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
5.8k累计阅读
5.9k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
UCC实现的标准是C89.
2.请前往http://download.youkuaiyun.com/detail/sheisc/8325793下载UCC162.2版本的源代码.
如果需要C编译器剖析PDF文档及UCC162.3版本的源代码可前往
http://download.youkuaiyun.com/detail/sheisc/8669715下载</
C编译器剖析_3.1 语法分析_C语言的表达式(1)
3.1 C语言的表达式 从第3章开始，我们进入UCC编译器的语法分析阶段。相关的代码主要在ucl\decl.c、ucl\expr.c和ucl\stmt.c，分别对应声明Declaration、表达式Expression和语句Statement。在第一章时，我们已经通过一个简单的例子ucc\examples\sc对这些概念有了一个直观的体会，在这一章中，我们需要结合IT大佬们制定的C标准
C编译器剖析_1.3 由文法到分析器_语句Statement
理解了变量和函数的声明，及如何处理四则运算表达式后，接下来我们想在表达式的基础上去实现控制流语句，即常见的if语句和while语句。与语句statement相关的产生式如下所示： Statement --> IfStatement | WhileStatement｜CompoundStatement｜ExpressionStatement IfStateme
C语言入门：Hello World源码剖析与实践
GCC（GNU Compiler Collection）是一个广泛使用的编译器集合，它支持C、C++、Objective-C、Fortran、Ada等众多编程语言。GCC因其开源特性、高性能以及跨平台能力，在开发者中享有盛誉。对于C语言开发者而言，GCC是一个非常理想的选择。安装GCC通常非常直接。以Linux平台为例，可以使用包管理器进行安装。在基于Debian的系统（如Ubuntu）中，可以使用以下命令安装GCC：上述命令会安装GCC编译器以及构建软件所需的其他工具。
UCC-UniversalCPPCompiler：通用C ++是标准C ++ 1114的超集，其中增加了“借用”和“ repl”关键字。 “借用”在分配后会自动删除在相同作用域或类中分配的内存。 几乎是垃圾收集器，必须做进一步的工作才能制作“编译时垃圾收集器”。 “ repl”是显式优化的关键字，将一个变量的名称替换为另一个。 这样，该变量可以继续以其他名称使用，从而允许使用干净的代码，了解所发生的情况并保证效率。 （这些都不是特别好，如果进一步发展，可以借用）。 Universal C ++将Unive
UCC-UniversalCPPCompiler：通用C ++是标准C ++ 1114的超集，其中增加了“借用”和“ repl”关键字。 “借用”在分配后会自动删除在相同作用域或类中分配的内存。 几乎是垃圾收集器，必须做进一步的工作才能制作“编译时垃圾收集器”。 “ repl”是显式优化的关键字，将一个变量的名称替换为另一个。 这样，该变量可以继续以其他名称使用，从而允许使用干净的代码，了解所发生的情况并保证效率。 （这些都不是特别好，如果进一步发展，可以借用）。 Universal C ++将Universal C ++代码作为输入和输出ISO Standard C ++代码，并且在ISO Standard C ++的基础上构建。 这样，它是完全独立于平台的，并且是标准的C ++工具：gcc，clang，google native client，msvc可以继续使用
C编译器剖析PDF文档_UCC162.3源代码
包含C编译器剖析PDF文档，及修改少量BUG后的编译器源代码UCC162.3, 欢迎访问对应博客http://blog.youkuaiyun.com/sheisc
海思Hi3516CV610--SPI NAND Flash移植实战：从手册到驱动的完整适配
本文详细介绍了海思Hi3516CV610芯片上SPI NAND Flash的移植实战，包括从手册解读到驱动适配的完整流程。以GD5F2GM7UEYIGR Flash为例，重点讲解了关键参数确认、模式选择、时序配置以及U-Boot和Linux内核驱动的具体实现步骤，帮助开发者快速完成Flash移植工作。
200SMART PLC时间不准？手把手教你用MCGS触摸屏实现自动校时（附完整代码）
本文针对西门子200SMART PLC时钟不准的常见问题，提供了一套基于MCGS触摸屏的自动校时解决方案。文章详细阐述了时钟偏差的根源、时间同步方案的技术选型，并手把手指导如何配置MCGS与PLC的通信，以及编写完整的PLC时间读取、转换与设置代码，最终实现稳定可靠的自动时间同步功能。
Playwright与MCP协议结合：AI驱动的智能Web自动化测试实践
Web自动化测试是现代软件开发流程中保障产品质量的关键环节，其核心原理是通过程序模拟用户操作，对Web应用进行功能验证。传统自动化测试工具如Selenium和Playwright虽然提供了强大的API，但脚本编写和维护仍需较高的编程技能。随着AI技术的发展，智能测试成为新的趋势，它通过自然语言理解和自动化执行，显著降低了测试创建门槛。Model Context Protocol（MCP）作为一种连接AI模型与外部工具的开放协议，为自动化测试带来了“智能大脑”。通过将MCP与Playwright结合，测试人员
45、使用 sqlread 函数将数据从数据库表导入 MATLAB
本文详细介绍了如何使用 MATLAB 中的 `sqlread` 函数从不同类型的数据库（如 Microsoft SQL Server 和 SQLite）中导入数据。文章涵盖了 `sqlread` 的基本语法、输入输出参数、使用示例以及注意事项，并通过多个实例演示了自定义导入选项、元信息检索和数据类型转换等内容。此外，还总结了导入数据库数据的通用流程及最佳实践建议，帮助用户更高效地进行数据分析和处理工作。
【教程4＞第1章＞第11节】使用MATLAB快速产生批量verilog语句加快FPGA开发
...........如果手动写，那么就非常麻烦，这个时候，我们借助matlab，则可以快速生成上述类型的verilog程序，我们编写如下的MATLAB语句。\n");\n");end。
Yocto系列讲解[入门篇]36 - 编译arm虚拟机qemuarm
玩一下qemuarm，因为之前用的x86架构
家里摄像头录像存 NAS，空间爆满了怎么办？一招实现设定容量自动清理实现循环存储！
📷 家用摄像头录像久了会撑爆 NAS 吗？别担心，这篇文章教如何实现自动清理录像，释放 NAS 空间，避免爆盘🧹
十七、SAP-采购订单（STO）
业务逻辑、功能讲解、图文解析、章节总结
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
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")
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2982
扫一扫
