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
5.3k累计阅读
5.3k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
vs2019附加库、包含目录等配置
对于vs2019这种功能强大的软件，学习成本过高，并不适合大多数人，比如我。 记录下新建项目后附加库、包含目录、附加依赖项等操作及区别。 一、vc++目录 尤其注意图中圈出的地方，你配置的项目和你运行的项目是不是同一平台，别傻啦吧唧配置半天x64，回头搁x86上一顿调试发现怎么操作都不生效。debug和release也要分清。 对于vc++目录应该是全局的，不只是针对你选中的子项目，可能该目录空间下所有项目都会按照该配置执行，这里不建议做任何改动。 包含目录：一般指头文件，类似于linux下的/usr
VS2017的C++开发心得（四）VS的文件夹路径以及项目生成步骤
这篇先来理一理VS的文件夹路径，以及几个关键的路径宏。 先看看解决方案根目录： 这个结构很简单，解决方案下一个项目对应一个文件夹，一配置对应一个生成文件夹。 项目文件夹：存放项目的代码、项目配置文件以及项目的中间编译结果，如下： 打开Debug文件夹，看看项目生成的时候产生了哪些东西： 这里要先简单介绍下VS的项目生成步骤。VS的项目生成大致分成四步：分析、编译、链接、生成。...
VS - C++项目属性配置窗口详解
Visual Studio C++项目属性配置窗口相关设置详解
快速在VSCode中创建多文件多目录C++项目
对于轻量级的VSCode编辑器，我想像使用那些IDE一样，通过简单的几步就能构建出自己的项目文件树，类似于下面的结构。所以特地写了一个脚本，用于自动创建一个基本的项目。
VS2017 C++调用C#生成的COM组件
C#生成COM组件： VS2017 ——> 新建 ——> 项目 ——> Visual C# ——> 类库(.NET Framework) *注意：如果选择 "类库(.NET Standard)" 后面可能无法选择 "为COM互操作注册"，同时记住选择的.NET Framework的版本 示例：新建的工程名为 ComExample，重命名Class1.cs为Com...
七、如何设置C++项目 set up C++ project
Visual Studio设置项目文件目录、组织项目文件
VS中C++生成dll以及调用
2、添加到dll到Debug文件夹。右击项目—配置属性—C/C++—右键我们的项目，点击生成。
如何评价智能座舱的好坏之指标拆分？
智慧服务实际上是有一些比较实用的功能的，常用的有后视镜自动伸展、离车自动落锁、座椅记忆等，但这部分前装率较高，各家的区分度不高，所以一级指标中占比最低（10%）。不过呢，规则里的权重仅有5%，或许是考虑到比较成熟，没有区分度。全景环视明显拔得头筹，占比85%，这对于我这种没有倒车影像不敢倒车的人，举双手赞成，但还是要看其效果，比如，现在，测评规则的颁布实际上也让我们看到，智能座舱的技术方案正走向成熟，并将走进规范化运作。，占比 60%，这与我们对座舱最直接的认知符合，
ANSYS 有限元分析 支架拓扑优化设计 分析过程及常见问题解决
1.确定分析类型，所用模块包括两种 static structural Topology Optimization。3.通过草图建立几何模型，建好的几何模型如图1所示。2.工程材料采用默认的Q235。
实战分享：如何用本地替换和插桩调试搞定Kasada最新版x-kpsdk-cd环境检测
本文深入解析Kasada最新版x-kpsdk-cd环境检测机制，提供动态请求拦截、本地替换和函数插桩等实战调试策略。通过Proxy保护破解、关键函数断点调试和环境检测对抗方案，帮助逆向工程师有效应对从280位扩展到294位的加密数组挑战，实现高效补环境调试。
机器人空间平滑过渡-6点5次贝塞尔曲线
在工业机器人应用中，空间直线或者圆弧等笛卡尔运动中常使用贝塞尔曲线作为过渡平滑， 而6个控制点5次贝塞尔曲线更具备轨迹平滑、速度可导、加速度连续等要求，往往应用于 高级的机器人控制系统中。 贝塞尔曲线(Bézier curve)定义： 五次贝塞尔曲线公式为 化简得到 从上述式子来看，跟五次多项式是一致的，因此跟5次多项式轨迹规划也有相似之处。 但也存在不一致的地方。若使用...
快速配置ORCAD导出智能PDF原理图
在OrCAD 中导出类似Altium Designer的智能PDF（即交互式PDF）；
华为OD机考真题 新系统 - 小菊的寻宝之旅(Java/Py/C/C++/Js/Go)
华为OD机试真题 新系统【小菊的寻宝之旅】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD机试真题 【小菊的寻宝之旅】多语言题解。
《MPDIoU：边界框回归的高效革新与YOLOv8集成实战指南》
摘要： MPDIoU（多优先级距离IoU）通过引入中心距离、形状差异和尺度变化的三步优化策略，解决了传统IoU在目标检测中的尺度敏感、收敛低效和场景局限问题。相较于GIoU、DIoU等主流方法，MPDIoU在精度、速度和鲁棒性上实现全面提升，尤其在复杂场景和小目标检测中表现突出。通过代码集成和训练优化，MPDIoU在YOLOv8中显著提升COCO数据集AP指标，并在智能安防（密集行人检测）和工业质检（微小缺陷定位）等垂直领域验证了其应用价值。未来研究方向包括动态权重调整和多模态融合，进一步拓展边界框回归的精
PostgreSQL面试题及详细答案120道（101-120）
本文针对PostgreSQL数据库提供全面的性能优化方案，涵盖10个关键面试题解析。主要内容包括：1)并发参数调优（max_connections、worker_processes）；2)缓存设置（effective_cache_size）；3)WAL日志优化；4)慢查询监控与日志配置；5)会话管理与阻塞处理；6)高写入场景优化策略；7)存储类型参数调整；8)自动清理机制配置；9)大表DDL操作避坑指南；10)性能瓶颈诊断方法论。对DBA和开发者具有实操指导价值
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
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")
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
