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
1.2k累计阅读
1.2k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
== MF_UNCHECKED )
当在菜单项的Update消息处理中，人为指定了不可用。即 “ ID_OP_STARTPR ” 菜单项不可用时，而我们在执行相应的工具栏（对应ID_OP_STARTPR菜单项）按钮，使用到上述的语句是永远得不到预期结果的，因为它只会返回3。
此处不可用是指：在菜单的Update消息处理中，使用了“ pCmdUI->Enable(0); ” 。
MF_UNCHECKED返回值应该是 0;
MF_CHECKED返回值应该是 8;
VC++6.0开发资料库
EDA的未来：当AI与Cadence Virtuoso相遇
本文探讨了AI技术与Cadence Virtuoso在EDA领域的融合，展示了如何通过生成式AI提升芯片设计效率。文章详细分析了Virtuoso设计环境的智能化演进、AI驱动的设计辅助功能实现路径，以及SKILL语言的进化方向，为工程师提供了未来EDA工具的发展趋势和实用案例。
Windows 编程[19] - 改变菜单项的状态: GetMenuState、EnableMenuItem
本例效果图: 本例使用的资源文件(TestRes.rc): MyMenu1 MENUEX BEGIN MENUITEM "菜单" ,101 MENUITEM "改变我的禁止与非禁止状态" ,102 MENUITEM "改变" ,103 END 本例代码文件: program...
全球、中国各省市县等行政区划（含十段线）shape及geosjon数据免费下载
免费下载全球、中国各省市县等行政区划（含十段线）shape及geosjon数据
API之菜单函数
AppendMenu 在指定的菜单里添加一个菜单项 CheckMenuItem 复选或撤消复选指定的菜单条目 CheckMenuRadioItem 指定一个菜单条目被复选成“单选”项目 CreateMenu 创建新菜单 CreatePopupMenu 创建一个空的弹出式菜单 DeleteMenu 删除指定的菜单条目 DestroyMenu 删除指定的菜单 DrawMenuBar 为指定的窗口重画菜
Leaflet 加载天地图完整配置指南：从插件修改到无限缩放（附源码）
本文详细介绍了Leaflet与天地图深度集成的完整配置指南，包括插件修改、无限缩放实现及源码示例。通过解析天地图服务的WMTS协议、双投影支持和密钥机制，帮助开发者突破缩放级别限制，优化地图应用性能，适用于Web地图开发和高精度GIS系统。
福建公共资源交易平台 portal-sign与响应Data解密逆向实录
本文分析了福建公共资源交易电子公共服务平台的接口加密机制。通过抓包和代码分析，发现请求头中的portal-sign由MD5算法生成，包含固定秘钥和排序后的参数拼接。响应数据采用AES-256-CBC加密，需使用特定Key和IV解密。文章详细介绍了签名生成规则、参数处理流程及加密常量定位方法，为接口对接提供了技术参考。整个过程展示了如何通过逆向工程还原前端加密逻辑，最终实现脱离浏览器环境的纯协议调用。
Windows API函数大全（精心总结）_winapi函数大全
RemoveDirectory删除指定目录SearchPath查找指定文件SetCurrentDirectory设置当前目录SetEndOfFile针对一个打开的文件，将当前文件位置设为文件末尾SetFileAttributes设置文件属性SetFilePointer在一个文件中设置当前的读写位置SetFileTime设置文件的创建、访问及上次修改时间SetHandleCount这个函数不必在win32下使用；即使使用，也不会有任何效果。
【WRF理论第十九期】内陆湖泊、水体的处理方式
【WRF理论第十九期】内陆湖泊、水体的处理方式
C++/MFC-Menu
一、添加Menu 1.1新建Menu 资源视图->XX.rc文件，右键->添加资源->Menu->新建，输入相应文字即可。 1.2插入Menu 主对话框中->属性->Menu中选择创建的Menu。 注意：对话框会自动增加要显示menu的空间，故设计的时候不用考虑留出空间。 二、编辑Menu 1.1更改ID 在资源视图的Menu文件夹中，选中Menu的名称，再点击属性
Python爬虫实战：逆向解析天猫商品详情API，精准捕获规格、SKU与促销活动
及浏览器开发者工具），绕过前端渲染的复杂性，直接逆向分析并调用其内部数据接口，从而高效、稳定地抓取商品的关键信息，包括商品规格、多维度SKU信息以及复杂的促销活动。print(f"SKU ID: {sku.sku_id}, 价格: ￥{sku.price}, 库存: {sku.stock}, 规格: {sku.props}")当你访问一个商品链接时，浏览器首先会加载一个几乎为空的HTML骨架，然后通过执行大量的JavaScript代码，向后台服务器发起多个异步请求，最终将获取到的数据填充到页面中。
声音源定位：利用YOLO与麦克风阵列定位声音来源YOLOv5、YOLOv8、YOLOv10
YOLO（You Only Look Once）是一个用于目标检测的深度学习模型。YOLO的最大特点是其通过一次前向传播即可完成多个目标的检测，速度和精度相对其他目标检测算法具有显著优势。YOLO模型的版本不断更新，从YOLOv1到YOLOv10，算法精度和速度都有了显著的提升。声音源定位是利用多个麦克风阵列收集的声音信号，通过算法计算声音源的位置。声音源定位的关键在于准确估计每个麦克风的声音到达时间，从而确定声音源的空间坐标。基于时延估计（TDOA）
MFC 遍历菜单项 获取状态 改变状态
// 遍历菜单 void CTestDlg::OnBnClickedButton2() { CMenu* cMenuMain = GetMenu(); int cntMain = cMenuMain->GetMenuItemCount(); for(int i = 0; i < cntMain; i++) { CString menuName; CMenu *cMenuSub =
解决pd.read_json报错ValueError: Trailing data问题
首先，我们使用open函数打开JSON文件，然后使用json.load函数将JSON文件数据解码为Python对象。在使用Python进行数据处理中，我们经常需要将JSON格式的数据读入到DataFrame中进行处理。而使用pandas库的read_json函数，就可以方便地将JSON数据读入到DataFrame中。但是有时候在读取JSON数据时，会遇到一个非常常见的错误：ValueError: Trailing data。这个错误的解决方案并不难，只需要在read_json中添加一个参数即可。
基于文档的MFC项目中 系统菜单设置check
为了实现上面两幅图片中所示的菜单的check效果，需要为“子菜单1-1”“子菜单1-2”等check菜单追加事件处理程序，步骤如下： 1、在资源文件中，选中要追加事件处理程序的菜单项，点击右键，选中“添加事件处理程序”。弹出的窗口中，消息类型选择“COMMAND”，类列表中选择“CMainFrame”，点击添加编辑。追加了事件处理程序的菜单项处于Enable状态，没有追加的处于Disable状态
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")
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
menu API
获得指定菜单的flag，如果这个菜单打开了子菜单，这个函数也将返回子菜单的数量。 UINT WINAPI GetMenuState( _In_ HMENU hMenu, //将打开的菜单句柄 _In_ UINT uId, //菜单号 _In_ UINT uFlags //参数的理解方式 ); uflags：Indicates how the uId pa
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
在程序中动态改变菜单
一： 根据程序运行时候的条件，动态改变菜单效果图:（当安钮为“允许计算”）（当安钮为“禁止计算”）二：实现步骤 为了更好的说明，现编写一个能实现四个数相加，和计算它们的平均数的小程序来说明。1：先在vc 的MFC AppWizard(exe)中建立一个对话框应用程序，其他均为缺省的2：点vc菜单“插入”-》资源 建立一个菜单，最后如图： 3:由于是动态生成的菜单选项，所以我们要实现它的
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
BCMenu 菜单类
BCMenu一个好用的图形菜单类
windows菜单等常用资源设置
在现在的环境下，在VC下编程，大家都已经习惯了使用MFC的快捷，对于资源文件的处理很多人都已经不了解了，我写这篇文章，主要就是为了对VC下资源文件的处理进行一个简单的解说。 一.添加图标icon 第一种，通过ID进行添加wndclass.hIcon = LoadIcon (hInstance, MAKEINTRESOURCE (IDI_ICON1)) ;这里
vs2017 MFC添加复选标记菜单
按照msdn中的demo已无法生效： // Get the popup menu which contains the "Test" menu item. CMenu* mmenu = GetMenu(); CMenu* submenu = mmenu->GetSubMenu(3); // Check the state of the "Test" menu item...
.菜单项
菜单中的每一项都有三个特性。第一个特性是菜单中显示什么，它可以是字符串或位图。第二个特性是WM_COMMAND消息中Windows发送给程序的菜单ID，或者是在使用者选择菜单项时Windows显示的弹出式菜单的句柄。第三个特性是菜单项的属性，包括是否被禁用、无效化或被选中 虽然存取菜单资源的最常用方法是在窗口类别中指定菜单，您也可以使用其它方法。Windows应用程序可以使用LoadMenu函数...
C++ CheckMenuItem
菜单单选 关键点 CMenu::GetMenuState UINTGetMenuState(UINTnID,UINTnFlags)const; MF_CHECKED MF_DISABLED MF_ENABLED MF_GRAYED MF_MENUBARBREAK MF_MENUBREAK MF_SEPARATOR MF_UNCH...
孙鑫VC++讲座－笔记补充(六)
1、完成对一个Menu Item 的标识：CheckMenuItem()// CMainFrame::OnToggleTestMenuItem() is a menu command handler for // "Test" menu item (whose resource id is ID_HELP_TEST). It toggles // the checked or unchecke
MENU关于CHECKED与UNCHECKED
<br />代码1：void MyClass::CommandHandler()<br />{<br /> MENUITEMINFOW mItemInfo;<br /> CWnd* pMainWnd = AfxGetMainWnd(); <br /> CMenu *mMenu = pMainWnd->GetMenu();<br /> CMenu *mSubMenu = mMenu->GetSubMenu(0);<br /> mSubMenu->GetMenuItemInfo
MFC的API函数大全
目录 API函数大全... 1 1.API之网络函数... 1 2. API之消息函数... 1 3. API之文件处理函数... 2 4. API之打印函数... 5 5. API之文本和字体函数... 7 6. API之菜单函数... 8 7. API之位图、图标和光栅运算函数... 9 8. API之绘图函数... 11 9. API之设备场景函数...
VC中与菜单相关的一些操作
这次系统地看了一下VC中的菜单，参考的是孙鑫的《VC++深入详解》，重要的知识点在后面的代码及其注释里面 MFC中与菜单相关的函数如下： AppendMenu 在指定的菜单里添加一个菜单项 CheckMenuItem 复选或撤消复选指定的菜单条目 CheckMenuRadioItem 指定一个菜单条目被复选成“单选”项目 CreateMenu 创建新菜单 CreatePopupMenu 创建一个空的弹出式菜单 Delete
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
650
扫一扫
