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
8.7k累计阅读
8.7k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
AI摘要
MobaXterm只能保存14个session会话，使用不便。本文介绍了解除该限制的步骤，包括基于GitHub项目下载文件，查看Moba版本，确保本地有Python3环境，解压文件、在指定目录执行命令，最后将生成文件复制到MobaXterm.exe同级目录。
MobaXterm 只能保存14个session会话，后面输入的就不会保存了，这样用起来就很麻烦，每次都要输入IP地址或主机名称，来进行远程连接。下面就是如何解除14个保存会话限制的步骤。
解决方法：
1.基于GitHub项目
点击该链接进行下载：https://github.com/OkayMing/MobaXterm-keygen
2.先查看自己Moba的版本，我这里是v22.0版本
3.本地需要有Python3的环境，没有就先安装
可以打开cmd命令提示符，输入 python --version 来查看python是否已安装，显示python版本号就是已安装了
4.把下载的压缩包进行解压，然后进入解压出来的文件夹，并在该目录下打开 cmd命令提示符
5.执行命令：
python MobaXterm-Keygen.py administrator 22.0
Tpis：命令中 administrator 这里改为自己的电脑名称， 22.0 这里改为自己的 MobaXterm 对应的版本号
MobaXterm解除存储会话上限
MobaXterm解除存储会话上限，默认为10-12个左右，将此文件放在安装目录下即可 只对V21版本有效
MobaXterm解决session保存限制
自从用了MobaXterm以后，才知道这个软件会比xshell好用太多，但是免费版对会话有限制，保存14个以后就不能再保存，对于我们开发要连接好多服务器的话，就比较头疼了，所以我提供的这个文件直接就可以解决。 使用方式：下载文件后，直接放在MobaXterm的安装目录下，重启MobaXterm就可以不限制用户保存session连接了。
MobaXterm V24.4 解决session保存限制
MobaXterm V24.4 免费版对会话有限制，保存14个以后就不能再保存，对于我们开发要连接好多服务器的话，就比较头疼了，所以我提供的这个文件直接就可以解决。 使用方式：下载文件后，直接放在MobaXterm的安装目录下，重启MobaXterm就可以不限制用户保存session连接了。
Ansys Zemax与Speos协同设计：从HUD光学优化到驾驶环境可视化全流程解析
本文深入解析了如何利用Ansys Zemax与Speos进行协同设计，实现从HUD光学系统核心优化到驾驶环境可视化验证的全流程。文章强调了HUD设计是光学性能与视觉感知的深度耦合，通过Zemax进行精密光学设计，再利用Speos进行系统级仿真与感知模拟，最终完成从虚拟到现实的闭环验证，有效提升HUD产品的开发效率与可靠性。
保姆级教程：在树莓派5B上用AI Kit跑YOLOv8，实测134fps的完整配置流程
本文提供了一份详细的树莓派5B搭配AI Kit部署YOLOv8的教程，从硬件组装到模型转换、优化和部署，最终实现134FPS的高帧率推理性能。通过Hailo-8L AI加速模块和HEF模型转换，这套方案为边缘AI计算提供了强大支持，适用于智能监控、无人机视觉导航等应用场景。
VASP+Multiwfn+VMD静电势计算与可视化全流程解析
静电势是表征分子与材料表面电荷分布的关键物理量，它通过求解泊松方程，将电子密度与原子核电荷在空间中的贡献结合起来，直观揭示体系的电子富集与缺失区域。这一性质在理解化学反应活性、分子间相互作用（如氢键、卤键）以及材料表面性质方面具有重要价值。在计算材料科学与量子化学领域，基于第一性原理计算获得高精度电子结构数据后，如何将其转化为可直观分析的静电势图，是连接理论计算与物理解释的关键技术环节。本文聚焦于构建一条高效、可控的端到端工作流，详细解析如何利用VASP进行高精度电子密度计算，通过专业波函数分析软件Mult
LabVIEW Modbus TCP通信避坑指南：解决连接中断、服务器异常与自动重连问题
本文详细解析了LabVIEW环境下Modbus TCP通信的常见问题，包括连接中断、服务器异常等，并提供了自动重连机制的实现方案。通过优化错误处理、超时参数和资源管理，帮助开发者构建更稳定的工业级Modbus TCP客户端，显著提升通信可靠性。
ScanNet数据集详解
ScanNet 是一个 RGB-D 视频数据集，在超过 1500 次扫描中包含了 250 万个视图，并标注了 3D 相机位姿、表面重建和实例级的语义分割。为了收集这些数据，设计了一个易于使用且具有扩展性的 RGB-D 捕获系统，包括自动化的表面重建和众包的语义标注。如果您想下载 ScanNet 数据，请使用您的机构邮箱地址填写一份 ScanNet 使用条款协议，并发送至 scannet@googlegroups.com。压缩包是将3D的标注信息“拍扁”成2D图片的结果，对应原始视频的每一帧。
使用 ANSYS 实现铸造、凝固和熔炼的高级解决方案
凭借其强大的有限元分析 （FEA） 和计算流体动力学 （CFD） 功能，ANSYS 可以准确预测模具内的热和流体流动行为。总之，ANSYS 是铸件凝固和熔化领域的关键工具。其全面的仿真功能、工艺优化功能、材料特性分析和用户友好的界面使其成为旨在创新和改进制造工艺的工程师不可或缺的工具。通过利用 ANSYS，各行各业可以在铸造业务中实现更高的质量、效率和成本效益，从而为先进的制造解决方案铺平道路。ANSYS是一款领先的工程仿真软件，提供强大的功能来建模和优化这些复杂的热过程，从而显著提高生产效率和质量。
C#串口通信从入门到精通（27）——高速通信下解决数据处理慢的问题（20ms以内）
本文介绍如何在高速通信情况下解决串口接收的数据来不及处理的问题，由高级工程师多年经验总结而成，绝对是串口领域的实战经验！
西门子PLC编程之⑦编程开始之点位配置及注释
紧接上篇，点位梳理后，进入PLC编程。1、新建工程，配置系统模块2、配置I点并做中文符合，直接上中文，smart支持中文点位编程，用起来很方便。3、配置Q点并做中文符合5、配置AIW模拟量输入点，配置AQW模拟量输出点并做中文符合6、配置手动启动辅助触点，并做中文符合7、 配置自动启动辅助触点，并做中文符合8、 配置传感器浮点型数据变量点位，并做中文符合9、配置系统运行参数设置区点位，做中午符合，做掉电保持.....................
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")
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。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
250
扫一扫
