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
2.4k累计阅读
2.4k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
创建应用，一个账户最多可以创建10个项目，安装要求填写。
注意点：申请keystory的方法！经过测试最简单的方法为：
提示输入密钥库密码，开发模式默认密码是 android，发布模式的密码是为 apk 的 keystore
设置的密码。输入密钥后回车（如果没设置密码，可直接回车），此时可在控制台显示的信息中获取 MD5值，如下图所示：
将MD5 值中的冒号（：）去掉，将其中的大写字母改为小写字母，即为keystory的值：
默认微信项目审核的时间为7天，经测试基本保持在24小时到48小时候，即可审核通过！
审核通过之后：可以通过
开发信息（修改）对包名和keystory进行修改。后期可以进行修改！
Android app分享文件到微信
两种实现方案： 1.使用WXFileObject构造分享方法发送到微信； 2.调用系统分享方法，把文件直接发送到微信； 那么下面来分别看看怎么实现： 〇、准备工作 首先，需要在AndroidManifest.xml中配置FileProvider信息，以适配10以后版本文件读取问题 AndroidManifest.xml <provider android:name="androidx.core.content.FileProvider" andr
打包android的apk和引用地图sdk时需要使用到的keystore（jks）文件
1：打包apk时，需要依赖一个.keystore文件（新版的android studio需要.jks文件，实际上两者是同一类文件），然后需要输入key store的密码，key的密码，还有key的别名。 2：keystore文件的生成过程： （1）：命令行方式：keytool -genkey -alias name.keystore -keyalg RSA -validity36500-k...
android应用中分享到微信好友和朋友圈的实现
前言实现分享到微信好友和朋友圈的功能其实很简单，官方文档其实还是比较详细的，只是在创建应用的过程比较费（dan）事（teng），好在微信的审核效率还可以，所以这篇博客简单为大家介绍下这个功能的实现，同时方便自己日后查看。话不多说，下面进入正题。申请AppID这部分大家去微信开发者平台注册账号按照提示创建应用就好了，这里是开发者平台的地址。这里要注意的是创建应用是需要提供应用的签名，大家可以在链接里下
Android 应用签名并发布（APK-keystore）
要想使Android应用程序在真机上运行，需要对apk文件进行签名,可以通过命令行或ADT插件方式对apk文件进行签名 一、使用命令行方式生成签名 开始”=> “运行”=> 输入“cmd”回车，进入命令行窗口，在命令行窗口中， 1）进入到jdk的bin目录，这样的话，android.keystore文件就会生成在这个目录下,签名的时候我们需要这个文件。 2）输入以下命令： -
Android 微信开发之分享收藏的实现
一、注册开发者账号 二、创建应用并提交审核 微信开放平台——>管理中心——>创建移动应用 1、根据要求填写基本信息 2、填写平台信息 在填写应用签名的时候，填写的是平台的sha1数字签名，在应用打包安装之后，微信分享功能无法实现，后来在微信资源下载页面下载了签名生成工具，在手机上运行，可以查看已安装应用的应用签名，将查看到的签名替换之前的数字签名之后才能正常使用微信分享
Android集成微信分享功能完整教程
htmltable {th, td {th {pre {简介：本文介绍如何在Android平台上实现微信朋友圈和微信好友分享功能。开发者将通过’WeixinDemo’压缩包快速集成功能，涉及从注册微信开放平台账号到初始化SDK，配置AndroidManifest.xml，创建分享内容，处理分享结果以及发起分享请求的完整流程。文章强调了引导用户授权、遵守微信审核规则的重要性，并提供了关键知识点和实践注意事项。
Android 快速集成高德地图，完美解决
帮助小白集成高德地图，调用三方实现导航
DoDAF2.0与UAF1.0与UPDM与IBD与Rhapsody与MagicDraw与SysML
参考：fr=ge_alafr=ge_ala。
Android 生成正式版密钥库 KeyStore
使用 Android Studio 生成密钥库文件 KeyStore。
智能汽车域控制器FOTA升级方案探讨
上文提到的Entry属性，包括Active 属性， Bootable 属性， Successful 属性， Retrycnt 属性 ，Active 属性用于标志槽的优先级，bootloader优先选择Active 属性=1的槽启动，Bootable 属性标志槽可否可启动，Successful 属性标志槽是否成功启动过，Retrycnt 属性标志槽可尝试启动的次数。芯片启动后，首先进入Bootloader阶段，此阶段将读取存储系统的分区属性，根据属性值进行逻辑判断，并确定进入哪个分区，详见流程图。
SAP SM30数据维护实战：条件筛选与动态校验的实现技巧
本文详细介绍了SAP SM30数据维护的实战技巧，重点讲解如何通过条件筛选实现精准数据查取，以及利用表维护生成器事件实现动态数据检查与校验。文章提供了从基础视图创建到高级事件编程的完整流程，包括调用函数VIEW_MAINTENANCE_CALL传递筛选条件，以及在NEW_DATA和CHANGE_SAVE事件中编写业务规则校验逻辑，帮助开发者提升SM30的管控能力与数据质量。
Android微信分享功能集成开发指南（这一篇就够了）
前言 本文介绍的只是微信开发中的一个功能，分享。看到网上很多关于微信分享的博客、帖子，说实话，没几篇写的全的，很多都是复制粘贴，介绍的也不全，缺少代码的分析，关键性的代码总是漏一句两句，看着就很难受。所以，在这里我打算写一篇关于微信分享的博客，总结一下知识点，贴上详细的代码。学微信分享，这一篇就够了。 准备工作 1.微信开放平台申请应用，分享需要用到appId，这里注意了，申请时用到的是MD...
Mann-Kendall检验全解析：从原理到11种变体及Python实现
本文全面解析Mann-Kendall检验，从基础原理到应对自相关、季节性等复杂数据的11种关键变体，如Hamed-Rao修正、季节性MK和趋势自由预白化(TFPW)。详细阐述各方法的适用场景与数学原理，并提供完整的Python实战代码，帮助研究者针对不同数据特性选择最稳健的趋势分析方法。
Android实现微信分享及注意事项
一、获取帮助文档并下载相关资料首先打开微信开放平台：https://open.weixin.qq.com/ 如果没有注册，请先注册并上传开发者资料等待审核。资源中心----移动应用开发----分享与收藏功能----Android开发手册开发手册链接地址：https://open.weixin.qq.com/zh_CN/htmledition/res/dev/document/sdk/android
Playwright实战：打造绕过全维度前端反爬的无头浏览器爬虫（2026实战版）
Playwright绕过前端反爬的核心是模拟真实：真实的设备指纹、真实的行为轨迹、真实的网络请求；2025年前端反爬的核心检测维度是设备指纹+行为轨迹+网络请求，三者缺一不可；实战中需重点关注WebGL/Canvas指纹模拟、行为随机性、请求头完整性，这是绕过反爬的关键；性能优化需以“不触发反爬”为前提，优先选择浏览器复用、资源拦截，而非无限制并发。
081、LLC谐振变换器的短路特性与保护
本文深入分析了LLC谐振变换器在短路工况下的特性与保护策略。作者通过实际案例指出，LLC在输出短路时会出现谐振电流失控、ZVS条件丧失等危险现象，导致MOS管炸毁。文章详细阐述了短路保护的三大难点：响应速度、频率与电流的耦合、重启策略，并提出了硬件级快速保护、频率快速拉升、打嗝模式等实用解决方案。作者分享了关键参数设计经验，包括电流检测阈值设置、最高频率限制和保护响应时间控制，并通过实测波形验证了保护效果。最后总结出五点重要经验，强调硬件保护的必要性和系统设计的注意事项，为LLC变换器的短路保护设计提供了有
android 微信登录与分享集成
android 微信登录与分享 android微信登录与分享这两个功能是很常用的，尤其是现在微信用户日益剧增，qq虽然很经典但是感觉大多数用来办公每个写android的小伙伴估计都会写到这个功能，我也是很久没有写android了，这相当于是在毕业之后工作上面第一次写安卓 程序，不管会不会，就是写。总会有办法解决问题的。 一、若要想深究其原理请查看官方文档https
X-AnyLabeling-main标注YOLO关键点POSE
同一物体的框和点的 群组编号 要相同。代表这些点和方框是同一物体上的。标注方框之后记得把后面的。顺序要和你标注的顺序一致。写入1，而且之后的点的。配置导出文件.yaml。
Android：微信授权登录与微信分享全解析
前言在移动互联网浪潮中，联网APP已经把单机拍死在沙滩上，很多公司都希望自家应用能够有一套帐号系统，可是许多用户却并不一定买账：我凭啥注册你家应用的帐号？微博，微信，QQ几乎成了每个人手机中的必装应用，于是微信，微博，QQ说了：来来来，你们都可以用我家的帐号登录你家应用，只要你遵循OAuth2.0协议标准就行。
全球建筑物提取数据集（免费下载）：微软/GlobalMLBuildingFootprints
这个是GitHub上的开源数据集： https://github.com/microsoft/GlobalMLBuildingFootprints 介绍 必应地图正在世界各地发布开放式建筑足迹。我们从 2014 年到 2021 年间的 Bing Maps 图像中检测到了 7.77 亿座建筑物，包括 Maxar 和 Airbus 的图像。数据可在 ODbL 下免费下载和使用。该数据集补充了我们的其他版本。 包括的地区 执照 此数据由 Microsoft 根据Open Dat..
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
React-Native-Wechat-Lib 完全指南：从安装到集成微信登录、分享与支付的终极教程
React-Native-Wechat-Lib 是一个功能强大的库，专为 React-Native 应用提供微信登录、分享、收藏和支付功能，支持 iOS 和 Android 双平台。本教程将带你快速掌握从安装到高级功能集成的全过程，让你的应用轻松接入微信生态。 ## 准备工作：快速搭建开发环境 在开始集成 React-Native-Wechat-Lib 之前，请确保你的开发环境满足以下要求：
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")
react-native实现微信分享和微信支付（安卓端）
1、注册应用（微信开放平台
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
Flutter微信SDK wechat_kit：一站式集成微信登录、分享与支付
wechat_kit是一款专为Flutter开发者打造的微信SDK，提供便捷的微信登录、分享与支付功能集成方案。无论是新手还是有经验的开发者，都能通过这个工具快速实现Flutter应用与微信生态的无缝对接，为用户带来更流畅的使用体验。 [
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8953
扫一扫
