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
1.5k累计阅读
1.5k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
Chris Sells
Sells Brothers Consulting
摘要：Chris Sells 讨论无类型清单资源和有类型资源，它们是受 Microsoft .NET 框架支持的两种资源。他定义了这两种资源，并介绍了如何在您自己的应用程序中使用它们。
原文（中文）：
http://www.microsoft.com/china/MSDN/library/netFramework/netframework/Nfdnformswinforms02202003.mspx
Cesium中GLB模型加载
Cesium中GLB模型加载全解析：Primitive与Entities方法详解
PPT箭头跨线设计：6种专业方案与底层逻辑
跨线符号是信息图表中表达路径独立性的关键视觉语法，源于工程制图与流程图标准，本质是通过局部视觉干预解决二维平面上的流向歧义问题。其原理基于人眼认知机制——在交叉点引入符合ISO/IEC 81346规范的语义标记，可显著提升信息识别效率与准确率。技术价值体现在降低观众认知负荷、统一团队可视化语言、支撑多系统并行表达等工程场景。常见应用包括审批流程图、芯片封装调用链、跨系统集成架构图等高可靠性表达需求。本文聚焦PPT环境下的跨线实践，涵盖半圆跳线、断点式、色彩分层等6种方案选型逻辑与参数规范。
Spring Authorization Server实战：从零搭建OAuth2.1授权中心（含数据库改造）
本文详细介绍了如何从零开始使用Spring Authorization Server搭建符合OAuth2.1规范的授权中心，并完成关键的数据库持久化改造。内容涵盖微服务架构下的统一认证需求、基础配置、数据库表设计、高级特性（如令牌自定义、性能优化）以及与现有系统（如SSO、Gateway网关）的集成实战，为构建生产级授权服务提供完整指南。
Microsoft .NET 框架资源基础(摘自msdn)
摘自:http://www.microsoft.com/china/MSDN/library/netFramework/netframework/Nfdnformswinforms02202003.mspx?mfr=trueChris SellsSells Brothers Consulting 摘要：Chris Sells 讨论无类型清单资源和有类型资源，它们是受 Microsoft .N...
金蝶云ERP远程办公指南：零公网IP实现安全内网穿透访问
本文详细介绍了如何利用内网穿透技术，在无需公网IP和复杂路由器设置的情况下，安全远程访问内网部署的金蝶云ERP系统。通过使用cpolar工具，逐步指导用户创建加密隧道、配置固定域名，并实现管理中心与数据中心的远程登录，有效解决了企业员工在外出或居家办公时的核心业务系统访问难题。
DLPFC.h5ad格式数据简便获取方式+STAGATE论文复现问题
简便获取DLPFC.h5ad格式的数据方式
Microsoft .NET 框架资源基础 ---摘自：msdn
Chris SellsSells Brothers Consulting 摘要：Chris Sells 讨论无类型清单资源和有类型资源，它们是受 Microsoft .NET 框架支持的两种资源。他定义了这两种资源，并介绍了如何在您自己的应用程序中使用它们。 下载 winforms02202003.exe 示例文件。 假设要在应用程序中通过从文件加载位图来设置窗体的背景图像：public ...
开源ISP介绍（1）——开源ISP的Vivado框架搭建
ZYNQ视频图像处理系统，ISP图像处理硬件实现
如何才能学好C＃(转载)
1.微软支持 在你学习VS.NET的过程中，有疑问首先要向MicroSoft求助。如果你不懂得利用MicroSoft提供的庞大的学习资源，我要告诉你，你很不幸，你舍近求远了。 （1）首先，你要安装MSDN,他比所有VS.NET书籍详细。我为了装MSDN，可是牺牺了我的98和XP双启动，改成WindowsXP单系统。装了MSDN后，你要学习正则表达式，VS.NET 2003中点击“帮助”，再点击
【Unity工具篇】| Unity项目中如何使用LuBan插件，详细集成步骤
前面写了一篇文章用于介绍LuBan的下载及快速使用方法：【Unity实战篇】| 实用插件LuBan，快速上手使用 本篇文章就来介绍一下将LuBan集成到自己的Unity项目的方法。 看完本篇文章之后，就可以直接把LuBan插件放到自己项目中进行配表和使用。
dex2oat编译优化调试
dex2oat编译调试的一些技巧和方法
深入.NET框架心脏：揭秘微软官方源码参考库的实用指南
你是否曾经在使用.NET框架时，对某个API的内部实现充满好奇？或者当遇到一个奇怪的异常时，想知道框架底层究竟发生了什么？今天，我将带你走进微软的官方.NET源码参考库，这不仅仅是一个代码仓库，更是理解.NET框架运作机制的"藏宝图"。 ## 从黑盒到透明：为什么需要源码参考？ 想象一下，你正在调试一个复杂的字符串处理问题。你使用了`String.Substring()`方法，但性能却不如预期
大疆 2021 嵌入式笔试题
在深圳做嵌入式，大疆公司绝对是 Top 级别的，大疆的技术栈也很深。
学习VS.NET的遇见困难时候
http://www.csdn.net/Develop/read_article.asp?id=235421.微软支持 在你学习VS.NET的过程中，有疑问首先要向MicroSoft求助。如果你不懂得利用MicroSoft提供的庞大的学习资源，我要告诉你，你很不幸，你舍近求远了。 （1）首先，你要安装MSDN,他比所有VS.NET书籍详细。我为了装MSDN，可是牺牺了我的98和XP双启动，改成
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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
构建服务器资源的体系结构，激发智能客户端的潜能
http://www.microsoft.com/china/msdn/library/NetFramework/netcompactframework/servres.mspx
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")
vs2010卸载
1.首先用360卸载，当卸载完成后，提示有残余的话，就强力清除 2，接着，下载IobitUninstaller工具 3.按照下面进行卸载 1.Microsoft .NET Framework 4 框架 //建议保留，很多东西会用到 1.1.Microsoft .NET Framework 4 Multi-Targeting Pack 1.2.Microsoft .NET F
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
利用资源学习VS.NET(转载)
1.微软支持 在你学习VS.NET的过程中，有疑问首先要向MicroSoft求助。如果你不懂得利用MicroSoft提供的庞大的学习资源，我要告诉你，你很不幸，你舍近求远了。 （1）首先，你要安装MSDN,他比所有VS.NET书籍详细。我为了装MSDN，可是牺牺了我的98和XP双启动，改成WindowsXP单系统。装了MSDN后，你要学习正则表达式，VS.NET 2003中点击“帮助”，
ASP.NET + adminLTE (一)
最近对adminLTE比较感兴趣，感觉在ASP.NET下算是比较好看的一个框架了。微软网站上有一个在ASP.NET MVC下使用adminLTE的代码，地址是： https://code.msdn.microsoft.com/ASPNET-MVC-Application-b4b0dc3f 虽然最后一次更新是2月份了，但是学习下还是不错。 架构其实很简单，基于ASP.NET MVC附加了adm
微软的常用资源列表
web开发http://www.microsoft.com/china/msdn/Archives/catalog/web/MSDN 微软开发技巧系列网络讲座http://www.microsoft.com/china/msdn/events/webcasts/Webcast/webcasts.mspxMSDN 归档技术资源库http://www.microsoft.com/china/MSDN/...
C#/.NET/.NET Core全面的自学入门指南
记录、收集和总结C#/.NET/.NET Core基础知识、学习路线、开发实战、编程技巧练习、学习视频、文章、书籍、项目框架、社区组织、开发必备工具、技术前沿周刊、常见面试题、面试须知、简历模板、人才招聘、以及自己在学习和工作中的一些微薄见解。帮助开发者发现功能强大、性能优越、创新前沿、简单易用的C#/.NET/.NET Core优秀项目和框架，无论你是寻找灵感、学习新技术、改进代码质量，还是想拓展自己的技术视野，都能为你提供有价值的参考和指导。通过结合不同的学习资源，你可以获得更全面的学习体验。
VS.NET 学习方法论 （节选）
1.微软支持 在你学习VS.NET的过程中，有疑问首先要向MicroSoft求助。如果你不懂得利用MicroSoft提供的庞大的学习资源，我要告诉你，你很不幸，你舍近求远了。 （1）首先，你要安装MSDN,他比所有VS.NET书籍详细。我为了装MSDN，可是牺牺了我的98和XP双启动，改成WindowsXP单系统。装了MSDN后，你要学习正则表达式，VS.NET 2003中点击“帮助”，再点击
微软官方的.NET Framework API 参考网址
微软官方的.NET Framework API 参考网址，值得收藏和查阅~~~ https://docs.microsoft.com/zh-cn/dotnet/api/?view=netframework-4.8
CSLA.Net for Windows 一步一步从入门到精通
CSLA.Net for Windows 一步一步从入门到精通 CSLA.Net 是霍特卡的杰作，他是微软的资深专家架构师，CSLA.Net 是我所遇到过的硬编码业务层最强大的框架，他的支持非常的完整而且强大，微软的新技术无一例外的都被CSLA.Net 所支持和增强，只是可惜在中国很少遇到使用CSLA.Net 非常好的同事，我向大家推荐这个框架，一定会给你带...
Microsoft.NET框架程序设计(修订版) 下载地址
Microsoft.NET框架程序设计(修订版).part2 Microsoft.NET框架程序设计(修订版).part1 Microsoft.NET框架程序设计(修订版).part3 Microsoft.NET框架程序设计(修订版).part4 以上是PDG版 pdg查看器下载 超星浏览器3.8下载地址 net框架程序设计_中文版 （pdf...
【.NET全栈】.net的微软API接口与.NET框架源码
能看到.NET的API接口和源码，简直像打开了一个新世界，需要多了解底层原理。。。。。。
【亲测免费】 visual studio .NET 2003 下载指南
visual studio .NET 2003 下载指南 【下载地址】visualstudio.NET2003下载指南 探索经典开发工具，重温编程黄金时代！本开源项目为您提供Visual Studio .NET 2003的完整下载资源，包含六个ISO文件的BT下载链接，以及微软官方SP1补丁。无论您是怀旧开发者，还是希望...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3471
扫一扫
