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
200+累计阅读
251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
方法一：
方法二：利用切片工具
CentOS 环境 sngrep 安装及使用
在呼叫中心类应用开发过程中，经常需要对 SIP 信令抓包，分析排查问题。通常抓包的工具非常多样，如 Wireshark、tcpdump、ngrep 等都是可选项，但是针对 SIP 信令的抓包，sngrep 则更为好用。因为 sngrep 不仅提供了图形界面，还会将一通会话的 SIP 信令关联汇总，非常直观执行以下命令下载 的相关依赖库 1.2 添加 sngrep 的源并导入 执行下面的命令新增一个源仓库配置文件 然后在该文件中写入以下配置内容 执行命令导入源仓库的公钥 1.3 安装 sngrep
20200625
组成：菜单项 工具栏 辅助面板 快捷键： ctrl+r:显示隐藏标尺 在标尺上可以拖拽参考线 可以通过移动工具拖拽回去，也可以在视图菜单中选择清除所有的参考线 图层中的小眼睛可以对当前图层进行显示隐藏 alt+滚轮：可以对图片进行放大缩小 png等图
自建邮局服务器| 批量邮件群发系统PowerMTA+oem（mumara，mailwizz， interspire）
世界顶级自建邮局服务器PowerMTA+oem（mumara，mailwizz， interspire） PowerMTA4.5（最好用的 群发邮件软件）是用于大批量多ip开发的邮件传递邮寄。可按每小时发送数近百万条电子邮件，发送IP地址和域可以详细配置，加上目前流行前端oem，mumara，mailwizz， interspire等，可定时发送，定时重复发送，实现全自动化 邮件群发 方案。 官网（powermta4.5下载） https://www.sparkpost.com/powermta/ 使用Po
PS切图详细教程3种方法切片
PSD图像格式是Photoshop的专用格式，里面可以存放图层、通道、遮置等多种设计稿，对我们前端人员来说，最大的优点，我们可以直接从上面复制文字，获得图片，还可以测量大小和距离，我们开发需要的是一小张一小张的图片素材，有时候UI美工会帮我们切好图，有时候我们是拿到一整张PSD设计图，所以，学会Photoshop切图是非常重要的。比如我们想要把图片和文字导出成一张图，但是它们是两个不同的图层，如果我们直接用快速导出为png的话，图片是显示不全的。最简单的切图方式：右击图层 →快速导出为PNG。
物理专业书库模板（1）：物理学书单（适合物理专业本科生、研究生、科研工作者、物理爱好者...）
物理专业书库模板（1）：物理学书单（适合物理专业本科生、研究生、科研工作者、物理爱好者...） 求赞求喜欢求分享，建议关注，防止文章丢失。
重塑计算的五层蛋糕：解读黄仁勋CES2026演讲背后的AI新秩序与物理世界
2026年CES演讲揭示AI新纪元：从语言模型到物理智能 NVIDIA CEO黄仁勋在2026年CES演讲中描绘了计算产业的根本性变革。核心突破包括： 计算范式转移：从指令执行转向意图理解，智能体系统崛起 物理AI突破：发布Cosmos世界模型，通过合成数据训练AI理解物理定律 全新VeraRubin计算平台：6芯片协同设计，解决摩尔定律放缓与AI需求增长的矛盾 自动驾驶革命：推出具备推理能力的Alpamayo模型，实现L4级自动驾驶 演讲标志着AI正从数字世界迈向物理世界，NVIDIA通过全栈布局，正在重
两种ps切图方法（图层/切片）
两种Ps切图方法 一． 基础操作： a) Ctrl++ 放大图片，ctrl - -缩小图片 b) 按住空格键space+，点击鼠标左键，拖动图片。 c) 修改单位，点击编辑->首选项-> 单位与标尺，将厘米修改为像素px。 d) 点击视图，选择标尺（ctrl+R），清除默认参考线(ctrl+.)，清除切片(ctrl+,)。 e) 点击...
OpenFoam实用技巧——starccm网格高效转换openfoam格式全解析
本文详细解析了如何利用OpenFOAM官方工具`ccm26toFoam`，将STAR-CCM+生成的高质量网格高效、稳定地转换为OpenFOAM格式。内容涵盖从STAR-CCM+正确导出网格、执行转换命令、解读转换日志，到转换后关键的边界条件修复与网格质量检查等全流程，旨在帮助用户规避常见错误，实现无缝工作流衔接。
ps切图的快捷键
（1）切图片 1、Ctrl+ “；” 或Ctrl+“-” 表示显示/隐藏辅助线——用于上下、左右进行区域块选择 2、Ctrl+R;-- 显示/隐藏标尺 同时右键标尺，选择像素单位 3、Ctrl+加号——放大 Ctrl+减号——缩小 4、Ctrl+Shift+C——复制 5、Ctrl+N——粘贴 存储为web所有格式文件—保存文件 （2）表示文字 选择左侧栏的"T
硬核实战！Python爬虫从0到1完整版：爬取知乎热榜+回答内容（数据去重+Excel一键导出+避坑指南，零基础友好）
✔️ 适用人群：Python爬虫零基础、想练手实战爬虫、需要爬取知乎内容做数据分析、办公/学习素材整理的同学爬取知乎热榜全量数据(排名+标题+热榜链接+热度值) →自动跟进爬取每个热榜问题的回答内容(回答者昵称+赞同数+评论数+回答正文+发布时间) →数据清洗+智能去重→一键导出格式化Excel文件，所有功能一站式完成入门级难度，无复杂反爬破解、无分布式/代理池，纯requests请求+静态解析，新手能看懂、能运行、能修改；爬取速度快，热榜+回答全程仅需几十秒。
锂电池SOH估计 | 基于LSTM模型的锂电池SOH估计（Python）
锂电池SOH估计 | 基于LSTM模型的锂电池SOH估计（Python）
PS切图 - （快捷键）操作方法
PS快捷切图 - 动作 动作快捷键： 选中你需要切图的图层； Shift + F8 就会直接切图（以图层的边缘为准）； 然后，保存就好。 @2x (原尺寸) @1x F8 生成两套文件 Shift + F8 生成一套文件 （默认@2x） 是否以画布为准？ ...
YOLOv9实战：刀具磨损实时监控从摄像头到预测性维护（附车间落地代码）
摘要： 本文针对制造业刀具磨损监控痛点，提出基于YOLOv9的实时视觉检测方案。通过工业相机采集刀具图像，结合图像预处理（去油污、增强对比度）和深度学习模型，实现磨损等级分类与寿命预测。系统集成硬件选型（抗油污相机、红色环形光源）、数据增强（旋转、噪声模拟）及预测性维护（PLC联动），实测刀具利用率提升30%，工件报废率降至0.5%以下。详解车间部署、模型训练到系统落地的全流程，附代码与避坑指南，为工业视觉项目提供实战参考。
前端工程师应该懂的ps基本操作
懂得ps基本知识的重要性 作为一名前端工程师，我们不需要像美工和UI那样，用ps做出美丽的图，但基本的ps知识则是必须掌握的。 比如当美工发给你一张网页的原型图的时候，你可以把网页的布局精确到一像素都不差。 ps基本操作以及常用快捷键： ctrl+r 可以打开标尺 或者 视图 – 标尺 右击标尺， 把里面的单位改为 像素 ctrl+ 加号 键 可以 放大 视图 ctrl+ ...
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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")
PS基本应用
PhotoShop是一款图形设计软件，推荐一款在线PS工具 在线PS。这款软件和本地下载的功能基本相同，部分功能缺失，像切片工具，存储为WEB所用格式功能没有。 下面介绍一下PS的基本功能： 一、基本操作 调整图像大小 选择“图像”--“图像大小”，或者使用快捷键Alt+Ctrl+I 可修改长宽 2．裁剪图像 点击工具栏...
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
PS基本操作
PS基本操作
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
ps基本操作
【linux】ps的基本使用
ps是linux中用于显示进程的工具，确切来说是显示活动进程的工具ps的基本格式是 ps [选项]
【UEFI之基本外设调试（1）PS2键盘】
PS/2是在较早电脑上常见的接口之一，用于鼠标、键盘等设备。PS/2的命名来自于1987年时IBM所推出的个人电脑：PS/2系列。 特别注意：PS/2接口设备不支持热插拔，强行带电插拔有可能烧毁主板。1984年IBM推出了IBM AT键盘接口标准，该标准定义了84~101键，采用5脚DIN连接器和双向串行通讯协议，设有8个主机到键盘的命令。1987年，IBM又推出了PS/2键盘接口标准。该标准仍旧定义了84~101键，但是采用6脚mini-DIN连接器，支持17个主机到键盘的命令。
十三、PS 基本操作
2. PS 基本操作 因为网页美工大部分效果图都是利用 PS（Photoshop）来做的，所以以后我们大部分切图工作都是在 PS 里面完成。 文件打开 ：可以打开我们要测量的图片 Ctrl+R：可以打开标尺，或者 视图 标尺 右击标尺，把里面的单位改为像素 Ctrl+ 加号(+)可以放大视图， Ctrl+ 减号(-)可以缩小视图 按住空格键，鼠标可以变成小手，拖动 PS 视图 用选区拖动 可以测量大小 Ctrl+ D 可以取消选区，或者在旁边空白处点击一下
Linux基本命令ps
ps –ef | grep java ps是LINUX下非常常用而且非常强大的进程查看命令，常见的作用是查看一个进程是否存在。 ps –ef | grep java: 查看java进程是否存在。 1、ps简介 要对进程进行监测和控制，首先必须要了解当前进程的情况，也就是需要查看当前进程，而ps命令就是最基本同时也是 非常强大的进程查看命令。使用该命令可以确定有哪些进程正在运行和运行的状态
PS剪切图的基本操作
PS剪切图 PS基本了解 切图的基本操作 切图以下两种方式 切片工具切图 快速导出所有图片 == PS基本了解== 文档类型选择，一般选则默认大小（可自定义文档类型）。 宽度、高度的设定，如果是网页和UI就选择像素，如果是打印相关就选择厘米。 分辨率，印刷类设计用300，网页和UI用72。 颜色模式，印刷类设计用CMKY，网页和UI用RGB。 切图基本操作 清除参考线(视图–>清除参考...
程序员应具备的PS基本技能（一）：PS2017基本框架使用
前言 PS技术，修图、抠图、特效等都可以使用PS，P图行业博大精深，本篇章只是记录与总结程序员最好具备的P图技能。 题外话 对于较为专业的行业内的P图修图技术，不在我们需要掌握的范围，笔者就花88元让专业人士修了半个多小时，修成了大帅哥。非常专业的修图就安心出钱把它交给专业人士，程序员应具备的一些可能开发中遇到的PS修图技术。 很多中型、大型公司拥有正规的流程，在UI方面都有配有专门的UI设计师，甚至是交互设计师，程序员是PS技能并非是必备技能，但是技多不压身。 主界面框架 了解一下基本的操
我学过的一些PS基本操作
一、新建画布（快捷键ctrl+n） 1.分辨率：打印时用300分辨率；显示时用72分辨率（数值越大图像越清晰） 2.颜色模式：显示时用RGB RGB代表红绿蓝 打印时用CMYK CMYK代表青、品红、黄、 二、打开（在工作区域外） 1.文件——打开（快捷键ctrl+o欧） 2.拖拽打开：在计算机里选中需要打开的文件点击并拖拽至ps图标上，然后移动到菜单栏或属性栏 3.双击打开：双击空白...
对于ps基本操作的归纳
1、开始新的制作 1）新建 快捷键：Ctrl+n 格式：宽高根据要求自选；颜色模式常用R（红）G（绿）B（蓝） 2）打开电脑上的图片 快捷键：Ctrl+o 2、选框工具 快捷键：M 作用：能够选择出一块能够编辑的区域进行作业 使用方法：点击后使用鼠标左键拖动，右键选取需要的形状 3、移动工具 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8147
扫一扫
