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
3k累计阅读
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
需要提取某个文件夹下所有文件名字，当包含子目录时，将子目录及其路径获取到。
使用C语言的opendir函数
DIR* dp;
struct dirent* dirp;
if ((dp = opendir(sdir.c_str())) != NULL) {
dirp = readdir(dp)
}
通过readir读取到的dirp中包含的d_type具有如下类型及其含义：
enum
{
DT_UNKNOWN = 0,
# define DT_UNKNOWN DT_UNKNOWN
DT_FIFO = 1,
# define DT_FIFO DT_FIFO
DT_CHR = 2,
# Windows + C++ 获取文件夹中文件名（包括子文件夹）
参考： 1.c/c++ 获取目录下文件列表https://blog.youkuaiyun.com/qq_23845067/article/details/51915200 2.C++ 获取文件夹下的所有文件名https://www.cnblogs.com/fnlingnzb-learner/p/6424563.html 程序 程序一 #include <iostream> #include <...
c++语言循环读写文件夹,C++遍历文件夹下所有文件的多种方法
为数不多的好用的代码，遍历文件夹获取所有子文件名，"filespec"可用通配符“*?”。注意如果用相对路径的话，获取所有文件名后应再调用SetInitDir将初始目录改为当前目录，否则中间生成的文件都会放在之前的“InitDir”内。C/C++遍历文件夹感觉真是很不好用，建议还是使用C/C++做单任务处理，然后通过脚本语言实现遍历比较合理。CBrowseDir.h#include #includ...
使用C++读取文件夹中的所有文件名
在C++编程中，有时候我们需要读取文件夹中的所有文件名。请注意，这个示例只会打印文件名，如果你需要对文件进行其他操作，比如读取文件内容或者执行其他操作，你需要根据具体需求来进行相应的代码编写。为了运行上述代码，你需要使用支持C++17标准的编译器，并链接对应的标准库。这个头文件提供了一套功能强大的文件和目录操作函数，包括读取文件夹中的文件名。，以便在代码中更方便地使用。要实现读取文件夹中的所有文件名，我们可以使用C++标准库中的。，你将看到文件夹中的所有文件名被打印输出。函数来读取文件夹中的所有文件名。
C语言之根据路径获取文件名
【代码】C语言之根据路径获取文件名。
从厘米级到公里级：北斗网格10级精度在ArcPro中的完整应用指南
本文提供了北斗网格十级精度体系在ArcGIS Pro中的完整应用指南。详细解析了从660公里到1.5厘米的十级网格尺度及其编码逻辑，并重点演示了如何在ArcPro中生成网格、计算编码，以及根据项目需求（如滑坡监测）选择合适精度层级的实战策略。指南旨在帮助GIS专业人士利用这套统一的网格框架，高效管理多尺度空间数据并优化分析工作流。
MRST开源油藏模拟：从入门到精通的全流程指南
本文全面介绍了MRST开源油藏模拟工具的使用方法，从环境搭建到核心功能实战，再到性能优化和工业级应用。MRST作为一款基于MATLAB的开源工具，为油藏工程师提供了强大的数值模拟能力，特别适合教学和科研场景。文章还分享了二次开发技巧和常见问题解决方案，帮助读者快速掌握油藏模拟技术。
HFSS学习笔记——Vivaldi天线仿真（一）
Vivaldi 天线HFSS仿真，HFSS中指数曲线绘制及曲面绘制。
USB通讯速度翻倍秘诀：手把手教你用WinUsb替代HID协议（附Zadig驱动配置图解）
本文详细介绍了如何通过WinUsb技术替代传统HID协议，实现USB通讯速度的显著提升。从技术对比、实现原理到Zadig驱动配置图解，手把手教你完成免驱高速通讯方案，适用于数据采集、固件升级等场景，实测速度可达HID协议的2倍以上。
0基础手把手搭建 Trae\+Seedance2\.0 真人短剧生成智能体（可直接运行）
前言：本文专为0基础新手编写，全程无复杂代码、无专业术语，一步一截图提示（操作路径清晰），只需跟着点鼠标、复制粘贴，就能搭建出可自动生成真人短剧的智能体，生成的短剧可直接导出发布。核心工具：Trae（字节跳动AI IDE，免费）+ Seedance2.0（真人视频生成API，公测免费），无需提前学习编程、设计，全程10-15分钟搞定。 适用人群：0基础小白、想快速生成真人短剧（自媒体、短视频创作者）、无需懂技术即可实现自动化短剧生成的人群。
YOLOv12改进策略【Neck】| 使用CARAFE轻量级通用上采样算子
CARAFE内容感知的特征重新组合。
2026年医疗AI的可信革命全栈实现（上）
医疗AI可信化：贝叶斯网络与向量数据库的协同架构 本文探讨2026年医疗AI发展的关键转折点——从追求生成能力转向构建可信决策系统。核心观点认为，医疗AI下一阶段的竞争焦点在于不确定性量化和错误传播约束，而非单纯的问答流畅度。研究提出以Python为开发语言、结合向量数据库与贝叶斯网络的混合架构： 技术分层 语言层（LLM）：处理自然语言交互与工具调用 证据层（Milvus/Qdrant）：实现可审计的临床知识检索 概率层（pgmpy/PyMC）：执行贝叶斯推理与风险路由 治理层：确保权限控制与人工复核机制
验证方法、符合性方法与设计保证的关系
未来，随着适航标准和工程实践的不断演进，验证与符合性方法将持续优化，以应对日益复杂的系统设计需求。设计保证过程中的验证活动具有双重作用，既用于设计过程的质量控制和风险管理，又作为适航符合性方法的重要支持材料。在未来的航空电子系统开发中，进一步优化设计保证与验证活动的协同作用，将有助于应对日益复杂的工程挑战，推动航空安全技术的发展。为了全面理解这二者之间的关系，本章将系统说明设计保证过程中的验证活动如何既服务于设计保证，又作为符合性方法中的核心证明材料。最终，通过功能测试和环境测试验证硬件的实际性能。
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
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")
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2001
扫一扫
