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
1.3k累计阅读
1.3k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
1、重启后使用插件：
2、输入码云帐号密码，点击login。
3、新建码云上的仓库，勾选private，点击托管按钮。
4、点击OK。
5、在项目上右键 ->Git ->Commit Directory
6、填写Commit Message（养成良好编码习惯），点击Commit按钮
7、如果没有定义Git的用户名，点击Commit会弹出此弹窗，输入 name和email 点击 Set and Commit即可。
8、项目右键 -> Git -> Repository -> Push
9、点击Push。
10、登录码云查看。到此，项目上传码云成功！~
注意：（private勾选后项目并未成为私有项目，需要到码云网页上进行私有设置）
从远程库检出：
【分布式系统学习】CAP原理详解
概述：互联网最重要任务莫过于海量数据处理，即大规模分布式系统，分布式是互联网的核心技术！！！如上所述，分布式系统是无法同时满足CAP三个特性的。1.Atomicity（原子性）一个事务中的所有操作，要么全部完成，要么全部不完成，不会在中间某个环节结束。事务在执行过程中发生错误，会被回滚到事务开始前的状态，就像这个事务从来没有执行过一样。2.Consistency（一致性）在事务开始之前和事务结束以后，数据库的完整性没有被破坏。3.Isolation（隔离性）
怎样将IDEA与码云进行绑定
1.打开IDEA,打开“file” “setting” “plugins”,在搜索框输入gitee,点击 install。 2.此时，需要重启下IDEA。然后点击“version control” “gitee”。绑定你的码云。 3.输入码云账号时，最好在码云上遇上绑定你的邮箱，这样登录时，账号直接输入你的邮箱就可以了。 ...
R语言缺失值填补|插值法、均值法、邻近法
本文主要介绍如何利用R语言进行数值型缺失值的填补。主要使用zoo包中的na.aggregate() 、na.approx()、na.locf() 函数进行缺失值的均值填补、线性插值填补以及邻近值填补。
Idea 拉取云效代码（保姆级教程）
云效代码管理 Codeup，是基于 Git 的代码管理平台，数十万企业正在使用，提供代码托管、代码评审、代码扫描、质量检测、持续集成等功能，全方位保护企业代码资产，帮助企业实现安全、稳定、高效的代码托管和研发管理。4、点击进入IDEA -> File -> New ->Project From Version Controller…2、点击进入云效 -> 个人设置 -> https密码，创建克隆账号和克隆密码。5、克隆完成后注意分支即可，分支不对的话，切换。3、在云效代码仓库找到克隆链接，复制。
llama.cpp 参数调优大全（4060 最优配置）
本文针对NVIDIA RTX 4060（8GB显存）显卡，提供了llama.cpp参数调优的实战指南。核心策略是采用小模型（7B/8B）配合Q4_K_M量化，通过合理设置GPU层数（-ngl 28）、上下文长度（-c 2048）和批量大小（-b 512）来平衡性能和显存占用。重点推荐启用flash-attn加速和mlock内存锁定，并给出标准、高性能和保守三种配置方案。调优优先级为：GPU利用率＞吞吐量＞显存＞线程数，同时警示避免常见错误如过大上下文或GPU层数设置。最终推荐4060最佳配置为7B Q4_
YOLO11多类别数据集的类别平衡方法：讲解类别不平衡问题的识别方法，以及过采样、欠采样、类别权重调整等解决方案（一）
类别不平衡问题是机器学习和计算机视觉领域中一个常见但棘手的挑战。简单来说，当数据集中不同类别的样本数量存在显著差异时，我们就称这个数据集存在类别不平衡问题。在YOLO目标检测任务中，这意味着某些类别的目标对象在训练数据中出现得非常频繁，而其他类别的目标对象则很少出现。 想象一下，你正在训练一个交通监控系统，需要检测不同类型的车辆。在这个场景中，"汽车"这个类别可能有成千上万个实例，而"自行车"或"摩托车"可能只有几百个实例。这种数量上的巨大差异就是典型的类别不平衡问题。 从数学角度来看，假设我们有一个包
idea上传代码到Codeup代码管理云效平台
上面界面不同的 idea 版本可能有所不同，有的可能是下面界面。本地仓库创建成功后，idea 天头上的 VCS 菜单 就变成 Git 菜单了。
【ArcGIS风暴】ArcGIS 10.2导入Excel数据X、Y坐标（经纬度、平面坐标），生成Shapefile点数据图层
用过CASS的人都知道，野外数字测图得到的点数据（平面坐标）可以直接导入到CASS中，进一步绘制地形图。那么，带有坐标的数据能不能在ArcGIS中实现点图层的生成呢？答案是必须的！ 本文以气象台站shp数据的生成为例，详细介绍ArcGIS 10.2中导入X、Y坐标（这里指的是经度、纬度），生成Shapefile点数据的流程。 相关阅读：《全站仪、RTK测量坐标数据在CASS和ArcGIS中展点的区别和联系》 目录 1、数据准备 2、添加X、Y数据 3、属性表连接（Join） 4、导出为Sh.
Idea 将代码推送到云效（保姆级教程）
在云效里的代码管理中新建一个和idea 项目同名的空仓库，然后 将SSH复制一下。然后再gitl里选择Manage Remotes。将上次复制的SSH复制一下。
Win10 开机突然蓝屏错误代码0xc0000001安全模式也进不了，不用重装系统怎么修复？（已解决）九个解决参考方案
Win 10专业版HP480G7。
（8）(8.19) GPIOs
Ardupilot官网关于《Copter》的翻译 —《(8.19) GPIOs》。
在IDEA中开发web项目时如何使用阿里云的“云效Codeup”代码管理，以及使用Tomcat部署项目注意事项
到此完成，将打好的WAR包放到服务器tomcat下边即可。希望对新手有所帮吧。2、设置Maven相关参数及JDK设置，jdk的版本一定要一致。4、idea中配置tomcat。
量化交易 米筐 案例：市值因子选股策略
案例：市值因子的选股策略 1.结果 获得超额收益 年化 49% 2. 从股票中选择市值小的股票 选定财务数据筛选 进行每日调仓(多因子选股调仓 周期频率会小一些) 3. 代码 估值有关指标 # 在沪深300股票中，选出市值比较小的10只股票 # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。 def init(context): # 沪深300组合 stocks = index_components('000300.XSHG') # 沪深3
idea使用码云管理项目教程
第一步 : 下载git 进入git官网 https://git-scm.com/download/win 下载git软件. 我这里演示安装Git-2.16.1.4-64-bit.exe 1 . 运行 Git-2.16.1.4-64-bit.exe 点击Next 2. 选择安装目录 点击Next 3. 第二步 : 安装码云插件第三步 : 配...
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")
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
IDEA+git+码云托管项目
话不多说，直接上操作吧！想了解git的可以去@廖雪峰老师那里去了解一下 https://www.liaoxuefeng.com/wiki/0013739516305929606dd18361248578c67b8067c8c017b000/001374027586935cf69c53637d8458c9aec27dd546a6cd6000 环境 ： InteilJ IDEA2017 + ...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
怎么用IDEA上传本地项目到码云
步骤1：创建远程项目 步骤2：复制远程项目地址 步骤3：创建好本地项目，点击VCS,按照图中指示给项目创建Git仓库。 步骤4：选择此项目的根目录作为仓库。 步骤5：选中项目名先将项目add到缓冲区，再commit到本地仓库。 步骤6：点击Commit Directory后在弹出框中填写Commit Message(提交信息），然后选择Commit and Push。 步骤7：在弹出的...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
把项目放到码云上，通过git 进行项目管理
1.在码云上新建一个项目 把使用 Readme文件初始化这个项目这个勾选去掉 项目生成后会看到 码云的git 简易的命令行入门教程: Git 全局设置: git config --global user.name "你的码云账号" git config --global user.email "你的码云注册邮箱"12 Git 全局设置: 这里写代码片1 没有
git——IntelliJ中配置使用git，码云管理项目
目录 一、引言 二、本机git环境搭建 1、从官网下载windows版本的git 2、安装git 三、码云环境搭建 1、在码云首页注册用户 2、添加SSH公钥 3、新建仓库 四、项目上传与下载 1、项目上传 2、项目下载 五、IntelliJ配置使用git 1、其实说配置，基本安装上git之后intellij会自动配置好，没有配置好，重启一下 2、主要是使用 六、总结...
idea教程--如何使用码云管理代码
1、安装Gitee插件 由于我已经安装过了，请参加白色背景的图 2、idea配置git 3、配置码云账号 4、配置ssh秘钥（注意：如果之前安装git已经配置过了可以跳过此步） （1） 生成SSH秘钥对: 命名行运行 : ssh-keygen -t rsa -C "你的邮箱地址"; （2）输入你的秘钥密码: （3）找到这个文件:用...
通过idea将本地代码 推送到码云
通过idea将本地代码 推送到码云 准备 本地安装GIT 拥有idea 拥有码云或者其他管理的账号 你要用推送的东西 开始 点击VCS 选择Create Git Repository 选择自己的项目 然后你的代码文件会变红 提交需要提交的代码到本地仓库 -建议如果有target可以先clean掉 然后提交 防止点...
intellij idea使用码云管理代码
1.下载git安装包，安装在本地如图 2.配置git路径，并测试是否可用，如图 3.安装gitee插件，直接在插件收索栏搜索gitee，如图已安装成功 4.新建项目，在VCS--》import into version control--》share project on gitee中进行项目管理 ...
Vue项目环境配置以及码云管理代码
注册码云账号 下载Node.js node -v nmp -v （node.js的包管理工具） 下载Git git --version 新建仓库存储代码 通过秘钥进行线上新下同步更新 生成秘钥教程（在Git Bash 中运行，其相当于小型Linux环境） 线上项目下载克隆到本地 SSH协议进行克隆，复制地址 cd Desktop git clone SSH地址 创建Vue项目 webp...
JavaWeb基于Springboot和Vue的隧道云管理信息平台系统(0354
这是一个基于Vue3+Springboot的隧道云管理信息平台系统项目。开发工具采用Idea/Eclipse，数据库使用Mysql，通过Maven管理Jar包。项目包含完整的演示视频和图片说明，具体功能实现可观看视频演示。系统采用前后端分离架构，前端使用Vue3框架，后端采用Springboot框架。项目配套资料包含调试视频和软件安装包，详情可访问官网获取源码。
IDEA中使用git详细步骤
1、idea中配置git 设置 版本控制 git 配置git的执行路径(git.ext) 2、把项目推送到远程仓库(码云项目管理) a.在码云创建一个项目 b.复制项目的URL c.找到要上传到码云管理项目的文件夹，在命令行模式使用 git init 初始化要上传的项目 d.添加与远程仓库挂钩(码云项目管理) git remote add origin 项目的U...
用git上传本地文件到码云gitee
1.在码云上创建项目 右击，打开Git Bash Here git config --global user.name "xxx" //xxx为码云名，也可随意 git config --global user.email "zsh@163.com" //邮箱可为码云邮箱，也可以随意 2. 生成密钥 ssh-keygen -t rsa -C "zsh@163.com" 输入上面的命令后一直按3次回车直到出现图形界面即可. 3. 添加私钥到码云 输入命令，可以看到上一步生成的密钥 cat ~/.
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5023
扫一扫
