动态链接库文件呢？网上有人用depend.exe这个程序打开我们的可运行程序，就可以找到该程序依赖于哪些动态链接库了博主用depend.exe试了一下，效果并不好，实际上Qt5.6已经为我们准备好了一个非常好用的工具在安装了Qt之后，这个工具就在下...
Qt5 在win7上发布 & 打包依赖dll生成exe方法
转自：http://www.stardrad.com/blog/qt-5%E7%A8%8B%E5%BA%8F%E5%9C%A8windows%E4%B8%8A%E7%9A%84%E5%8F%91%E5%B8%83/ http://blog.163.com/qimo601@126/blog/static/1582209320132291718389/ 最近做了个qt的程序，但是发布程
windows中对QT程序进行打包
QT：5.6.2 操作系统：Windows7 环境：MinGW4.9.2 配置好环境变量 第一种方法：图形化操作配置 点击我的计算机-》右键属性-》在弹出系统界面选择-》高级系统设置-》点击环境变量-》选择path变量点击编辑-》在变量值的末尾加上”;F:\qt\QT5\Tools\QtCreator\bin;F:\qt\QT5.6.1_mingw\5.6\mingw49_32\bin\...
Qt5应用程序的部署
1.概述 和以往版本的QtSDK不同，Qt5对整个SDK结构进行了较大幅度的修改。以前Qt4的代码移植到Qt5版本上，需要更改的东西（包括QApplication、TextCodec等）也比较多。Qt5应用程序的部署与之前版本之间的差异，主要是需要增加Qt里plugins/platforms/下的dll的部署。 2.依赖库一览 2.1QT模块库 Qt5Core.dll #QT核
linux下使用qt静态编译及打包程序完整教程（亲测可用）
概述 linux上qt程序开发好后会遇到一个问题，就是如何将开发好的程序打包成便于安装的安装包，然后发布给客户使用。这个过程总体可以分为两个步骤：编译和打包 1.编译qt程序 方法1： 使用qtcreator直接编译qt程序 方法2： 1）编译qt的静态库 2）使用qt的静态库静态编译qt程序 2.打包编译好的程序 1） 2） 3） ...
OpenTodoList 3.49.0版本发布：个性化色彩与任务管理新体验
OpenTodoList 3.49.0版本发布：个性化色彩与任务管理新体验 项目简介 OpenTodoList是一款跨平台的任务管理应用，基于Qt框架开发，支持Windows、Linux、macOS、Android和iOS等多个平台。它提供了丰富的任务管理功能，包括待办事项、笔记、子任务等，并支持通过WebDAV或Dropbox进行数据同步。作为一款开源软件，OpenTodoList持续更新迭代，...
Qt如何打包发布
创建一个文件夹，然后将release 文件夹中的*. exe复制过来, 再去Qt安装目录的bin目录中将libgcc_ s dw2一1. dll、libstdc+±6. dll、lib-winpthread - 1. dll.Qt5Core. dll 、Qt5Gui. dll和Qt5Widgets. dll这6个文件复制过来。另外,还需要将C:\Qt\Qt5.6.1\5. 6\mingw49_ _32\plugins 目录中的platforms文件夹复制过来(不要修改该文件夹名称),里面只需要保留qwind
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2208
扫一扫
