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
1.8k累计阅读
1.8k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
行高及列宽 Python 实现方法
在进行数据分析和可视化的过程中，表格是一个必要的组成部分。为了使表格更美观易读，合适的行高和列宽显得尤为重要。本文将介绍如何使用 Python 中的 Pandas 库调整表格的行高和列宽。
一、设置表格行高
Pandas 库中的 Style 对象可以实现表格样式的定制化。我们可以使用 Styler.set_properties() 方法来设置表格中的某一行或多行的 CSS 属性。其中，行号从 0 开始算起，可以使用列表或切片来选取多行，例如：
import pandas as pd
data = [['A', 'B', 'C'],Python办公自动化（六）｜自动更新表格，_python 自动更新excel
df_total.to_excel(excel_writer=writer, sheet_name=u’汇总表’, index=None)font = Font(name=‘宋体’, size=18, bold=True)sheet[‘A1’] = ‘皮卡丘体育2020年06月新学员信息登记表’df_total[‘编号’] = df_total.index + 1。sheet[‘A1’].font = font # 设置字体大小和加粗。workbook.remove(workbook[‘汇总表’])
行高及列宽 Python
在处理表格数据时，调整行高和列宽是非常常见的需求。在本文中，我将介绍如何使用Python调整表格中的行高和列宽。除了设置单个行或列的高度和宽度，我们还可以通过迭代的方式批量设置多行或多列的高度和宽度。如果想要批量设置多行或多列的高度和宽度，可以使用循环遍历的方式。通过以上的方法，我们可以轻松调整Excel表格中的行高和列宽，以满足我们的需求。的Excel文件，其中包含了我们设置的行高和列宽的表格数据。的Excel文件，其中包含了我们设置的行高和列宽的表格数据。通过以上的方法，我们可以使用Python的。
【Python】Python 实战：修改 csv 表格行高和列宽的 3 种方法
使用 Python 的 csv、pandas、openpyxl 库来修改已存在的 csv 表格的指定行高和列宽
【ISAR成像定标方法（1）—转台目标的RD成像算法MATLAB仿真】
ISAR成像定标方法的研究具有重要意义，但是与之相关的学习资料以及仿真对于小白来说很难找或者很杂乱，本人作为小白之一在研究过程中苦不堪言，现在自己所要研究的定标内容已经完成，以后还学不学雷达也不一定，因为后面的路更难，现在打算把一些相关推导和仿真结果列出来，以供小白交流学习使用，希望能有点帮助。（PS：由于公式和符号的原因，采用图片形式说明）
2、通过mos管构成的逻辑门电路
一、总结 mos管 是构成 逻辑门电路 的最基本单元。 各个逻辑门电路的真值表如下： 二、各种门 1、非门 NOT 2、与门 AND 3、与非门 把上面与门电路 右边的 非门电路 去掉 NAND 4、或门 OR 5、或非门 NOR 把或门右边的非门电路去掉 6、异或门 XOR 两个输入相异为1，相同为0。 7、同或门 XNOR 两个输入相同为1，相异为0。 ...
Python+OpenCV实战：5分钟搞定机械臂手眼标定（眼在手上模式）
本文详细介绍了使用Python和OpenCV在5分钟内完成机械臂手眼标定（眼在手上模式）的实战教程。通过解析相机坐标系与机械臂基坐标系的转换关系，提供从数据采集到标定矩阵计算的全流程代码实现，帮助开发者快速解决AX=XB问题，提升机械臂视觉引导精度。
T型三电平关管顺序要求
摘要： T型三电平拓扑中，IGBT关断必须遵循“外管先关、内管后关”的时序，否则易导致器件损坏。正常导通时，外管与内管共同分担电压；正确关断时，外管先关使电流经内管续流至中点，避免电压过冲；若内管先关，电流路径被强制切断，杂散电感引发高压尖峰击穿器件。这一时序本质是为电流提供低应力续流路径，需通过硬件或软件严格保障。
UI-TARS桌面版模型部署
在 UI-TARS 中配置 VLM（视觉语言模型）模型，无论是选择云端（Hugging Face）还是本地（vLLM）部署，都需要经过一系列步骤，下面为你详细展开介绍。
Hermes 教程 03：Skills 系统
摘要：Hermes Skills是一种自我改进机制，可将解决问题的经验保存为可复用技能文档。v0.13.0版本遵循agentskills.io开放标准，与Claude Skills互通。技能创建流程包括发现问题、创建技能文件、加载使用和优化更新四个阶段。系统提供技能检索和自维护机制（Curator），支持技能媒体路由和多种管理命令。内置技能涵盖开发调试、创意头脑风暴等场景，通过积累技能使Hermes更适应用户需求。
【读论文】ASR大模型动态热词新方案
大型语言模型（LLMs）以其卓越的通用知识和推理能力重塑了 AI 领域，但它们在处理特定领域或用户的专有词汇（即“热词”）时，往往表现出“选择性失忆”。传统的 RAG 或 Prompting 方案在实时性和准确性上存在瓶颈。阿里的《Hotword Model for Large Models》论文提出了一种“神经插件”方案，它能够在不修改基座模型权重的前提下，动态、精准地将热词能力注入到生成过程中。本文将从架构设计、训练范式到推理逻辑，全方位拆解这一技术的内核，并探讨其在工业级应用中的价值。
学 Simulink—— 基于储能系统（BESS）并网逆变器的 削峰填谷（Peak Shaving & Valley Filling）功能仿真
本文详细介绍了基于储能系统（BESS）并网逆变器的削峰填谷功能Simulink仿真方法。主要内容包括：1）削峰填谷原理与典型日负荷曲线控制逻辑；2）简化系统拓扑与关键参数设置；3）分步骤建模过程，重点讲解EMS控制逻辑、SOC模型和PQ控制实现；4）典型仿真结果分析及参数调优建议；5）常见问题解决方案和工程扩展方向。通过该仿真可掌握BESS在用户侧储能、虚拟电厂等场景的核心应用，实现电网侧功率按峰谷时段规划、BESS充放电控制及并网逆变器PQ控制。文章还提供了完整的BESS/微网系列课程框架和混合微网系统进
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")
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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。
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。
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
1179
扫一扫
