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
1.5k累计阅读
1.5k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
因为经常使用Sublime Text3打开文件夹的方式，发现左侧的Folder字体实在是太小了，容易造成花眼。故需要修改文件夹的大小。
安装“Package Control Package Control”，快捷键：ctrl+shift+p
安装“PackageResourceViewer”
Ctrl+Shift+P，搜索“PackageResourceViewer : Open Resource”
搜索“Theme – Default”，PS：这里与你要设置的主题名称保持一致
搜索“Default.sublimt-theme”
因为我没有使用其他的主题，所以这里是sublime的默认主题。
找到：sidebar_label，将它的字体大小设置成你需要的字号“font.size”: 14
{
"class": "sidebar_label",
"fg": [48, 48, 48],
"font.face": "var(font_face)",
"font.size": 14
}
Sublime Text3
RK3588与银河麒麟V10 SP1 2403深度适配：国产化硬件与操作系统的完美融合
本文深入探讨了RK3588处理器与银河麒麟V10 SP1 2403操作系统的深度适配，展示了国产化硬件与操作系统的完美融合。通过性能验证和实际应用测试，证明了这套组合在多媒体处理、AI推理和日常办公中的卓越表现，实现了完全自主可控的计算平台。
sublime 左侧的目录sidebar的字体大小修改 windows和ubuntu下
sublime 左侧的目录sidebar的字体大小修改 windows和ubuntu下 windows下： 1.sublime的ctrl+shift+p,输入install 2.弹出后输入PackageResourceViewer 3.sublime的ctrl+shift+p输入PackageResourceViewer: Open Resource 4.选择：Them...
从NASA DataPort下载到PyTorch Dataset：手把手处理USGS光谱库的AVIRIS数据
本文详细介绍了如何从NASA DataPort下载USGS光谱库的AVIRIS高光谱数据，并将其转化为PyTorch Dataset对象。内容涵盖数据获取、预处理、辐射定标及高效数据加载技巧，特别针对AVIRIS数据的水吸收波段剔除和波段分组标准化进行了重点讲解，为环境监测、地质勘探等领域的研究者提供实用指南。
解决 Sublime Text 侧边栏（sidebar / folder）中文样式显示异常问题
目录 一、问题背景 二、问题探索 三、问题解决 （一）解决思路 （二）解决步骤 1）在工具栏中选择 Preferences → Settings ，打开配置文件 2）在右侧界面添加下方代码块中的内容， Ctrl+S 保存 3）在工具栏中选择 Preferences → Customize Theme ，调整字体样式 【修改方式 1】 全局修改 【修改方式 2】 仅改变 sidebar 的字体样式 四、效果展示 一、问题背景 在上一篇博文的评论中，有小伙伴反映：文件里的中文样式.
从ABS到EBS再到AEBS：商用车制动安全系统的“三代同堂”与技术演进史
本文详细解析了商用车制动安全系统从ABS到EBS再到AEBS的技术演进历程。通过对比三代系统的性能差异和应用效果，揭示了电子控制单元（ECU）在提升制动精度和安全性的核心作用，并展望了智能制动技术的未来发展趋势。
模拟IC版图DRC实战：手把手教你搞定MIM电容天线错误和ESD.10g违例
本文深入解析模拟IC版图中的MIM电容天线错误和ESD.10g违例问题，提供从错误解码到实战修复的完整指南。通过电路图修改、版图优化和验证闭环等步骤，帮助工程师高效解决DRC错误，特别适用于ADC等精密模拟电路设计。文章还分享了高级排错技巧和预防性设计策略，大幅提升流片成功率。
Sublime text 侧边栏字体大小调整
sublime text 侧边栏字体大小调整
AI应用架构师：引领半导体良率AI预测的变革浪潮
在半导体行业这个技术密集、资本密集且竞争异常激烈的领域，良率是决定企业盈利能力的关键指标。每提升1%的良率可能意味着数亿美元的利润增长。然而，随着制程节点不断缩小至3nm、2nm甚至更先进水平，传统的良率管理方法已难以应对日益复杂的制造流程和指数级增长的数据量。本文将深入探讨AI应用架构师如何成为这场变革的核心驱动力，通过设计和实施先进的AI预测系统，将半导体良率预测从传统的"事后分析"转变为"事前预测"和"实时优化"。
Sublime使用
提示：这里对文章进行总结：简单介绍了Sublime Text 4目前是最新版以及汉化，设置字体，大小等等。
《AgentScope-Java 深入浅出教程》第10章 RAG 知识检索
RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的技术架构。它通过从外部知识库中检索相关文档，将检索到的信息作为上下文注入到语言模型的提示中，从而增强模型的回答质量。│ RAG 工作流程 ││ ││ 用户问题 向量检索 上下文增强 生成回答 ││ ▼ ││ │ A │ ││ ││ 1. 接收问题 ││ 2. 将问题转换为向量，在知识库中检索相似文档 ││ 3. 将检索到的文档作为上下文添加到提示词中 │。
人工智能训练师三级补贴3120元申领全攻略｜条件+流程+五省市对比
补贴是真的，但不是"白给"的。你需要满足社保、户籍、时间等条件，严格按照流程操作。记住四件事先确认自己是否满足条件，再报名——别考完了才发现领不到紧缺工种补贴更高——确认你所在城市是否在紧缺目录中证书下发后12个月内申请——设个日历提醒材料准备齐全再提交——避免来回折腾如果你正在考虑考人工智能训练师三级证书，想要从报名到备考到拿证到申领补贴的完整一站式指南，欢迎查看我的付费专栏：📖《人工智能训练师三级·从零到拿证完全指南》80篇系统化内容，覆盖报名、备考、冲刺、拿证全流程。
设置Sublime Text3文本字体大小 + 设置左侧文件树字体大小
============================================================================ 进入Sublime Text的配置文件目录： 注： 当前路径为C:\XIAO_DEV\Sublime_Text3\Data\Packages ===================================================...
Unity 如何使用命令模式
命令模式 游戏中，当你想通过一种通用的方式来存储命令并能够撤消命令时，那么命令模式最有用。 在“示例”中，你将看到一个可以通过GUI按钮移动的简单点。 采取行动后，您可以撤消并重做。我在屏幕上添加了一个简单的OnGUI标签输出，因此您可以看到命令列表，并指出哪个是当前命令。 在此示例中使用了4个类： Command-这是任何命令模式都可以继承的基本结构（抽象类）。您可以在任何项目中使用此类。 MoveCommand-这是从Command类继承的结构，将使用Execute和UnExecute（撤消）。每个移
Sublime Text 零基础安装与配置指南：打造高效代码编辑器
代码编辑器是程序员的核心工具，其核心价值在于提升编码效率与体验。从原理上看，优秀的编辑器通过语法高亮、代码补全、插件扩展等机制，帮助开发者更清晰地理解代码结构、减少错误并自动化重复工作。在技术实践中，轻量级编辑器因其快速启动、低资源占用和高度可定制性，成为许多开发者入门和日常工作的首选。Sublime Text 正是这类编辑器的代表，它凭借极致的速度和强大的插件生态，广泛应用于前端开发、脚本编写、配置文件编辑等场景。本文聚焦于 Sublime Text 的安装与配置，详细解析了如何通过安装包管理器和必备插件
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
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")
Sublime主题
Boxy Theme 主题比较好看（已在百度网盘） 主题的使用 网站查看主题 ；使用packagecontrol中的installpackage搜主题名，点击安装 安装完之后要根据说明复制样式放入用户设置中 1.字体、主题风格等设置 当需要更改主题时，直接可以通过“preferences”—>“颜色主题”来设置 若需要改变字体和字体大小，可以先”prefe...
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
设置sublime文件列表文字大小_【整理】【操作演示】Sublime Text 3 修改Side Bar（侧边栏）字体大小 | 勤奋的小青蛙...
Sublime Text 3的侧边栏有时候字体看起来略小，如何调整？参考一些相关资料，本人亲自验证可用，所以整理出来，附操作图示意：1. 首先需要安装 PackageResourceViewer 插件打开 Command Palette (快捷键 Ctrl+Shift+P )输入 Package Control:Install 回车，搜索并安装 PackageResourceViewer 包2. ...
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
编译器Sublime的导航栏sidebar的字体怎么调大
Sublime是一款非常优秀的Web开发编译器，但是刚使用的时候会发现导航栏sidebar的字体非常小。sublime的字体设置与其他编译器有一点不同。 首先我们要安装一个插件管理的插件，按ctrl+shift+p打开插件列表，搜索install Package安装，这时候会出现一些插件列表，我们搜索PackageResourceViewer，会出现如下界面： 点击下一个,然后
Sublime text 3更改侧边栏【sidebar】的字体大小
时隔半年，今天作者又更新了版本，下午更新了3098 我兴致满满的更新了。又去找了一些插件，一点代码块收拢就崩溃；我还以为是插件问题，捣鼓了好久； 下班回来，打开家里的电脑一更新。。跑到3099，原来是BUG，修复的也是造成崩溃那个问题； 瞬间心好累；
sublime text3在高分屏下左侧栏的字体怎么调整？
参考链接：修改Sublime Text3 的侧边栏字体大小安装Package Control，可以参考： SublimeText3无法安装插件，弹出对话框Package Control：There are no packages available for installation 安装安装PackageResourceViewer Ctrl+Shift+P，搜索顺序依次为PackageResour
sublime text3不识别项目目录的中文名字和调整侧边栏字体大小
在sublime text3中，preference->setting，然后打开就是user的文件，在最后一行加上"dpi_scale": 1.0就好了。不过我的目录字体一下子变得很小，然后再package control里安装了PackageResourceViewer，然后ctrl+shift+p，输入PackageResourceViewer:Open Resource ，回车，文件Defa
文件图标增强：Sublime Text 侧边栏的视觉盛宴
文件图标增强：Sublime Text 侧边栏的视觉盛宴 项目基础介绍与主要编程语言 FileIcons 是一个开源项目，旨在为 Sublime Text 编辑器的侧边栏提供彩色文件图标。该项目通过自定义图标，提高了文件的可识别性，从而优化了开发者的工作流。项目主要使用 Rust 语言进行开发，这种语言以其性能和安全性而著称，确保了插件的快速响应和稳定性。 项目的核心功能 图标定制：为不...
sublime在高分辨率屏幕下，左侧边栏字体问题
因为新的笔记本是1920*1080分辨率的屏幕，在打开sublime的时候，侧边栏的文件夹名字会变得很小，虽然很清晰，但是太小了看起来很吃力， 如下图所示 网上找了很多的方法试了好久没有成功，一天闲下来又试了下，才返现原来需要改的是 Default.sublime-theme文件的配置才行，网上很多都是修改当前主题的配置，根据我的测试，是无效的。 开始介绍修改方法： 安装PackageRe...
怎样sublime显示文件夹
1.Project -> Add Folder to Project 2.选择你要添加的文件文件 效果图 转载于:https://www.cnblogs.com/xiaomingzaixian/p/6985224.html
sublime 左侧字体设置大小
一.修改字体大小 安装PackageResourceViewer 使用PackageResourceViewer打开Theme文件进行编辑 快捷键 ⌘(command)+⇧(shift)+P 打开 Command Palette 输入 PackageResourceViewer: Open Resource 回车， 打开包列表 选择 Theme - Default， 再选择 Default.sub...
修改Sublime Text3 的侧边栏字体大小
1. 安装”Package Control Package Control”，建议使用官方安装命令：https://sublime.wbond.net/installation2. 安装”PackageResourceViewer”3. Ctrl+Shift+P，搜索”PackageResourceViewer: Open Resource”4. 搜索”Theme – Default”5. 搜索”D
Sublime Text3 显示左侧的目录树
打开sublime text3程序然后点击file->open folder打开文件所在的目录即可显示目录树
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
249
扫一扫
