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
900+累计阅读
948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
之前在项目中有地方要用到省市县的选择，就使用了开源的Cascade_Master，很好用的一个控件，在这里谢谢作者的分享。
但是在使用的时候发现有一点小小的问题，就是当滚动省和市后，而不去滚动区，那么视觉上虽然区的滚轮也相应改变，但是最终获取到的区却是之前一次滚动后的值，而并不是于省市对应的区。查看源代码后发现，作者在控件的onChanged事件中是这样写的：
这样就导致在只滚动省和市，而不去滚动区时，虽然每次省和市的值都得到了更新，但是对应的区的值mCurrentDistrictName却没有得到更新，所以区还停留在上一次的值，如果一直不滚动区，这个值就一直不变。
所以我的做法是：
在滚动省市后都对mCurrentDistrictName进行重新赋值，将其赋为相对应省市的区的第一个值，这样即时每次不去滚动区，区的值也会是与省市对应的区，不会出现区与省市不对应的情况。
小弟不才，这也许不是最好的解决方法，但也算是对代码的一次探索和展开的个人理解，对自己的收获还是蛮大的
Android学习心得
ComfyUI节点安装笔记
AI高速发展，版本更新相当快（11月25日才安装的版本v.0.3.4，27日版本就已经更新到v.0.3.5了），在遇到问题，找到问题原因所在的过程中，ComfyUI版本、python版本、节点对环境版本的依赖，本文就是在为了解决自己遇到问题过程中，如何快速安装ComfyUI及节点而作的笔记。
CASCADE 属性介绍
原文链接：http://blog.chinaunix.net/uid-9789791-id-1997315.html 1) none :在保存,更新或删除当前对象时,忽略其他关联的对象,它是cascade属性的默认值. 2)save-update : 当通过Session 的 save() , update() 以及saveOrUpdate()方法来保存或更新当时对象时,级联保存所有
数据库一对多关系设计实战：从外键原理到索引优化
一对多关系是关系型数据库最基础也最易误用的核心范式，其本质是业务归属规则在数据层的映射。理解它需穿透SQL语法，深入B+树索引结构、事务锁机制与范式约束原理——外键为何必须置于子表？NULL值如何让索引失效？复合索引为何要遵循最左前缀？这些技术决策直接决定查询性能、数据一致性和系统可扩展性。在电商、金融等高并发场景中，合理设计一对多结构能规避全表扫描、级联删除风险与主从延迟飙升等问题。本文基于MySQL 8.0、PostgreSQL 15和SQL Server 2022真实生产实践，覆盖外键约束、索引优化、
Open CASCADE Technology (OCCT) 终极贡献指南：从零开始成为3D建模开源专家
想要参与开源3D CAD/CAM/CAE开发却不知从何入手？OCCT（Open CASCADE Technology）作为业界领先的开源几何建模平台，为开发者提供了完整的3D建模解决方案。本指南将带你快速掌握OCCT开源贡献的完整流程，从环境搭建到代码提交，让你在30天内成为合格的OCCT贡献者。核心关键词：OCCT开源贡献、3D建模平台、CAD开发。 ## 为什么选择OCCT进行开源贡献？
机器学习上线即系统接管：生产环境的延迟、可观测性与降级实战
机器学习模型部署不是算法落地的终点，而是系统工程挑战的起点。从特征血缘、数据漂移到服务熔断，核心在于将静态模型嵌入动态分布式系统——这要求深入理解延迟预算、业务语义监控与多级优雅降级。真实场景中，90%的P1故障源于特征管道断裂、类型漂移或fallback失控，而非模型本身缺陷。本文聚焦MLOps工程实践，覆盖gRPC实时接口选型、Feature Lineage Map绘制、契约测试验证、混沌工程压测及决策审计追踪等硬核环节，为算法工程师、MLOps工程师与技术负责人提供可落地的生产级ML系统建设方法论。
CentOS 8 MySQL 8.0 模块化安装详解：原理、避坑与课程实践
MySQL 是最主流的关系型数据库管理系统，其安装配置在不同 Linux 发行版中存在显著差异。CentOS 8 引入模块化软件管理（DNF Modules），将 MySQL 8.0 作为 `mysql:8.0` 流集成于 AppStream 仓库，彻底替代了 CentOS 7 的传统 RPM 安装路径。这一变化涉及依赖契约锁定、SELinux 上下文兼容、ABI 版本对齐等底层机制，直接影响服务稳定性与教学实验准确性。掌握模块启用（`dnf module enable mysql:8.0`）、初始化（`m
mysql 错误1217_MySQL主从复制中断，报“Error on master: message (format)='Cannot delete or update a parent row: ...
前几天，发现从库挂了，具体报错信息如下：分析思路1. 因为我采用的是选择性复制，只针对以下几个库进行复制： card,upay,deal,monitor,collect。所以，不太可能出现对于sas_basic的操作能复制到该从库上。2.整个架构是1主2从，且都是选择性复制，上面这个从库是直接复制card,upay,deal,monitor,collect这几个数据库的数据，而另外一个从库则是忽...
Android省市区三级联动滚轮选择——Cascade_Master
从真实项目中提取出来的，Android省市区三级联动滚轮选择组件，基于开源组件Android-wheel来实现，效果非常不错，可以直接拿去用。
AI开发智能体：从代码补全到端到端工程闭环的范式跃迁
AI开发智能体（AI Development Agent）是一种以目标驱动、具备工具调用、记忆与迭代自愈能力的新型软件工程范式，区别于传统RAG+LLM架构的代码补全工具。其核心在于打破‘生成-执行’断层，通过Agentic框架实现需求理解、环境感知、自动调试与工作流闭环。技术价值体现在可审计性、上下文连续性与工程资产沉淀，广泛应用于数据科学Pipeline构建、微服务重构、AI模型部署等复杂场景。Windsurf Cascade正是这一范式的典型落地，将工程师从重复性调试与跨工具切换中解放，聚焦高阶设计与
补洞与fairing算法
对网格进行补洞，remesh, 平滑，fairing, 最小二乘优化平滑
描述符链表（Descriptor Chain）是什么？
描述符链表是硬件加速数据传输的核心数据结构，通过链式描述符（包含地址、长度、控制标志等）实现DMA自动批量处理，显著降低CPU负载。其工作原理为：CPU初始化链表后，硬件按序处理每个描述符，完成自动跳转与中断通知。在网卡收包、NVMe存储等场景中应用广泛，优势包括批处理、低延迟和灵活调度。需注意内存对齐、缓存一致性等实现细节，优化手段包括预分配描述符池、环形缓冲区等。该技术是网络/存储领域提升吞吐量的关键方案。
7个步骤掌握OCCT：从3D建模到开源贡献的完整指南
Open CASCADE Technology (OCCT) 是一个功能强大的开源3D CAD/CAM/CAE开发平台，为几何建模、数据交换和可视化提供了完整的解决方案。无论你是想学习3D建模技术，还是希望参与开源项目贡献，OCCT都能为你提供专业级的工具和框架。本文将带你了解这个强大的开源CAD内核，并指导你如何开始使用和贡献。 ## 为什么选择OCCT？开源CAD内核的独特优势 在当今数字
Audio2Face进阶玩法：结合LiveLink在UE5中实现MetaHuman全身动画+语音驱动（保姆级配置指南）
本文提供了一份详尽的保姆级教程，指导如何将NVIDIA Audio2Face与Unreal Engine 5的LiveLink功能结合，实现驱动MetaHuman数字人面部表情的同时，无缝融合身体动画。文章详细讲解了从环境准备、插件部署、基础面部驱动测试，到动画蓝图高级配置与多数据流融合的全流程，并分享了性能优化与问题排查的实战经验，旨在帮助创作者打造表情与肢体动作协调统一的生动数字人。
Using pbuilder and sbuild and debuild to build debian package (by quqi99)
问题 在ussuri (16.3.0)里有一个bug, 但在steain(15.3.4)里没有，需要二分，先通过’git tag’找到其中的16.0.0, 16.1.0, 16.3.0三个tag 15.3.4 16.0.0 https://launchpad.net/ubuntu/+source/neutron/2:16.0.0-0ubuntu2 16.0.0.0b1 16.0.0.0rc1 16.0.0.0rc2 16.1.0 https://launchpad.net/ubuntu/+source/ne
用了7年的 source insight 3.5 背景色及字体配置（提升code效率）
在此记录并share用了7年的 source insight 3.5 背景色及字体配置，提升阅读代码效率
VFH避障/局部路径规划算法
VFH避障/局部路径规划算法 本文章是我看《The Vector Field Histogram-Fast Obstacle Avoidance for Mobile Robots》论文时候的笔记，感兴趣的欢迎去看原论文。 VFH中有一些概念是从其他算法中借鉴过来的，并且VFH算法本身就是对VFF(Virtural Force Field)的一种改进，其中有很多的相似之处。所以按照原论文的思路，先介绍由CMU提出的Certainty Grid算法中的一些概念，再介绍一下势场法中的一些概念，接着介绍一下VFF
如何用中文工作流破解ComfyUI的学习曲线：从困惑到创作自由的转变
你是否曾经面对ComfyUI复杂的节点界面感到无从下手？那些密密麻麻的连接线、晦涩的英文参数、让人眼花缭乱的插件选择，是不是让你在AI创作的道路上一次次碰壁？这正是许多创作者在使用ComfyUI时面临的真实困境——功能强大却门槛过高，创意无限但技术有限。 ComfyUI-Workflows-ZHO项目正是为解决这一痛点而生。这个开源项目提供了20多类、超过50个精心设计的中文工作流，将复杂的AI
从 SM30 到 Fiori：在 SAP BTP ABAP Environment 里创建 Business Configuration 配置维护对象的完整路径
摘要 在SAP BTP的ABAP环境中，传统SAP GUI和SM30配置方式被Business Configuration (BC)替代。BC通过Fiori应用维护配置，支持传输和权限控制。配置表需满足可维护性条件，如允许数据维护、包含技术字段等。通过ADT生成Maintenance Object和Transport Object，实现配置发布与治理。权限管理需创建IAM App和Business Catalog，确保配置可维护。BC在云端延续了可控、可追溯、可发布的治理原则。 （字数：150）
数据迁移一致性保障：三阶段验证与双通道审计实践
数据迁移不是简单的数据搬运，而是关乎业务连续性的精密工程。其核心在于保障端到端的数据一致性，这依赖于对数据库事务隔离、时序控制、变更捕获等底层原理的深刻理解。技术价值体现在将‘事后纠错’转变为‘全程可验证’，通过冻结快照、语义感知哈希、幂等脚本等手段构建确定性迁移能力。典型应用场景包括核心交易系统升级、多云数据同步、国产化替代迁移等高风险工程。本文聚焦数据一致性、变更窗口控制、回滚可验证性三大关键维度，结合MySQL/PostgreSQL实战细节，提供可落地的迁移治理方法论。
零基础基于U-Net网络实战眼底图像血管提取
文章目录1 前言2 血管提取任务概述3 U-Net架构简介4 眼底图像血管分割代码5 结果评估可视化(ROC曲线)6 改进U-Net网络完成眼底图像血管提取任务思路 1 前言 本文基于U-Net架构完成了视网膜血管的提取任务，基于Keras框架更简单的实现分割，网络、工具类、训练和预测的代码一目了然
华为昇腾开发——多模型资源管理（C++）
在使用Ascend ACL（Ascend Computing Language）的ACLLite库进行多模型推理时，合理的资源管理至关重要。
ModuLoop：面向机器人底层控制的模块化代码生成与闭环调试框架
在机器人实时控制开发中，从控制理论建模到嵌入式部署常面临模型-代码-硬件三重失配问题。其核心原理在于离散化实现、异构时钟同步与状态一致性保障的协同设计。该技术显著提升控制算法迭代效率与现场调试可靠性，支撑高动态场景下的确定性响应。典型应用场景包括工业机械臂伺服优化、四足机器人腿控开发及高校机器人控制实验平台构建。本文聚焦ModuLoop框架，深入解析其控制域特定语言（Control DSL）驱动的模块化代码生成机制与基于硬件时间戳锚定的闭环调试框架（CLDF），揭示如何通过语义化建模与原子化模块封装，实现控
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
YOLOV11|YOLO12改进系列指南
YOLOV11V12改进系列指南，仅仅69.9包含YOLOV11V12模型改进方案、含有440+种改进的集合，且含有多种二次创新和原创改进！
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")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
Unreal Engine 5 新手入门：从蓝图到实战项目开发全流程指南
实时3D引擎是现代游戏开发、数字孪生和虚拟制片等领域的核心技术基础，它通过图形渲染、物理模拟和交互逻辑等模块，构建出沉浸式的虚拟世界。其核心原理在于将美术资源、程序逻辑与实时计算相结合，实现动态、可交互的视觉体验。掌握引擎技术不仅能提升内容创作效率，更是进入游戏、影视、仿真等行业的关键技能。在众多引擎中，Unreal Engine以其强大的蓝图可视化编程和高质量的渲染管线著称，尤其适合初学者快速上手并实现复杂交互。本文聚焦于Unreal Engine 5的入门与实践，通过解析蓝图系统、资源管理和性能优化等核
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
RTDETR改进专栏(包含RTDETR、YOLOV5-DETR、YOLOV8-DETR)
RTDETR改进专栏(性价比高，创新度高)，目前RTDETR改进已经有350+个改进点！
Python 中 SQLite 实战指南：从嵌入式数据库到高可靠本地存储
SQLite 是一种零配置、无服务、单文件的嵌入式数据库，其轻量级设计与 Python 的简洁哲学高度契合。它基于 ACID 事务和 WAL 日志机制实现数据一致性与并发读写能力，技术价值在于免运维、强可移植、低延迟——特别适合桌面工具、IoT 设备、爬虫缓存及教学项目等轻量级应用场景。作为 Python 标准库 sqlite3 模块的底层引擎，它无需额外安装即可开箱即用，天然支持参数化查询、外键约束（需手动启用）和内存数据库测试。本文聚焦 Python 开发者最常遇到的 WAL 模式配置、连接管理、类型映
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
