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
9.7k累计阅读
9.8k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
1、下载WinMIPS64
本来是想传到优快云上的，传上去之后发现默认需要五个下载积分，找不到更改积分的接口所以链接就不贴上来了。
（1）自行网络下载
（2）百度网盘下载
链接：https://pan.baidu.com/s/1CiYcZfGHOmx1J3cl-q1yrw
提取码：wkmv
2、下载后将WinMIPS64解压到自己习惯的软件目录下
例如我习惯将软件放到E盘里，那么我的目录就为：E:\winmips64
其实是无需安装，直接解压就可以使用~
1、打开软件
可以看到软件目录下有这些文件，点击winmips64即可打开WinMIPS模拟器。
WinMIPS64模拟器界面如下所示：
在模拟器的菜单栏中可以进行一些基础的设置：
这些设置都比较简单，点进去就可以知道里面的含义~
2、测试
例如想测试这样一段C代码：
for(int i=0;i<6;i+win平台搭建MIPS platform simulation MARS的方法
1. MARS运行环境 Mars是一个十分优秀的MIPS汇编模拟器，使用起来十分的方便。但是由于这是一个基于java平台的窗口程序，所以需要计算机上由支持java的运行环境。也就是说至少需要有JRE，当然了，我们一般都是安装JDK。具体的安装教程JDK的安装与配置。 2. JDK下载 && 环境配置方法 2.1 download JDK JDK的下载地址请点我. 如下图所示： 先...
计算机组成与设计（一）WinMIPS64
一、 实验目标： 了解WinMIPS64的基本功能和作用； 熟悉MIPS指令、初步建立指令流水执行的感性认识； 掌握该工具的基本命令和操作，为流水线实验作准备。 二、实验内容 按照下面的实验步骤及说明，完成相关操作记录实验过程的截图： 1）下载WinMIPS64；运行样例代码并观察软件各个观察窗口的内容和作用，掌握软件的使用方法。（80分） 2）学会正确使用WinMIPS64的...
计组实验3 mips冒险之流水线冒险
目录前言流水线处理思想mips指令之五步走流水线冒险数据冒险调整指令顺序前推控制冒险结构冒险流水线冒险实验实验步骤数据冒险之调整顺序forwarding结构冒险之除法器占用实验结果总结于体会 前言 之前都在准备蓝桥杯，天天嗯刷leetcode，故咕了好久 。。。 蓝桥杯总结也咕了 彳亍 今天还是来更一下实验。这次的实验虽然操作简单，但是其背后的思想却值得回味，让我们对流水线处理的理解更进一步。 流水线处理思想 以洗衣服为例，假设我们有三个步骤： 浸泡 冲洗 烘干 同时我们有三台不同的设备（浸泡桶，洗衣机
计算机体系结构-实验一：WINMIPS实验环境
其中，左边子窗口的命令是动态出现的，当一条指令在进行“取指”时，该指令才出现，而且，当出现了数据相关的时候，所涉及到的指令会变色，暂停的指令会变成蓝色，而被其影响的后续指令会变成灰色。窗口的图示，其中，左边一行即为用64位表示的内存地址，中间行为数据的内容，右边的一行为相关的代码。接着按F7，直到第五个时钟周期的时候，有趣的事情发生了，“dadd r3，r4，r5”指令没有从“译码”跳到其下一个流水阶段“执行”，并且“sd r3，C(r0)”指令，仍然停留在“取指”阶段，同时在。
MIPS64汇编指令集
MIPS指令R I J三种格式、MIPS五种寻址方式、WinMIPS64汇编指令
winmips64软件
winmips64 64位 测试流水线软件，汇编语言，包含测试用代码
WinMIPS64模拟器
WinMIPS64是一款指令集模拟器，它是基于WinDLX设计的，WinMIPS64模拟器能够演示MIPS64流水线是如何工作的。
dongfeng.rar_mips模拟器 c_模拟MIPS
这是一个科大学生写的一个MIPS模拟器 希望对大家有所帮助
解决/usr/lib64/libstdc++.so.6和/lib64/libc.so.6版本过低问题
在CentOS7.0中编译好MySQL5.7.14之后，然后在CentOS6.5中初始化MySQL，执行：/usr/local/mysql/bin/mysqld --version出现如下问题：./bin/mysqld: /usr/lib64/libstdc++.so.6: version `GLIBCXX_3.4.15' not found (required by ./bin/mysqld)
在 Windows 上使用 Anaconda 创建 配置 YOLOv8虚拟环境，并更改 pip 源以及以 可编辑模式 安装ultralytics
前往 NVIDIA cuDNN 下载页面，下载与您安装的 CUDA 版本匹配的 cuDNN 版本。：根据您的系统和 CUDA 版本，选择适当的 whl 文件。如下12.7，表示最高可装12.7版本CUDA，与上图中的支持的最高cuda版本一致。，无需重新安装，从而大幅提升开发效率，适用于项目开发、调试或依赖本地未发布的版本时使用，但需确保当前目录包含。：访问 NVIDIA 官方网站，下载与您的显卡和操作系统兼容的 CUDA 版本。首先，确保NVIDIA 显卡支持 CUDA，并安装相应版本的驱动程序。
在Unity中为Sentis部署的YOLOv8模型集成NMS层并实现移动端性能优化
本文详细讲解了在Unity中利用Sentis部署YOLOv8模型时，如何通过代码动态集成NMS层以解决移动端性能瓶颈。文章核心在于避免导出时绑定NMS，转而使用Sentis原生API在运行时高效构建NMS处理流程，并分享了关键的GPU数据操作与移动端性能优化技巧，确保模型在移动设备上流畅运行。
开发框架Furion之WebApi+SqlSugar （一）
MyFurion.Model项目中，通过Nuget添加Furion、Furion.Extras.DatabaseAccessor.SqlSugar、Furion.Extras.ObjectMapper.Mapster、SqlSugarCore，同时添加对项目MyFurion.Unility的引用。在MyFurion.Start项目中，通过Nuget添加 AspNetCoreRateLimit、System.Linq.Dynamic.Core，同时添加对项目MyFurion.Application的引用。
别再为PT100测温发愁了！手把手教你用ADS1247+STM32搞定高精度温度采集（附完整代码）
本文详细介绍了如何使用ADS1247与STM32构建高精度PT100测温系统，涵盖硬件设计、SPI配置、温度计算及调试技巧。通过24位ADC和内置PGA，实现0.1℃级精度，适用于工业自动化和医疗设备。附完整代码和常见问题解决方案，助你快速掌握高精度温度采集技术。
【文献阅读笔记】之基于注意力机制的深度学习路面裂缝检测
中文，计算机辅助设计与图形学学报，第 32 卷 第 8 期，2020 年 8 月。 DOI: 10.3724/SP.J.1089.2020.18059 摘要： 为实现自动准确地检测路面裂缝, 提升路面裂缝检测效果, 提出了一种基于注意力机制的裂缝检测网络 (attention-based crack networks, ACNet). 该网络采用编码器-解码器网络构架, 编码器采用 ResNet34 为骨干网, 提取路面裂缝特征; 在编码器和解码器间加入基于注意力机制的特征模块(attention-b
YoloV8优化：感受野注意力卷积运算（RFAConv），效果秒杀CBAM和CA等 | 即插即用系列
感受野注意力卷积运算（RFAConv），解决卷积块注意力模块（CBAM）和协调注意力模块（CA）只关注空间特征，不能完全解决卷积核参数共享的问题
【深度学习驱动流体力学】Python流体力学Ansys Fluent
PyFluent 是一个将 Python 编程语言与 Ansys Fluent 流体动力学 (CFD) 仿真软件集成的工具。它允许用户通过 Python 脚本来控制和自动化 Fluent 中的仿真任务，实现从预处理、求解到后处理的全流程控制。PyFluent 结合了 Python 的灵活性和 Fluent 的强大功能，提供了一种高效且灵活的 CFD 仿真方法。PyFluent 是一个强大而灵活的工具，使用户能够通过 Python 脚本全面利用 Ansys Fluent 的功能。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2575
扫一扫
