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
400+累计阅读
442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
在CAD软件中，单位设置对于确保绘图的准确性和一致性非常重要。默认情况下，CAD软件通常使用一种默认单位，如英寸或毫米。然而，有时候我们需要将单位更改为其他的单位，比如将CAD单位设置为毫米。在本文中，我将向您展示如何通过编程的方式将CAD单位设置为毫米。
在大多数CAD软件中，可以通过编程语言或脚本来自动化执行特定的任务。这样，我们可以使用编程语言来修改CAD的单位设置。下面我将以AutoCAD为例，向您展示如何使用AutoLISP编程语言将CAD单位设置为毫米。
AutoLISP是AutoCAD的内置编程语言，它允许我们通过编写脚本来自动化CAD的操作。下面是一个简单的AutoLISP脚本，可以将CAD单位设置为毫米：
(defun c:ChangeUnits ()
(command "UNITS" "MM" ""<AutoLISP智能编程助手：AI赋能CAD自动化开发
在CAD自动化开发领域，AutoLISP作为AutoCAD的核心扩展语言，长期面临语法晦涩、调试困难等痛点。通过结合大语言模型(LLM)与低代码平台，可以构建智能编程助手实现自然语言到代码的转换。Dify平台提供可视化工作流编排能力，配合DeepSeek等专精代码生成的模型，可显著提升老旧语言的开发效率。这种AI+传统工具链的改造方案，特别适用于参数化设计、图纸规范检查等CAD工程场景，为制造业数字化转型提供新的技术路径。
CAD中的单位：厘米还是毫米？ 编程实现
在本篇文章中，我们将探讨CAD中常用的单位，并提供一些编程示例来演示如何在CAD软件中设置单位。CAD中的单位通常是可自定义的，常见的单位包括厘米（cm）、毫米（mm）、英寸（inch）、米（m）等。例如，在建筑设计中，常用的单位是厘米或毫米，而在工程制造中，常用的单位是毫米或英寸。通过使用适当的编程语言和库，我们可以在CAD软件中设置单位并执行单位转换，以满足设计要求。除了设置单位，我们还可以通过编程来执行其他与单位相关的操作，例如单位转换。函数接受以毫米为单位的长度，并将其转换为以厘米为单位的长度。
CAD导入的SU尺寸不准确，如何解决？编程解决方法分享
CAD（计算机辅助设计）和SU（SketchUp）是常用的建模工具，但在将CAD文件导入到SU时，有时会遇到尺寸不准确的问题。这导致了CAD导入SU时尺寸的不匹配。通过编程解决CAD导入SU尺寸不准确的问题，可以提高工作效率并确保模型的准确性。然后，在SU中打开“窗口”>“扩展管理器”，点击“加载扩展”按钮，选择保存的Ruby脚本文件进行加载。以下是一种可能的解决方案，使用Ruby编程语言编写SU插件来自动调整导入的CAD模型的尺寸。加载插件后，你可以选择导入CAD文件，并自动调整其尺寸以适应SU场景。
CIMCO软件中公制单位CNC编程实战教程
CIMCO NC Editor作为主流CNC程序编辑与仿真工具，采用模块化设计，集成代码编辑、语法检查、通信传输与三维仿真等功能。启动后主界面分为四大功能区：程序编辑区（支持多标签页）、顶部工具栏（常用操作快捷入口）、状态栏（显示光标位置、G代码模态信息）和左侧树状控制面板（文件/刀具/坐标系管理）。用户可通过“快捷键设置”将常用命令（如插入循环、注释块）绑定至自定义组合键；在“颜色与字体”中调整编辑区主题为深色模式，减少长时间编程视觉疲劳。配置完成后保存为模板（
KS线切割编程：从CAD设计到智能制造
htmltable {th, td {th {pre {简介：KS线切割编程是一种精确金属切割技术，依赖于CAD和CAM系统，涉及制图、编程、数据传输和成本计算等关键步骤。通过将设计转换为机床指令，线切割编程能够确保工件精确切割，而各种软件格式间的转换保证了数据的兼容性。线切割编程技术在制造业中至关重要，能够提升生产效率和精度。
精通CNC编程：从工具设置到宏编程
本篇博客深入探讨了CNC编程中的工具设置、宏编程、以及CAD/CAM系统的启动和操作参数设定。通过对具体任务的分析，本文旨在帮助读者掌握CNC编程的细节，并提升编程效率。...
【从头写CAD】第一章 计量单位 第二节 长度类
rust CAD 长度单位
ADS重新安装失败排查指南：从注册表清理到环境变量配置
本文详细解析了ADS重新安装失败的常见原因及解决方案，包括注册表残留清理、license路径锁定处理和环境变量配置。通过分步指南和实用技巧，帮助工程师高效解决安装问题，确保软件正常运行。
麒麟操作系统安装达梦数据库ARM版
Linux安装达梦数据库ARM版
Flink on k8s 环境搭建(一)
Flink on Yarn的环境搭建过程中，需要进行配置较多，且需要搭建zookeeper Hadoop Yarn 等相关组件，安装流程比较复杂，集群出现问题重新安装的流程也比较复杂，且Yarn的3个节点中 只能起了 3个resourceManager和1个NodeManager，Flink 作业申请资源时只能 向NodeManager的节点申请资源，整体有资源瓶颈的隐患（后继flink作业会越来越多），现在尝试进行Flink on k8s 的环境搭建。
综合能源系统多时间尺度优化调度！诸多创新点让你抓住审稿人的心！
主要介绍综合能源系统的设备组成结构，并针对屋顶光伏系统、冷-热-电联供系统中的燃气轮机、燃气锅炉、光伏溴化锂制冷机、卡琳娜余热发电、中央空调系统，以及外网交互系统的配电网与天然气管网交互关系进行数学建模。1) 源-荷-储协同调度：研究屋顶光伏、燃气轮机、燃气锅炉等源侧设备，中央空调、电-热-冷负荷、可平移电负荷、可削减温控负荷等负荷侧资源，以及储能系统、电动汽车等储能侧设备的协同调度，以提高风光消纳能力，满足社会能源需求。通过电转热、电转冷、电转气等多能耦合方式，可进一步促进可再生能源的应用与发展。
YOLOv5+Astra Pro Plus深度相机：手把手教你实现实时目标检测（附ROS配置技巧）
本文详细介绍了如何将YOLOv5目标检测算法与Astra Pro Plus深度相机结合，构建实时目标检测系统。内容涵盖从硬件选型、环境搭建、ROS配置到YOLOv5部署与深度信息融合的完整流程，并分享了性能优化、避障算法等实战技巧，帮助开发者在机器人视觉等场景中快速实现智能感知应用。
迭代牛顿-欧拉法——机器人动力学逆解
迭代牛顿-欧拉法牛顿欧拉法的步骤向外回归（outward recursion）step 1step 2向内回归（inward recursion）step 3step 4牛顿欧拉法的三种形式无坐标系NE算法（Coordinate-Free Algorithm）连杆坐标系NE算法（Link-Coordinates Algorithm）3-D向量NE算法 牛顿欧拉法的步骤 牛顿欧拉法（NE）是求解机器人动力学逆解的一种方法。动力学逆解定义为：已知机器人的构型qqq和运动的速度q˙\dot{q}q˙和加速度q¨
FPGA驱动OV5640：从SCCB协议到图像数据采集的实战解析
本文详细解析了使用FPGA驱动OV5640摄像头模组的完整流程，从SCCB协议通信、寄存器配置到图像数据采集。重点阐述了SCCB（与I2C类似）协议的实现细节、关键的上电复位时序，以及如何通过状态机解析视频流时序并捕获图像数据，为嵌入式视觉开发提供了实战指南。
ROS局部路径规划器插件teb_local_planner流程梳理（上）
在我之前的文章《ROS导航包Navigation中的 Movebase节点路径规划相关流程梳理》中已经介绍过Move_base节点调用局部路径规划器插件的接口函数是computeVelocityCommands，接下来，我们就从这个函数入手梳理一下teb_local_planner功能包的工作流程。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
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")
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
321
扫一扫
