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
1.3k累计阅读
1.3k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
创建一个.bat文件
@echo off
::设置7z的命令行程序路径
set zip7=D:\7-Zip\7z.exe
::设置压缩包保存路径
set Save=F:\zippack
::当天日期，备份文件名
set curdate=%date:~0,4%-%date:~5,2%-%date:~8,2%
::设置要打包压缩的文件夹
set www=F:\AsiaInfo_code\DSWG\ump-csdns-vue
::过滤多个文件夹 -xr!.svn 过滤.svn文件夹
"%zip7%" a -tzip "F:\zippack\ump-csdns-vue.zip" "%www%" -mx0 -xr!node_modules -xr!.svn -xr!.idea -xr!overlays -xr!target
城市规划师必备：ArcMap里用这个免费工具，5步完成建筑群通风廊道分析
本文介绍了城市规划中利用ArcMap进行建筑群通风廊道分析的高效方法，重点讲解了迎风面投影指数（FAI）的应用。通过5个步骤，从数据准备到规划应用，帮助规划师快速评估城市通风潜力，优化建筑布局，提升城市风环境质量。
用批处理的方式压缩文件
用批处理的方式压缩文件1. 概述2. 用批处理的方式压缩文件2.1 前期准备 1. 概述 批处理不仅能解压文件，还能压缩文件； 2. 用批处理的方式压缩文件 2.1 前期准备 新建一个文档文件、
创建动态代理对象bean，并动态注入到spring容器中
使用过Mybatis的同学，应该都知道，我们只需要编写mybatis对应的接口和mapper XML文件即可，并不需要手动编写mapper接口的实现。这里mybatis就用到了JDK动态代理，并且将生成的接口代理对象动态注入到Spring容器中。 这里涉及到几个问题。也许有同学会有疑问，我们直接编写好类，加入@Component等注解不是可以注入了吗？或者在配置类（@Configuration）...
7z.exe 命令行压缩文件排除文件(exclude filenames) 手记
命令行使用格式：Usage: 7z <command> [<switches>...] <archive_name> [<file_names>...][<@listfiles...>] 1 <Commands> 2 a : Add files to archive 3 b : Benchmark ...
【Office激活】学校正版Office已激活成功仍弹出激活窗口
学校正版Office激活问题：已激活成功仍弹出激活窗口
5V转±12V无变压器双boost电路
最近有个新项目，需要±10V范围的模拟量输出（非隔离），对于5V以下供电的控制板而言单端输出绝对没问题，可现在需要有正负输出，是少不了正负电源的，因此准备设计一个5V转±12V的电源，然后选择一个双向供电的运放，来实现单端模拟量信号向双向模拟量信号转换。 本文就来分享一下5V转±12V电源的设计。对于有类似双向电源需求的场合，大多使用变压器通过增加多个绕组来实现，而对于体积空间有要求的场合来讲，变压器实在是太大了，另外对于一些成熟的项目，变压器如果是已经设计好的，再额外增加绕组需要重新设计，费时费力。于是，
windows批处理实现文件夹定时压缩备份
批处理实现文件夹定时压缩和百度云备份
Amesim管路仿真进阶：如何用阻力管实现不规则管路的高精度模拟
本文深入探讨了在Amesim仿真中，如何利用阻力管（Orifice with Table）元件，特别是TFORT0子模型，实现对不规则管路的高精度模拟。通过直接输入基于测试或CFD的流量-压降数据，该方法能有效弥补标准管路模型在复杂流道、内部结构复杂等场景下的不足，为液压、热管理等系统仿真提供精准可靠的部件模型。
关于压缩工具 7z(7-zip) 的选项 -x（排除文件）的解读
文章目录一、选项介绍二、选项语法三、选项示例 一、选项介绍 选项 -x 用来指定某一文件或某一类文件从操作中排除，此选项可同时排除多个类型。可以和此选项结合使用的命令：a (添加)， d (删除)， e (释放)， l (列表)， t (测试)， u (更新)， x (完整路径释放) 。 二、选项语法 -x[[recurse_type]][file_ref] [recurse_type] ::= r[- | 0] [file_ref] ::= @{listfile} | !{wildcard} 三、选项示例
稳健自适应波束形成学习（2）：自适应计算对角加载量方法——基于广义线性组合的鲁棒Capon波束形成
对于快拍数相对阵元数较小时，样本协方差矩阵不能很好对协方差矩阵进行估计。常规的对角加载量需要根据经验值或不断手动调整进行测试，没有一个明确的准则和推导。该篇介绍一种自适应计算对角加载量的方法，且能适应快拍数相对阵元数较小时的情况。均匀线阵阵元数：18；载波频率30MHz；通信信号来波方向0°、来波估计偏差0.5°；干扰来波方向30°；通信信号信噪比10dB；干扰信号信噪比60dB。也即在干扰角度生成66dB的零陷，通信信号受到16dB的衰减。
（12）单相降压自耦变压器的等效电路和仿真模型
本文根据电机学基本原理，从单相双绕组变压器的接线方式出发，建立基本方程并导出T型等效电路。然后将双绕组变压器演变成一种降压自耦变压器，详细地建立起单相降压自耦变压器的数学模型以及导出相对应的等效电路，最后用Matlab/simulink的simscape元件库元件建立了基于单相自耦变压器的T型等效电路的仿真模型。用实例仿真验证了本文工作的正确性。
linux 7z打包排除特殊文件夹,7-zip的压缩的时候排除某目录
安装暂且不说了。看一下帮助。[root@localhost Server]# 7z-Zip [] 9.13 beta Copyright (c) - Igor Pavlov --p7zip Version 9.13 (locale=zh_CN.UTF-,Utf16=on,HugeFiles=on, CPUs)Usage: 7z [...] [...][]a: Add files to ar...
Vision 机器视觉案例 之 零件边缘缺陷检测
缺陷检测工具
Windows自动压缩文件夹备份bat脚本
@echo off ::设置7z的命令行程序路径 set zip7=C:\Program Files\7-Zip\7z.exe ::设置压缩包保存路径 set Save=E:\gitbak ::当天日期，备份文件名 set curdate=%date:~0,4%-%date:~5,2%-%date:~8,2% ::设置要打包压缩的文件夹 set zipfile=E:\mygit ::备份命令 ...
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")
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
批处理 压缩zip 并过滤部分文件
批处理 1.压缩文件或目录为zip 2.并过滤文件中所不需要的 压缩前 需要下载 7-zip 工具 @echo off ::设置当前目录 set now_path=%~dp0 :: %~dp0代表的是当前批处理文件所在完整目录（绝对路径）。 set dir_path=%now_path%\server_pack set zip=%now_path%\tool\zip\7z.exe...
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。
7-Zip Zstandard增强版：终极压缩工具完全指南
你是否经常为文件压缩速度和压缩率之间的平衡而烦恼？是否希望有一个工具既能提供极致的压缩比，又能保持闪电般的解压速度？7-Zip Zstandard增强版正是为你量身定制的解决方案！这个开源项目在经典7-Zip基础上，深度集成了Zstandard、Brotli、LZ4、LZ5和Lizard等现代压缩算法，为你带来前所未有的压缩体验。 作为7-Zip的增强版本，7-Zip Zstandard不仅保留
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
windows bat脚本7zip压缩文件夹，过滤文件夹
为什么80%的码农都做不了架构师？>>> ...
如何为7-Zip添加现代压缩格式支持：7-Zip-zstd全面指南
你是否经常需要在7-Zip中使用Zstandard、Brotli、LZ4等现代压缩格式？7-Zip-zstd正是你需要的解决方案！这款开源项目在经典7-Zip基础上深度集成了六大现代压缩算法，让你在熟悉的界面中享受最新的压缩技术。7-Zip-zstd不仅保持了7-Zip的所有优秀特性，还带来了Zstandard、Brotli、Fast-LZMA2、Lizard、LZ4和LZ5等高效压缩格式的全面支
7-Zip-zstd终极指南：免费增强版压缩工具完整教程
你是否厌倦了传统压缩工具有限的格式支持？想要体验Facebook的Zstandard、Google的Brotli等现代压缩算法带来的极致速度？**7-Zip-zstd**正是你需要的解决方案！作为7-Zip的增强版本，这个开源项目不仅保留了经典7-Zip的所有功能，还添加了对多种现代压缩格式的支持，让你在文件压缩和解压时拥有更多选择。 **7-Zip-zstd**是一个基于7-Zip的开源增强项
python批量生成文件夹_python实现批量压缩文件夹
前段时间碰到一个需要把目录下文件夹压缩的项目，但是度娘里没找到，只好自己写脚本了。#coding:utf-8import osfilePath = raw_input("请输入路径：")if filePath == "":os._exit() #需要退出ds = list(os.walk(filePath)) #获得所有文件夹的信息列表fileExe = os.path.realpath(__fi...
shell zip和unzip压缩和解压，压缩效率
1、把/home目录下面的mydata目录压缩为mydata.zip zip -r mydata.zip mydata #压缩mydata目录zip -r mydata.zip ./*txt #压缩当前目录下后缀名为.txt的文件为mydata.zip 2、把/home目录下面的mydata.zip解压到mydatabak目录里面 unzip mydata.zip -d...
Windows BAT中7zip压缩时排除某些目录
具体命令是： "C:\Program Files\7-Zip\7z.exe" a -t7z 文件名.7z 目录 -xr!.svn
bat 使用 7z 压缩文件夹
@echo off rem 设置7z的命令行程序路径 set zip7=“C:\Program Files\7-Zip\7z.exe” rem 设置压缩包保存路径 set Save=“F:\7z\7zFiles” rem 当天日期，备份文件名 set curdate=%date:0,4%-%date:5,2%-%date:~8,2% rem 设置要打包压缩的文件夹 set www=“F:\7z\111” ::备份命令 -xr!.svn过滤.svn文件夹 %zip7% a -tzip %Save%%curda
7z -mx9 压缩文件夹 7z
@echo off ::设置7z的命令行程序路径 set zip7=C:\Program Files\7-Zip\7z.exe ::设置压缩包保存路径 set Save=C:\Users\Administrator\Desktop\yun ::当天日期，备份文件名 set curdate=%date:~0,4%-%date:~5,2%-%date:~8,2% ::设置要打包压缩的文件夹 set ...
7-Zip ZS终极指南：如何让文件压缩速度提升300%的完整教程 [特殊字符]
想要**文件压缩**变得更快更高效吗？7-Zip ZS就是你的完美解决方案！作为7-Zip的增强版本，这个强大的**压缩工具**集成了Brotli、Fast-LZMA2、Lizard、LZ4、LZ5和Zstandard等现代压缩算法，让你的文件处理效率达到前所未有的高度。 ## 🔥 为什么选择7-Zip ZS？ 传统的7-Zip已经很强大了，但7-Zip ZS在此基础上进行了革命性升级！它不
python文件rar, zip,tar, gz压缩，解压缩文件
概述 在平时自动化测试工作中，经常会用python对一些文件进行读写操作。其中使用最多的文件格式，就是txt, log, json, csv, xml, zip, tar, gz, rar, excel，这十种文件格式。 rar, zip,tar, gz这四种格式，需要使用python的第三方库进行操作。 简介 gz： 即gzip，通常只能压缩一个文件。与tar结合起来就可以实现先打包，再压缩。 tar： linux系统下的打包工具，只打包，不压缩 tgz：即tar.gz。先用tar打包，然后..
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
412
扫一扫
