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
1.9k累计阅读
2k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
8月份的时候写了一个DS上的连连看， 用的是pablib库，为了过一下写nds游戏的瘾，同时也参加了bus个比赛，不过由于做的太简单了，没有获奖，呵呵。那段时间实际上是自己最忙的一段 时间，刚开始实习，公司里晚上还有培训，写代码的时间其实不长，花了三个晚上吧，主要还是对pablib库的了解。本来其实还有很多想法的，想把游戏做的 好一些，但是加上时间的原因，以及ds小屏幕的原因，很难做到像pc上帝qq连连看那样，不然的话连连看到图片都要重新去找了。
好了，下面说下游戏的操作方式：
主要用触摸笔进行，
A：重新排列
B：重新开始
X：简单模式
Y：普通模式
默认进入游戏中的是简单模式。
这里要说下，因为ds的屏幕小，而我用的图片也不是很小，所以会出现找不到可以连的方块，这时候可以按A进行重新排列，目前是可以无限次按的，在以后的更新中会设置限制次数。
补上图：
「 硬核分享」 ❤️ QQ连连看自动消除外挂完整源码❤️「 复制即用」
逆向过程： 1.分析游戏 棋盘大小：19 *11 棋盘基址：00199F5C CE工具下载： QQ群：894356239 游戏标题：QQ游戏 - 连连看角色版 2.读取棋盘数据 //1.获取游戏窗口句柄 HWND hw = FindWindowA(0, "QQ游戏 - 连连看角色版"); //2.获取进程id DWORD pid; GetWindowThreadProcessId(hw, &pid); ...
NDS自制游戏《中国象棋DS》v0.2放出
自从N年前完成了《QQ连连看DS》后想制作第二款NDS游戏，已经想了很久了~~~也想过移植《石器时代》，但是难度貌似太大太大，psp的硬件环境视乎会简单一些。后来就想到做中国象棋的DS的版本，有过一些不错的构思，但是都由于我没有很好的熟悉DS的硬件结构而作罢（不排除以后会加上），现在的这个版本勉强能玩~~~电脑选困难模式的话会有一些慢（算法不好+ds的cpu慢）。就说这么多吧，也后或许还会更新
.ds_store漏洞泄露
.ds_store漏洞文件泄漏 .DS_Store是Mac下Finder用来保存如何展示 文件/文件夹 的数据文件，每个文件夹下对应一个。由于开发/设计人员在发布代码时未删除文件夹中隐藏的.DS_store，可能造成文件目录结构泄漏、源代码文件等敏感信息的泄露。 利用工具——ds_store_exp 源码地址：https://github.com/lijiejie/ds_store_exp 这是一个 .DS_Store 文件泄漏利用脚本，它解析.DS_Store文件并递归地下载文件到本地（生成一个该，
Python实现QQ游戏连连看外挂秒杀
项目地址 https://github.com/GitHub-Laziji/lianliankan 简介 200 行Python 实现的qq连连看 辅助, 用于学习, 请不要拿去伤害玩家们… 使用环境 win7 win10测试了无法使用 使用方法 开始游戏后运行就行了, 再次提示, 请在练习模式中使用, 否则可能会被其他玩家举报 代码实现 主要思路就是利用pywin32获取连连看游戏句柄,...
QQ连连看单机游戏完整开发包（含VC6源码、资源文件与可执行程序）
直接双击就能玩的QQ连连看单机版，完全离线运行，不依赖QQ客户端或网络连接。包里有编译好的主程序，点开即玩；也包含全部原始资源——背景图bg.bmp、卡牌图normalcard.BMP、菜单界面Setting.bmp、地图选择mapsel.BMP、角色选择facesel.BMP、超时提示OverdueMapDialogTitle.BMP，还有kyodai.ani动画文件和14个功能DLL（如Framerc.dll负责框架、Cardrc.dll管理卡牌、SoundPlayer.dll控制音效、VHelp.dl
Streamlit安装避坑指南：从零到一键启动你的第一个数据可视化应用
本文提供了一份详尽的Streamlit安装避坑指南，帮助用户从零开始快速启动第一个数据可视化应用。文章深入剖析了安装过程中常见的网络超时、依赖冲突、环境变量缺失等核心问题，并给出了使用虚拟环境、配置国内镜像源、利用.whl文件离线安装等多种经过验证的解决方案，确保安装过程顺畅无阻。
QQ游戏连连看外挂(VC)
大概的思路是这样的：首先1.找到游戏窗口-> 2.解析方块的位置、图案-> 3.遍历方块，找到可以消去的方块-> 4.
NR/5G - On demand SI
NR中系统消息如MIB -可用于无线帧同步等，SIB1 -小区物理信道公共配置等，是驻留一个小区所必需获得的信息，这类系统信息小区是进行周期性广播。 在SI的配置中，系统消息分为BroadCasting和non-BroadCasting，BroadCasting类系统消息基站也是周期性进行广播的，而non-BroadCasting类系统消息则是通过一种on-demand的方式，即如果需要读取这类系统消息，那么UE需要先发送请求给基站，基站响应UE之后，再下发系统消息。 ...
qq连连看看外挂-我的QQ连连看“辅助”程序源码
像连连看这一类外挂其实还算是比较简单的了，只要找出棋盘基址，加上点算法，就算是OK的了。 对于怎么找QQ连连看的棋盘基址呢？ 工具只用CE（Cheat Engine）就足够了，TX没做什么保护的，无语…… 加连连看进程到CE，开始游戏（其实，选练习模式就可以了），观察棋盘，大胆猜测无图案的为0！Value type选Byte，第一格为空时Scan type用Exact Value，Va...
基于python的排课表系统,用python编写排课系统
实现一个具体的课程管理系统。(5) 学生可以查看自己选上的课的成绩，以及各个课程的得分、绩点，并给出其平均绩点，但不允许查看年级其他人的成绩。(2) 学生定制专属课表，可以查看整个学期本人的课程安排，包括课程名称、上课时间、上课地点、任课老师、学分等等。(13) 系主任可以查看整个系的全部学生以及他们的平均绩点，可以对每个班进行排名，或者也可以对整个系进行排名。(15) 系主任可以查看整个学期所开设的所有课程，包括这些课程的全部详细信息。(1) 学生基本信息的查询，学生可以对本人的系统登陆密码进行修改。
USB-Blaster在Win11报错？3分钟搞定驱动兼容性问题（Quartus 21.4实测）
本文针对Windows 11系统下USB-Blaster驱动安装问题，提供了一套快速解决方案。通过优化驱动安装流程、绕过签名验证及设备管理器高级技巧，帮助开发者在3分钟内解决Quartus 21.4的兼容性问题，提升FPGA调试效率。
逆向分析-QQ游戏连连看
一、需实现的功能 二、分析思路 CE搜索步骤记录 ①游戏时间
PCB作为智能小车底盘的设计方法与工程实践
PCB底盘是一种将机械结构与电子设计深度融合的嵌入式系统集成方案，其本质是利用印制电路板的高精度制造能力（±0.05mm孔位公差）和FR-4材料的结构强度（弯曲强度345MPa），替代传统亚克力或铝合金底盘。该方案通过封装库驱动的正向设计、机械层语义化定义及机电协同布局，实现安装基准统一、共地平面优化与RF天线集成等技术价值。广泛应用于教育机器人、AGV小车、模块化开发平台等对空间紧凑性、量产一致性与电磁兼容性有严苛要求的移动嵌入式场景，尤其适合具备EDA工具使用能力的电子工程师主导的跨学科开发流程。
php 获取qq头像,免费的API接口推荐（获取QQ昵称、头像、QQ秀等等）
1、获取QQ头像http://q2.qlogo.cn/headimg_dl?dst_uin=QQ号码&spec=100100 是尺寸,具体可以参考下表还有其他尺寸为，40 x 40、100 x100、140 x140、640 x 640QQ高清头像http://q.qlogo.cn/headimg_dl?dst_uin=QQ号码&spec=640&img_type=jpgh...
虚拟机器人平台CoppeliaSim(Vrep)的逆运动学教学
相信看这篇博客的人都知道CoppeliaSim是做什么的，因此这里不多赘述。CoppeliaSim从最早的Vrep到现在已经更新了N个版本，从过去Vrep3.x开始使用的我这里小小地吐槽一下这个软件。CoppeliaSim每一个版本都有更新，问题是这些更新有时候不能向前兼容，而且时不时更新地让人不知所措（对于有紧急任务的时候真的很火大啊）。 以本文所展示地逆运动学来说，CoppeliaSim在4.0.0之后又大变，推翻了过往所有的拖动模块链接之类的构建方式，转而采用直接通过代码来实现逆运动学。 简单版逆运动
线性自抗扰控制LADRC（一）---基础知识
LADRC（Linear Active Disturbance Rejection Control）是ADRC的线性化版本，通过简化非线性模块（如ESO和反馈律）降低计算复杂度，适用于实时控制系统（如电机驱动）。
DS Bonus 2: QQ Account Management
题目要求 You are supposed to implement the functions of account"Log in" and "Register" for the most popular instantmessager QQ. The most challenging partis that QQ now has more than a billion users.
130页5万字某市档案馆数字档案馆建设方案
【版权声明】本资料来源网络，仅用于行业知识分享，供个人学习参考，请勿商用。【侵删致歉】如有侵权请联系小编，将在收到信息后第一时间进行删除！完整资料领取见文末，部分资料内容：国家档案局证实颁布《数字档案馆建设指南》， 明确了数字档案馆建设原则、要求、目标，对相关系统建设内容、功能要求进行了概括和详细说明。数字档案馆系统建设应以 OAIS 参考模型为设计基础，以实现数字资源的长期保存与可信管理。设计的数字档案馆系统架构如下图。图-1 数字档案馆体系结构数字档案馆建设包括五大层次和三大保障体系：
通过QQ号码获取QQ头像、昵称以及空间头像
从网上搜罗了一堆获取QQ头像的方法，基本上都是通过简单的链接即可实现，在这里做下记录和总结！ QQ头像、QQ昵称、QQ空间头像
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
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")
【单片机】DS2431，DS28E07，STM32，EEPROM读取与写入，解密破解
DS2431内部有128个字节的数据，这篇博客可以对这128个字节的数据进行读写，而有的人想要改写芯片ROM，这是芯片的唯一地址，请看这里。代码：https://github.com/xddun/blog_code_search。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
[BJOI2012]连连看 BZOJ2661 费用流
[BJOI2012]连连看 BZOJ2661 费用流 题目描述 凡是考智商的题里面总会有这么一种消除游戏。不过现在面对的这关连连看可不是QQ游戏里那种考眼力的游戏。我们的规则是，给出一个闭区间[a,b]中的全部整数，如果其中某两个数x,y（设x>y）的平方差x^2-y^2是一个完全平方数z^2，并且y与z互质，那么就可以将x和y连起来并且将...
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
通过QQ号获取QQ头像、昵称以及空间头像
前言 有时候设置了QQ头像之后，想获取自己的QQ头像却不知道怎么办，于是就有了下面的方法，从网上找了一堆方法，发现有几个是可用的，特此记录一下。 QQ头像 http://q1.qlogo.cn/g?b=qq&nk=945794520&s=100 http://q1.qlogo.cn/g?b=qq&k=yJjDKicYbQOuvhb22ckmr9Q&s=100 http://q2.qlogo.cn
java QQ向另一个QQ发信息（可以是好友，也可以是非好友）
QQ使我们平时所用的最广泛的一种社交工具，但是你知道怎么用代码唤起QQ聊天对话框吗，跟着我一起做，学会就可以在朋友面前装逼了，好，开始本次教程 1对于非好友的聊天，我们需要在QQ上注册 https://shang.qq.com/v3/index.html点这里注册 1 登陆QQ->开通->复制所给的代码 3把上述代码放到你的网页中就可以了 完成！一下是实例结果...
DS_Store文件泄漏总结
0x00 前言 导航：https://blog.youkuaiyun.com/qq_36869808/article/details/88895109 0x01 基础 .DS_Store是Mac下Finder用来保存如何展示文件//文件夹的数据文件，每个文件夹下对应一个。由于开发/设计人员在发布代码时未删除文件夹中隐藏的.DS_store，可能造成文件目录结构泄漏、源代码文件等敏感信息的泄露。 0x02 漏洞...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4759
扫一扫
