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
210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
一个实用的专利检索网站编程
随着科技的不断进步和创新的推动，专利检索成为了重要的工具，用于寻找特定领域的专利信息。为了满足用户的需求，我们可以编程开发一个实用的专利检索网站，帮助用户快速准确地搜索和浏览专利信息。本文将介绍如何实现这样一个专利检索网站，并提供相应的源代码。
首先，我们需要选择一个合适的编程语言和框架来构建网站。在这个示例中，我们将使用Python编程语言和Django框架。确保你已经安装了Python和Django，并创建了一个新的Django项目。
接下来，我们需要定义专利模型，用于存储专利的相关信息。在Django中，我们可以通过创建一个模型类来实现这一目标。打开Django项目中的models.py文件，并添加以下代码：
from django.db import models
class Patent(models.Model):网站推荐：检索全球范围内有趣实用的网站【持续更新】
写在前面：个人常用的一些实用便捷的以及有趣的网站汇总 温馨提示：多图预警，流量党注意 工具 PPT PPT优质模板：全免费 简历 超级简历 五百丁简历 文档 Smallpdf：在线pdf转换 制作 秀展网：在线MG动画制作 微词云：文字云艺术生成器 Creative Mass：创意导航 语法：免费写作助手 表情锅：在线制作表情包 网页制作...
一个高效的专利检索平台 编程
在search应用的urls.py文件中，我们定义一个名为"search_patent"的URL模式，并将其映射到search_patent视图函数。在search应用的models.py文件中，我们定义一个名为"Patent"的模型，其中包含需要存储的专利信息，例如专利号、发明人、标题、摘要等。在search应用的views.py文件中，我们定义一个名为"search_patent"的函数视图，处理用户提交的专利检索请求并返回结果。下一步，我们将创建一个名为"search"的Django应用。
33、网站编程实用指南
本文是一份全面的网站编程实用指南，涵盖了错误处理与安全考量、Web.config 文件的编程设置、异步网页编程、动态生成图像的技术实现以及相关的性能优化策略。通过这些内容，开发者可以提升 ASP.NET 应用程序的安全性、稳定性和性能表现，同时掌握关键的编程技巧和最佳实践。
patentics专利检索系统
Patentics是集专利信息检索、下载、分析与管理为一体的平台系统，其包括服务器端和客户终端，采用web浏览格式、用户安装终端格式及建立局域服务器网络格式呈现专利数据，是全球最先进的动态智能专利数据平台系统。
专利检索网站
本文介绍了一些关于专利检索的网站，有国内的，也有国外的。需要的朋友可以下载下来参考参考！！！
ASP外观专利图像检索平台(源代码+论文).zip
ASP外观专利图像检索平台(源代码+论文).zip
IPGet专利检索 IPGet专利检索系统 v5.3.5
IPGet专利检索系统是一款为专利工作者、知识产权专家、情报专家、法律专家、科研人员精心研发的一款专利检索、专利下载、专利管理软件，其集成了中、欧、美、日、WIPO、德等十来
SIMPLIS实战：从零构建理想BUCK电路，精准计算与POP稳态分析
本文详细介绍了如何使用SIMPLIS软件从零开始构建并仿真一个理想的BUCK降压电路。通过设定关键参数、计算理想器件值，并搭建仿真模型，文章重点演示了暂态仿真以观察电路上电过程，并深入讲解了高效的POP（周期性工作点）稳态分析技术，帮助工程师快速验证设计、评估稳态性能，从而加速电源设计迭代。
生成对抗网络——CGAN（代码+理解）
CGAN（Conditional Generative Adversarial Network）模型是一种 深度学习模型，属于生成对抗网络（GAN）的一种 变体。它的 基本思想是通过 训练生成器和判别器两个网络，使生成器能够生成与给定条件 相匹配的 合成数据，而判别器则 负责区分真实数据和 生成数据。相比于GAN它引入了条件信息（y），使得生成器可以生成与给定条件相匹配的合成数据，从而提高了生成数据的可控性和针对性。
OpenHarmony 4.1/5.0 Beta上手：如何用ArkUI在非华为设备上开发你的第一个“鸿蒙”应用
本文详细介绍了如何在非华为设备上使用ArkUI开发OpenHarmony应用，涵盖从设备选型、环境搭建到应用部署的全流程。通过实战案例展示ArkTS语言在开源鸿蒙生态中的应用，帮助开发者突破设备限制，构建跨平台鸿蒙应用。
别再手动调波形了！用STM32G474的HRTIM+DAC生成精密锯齿波，附完整CubeMX配置
本文详细介绍了如何利用STM32G474的高分辨率定时器(HRTIM)和数模转换器(DAC)协同工作，实现高精度锯齿波生成。通过CubeMX配置指南、关键寄存器计算和实践技巧，帮助开发者快速掌握全硬件实现的波形生成方案，显著提升嵌入式系统的波形控制精度和响应速度。
[PCIE5.0] 4.2.3.2 Encoding of Presets
• 发射器预设：发射器预设值用4位二进制编码，表示不同的预设设置（P0 到 P10），这些设置定义了信号的传输特性。• 接收器预设提示：接收器预设提示是通过3位二进制编码告诉接收器建议的增益值，用于调整接收器的灵敏度（适用于8.0 GT/s数据速率）。
13. MIC配置
恒玄BES2700，支持3个MIC。
【YOLO系列】YOLOv8详解：模型结构、损失函数、训练方法及代码实现
YOLOv8是Ultralytics团队2023年推出的高效目标检测框架，在速度与精度平衡、多任务支持和易用性方面实现突破。模型采用改进的CSPDarknet主干网络、C2f模块和SPPF加速结构，结合PAN-FPN特征融合和解耦检测头设计，支持目标检测、实例分割和关键点检测任务。创新性地使用CIoU定位损失、Focal Loss置信度损失和动态样本分配策略，显著提升检测性能。实验表明，YOLOv8较前代模型mAP提升5-10%，在TensorRT加速下可达1000FPS，提供5种尺寸灵活选择，成为实时目标
数字签名原理简述
本文结合下面两个问题来讲解数字签名的基本原理。结合图片希望能给大家一个清晰简单明了的分析和讲解。 1. 问题描述： （1）用户A向远方的用户B发送一个消息，用户B如何确认所收到的消息在传输的过程中没被篡改过？ （2）用户B收到了消息之后，如何防止A随之否认这个消息是他发送的呢？ ---------阅读本文的知识储备：了解非对称加密的基本原理。-------- 2. 使用方法：数字签名 类比于现实生活，我可以在一个支票上面签名，表示这张支票确实是我本人签署的。收到这张支票的人到银行去兑现的时候，工
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
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")
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
979
扫一扫
