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
1.4k累计阅读
1.4k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
最近一直在用ActiveReports报表，故对AR的使用也有一定经验，所以打算把这些经验总结一下，一方面自己总结巩固一下，一方面也给有这方面需要的朋友参考参考。文章可能有很多错误或不足之处，希望可以和大家一起讨论。
ActiveReports for .NET报表用户手册：报表的安装过程
ActiveReports for .NET报表用户手册：数据源绑定
ActiveReports for .NET报表用户手册：添加ActiveReports到项目
ActiveReports for .NET报表用户手册：设计时预览报表
ActiveReports for .NET报表用户手册：创建Silverlight报表
ActiveReports for .NET报表用户手册：为基于XML的报表添加脚本
ActiveReports for .NET报表用户手册：转换Microsoft Access报表
ActiveReports for .NET报表用户手册：报表模板介绍
ActiveReports 2.0 报表控件详解及汉化教程
本文还有配套的精品资源，点击获取 简介：ActiveReports 2.0 是一个功能强大的报表控件，支持在C++、Delphi、VB等开发环境中使用。该版本提供直观的报表设计器、多种报表类型如列表、分组、交叉表和图表，并具备强大的数据绑定能力和打印/导出功能。本指南详细介绍了如何汉化ActiveReports 2.0，包括找到资源文件、翻译和替换原语言文件，以及最终的编译...
ActiveReport资料
1. ActiveReports for .NET 2 Online | ActiveReports for .NET3 Online 2.GroupHeader块 ①GroupHeader块为每个数据组打印一次。数据组是由DataField属性中指定的字段定义的。一个GroupHeader块需要一个匹配的GroupFooter块。 ②由于在分组之前，ActiveReports是不会排...
ActiveReport报表使用案例
ActiveReport报表使用案例
ActiveReport推荐使用,交流心得
这两天为了打印准考证,累得我要命,本来想用EXCEL套用格式打的,可是拷贝多项时格式不能复制过来.上网搜了一些,也没搞定.后来又看资料用用户控件形式,可是做出来后,是利用截屏技术来复制变成图片打印,对于多项还是不可以.后来,想到以前用了ACTVIVEREPORT,VB版的,记得有NET版,上网搜了一下,最新版,没有破解的,低的有破解的.DOWN下来后,安装,破解..用了一下,感觉真的很爽,设计非
ActiveReports
ActiveReports 用于devExpress 数据报表的开发 DevExpress 数据报表的开发
西门子【Automation Framework V1.2】AF架构：从软件栈到高效自动化项目的构建蓝图
本文深入解析西门子Automation Framework V1.2 (AF架构) 的核心价值与实施蓝图。该框架通过定义标准化的软件栈（如TIA Portal V19、STEP7、WinCC Unified）和严格的安装配置流程，将自动化项目开发从依赖个人经验的“手工作坊”模式，转变为高效、可复制的工业化模式。遵循此架构，工程师能快速构建稳定可靠的项目基础，规避环境冲突，从而专注于核心工艺与逻辑设计，大幅提升团队协作与项目交付效率。
汉化ActiveReports 2.0界面
用法很简单：在要显示ActiveReports窗体前，加入：Creport ActiveReport1 ActiveReport1是AR的窗体。Public Sub Creport(AReport As ActiveReport)汉化ActiveReport以下适用2.0With AReport .ToolBar.Tools.Item(0).Tooltip = "各页目录" .T
国产数据库PolarDB-X实战：5分钟快速搭建本地开发环境（附Docker一键部署脚本）
本文提供了一份详尽的国产分布式数据库PolarDB-X本地开发环境搭建指南。通过Docker Compose一键部署脚本，开发者可在5分钟内快速启动一个功能完整的PolarDB-X实例，涵盖环境准备、脚本解析、连接验证及日常维护，极大简化了国产数据库的入门和体验流程。
ActiveReports安装指南
【下载ActiveReports最新版本】 一、产品简介 最新推出的ActiveReports 12支持Visual Studio 2012，2013，2015，2017。 支持的操作系统：Windows2007、8.1 、10 Windows Server 2008、2008 R2、2012、2012 R2 运行支持的环境：Windows Forms 、WPF、ASP.NET、HTML...
实战指南 | 快速修复Adobe Acrobat 2020安装过程中的常见注册表错误
本文提供了Adobe Acrobat 2020安装过程中遇到“无法打开键”注册表错误的详细修复指南。通过安全编辑注册表，精准定位并删除残留键值，可快速解决此常见安装报错，确保软件顺利安装。同时，文章也介绍了其他安装问题的应对策略与预防措施。
别再为PT100测温发愁了！手把手教你用ADS1247+STM32搞定高精度温度采集（附完整代码）
本文详细介绍了如何使用ADS1247与STM32构建高精度PT100测温系统，涵盖硬件设计、SPI配置、温度计算及调试技巧。通过24位ADC和内置PGA，实现0.1℃级精度，适用于工业自动化和医疗设备。附完整代码和常见问题解决方案，助你快速掌握高精度温度采集技术。
ActiveReports 报表应用教程 (1)---Hello ActiveReports
在开始专题内容之前，我们还是了解一下 ActiveReports 是一款什么产品：ActiveReports是一款在全球范围内应用非常广泛的报表控件，以提供.NET报表所需的全部报表设计功能领先于同类报表控件，包括对交互式报表的强大支持、丰富的数据可视化形式、与Visual Studio的完美集成、以及对WPF / WinForm / ASP.NET / Silverlight和Windows Azure的多平台支持等。 通过ActiveReports报表控件，您除了可以创建常用的子报表、交叉报表、分组报表
WPS文档编辑时空行问题解决方案
本文详细介绍了如何解决WPS文档编辑时空行的问题，从问题描述与分析、解决方案详解到操作示例与注意事项等多个方面进行了全面阐述。通过本文的介绍和指导，用户可以快速定位问题根源并采取有效措施进行解决，从而提升文档编辑效率和美观性。未来，随着WPS软件的不断升级和优化，相信会有更多便捷高效的功能被添加到软件中。同时，用户也需要不断学习和探索新的操作技巧和方法，以适应不断变化的办公需求。希望本文能够为广大WPS用户提供有益的参考和帮助，共同推动办公效率的提升和发展。
基于 WPF 平台的 ActiveReports Viewer控件
ActiveReports 报表控件致力于为组织和个人提供最出色的报表解决方案，多年来ActiveReports已经提供了 Windows Forms、Web、Silverlight和Flash平台的报表查看器控件，伴随着ActiveReports 7 SP1 的发布，我们又为 WPF 应用程序提供了专业的报表查看器控件。 在ActiveReports 7 SP1 之前的应用程序中，或...
hCaptcha Enterprise绕过方案对比：四种Capsolver任务类型怎么选？
本文深入评测了hCaptcha Enterprise的四种Capsolver任务类型（HCaptchaEnterpriseTask、HCaptchaEnterpriseTaskProxyLess、HCaptchaTurboTask和HCaptchaTurboTaskProxyLess），分析其技术架构、性能表现及适用场景。通过基准测试和成本模型比较，帮助技术团队选择最优解决方案，提升自动化流程的验证通过率与成本效益。
基于STM32+OV7670的图像采集系统(基础篇：ov7670介绍)
一、简单认识 先来看一下外观： OV7670，图像传感器，体积小，工作电压低，提供单片VGA摄像头和影像处理器的所有功能。通过SCCB总线控制，可以输入整帧、子采样、取窗口等方式的各种分辨率8位影像数据。 其他介绍比较繁琐，这里就不一一赘述了，我们只需要知道它是通过SCCB总线控制的就行了。 带FIFO与不带FIFO 目前市场上购买的ov7670模块分为两种，一种是不带FIFO芯片、一种是带FIFO芯片的。 FIFO是什么：（First Input First Output）先入先出的意思，
ActiveReports 报表控件官方中文入门教程 (2)-创建、数据源、浏览以及发布
本篇文章将阐述首次使用 ActiveReports 报表控件 的方法，包括添加报表文件、绑定数据源以及如何发布报表等内容。 ActiveReports 报表控件官方中文入门教程 (1)-安装、激活以及产品资源 ActiveReports 报表控件官方中文入门教程 (3)-如何选择页面报表和区域报表 主要内容包括： 新建工程 在工程中添加ActiveRepo
【1】Python交叉编译到OpenHarmony标准系统运行（arm32位）
本文介绍如何Python语言如何在OpenHarmony标准系统运行，包括5.0r和4.1r以及4.0r，和未来版本的OpenHarmony版本上。 Python语言在OpenHarmony上使用，需要将Python解释器CPython移植到OpenHarmony标准系统。通过交叉编译的方式。
ActiveReports工作总结3——换列打印
不好意思，家里事情太多，不常更新blog了。本随笔讨论一下如何在AR中控制换列打印环境：vs2005+ActiveReportsNet2AR下载地址：ftp://ftp.datadynamics.com/有如下数据源最终希望打印成：1，先准备如下数据 2，创建一个AR模版，大致布局与控件如下图：Detail section 中放2个Textbox,分别邦定字段”ID
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")
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。
ActiveReports.NET 个性化定制
ActiveReports.NET 借助直观的 Visual Studio 集成报表设计器和丰富的控件，帮助您交付精美的报表。ActiveReports 提供基于代码的跨平台报表、易于使用的设计器和灵活的 API。适用于桌面平台（WinForms、WPF、.NET）和 Web 平台（JavaScript、Blazor、ASP.NET MVC）。使用直观、可靠且用户友好的报表设计器和控件，设计和交付功能强大的报表。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
ActiveReports 报表应用教程 (1)-Hello ActiveReports
在开始专题内容之前，我们还是了解一下 ActiveReports 是一款什么产品：ActiveReports是一款在全球范围内应用非常广泛的报表控件，以提供.NET报表所需的全部报表设计功能领先于同类报表控件，包括对交互式报表的强大支持、丰富的数据可视化手段、与Visual Studio的完美集成、以及对WPF / WinForm / ASP.NET / Silverlight和Windows Azure的多平台支持等。 通过ActiveReports报表控件，您除了可以创建常用的子报表、交叉报表、分组报表
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
使用ActiveReports创建动态区段报表
报表控件ActiveReports的最新7版本提供了更多更广泛的API，让Visual Basic和C#开发者可以完整掌控报表流程引擎，以适应各种复杂报表开发的需求。 它主要提供的事件和属性类型有： 数据检索 数据转换 布局 渲染 完善的API意味着开发人员实现在运行时创建报表，一般的报表工具都将报表设计和报表分开运行扯淡，而ActiveReports却可以
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1946
扫一扫
