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
300+累计阅读
353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
以下为授权转载的一盎司科技公众号文章
PySideFrameless是我们之前开源的，一款基于PySide6的无边框窗体库，使用Python即可开发简洁而且美观的桌面程序。
源码仓库如下：
GitHub地址：https://github.com/iounce/PySideFrameless
Gitee地址：https://gitee.com/iounce_admin/PySideFrameless
一盎司数据库是基于PySideFrameless而开发的一款数据库查看工具，支持同时连接MySql,Postgresql,Sql Server,Oracle,Sqlite,DuckDB及Redis等数据库，支持增删改查等操作，并查看返回数据。后续，我们将继续完善各种功能。
目前我们先发布Windows10版本安装包，后续考虑发布其他操作系统版本，本身也是跨平台。近期，我们也会考虑将源码开源，方便大家自行开发和日常使用，也欢迎完善功能，敬请关注。
安装包仓库：
https://gitee.com/iounce_admin/iounceDatabase.git
效果图如下：
PySide6开发与实战
PySideFrameless
从报错到优化：一次Gauss JDBC参数限制排查实录（32767参数上限避坑指南）
本文详细记录了排查GaussDB JDBC驱动因绑定参数数量超过32767上限而抛出`PSQLException`（报错信息为`Tried to send an out-of-range integer as a 2-byte value`）的全过程。文章深入分析了该限制的底层协议原理，并提供了应用层分批查询、使用临时表以及优化业务逻辑等多种解决方案，旨在帮助开发者规避此参数上限陷阱，构建更稳健的数据访问层。
Python生成C++类工具（PySideFrameless版）
Python生成C++类工具（PySideFrameless版）
人脸关键点定义汇总
前几天看一份代码临时需要找49个人脸关键点位置定义的图片发现怎么百度都搜不到，最后幸好谷歌可以使用了就用谷歌搜到了。所以在这里汇总一下我所知道的人脸关键点的定义和相关的一点东西，以备不时之需。 68个关键点 最常用的工具是Dlib，网址：http://dlib.net/ dlib的68个特征点检测算法是ERT算法【1】 使用dlib检测68个特征点的python示例见：http://dlib.n...
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.3版本
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.3版本
AI量化交易工作台Vibe-Trading：用自然语言驱动策略回测与多智能体研究
量化交易通过数学模型和计算机程序执行投资决策，其核心在于将市场规律转化为可验证的策略。传统量化开发涉及数据获取、策略编写、回测验证等复杂工程，对非编程背景的从业者构成较高门槛。随着大语言模型技术的发展，自然语言交互正成为降低技术使用难度的关键。Vibe-Trading项目正是这一趋势的实践，它将金融工程任务封装为可调用的工具与技能，允许用户通过自然语言指令直接驱动策略回测、因子研究和投资组合分析。其技术价值在于构建了一个模块化的AI Agent框架，通过ReAct推理框架协调多个专项技能，并创新性地引入多智
Claude Code 完整使用教程（2026最新版）
《Claude Code 完整使用教程（2026最新版）》摘要： Claude Code 是 Anthropic 公司推出的智能编程工具，通过自然语言对话实现代码编写、调试和重构。本教程基于 v2.1.101 版本，涵盖安装配置、核心功能及最新特性。主要内容包括： 多平台安装方式（macOS/Linux/Windows） 桌面应用专属功能如并行会话、定时任务和语音模式 模型选择指南（Sonnet/Opus/Haiku） 快速入门示例：5分钟创建Node.js项目 核心功能：代码读写、命令执行、Git集成等
无边框窗体库PySideFrameless开源
无边框窗体库PySideFrameless开源，使用Python即可开发简洁而且美观的桌面程序。
OSError We couldn‘t connect to https://huggingface.co to load file, couldn‘t find it chatglm3-6b解决方案
本文主要介绍了OSError: We couldn’t connect to https://huggingface.co to load this file, couldn’t find it in the cached files and it looks like THUDM/chatglm3-6b is not the path to a directory containing a file named config.json.解决方案，希望能对学习python的同学们有所帮助。
发布一款基于PySideFrameless的图片查看工具--一盎司图片
一盎司图片是基于PySideFrameless而开发的一款图片展示工具，支持同时打开多个图片文件（jpg,png,bmp等），支持拖动打开，拖动替换，删除后重新排序等等功能
深度学习论文: AnomalyDINO: Boosting Patch-based Few-shot Anomaly Detection with DINOv2
通过将DINOv2模型适应到一次性和少量异常检测中，并专注于工业应用少量异常检测。实验表明，这种方法不仅与现有技术相匹敌，甚至可以在许多设置中超越它们。我们提出的仅视觉方法AnomalyDINO基于补丁相似性，能够实现图像级别的异常预测和像素级别的异常分割。该方法在方法论上很简单，无需训练，因此不需要任何额外的数据进行微调或元学习。
【Hermes Agent】2026 Hermes Agent 最新入门级实战指南：从原理、部署、模型配置到落地 Demo
当下 Vibe Coding、AI 自动化时代，单纯对话大模型已经没有竞争力，
发布一款基于PySideFrameless的DBF工具--一盎司DBF
发布一款基于PySideFrameless的DBF工具--一盎司DBF
026：vue+threeJS 设置地面铺砖的效果
BoxGeometry 是 Three.js 中用于创建立方体或长方体的几何体类。它允许你指定立方体的宽度、高度、深度以及这三个方向上的分段数，从而控制立方体的细分程度。width: 立方体的宽度（沿 x 轴方向）。height: 立方体的高度（沿 y 轴方向）。depth: 立方体的深度（沿 z 轴方向）。widthSegments: 可选参数，指定立方体在 x 轴方向上的分段数，默认值为 1。heightSegments: 可选参数，指定立方体在 y 轴方向上的分段数，默认值为 1。
发布一款基于PySideFrameless的JSON工具--一盎司JSON
发布一款基于PySideFrameless的JSON工具--一盎司JSON
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.2版本
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.2版本
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")
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.1版本
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.1版本
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.4版本
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.4版本
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.5版本
发布一款基于PySideFrameless的图片查看工具--一盎司图片 v1.0.5版本
发布基于PySideFrameless的DBF工具--一盎司DBF v1.0.1版本
发布基于PySideFrameless的DBF工具--一盎司DBF v1.0.1版本
发布基于PySideFrameless的DBF工具--一盎司DBF v1.0.2版本
发布基于PySideFrameless的DBF工具--一盎司DBF v1.0.2版本
AI全栈实战 | 3.9-01 爬虫入门：requests 加 BeautifulSoup 三分钟跑通，但 90% 的人栽在这 4 个“礼貌“问题上
⚠️：本文内容仅用于。请遵守目标站点的服务条款与相关法律法规，不得对目标服务造成负担，不得采集、传播个人隐私数据。技术是中性的，边界在你手里。爬虫的入门技术（requests 发请求 + BeautifulSoup 解析）三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的，是这篇我们跑通"请求→解析→存储"的最小闭环，然后重点把"合规与礼貌"这根弦给你绷上。
从一段视频到可漫游的 4D 有声场景：思路拆解与最小复现手记
只需一段手机视频，你就能生成可"走进去"的 4D 有声场景：转头时狗叫声方向随之变化，走近时声音更清晰。本文拆解 Video-to-4DAVScene 的核心思路，手把手带你用几十行 Python 搭出最小管线，把视频中的运动物体变成带空间位置的声源，并附上三个真实踩坑的排障经验，代码可直接跑。🎧
Python+Agent入门笔记（二）：列表推导式、模块和异常，这些写 Agent 前得会
接上一篇《Python+Agent入门笔记（一）》。基础语法跑通之后，这篇聊几块日常写脚本绕不开的东西。还是按 JS/Go 开发者的视角写，尽量记录我实际卡过的地方。
详解Python条件语句
在 Python 中，if...else 是一种条件语句，可以根据给定的条件执行不同的操作。这个语句通常用于控制程序的流程。
微调数据集构建：清洗、标注、格式转换完整流程
摘要解决微调数据直接抓取导致的噪声污染、模式崩溃与Token错位问题。适用于需为大模型SFT阶段构建高质量训练集的数据与算法工程师。读完可获得包含启发式清洗、MinHash去重及ChatML格式对齐的完整可运行数据流水线。关键词数据清洗、MinHash去重、数据标注、ChatML、SFT数据集、数据配比背景与问题大模型微调效果的上限由数据质量决定，直接使用未经处理的原始语料极易引发模型复读、幻觉与指令遵循能力退化。
Python3 协程：异步编程的核心机制与实战
协程是解决I/O密集型任务等待瓶颈的高效机制，相比线程更轻量、无锁开销。从yield到async/await的演进，使异步编程语义清晰、易于理解。通过async/await可实现并发执行多个任务（如gather、create_task），显著提升网络请求、爬虫等场景性能。关键在于使用异步库（如aiohttp）替代同步库，避免阻塞事件循环。合理控制超时与并发数，才能发挥协程最大优势。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
218
扫一扫
