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
2.8k累计阅读
2.9k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
Form最小化按钮的点击事件是OnResize(EventArgs e)，我们需要重写他。
protected override void OnResize(EventArgs e)
{
if (WindowState == FormWindowState.Minimized)
{
//最小化时所需的操作
this.Hide();
}
} EMQX 结合MySQL实现精细化ACL权限管理实战
本文详细介绍了如何通过EMQX结合MySQL实现精细化的ACL权限管理，提升物联网设备接入和消息传输的安全性。内容包括环境准备、基础配置、权限规则设计技巧以及高级应用与性能优化方案，帮助开发者快速掌握动态生效、便于管理的权限控制方法。
winform去掉最小化后左下角窗口，托盘处理
【代码】winform去掉最小化后左下角窗口。
【NLP】第10章 使用基于 BERT 的 Transformer 进行语义角色标记
Transformers 在过去几年里取得的进步比上一代 NLP 还要多。标准 NLU 方法首先学习句法和词汇特征来解释句子的结构。在运行语义角色标签( SRL )之前，将训练以前的 NLP 模型理解语言的基本语法。Shi和Lin（2019）在他们的论文开始时询问是否可以跳过初步的句法和词汇训练。基于 BERT 的模型可以在不经过那些经典训练阶段的情况下执行 SRL 吗？答案是肯定的！Shi和Lin (2019) 建议 SRL 可以被视为序列标记并提供标准化的输入格式。他们基于 BERT 的模型产生了令人惊
c# ShowInTaskbar=false时最小化窗体，如何不让桌面左下角出现框？
思路换一下,看不见它就好了 /// <summary> /// 设置窗体的透明度 /// </summary> /// <param name="isShow">是否可见</param> private void SetFrmOpacity(bool isShow) { this.AllowTransparency = true; .
39、FIPA ACL：多代理系统中的标准化通信
本文详细介绍了FIPA ACL（Agent Communication Language）的基本概念、言语行为理论基础以及其在多代理系统（MAS）中的应用。文章涵盖了FIPA ACL的消息格式、信息交流流程、实现与优化方法，并通过智能调度系统的实例展示了其实际应用效果。此外，还探讨了FIPA ACL面临的挑战及未来发展方向，如通信延迟优化、本体简化、安全性增强等。
Python爬虫实战：高效爬取中国版权登记数据
本文将详细介绍如何使用Python最新技术栈构建一个高效、稳定的中国版权登记数据爬虫系统。我们将使用Playwright+Asyncio实现无头浏览器自动化，结合Redis分布式任务队列和MongoDB数据存储，打造一个能够应对反爬机制的企业级数据采集方案。文章包含完整代码实现、性能优化技巧以及法律合规建议，帮助开发者快速掌握大规模数据采集的核心技术。本文详细介绍了2024年使用Python最新技术栈构建中国版权登记数据爬虫的完整方案。基于Playwright的无头浏览器自动化。
C#: form 添加窗体最小化事件,添加系统托盘图标，点击后可以打开、最小软件窗口
说明： 1.实现窗体在最小化后触发一个事件，可以去实现需要的功能。 2.最小化后软件图标出现在系统右下角的托盘串口。 3.点击托盘口的图标可以实现软件弹出窗口和最小化的切换。
NX二次开发PK获取对象类型
PK_ENTITY_ask_class(),获取对象类型建议用这个函数，比较通用，包含所有对象类型，可以替代UF_MODL_ask_edge_type(),UF_MODL_ask_body_type(),UF_MODL_ask_face_type()等函数。
WPF 设置 ShowInTaskbar 对窗口最小化的影响
在 WPF 中，如果设置了 ShowInTaskbar 为 False 那么窗口将不会在任务栏显示。此时如果设置窗口最小化，那么窗口将会收起来作为没有任务栏时的显示方法 如下面代码 <Window x:Class="BekairlilearDujalgereno.MainWindow" xmlns="http://schemas.microsof...
PCL：读写pcd点云的两种方式
本文介绍了PCL读写点云的两种方式：PCDReader，PCDWriter；loadPCDFile，savePCDFile.
safetymonitorapi
Summary of SA8653 Safety Monitor API Introduction This document details Safety Monitor APIs for the SA8653 QNNX platform, covering dual interfaces of APSS and SAIL. It defines core data structures and enumerations for subsystems, fault severity and health
c# winform 最小化不在托盘显示 也不在左下角显示
private void MainForm_FormClosing(object sender, FormClosingEventArgs e) { if (ifClose == true) {
harbor x509: certificate signed by unknown authority【20251222】
本教程通过「合并证书链（服务器端）+ 预置根 CA（客户端）」彻底解决了自签名证书的 x509 错误，同时集成了 Trivy 漏洞扫描，实现了 Harbor 从搭建到实用的全流程。证书链合并是服务器端的关键，确保客户端获取完整信任路径；客户端需同时配置「系统信任库 + Docker 信任目录」，避免 Docker 独立信任机制导致的问题；所有 IP 需保持一致（Harbor 配置、证书绑定、客户端访问），是避免错误的基础。
wpf程序启动居中并且最小化到托盘修复记录
摘要 本文记录了WPF应用启动优化过程，重点解决窗口居中显示和最小化到托盘时的闪烁问题。通过分析根因，采用了窗口屏外初始化、状态标记和延迟通知等关键技术方案，实现了： 启动最小化时直接隐藏到托盘，避免任务栏缩略窗和视觉闪烁 正常启动时首帧即居中显示，消除位置移动过程 恢复窗口时保持居中并正确激活 关键改动包括App启动路径分流、MainWindow预计算居中位置、TrayService通知回调优化等。验证表明方案有效解决了原有不良体验，同时提供了多显示器和DPI适配的健壮性实现。
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")
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。
C#将窗口最小化到系统托盘，并显示图标和快捷菜单
1. 拖一个notifyIcon和一个contextMenuStrip过来，他们会出现在窗体设计器的最下方： 然后完成你的menu，它暂时会出现在form上，但没关系，运行的时候不会显示。 2. 给notifyIcon设置icon属性，这一步很重要，不然系统托盘处不会有图标。然后将ContextMenuStrip属性设置为刚才的那个快捷菜单。 3. 现在运行程序的时候，任务栏右下...
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
机房收费系统—实现子窗体自动最小化
前言 机房终于进入收尾工作了，但是在优化的时候，我发现在原系统中，当我们点击一个子窗体出现的时候，其他的子窗体会自动最小化到主窗体的左下角，那么这个功能是怎么实现的呢？功能实现 其实，让子窗体自动最小化很简单，只需要几行很简单的代码就可以搞定了。请看下面的代码：'当窗体成为活动窗体或该窗体获得焦点时，触发的事件 Private Sub Form_Activate() Dim a As F
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
用C#制作 个性化窗体 winform 界面
G.H.C 博客园首页博问闪存新随笔联系订阅 随笔-71 文章-0 评论-0 用C#制作 个性化窗体 winform 界面 引言： 谁都希望自己的应用程序能让人留下一个深刻的印象，让自己的程序窗体有一件与众不同的"外衣"是一个好办法。试想：在一大堆的普通窗口中突然跳出一个很酷的界面，一定能让人眼睛一亮进而产生兴趣的。
sendmessage全力打造无标题栏如有标题栏(C#)
using System.Runtime.InteropServices;[DllImportAttribute("user32.dll")]public static extern int SendMessage(IntPtr hWnd, int Msg, int wParam, int lParam);//发送消息//winuser.h 中有函数原型定义[DllImportAttribut
C# 开发圆角窗体
因为项目需要做个Winform的随机启动的数据上传工具，用Visual Studio的窗体感觉太丑了，就想进行优化，反正就一个窗体，上面也没啥按钮，就不要标题栏了，就搞一个圆角的窗体好了，搞个漂亮的背景图片。上面搞一个最小化和关闭按钮。把窗体设置为圆角窗口的操作如下：1、把窗体frmMain的FormBorderStyle属性设置为None，去掉窗体的边框，让窗...
最小化到托盘
NotifyIcon notifyIcon1; void InitTrayMenu() { // Create the NotifyIcon. this.notifyIcon1 = new System.Windows.Forms.NotifyIcon(); // The Icon prop
(C#) sendmessage全力打造无标题栏窗
第一步：添加引用using System.Runtime.InteropServices; 第二步：引用API[DllImportAttribute("user32.dll")]public static extern int SendMessage(IntPtr hWnd, int Msg, int wParam, int lParam);//发送消息//winuser.h 中有函数...
如何编写可信证明模块？gdp-ts defineProof实战教程：6步在编译期锁定授权Bug
gdp-ts 是一个小巧的 TypeScript 库，它把权限检查变成「编译期证明」：核心 API `defineProof` 让你为每个业务事实（比如"这个用户是管理员吗"）建立一个**可信证明模块**，任何跳过检查、拿错证明或没拿证明的调用都会直接编译失败。本文带你用最小化的代码走一遍 gdp-ts 的实战流程，把授权类 Bug 挡在编译器这一关。 ## 一、gdp-ts 解决什么问题：告别
C#自定义Winform无边框窗体
C#自定义Winform无边框窗体 在实际项目中，WinForm窗体或者控件不能满足要求，所以就需要自己设计窗体等，当然设计界面可以用的东西很多，例如WPF、或者一些第三方的库等。本例中将采用WinForm设计一个扁平美观的窗体。 上一篇中我们制作了一个button按钮控件，刚好本例可采用 需要的可以参考：C#自定义Button按钮控件 窗体效果： 接下来就是窗体的设计 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
196
扫一扫
