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
4.9k累计阅读
4.9k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
事情的起因是这样的..........
为了伺候鱼缸里的几条小孔雀鱼，每天早上我都要起来开水泵、开水草灯，晚上睡前则要关灯关水泵。
PS：晚上睡觉感觉水流声还是有些吵。
作为一个理工男，这种重复性的工作每天都需要花费我3分钟的时间，一年就是1095分钟！！虽然没事干就喜欢去看鱼，但是！这种固定周期的机械动作我不能忍。至此萌发了改造一个wifi控制插排的念头。
物料清单
1.插排*1。
2.ESP8266模块*1
3.继电器*2
4.NPN型三极管8050*2
5.120欧电阻*2、4.7K欧电阻*2
6.1N4007二极管*2
7.导线若干
电阻和二极管建议尽可能选用直插器件。
准备工作
首先是淘宝找的插排亮相。
选购建议：一定要有空间可以放控制器，建议带usb口的，这样就直接有5V电源可以用。
ESP8266 MQTT开发IOT系列教程
ESP8266 MQTT开发IOT教程 使用esp8266 01s 12f等wifi模块、MQTT的通讯协议 arduino IDE开发IOT应用教程 更多学习知识 访问 niehen.cn ESP开发学习基础知识 基础知识包括对esp模块的认识与了解 mqtt协议的了解，arduino IDE运用代码编写等等。 arduino基础学习 esp系列模块的介绍 mqtt协议的介绍与使用 利用m...
物联网芯片ESP8266 介绍
ESP8266是一款由Espressif Systems所开发的低成本的Wi-Fi微控制器芯片，它具有内置的TCP/IP网络协议栈，可以提供任何微控制器访问到Wi-Fi网络的能力。
无线智能插座ESP8266Wi-Fi模块代码烧录
该无线智能插座的ESP8266Wi-Fi模块的代码烧录，将分以下几个步骤进行描述，如下所示： （1）利用买好的ESP8266Wi-Fi模块代码烧录器，将ESP8266Wi-Fi模块接入，如下图所示： 在按上图所示接入好后，将其接入电脑的USB接口即可，如下图所示 （2）打开已经安装的Arduino开发工具，如下图所示 然后鼠标选择工具，选择开发板的类型，如下图所示： （3）在上步选择好开发板之后，打开以下代码，如下所示： #include <ESP8266WiFi.h..
使用ESP8266腾讯云定制固件对接腾讯云物联网平台IoT Explorer
1. 腾讯云ESP8266定制固件烧录 固件烧录请参考腾讯云官方文档：腾讯云 IoT AT ESP8266 定制固件及说明。 AT指令详细说明也请参考其中腾讯的文档。 腾讯云配套的AT测试工具也在其中。 2. 云端配置 登录腾讯云物联网开发平台（IoT Explorer）,点击“立即使用”进入控制台。 2.1. 新建项目 项目是为了用户面对不同的产品迭代或不同的项目角色而设计的一种隔离机制，便于用户清晰管理物联网项目，并能灵活地配置项目权限。 项目下可以建立多个产品与应用，应用默认有权限访问该项目下的所有
物联网应用开发实践案例-智能家居
智能家居是一个大框架，里面包含了家庭里所有的电器设备智能化，智能门窗、智能门锁、智能电视、智能影像、智能插座、智能空调、智能电饭煲、智能热水器等等。 这篇文章采用智能家居里的典范--智能门锁，来介绍如何让锁变得智能。
基于华为云IoT设计的智能门锁
这篇文章就介绍如何使用华为物联网云平台实现智能锁的应用场景构建，硬件采用STM32F103ZET6 + ESP8266+步进电机实现。在华为云IOT物联网平台构建智能锁项目，配置好云端，设备端通过ESP8266连接华为物联网平台，实现数据上报，交互,实现远程开锁、关锁、获取锁的状态等功能，不用担心忘记出门关锁，也不用担心忘记带钥匙无法开门的情况。
ESP8266连接AWS IoT完整测试项目实战
ESP8266是由乐鑫科技推出的一款低成本、低功耗的Wi-Fi芯片，广泛应用于物联网（IoT）设备开发。它集成了Tensilica L106架构的32位处理器，支持802.11 b/g/n Wi-Fi协议，并具备TCP/IP协议栈处理能力。ESP8266可通过UART接口与外部MCU通信，也可独立运行程序，实现Wi-Fi连接、数据传输等功能。其典型应用场景包括智能家电、远程传感器、无线通信模块等。ESP8266的主要特性包括：特性说明处理器32位 Tensilica L106。
_基于ESP8266的智能开关控制系统设计1
2.3 继电器驱动模块 2.4 DHT11温湿度采集模块 2.5 LCD1602液晶显示电路 2.6 智能手机APP 3.1 主程序设计 3.3 关键函数设计
SOI技术实战：从晶圆结构到芯片性能提升的完整解析
本文深入解析SOI（Silicon on Insulator）技术如何通过独特的三明治晶圆结构提升芯片性能，涵盖从220nm SOI层设计到7nm节点的工艺挑战。详细探讨了埋氧层的绝缘优势、性能提升的物理机制，以及AMD处理器和5G射频中的实战应用，为半导体行业提供关键技术洞见。
Multisim 14.0元件库下载权威指南：官方与社区资源
详解Multisim元件库下载的官方途径与可靠社区资源，帮助用户快速获取Multisim 14.0所需元件模型，提升电路仿真效率。
3.1使用Python读取excel的二维数据
要使用 Python 读取 Excel 的二维数据，可以使用 openpyxl 或 pandas 库。
PLSQL 14.0.6 下载使用教程
众所周知，PLSQL 只是一个oracle第三方开发测试工具，它依赖oracle 客户端搭配使用，但是oracle 客户端有2G，相当庞大，不建议安装。所以我们如果下载安装好PLSQL，再下载好轻量级的支持远程链接的oracle客户端，这样搭配使用可以的话就最好了，答案是可以的。 第一步： PLSQL 下载与安装 PLSQL 14.0.6 下载地址 ： https://www.allroundautomations.com/registered-plsqldev/ 下载下来，除了安装路径更改一下，
Visual Studio 2022 社区版安装指南：从下载到配置的完整流程
本文详细介绍了Visual Studio 2022社区版的完整安装与配置流程，包括系统要求检查、官方下载步骤、工作负载选择、安装位置配置等关键环节。作为微软推出的免费集成开发环境，VS2022社区版支持多种编程语言，适合个人开发者和小型团队使用。文章还提供了常见问题解决和性能优化技巧，帮助用户高效完成开发环境搭建。
DAX Studio--导出PowerBi数据---（不使用复制表如何快速导出csv文件 / 如何导出百万级/千万级乃至亿级的数据量）多图预警！
多图预警！ 1、打开Dax 点击Connect 2、在这里选择正在打开的PowerBi文件，点击Contect 3、选择导出方式--File F、输入指令（输入 EVALUATE ' ）单引号可以进行快速提示 5、点击Run 6、选择文件路径，以及保存类型等（一般情况下，我们常用的类型是 txt 或者 第一种 UTF-8 的csv 文件），点击保存即可，稍等片刻，导出完成！ 7、导出完成，我这里总计是39W 行的数据量，约20+ 秒完成 ...
【强化学习】常用算法之一 “A3C”
A3C（Asynchronous Advantage Actor-Critic）算法是一种在强化学习领域中应用广泛的算法，它结合了策略梯度方法和价值函数的学习，用于近似解决马尔可夫决策过程（Markov Decision Process）问题。A3C算法在近年来备受关注，因为它在处理大规模连续动作空间和高维状态空间方面具有出色的性能。A3C算法是一种基于策略梯度的强化学习算法，通过多个并行的智能体异步地与环境交互，并利用Actor和Critic网络实现策略和价值的近似，从而实现快速而稳定的强化学习训练。
C# MVVM的“核武器”：CommunityToolkit.Mvvm的RelayCommand实战全解
你默默打开VS：“该用RelayCommand的‘量子纠缠’魔法了！用户点击按钮无响应，调试器显示命令未绑定，但代码看起来完美无缺。“我的MVVM应用？那可是能穿越线程的命令量子计算机！异步操作阻塞了UI线程，用户界面变成“加载中”死循环。：UI与业务逻辑通过命令“量子隧道”解耦。：所有长时间操作自动进入“量子跃迁”模式。：携带任意上下文的“量子信封”传递。：命令可用性随数据变化实时同步。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
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")
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3075
扫一扫
