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
5k累计阅读
5.1k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
一、用BCB6的安装程序卸载BCB6自带的INDY，或者采用我的方法缷载：
component-> install packages-> 找到原来的所有indy相关的packages，然后remove
搜索BCB6目录下 "indy "，删除所有indy相关文件或者目录
二、将下载的indy src解压，执行目录中的fullc6.bat，在上一级目录会产生c6目录，此为头文件和lib，还有bpl文件的地方。
三、component-> install packages-> add，找到新产生的bpl文件，确定。
四、执行project-> options-> directories/conditional，将include path和lib path中均添加你的indy9产生的c6目录，最好将搜索目录路径提至最前！
五、此时应该就安装成功了，如果不行的话，可将BCB6关闭，再重新启动一下BCB6！
我的环境是WINXP＋BCB6，如果有什么问题可在此讨论！
Indy9.0.rar
在delphi6.0基础上，为了便于程序开发，需要对开发环境进行以下修改。 1、Indy.v9.0.FS.For.Delphi.BCB.rar indy9.0.14 for delphi6版本，先在delphi6上面卸载indy8，然后再装在组件indy9 步驟1.先將delphi6中的舊Indy移除,在project--->options--->packages---> internet direct(indy)....把勾勾取消然後按remove--->ok 步驟2.去progrm files--->Borland--->Delphi6--->Bin--->找 到dclindy60.bpl和indy60.bpl將這2個檔更名或刪除 步驟3.安裝新的indy9(dclIndy60)及可 1)解压缩indy9安装包，拷贝到你需要的目录中, 2)执行拷贝source目录下的fullD6.bat,程序将会在source目录外生成一个d6的目录， 3)在delphi环境中设置source相应的路径 tools---->Environment Options----->library: 在其中的Library path添加d6路径,在browsing Path中添加source路径，都上移到第1位。 4)运行delphi,project--->options--->packages--->add,选择刚才生成的d6目录下的dclIndy60.bpl，运行编译保存，ok。
Indy9 安装到C++Builder6 (本人验证通过)
1)移除 BCB6 中原本的 Indy (1.1)放入原本安裝 BCB6 的光碟片，選擇「C++ Builder 6」 (1.2)在 Borland C++ Builder 6 Enterprise Edition - Installation Wizard 中，按「Next」 (1.3)在「Program Maintenance」Dialog 中，選擇「Modify」然
Indy V9.0 Full Source For Delphi BCB
INDY的全名是Internet Direct（也叫Winshoes），它是一套开放源代码的Internet控件集，它支持大部分流行的Internet协议，包括TCP、UDP、DNS、ICMP、FINGER、FTP、GOPHER、HTTP、POP3、SMTP、TELNET、WHOIS等，支持BASE64、MD2、MD4、MD5等编解码，提供INTERNET流行协议的客户端和服务器控件。INDY控件集的客户端和服务器控件都有完整、详细的源代码例程和帮助文件，用户可以根据这些例子，简单方便快速的建造各种服务器程序，例如WEB服务器、TELNET服务器、IRC服务器、TCP、UDP服务器等，而这些服务器都是支持多线程的。用户也可以很简单的编写出各种客户端程序，例如EMAIL、FINGER、FTP、PING、TELNET等。著名的OICQ使用的协议是UDP，有了INDY你可以使用UDP服务器和UDP客户端写出一个和OICQ较劲的东东来
Delphi7.0自带Indy 9基础介绍
Internet Direct（Indy）是一组开放源代码的Internet组件，涵盖了几乎所有流行的Internet协议。是由Chad Z. Hower领导的一群开发者构建的，可以从Indy的站点www.nevrona.com/indy上找到更多的信息并下载其新版本。Delphi 7中所带的是Indy 9。在其的组件面板上，一共安装有100多个Indy组件。使用这些组件你可以开发
indy9 for delphi
有兴趣的要顶啊 赚点分 哈哈 1111111111111111111111111111111111111111111
delphi7 indy9.zip
delphi7 indy9 接口调用解决这2个问题(17个版本）：“cound not load ssl library 、 error connecting with ssl”
c++ https indy_Borland C++ 6安裝Indy9
Step11.移除 BCB6 中原本的 Indy2.放入原本安裝 BCB6 的光碟片，選擇「C++ Builder 6」3.在 Borland C++ Builder 6 Enterprise Edition – Installation Wizard 中，按「Next」4.在「Program Maintenance」Dialog 中，選擇「Modify」然後按「Next」5.在「Custom S...
一文帮你彻底搞懂ARM Debug Interface之SWD（转）
ARM的文档写的已经很好了，但是关于上电以后的第一时间应该怎么操作，依然写的不够清晰，导致我第一次用的时候还是费了一些周折。今天做一个详细的梳理，希望能够帮助到更多的朋友。BTW, ARM_Cortex-M0/3 DesignStart系列会持续更新，只是中间可能会穿插其他知识点。SWD是Serial Wire Debug的简称，翻译成中文是”串行线调试”。
用INDY9开发FTP客户端_01
用INDY9开发FTP客户端_01－－ INDY9的安装Roger Yang 最近写了一个支持多线程、断点续传和下载限速功能的FTP客户端 开发工具使用BCB6+SP4和INDY 9.0.17。INDY9是一套很不错的控件组，大大简化了开发网络应用程序的难度。而且它是开源的。BCB6自带的INDY版本比较旧，所以去INDY的官方网站http://www.indyproject.org/
手把手教你用Python 3.11和Node.js 18在Windows 11上搭建Dify开发环境
本文提供了一份详尽的Windows 11本地Dify开发环境搭建指南。文章手把手教你完成从Python 3.11、Node.js 18的安装配置，到PostgreSQL、Redis数据库服务的部署，再到前后端服务的启动与联调的全过程，并包含常见问题排查与效能优化建议，旨在帮助开发者构建一个稳定、可调试的Dify本地开发环境。
Keras深度学习实战（32）——基于LSTM预测股价
股价预测是时间序列预测中最具挑战性的问题之一，研究股价预测问题具有重要的理论意义和应用价值。针对循环神经网络在股价预测中存在的长期依赖等缺点，本文引入了长短时记忆神经网络以提高股价预测的效果。同时，我们把有关公司的新闻标题的文本数据作为模型的输入变量时，发现预测效果更好，因此我们可以把有关公司的新闻标题的文本数据作为一个有效的输入变量。最后，通过利用 Keras 实现了以上两个股价预测模型，并进行了性能分析和对比。
Indy 10.1.6 在BCB6上的编译方法
Indy 10.1.6 在BCB6上的编译方法欢迎转载，也欢迎使用Indy和BCB的朋友和我交流。最近下载了Indy 10.1.6，惊喜的发现其中的FullC6.bat 竟然更新了，先激动了一下，然后运行了一下，哇噻！顺利的生成了 dclIndyCore60.bpl、dclIndyProtocols60.bpl、IndyCore60.bpl、IndyProtocols60.bpl 等文件
UG NX二次开发（C#）-VS2022配置NX二次开发模板不能正常显示的问题
随着VS2022的发布，使用VS2022进行UG NX二次开发的人员也会越来越多，但是由于VS2022和以前的VS版本采用代码结构不同，而UG NX的二次开发编程模板还没有适应于VS2022的模板配置，所以不能正常的创建一个完整的工程。本文采用曲线救国的方式来实现VS2022下的UG NX二次开发。如果有读者能很好的解决模板配置，不吝赐教。
win10 bcb5 Borland C++ Builder 5安装indy9
执行indy9\Source目录下Fullc5.bat,将C:\Windows\System32\Indy50.bpl拷贝到Indy9.0\C5\Indy50.bpl，即可在bcb5中成功安装
AutoCAD中圆弧折线化方法与实现
在AutoCAD中，圆弧折线化是将圆弧曲线转换为由一系列线段组成的折线曲线的过程。本文将介绍如何使用LISP编写代码来实现圆弧折线化，并提供相应的源代码。上述示例代码将生成一个以坐标原点为圆心、起点为(5.0, 0.0, 0.0)、终点为(0.0, 5.0, 0.0)、半径为5.0、角度为90度的圆弧的折线表示。通过使用上述的LISP代码，你可以在AutoCAD中实现将圆弧转换为折线的功能。你可以根据需要修改代码中的参数来适应不同的圆弧转换需求。函数，并传入圆弧的起点、终点、圆心、半径和角度参数。
matlab 点云按高程进行赋色【2024最新版】
首先按照Z轴方向求取所在点云的高程极值（包括高程最大值与最小值），然后将高程归一化到0~255范围内，最后采用matlab中的colormap颜色渲染函数进行赋色并保存渲染结果到点云。
Borland C++ 6安裝Indy9
[C++] Borland C++ 6安裝Indy9 1人Step11.移除 BCB6 中原本的 Indy2.放入原本安裝 BCB6 的光碟片，選擇「C++ Builder 6」3.在 Borland C++ Builder 6...
Android Studio无法启动,Failed to create JVM:error code -1. JVM Path 完美解决方案
Android Studio无法启动,Failed to create JVM:error code -1. JVM Path 完美解决方案。 找到Android studio的启动文件bin目录，把studio64.exe.vmoptions 删除或改名（推荐改名，方便恢复），如果你是32位系统这个文件就是 studio.exe.vmoptions
BCB实现文件上传下载
原出处：http://blog.163.com/lxz_jlu/blog/static/1279668200682864012872/转自我网易的BLOG1. INDY的安装 Internet Direct，一个开源的IDE网络应用组件，支持客户端、服务端、TCP、UDP、原始套接字等操作，组件包括SMTP、POP3、NNTP、HTTP、FTP等应用。 在BCB6下安装过程如下：
PyTorch实战（12）——图神经网络（Graph Neural Network，GNN）
在本节中，我们首先简要概述了图神经网络 (Graph Neural Network, GNN) 的核心概念与应用，GNN 通过构建计算图分层聚合节点特征，解决了传统神经网络处理图数据时的四大局限：信息深度不足、节点顺序敏感、动态扩展困难和特征稀疏性问题。了解了不同类型的图学习任务(包括节点级、边级和图级三大类)。接着我们研究了几种流行的 GNN 模型，包括：GCN (通过权重共享实现图卷积)、GAT (引入注意力机制区分邻居重要性)和 GraphSAGE (采用随机采样应对大规模图)。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
BCB实现文件上传下载(转)
1. INDY的安装 Internet Direct，一个开源的IDE网络应用组件，支持客户端、服务端、TCP、UDP、原始套接字等操作，组件包括SMTP、POP3、NNTP、HTTP、FTP等应用。 在BCB6下安装过程如下： A. 删除旧indy组件：使用BCB6安装光盘，在自启动选项中选择Modify。在"Program Maintenance"中取消Indy，下一步后安装程
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")
indy 安装
. 執行BCB6, 先將 Indy8 的 package uninstall. (Component-> Install Package -> Uninstall Indy) 2. 打開控制台的"新增/移除程式", 選"Borland C++ Builder 6"下選變...
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
C++Builder中关于INDY库的使用 以及一些问题的解决（E2238 Multiple declaration for 'fd_set'）
Indy库是一个非常棒的库,里面大约有100个组件或类,完全按照tcp/ip协议来,如果你不愿意每次都WSAStartup并且还要查rfc的话,就使indy吧,我使完的感觉就是爽delphi6和cb6以上都默认安装,但并不一定是最新的版本,目前最新的版本是10beta有关下载等可以到www.nevrona.com/indy去看看下面说一下在cb6中安装indy9的过程(cb5可以直接装,delph
ftp client
用INDY9开发FTP客户端,实现多线程,断点续传和下载限速功能_09_程序结构图及说明 发表于 @ 2004年12月09日 5:51 PM | 评论 (0) 用INDY9开发FTP客户端,实现多线程,断点续传和下载限速功能_08_Socket Errors 发表于 @ 2004年12月09日 2:00 PM | 评论 (0) 用INDY9开发FTP客户端,实现
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2513
扫一扫
