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
500+累计阅读
583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
OpenCASCADE：使用OCCT WebGL查看器的C/C++示例
在本文中，我们将介绍如何使用OpenCASCADE Technology（OCCT）的WebGL查看器来显示和渲染三维模型。OCCT是一个强大的开源CAD/CAM/CAE几何计算库，提供了广泛的功能来处理和操作3D几何体。WebGL是一种用于在Web浏览器中呈现3D图形的技术。
要开始使用OCCT WebGL查看器，我们需要先安装OCCT库。请确保已根据您的操作系统和编译环境正确安装了OCCT，并在编译和链接过程中包含了必要的头文件和库文件。
以下是一个简单的C++示例，展示了如何使用OCCT WebGL查看器加载和显示一个简单的三维模型：
#include <OpenGl_GraphicDriver.hxx>
#include <OpenGl_View.hxx>
保姆级教程：用Emscripten SDK（emsdk）在Windows上编译OCCT-WASM，搞定Web端CAD
本文提供了一份详细的Windows环境下使用Emscripten SDK（emsdk）编译OCCT-WASM的保姆级教程，帮助开发者实现Web端CAD功能。从环境配置、依赖库编译到核心流程和WebGL示例构建，涵盖了每个关键步骤，并提供了常见问题解决方案和性能优化技巧。
保姆级教程：用Emscripten 2.0.29把OpenCASCADE编译成WebAssembly（附freetype编译避坑指南）
本文提供了一份详细的Emscripten 2.0.29教程，指导如何将OpenCASCADE编译为WebAssembly模块，特别针对freetype依赖编译和CMake工具链配置提供了避坑指南。通过实战步骤，帮助开发者将工业级CAD内核迁移到Web环境，适用于构建浏览器端的3D建模工具或云端CAD系统。
OpenCASCADE的WebGL查看器示例
OpenCASCADE是一款开源的3D几何建模软件库，它可以进行CAD、CAE、CAM等领域的开发。为了方便开发者在浏览器上进行OpenCASCADE的建模，社区开发了一个WebGL查看器示例，方便用户进行操作和查看结果。在下面的代码中，我们使用OpenCASCADE的webgl-occt库来完成这个任务。下面的代码展示了如何使用OpenCASCADE的BRep文件加载器来加载一个球体。你可以将代码稍作修改，加载其他的BRep文件，完成不同的几何建模任务。然后，我们需要创建一个WebGL渲染器和一个场景。
OpenCASCADE：OCCT WebGL 查看器示例
OpenCASCADE：OCCT WebGL 查看器示例OpenCASCADE：OCCT WebGL 查看器示例 OpenCASCADE：OCCT WebGL 查看器示例 此示例演示了在使用 C++ 编写的 Web 应用程序中使用 OCCT 库并使用 Emscripten SDK (emsdk) 转换为 WebAssembly 模块的简单方法 示例由 Open CASCADE 3D Viewer 和一个用于以 BREP 格式打开模型的按钮组成。该示例需要支持 WebAssembly 1.0 (Wasm) 的
Qt+OpenCASCADE工业机器人仿真系统实战指南
工业机器人仿真不是简单的3D动画，而是融合几何建模、运动学求解与实时碰撞检测的确定性计算系统。其核心在于高精度B-Rep拓扑表达与可控的C++底层调度，区别于Unity/WebGL等泛用引擎在实时性、可验证性上的先天不足。Qt提供跨平台UI框架与信号槽机制，OpenCASCADE专注无依赖几何运算——二者分层协作，支撑起数字孪生中坐标系变换、DH参数解析、轻量级碰撞检测等关键能力。该技术栈广泛应用于汽车焊装、机加产线等对节拍（如0.8秒/点）和状态一致性有严苛要求的场景，是连接仿真验证与PLC/ROS2实际
Qt环境下开箱即用的OpenCASCADE三维CAD开发集成包
面向Qt桌面应用开发者的一站式OpenCASCADE（OCCT）集成方案，直接提供可嵌入Qt界面的三维视图控件OCCTWidget，支持鼠标交互、实时OpenGL渲染与模型缩放旋转平移。内置OCCTModeling建模类封装，覆盖创建基础体素（长方体、圆柱、球、圆锥、环、管道）、布尔运算（并、差、交）、倒角、偏移、放样、曲面修复等核心CAD功能；IEportModel类统一处理STEP/IGES格式的导入导出，适配工业级数据交换需求。资源包已预编译并打包全部必需OCCT动态库（TKBRep、TKTopAlg
WebGL_HTML5教程实例
HTML5 WebGL Javascript canvas game web3D技术 webGL教程实例
node-occ：使用OpenCascade和NodeJS构建BREP实体-3D建模
节点occ 用于实体建模的OpenCascade nodejs扩展。 这个nodejs扩展为nodejs提供了坚实的基础。 它提供了一个简单而功能强大的javascript api来构建3D几何模型。 该项目带有一组围绕OpenCascade API的V8包装器和一个示例Web应用程序。 简单的例子 var occ = require ( "node-occ" ) . occ ; // construct a box var box = occ . makeBox ( [ 0 , 0 , 0 ] , [ 100 , 100 , 50 ] ) ; // construct a cylinder var cyl = occ . makeCylinder ( [ 50 , 50 , - 10 ] , [ 50 , 50 , 60 ] , 40 ) ; // cut the box with cylinder box = occ . cut ( box , cyl ) ; // save result to a STEP file occ . writeSTEP ( "somefile.
华强北手表256G真相大揭秘：ADB命令实测内存与存储（附完整调试教程）
本文通过ADB命令实战揭秘华强北智能手表256G存储等硬件参数的真实性。文章提供了从开启调试模式到使用ADB命令查询系统属性、验证内存与存储容量的完整教程，帮助用户识别参数虚标，评估设备真实性能与潜在风险。
benders分解算法 逻辑思路整理（加星）
一般我们经常可以看到的是经典的benders，此处我也结合经典的benders梳理下思路。
从零到精通：ROS2 MoveIt2与MPC机械臂轨迹规划的完整配置流程
本文详细介绍了ROS2 MoveIt2与MPC机械臂轨迹规划的完整配置流程，从环境准备到高级功能扩展，帮助开发者实现精准控制。通过集成模型预测控制(MPC)，机械臂能够优化复杂轨迹规划，处理动态避障，提升工业自动化效率。
Dify 第 13 篇 Dify 工作流 详解
工作流通过将复杂任务分解为节点降低复杂度，提升LLM应用的性能和稳定性。Dify工作流分为两类：Chatflow面向对话场景（如客服），支持多轮对话；Workflow面向批处理场景（如翻译），提供逻辑节点实现自动化。核心概念包括节点、变量（系统/会话/环境变量）及应用类型差异：Chatflow支持中间输出和对话历史，Workflow仅支持结束节点输出。系统变量以"sys"开头，用于全局数据传递，不同应用类型变量不同，如Chatflow的sys.query存储用户输入，Workflow的s
软考高级系统架构设计师历年论文真题深度分析（2011-2025）
本文系统分析了2011-2025年系统架构设计师论文真题，归纳出十大主题类别，包括架构风格、企业集成、数据技术、非功能属性等。研究发现新兴技术占比最高（18.8%），企业集成、数据架构和非功能属性为三大核心考点。论文命题呈现明显技术演进特征，从经典架构理论逐步转向云原生、AI融合等前沿方向。备考建议重点关注高频考点和技术前沿，同时强化场景化解决方案能力。分析表明，架构师考试持续跟踪行业技术发展，注重理论与实践结合，为考生提供了明确的备考方向。
SAP自动化-ME51N批量创建采购申请
2、需要管理员授权RZ11脚本录制回放功能。1、仅限于正对SAP日常工作的批量处理。3、数据模板按实际需求更新。物料编码，工厂，数量。
【25届数字IC秋招总结】面试经验13——豪威科技面试
25届数字ic面试记录———豪威科技
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
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")
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
434
扫一扫
