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
2.4k累计阅读
2.5k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
今天在做一个自动化项目时发现TestComplete的5.12版本与5.13版本在ProjectSuites的Variables对象上有一个显著的区别，就是5.13比5.12多了一个Object类型的变量。这是个显著的变化，利用Object变量可以跨脚本文件、跨项目共享对象。
利用Variables对象，可以设置和访问全局变量，这对于在脚本运行时共享数据、对象都非常有用。例如，可以添加一个Object类型的变量，用于保持测试脚本的数据库的连接。这样就可以在脚本运行开始时创建测试数据库连接串，然后在需要操作测试数据库的地方就可以直接使用这个已创建的连接了。
AURIX™ TC397开发板KIT_A2G_TC397_5V_TFT核心特性与选型指南
本文详细解析了英飞凌AURIX™ TC397开发板KIT_A2G_TC397_5V_TFT的核心特性与选型指南，重点对比了5V与3.3V版本的关键差异，包括硬件架构、供电设计、显示接口及汽车电子开发实战资源。开发板内置六个TriCore™ 1.6P内核，支持CAN FD协议和HSM安全模块，适用于汽车电子和工业控制场景。
Qt下载地址与版本选择指南
下载地址最稳定最经典的版本，如果是qt4的其他版本，强烈升级到次版本，然后冻结版本下载地址政府机构、医院等众多xp系统的忠实支持者下载地址下载地址下载地址与5.12.12相比此版本是非长期支持版本下载地址此版本只提供源码，安装需使用在线安装器安装。
NUC 11/12/13 代 Windows 10 安装：3个UEFI与驱动关键配置点解析
本文详细解析了Intel NUC 11/12/13代在Windows 10安装过程中的3个关键UEFI与驱动配置点，包括安全启动、CSM模式和VMD控制器设置。针对不同代际NUC的硬件差异，提供了具体的驱动安装建议和性能优化策略，帮助用户顺利完成系统部署并充分发挥迷你主机的性能优势。
qt create 5.12 和qt create 5.9的差别，有哪些？
Qt Creator 5.12 和 Qt Creator 5.9 的差别，Qt Creator 是用于开发 Qt 应用程序的集成开发环境（IDE）。qt create 5.12 和qt create 5.9的差别。我之前一直使用的5.9版本的进行学习和开发，但是最发现有5.12版本的，且公司也是5.12的，所以，就把他们进行了比较。
TC8：TCP_BASICS_11-17
TCP从FINWAIT-2状态到TIME-WAIT状态后，等待2MSL时间后，移动到CLOSED状态关于为什么要等待2MSL时间，我的文章中讲过太多次了，这里就不提了。
字符串替换—牛客网（C++实现）
一.题目描述 请你实现一个简单的字符串替换函数。原串中需要替换的占位符为"%s",请按照参数列表的顺序一一替换占位符。若参数列表的字符数大于占位符个数。则将剩下的参数字符添加到字符串的结尾。 给定一个字符串A，同时给定它的长度n及参数字符数组arg，请返回替换后的字符串。保证参数个数大于等于占位符个数。保证原串由大小写英文字母组成，同时长度小于等于500。 测试样例： “A%sC%sE”,7,[‘...
电影TS、TC、SCR、R5、BD、HD等版本是什么意思
在很多电影下载网站的影片标题中我们都能看到，比如《刺杀希特勒BD版》、《游龙戏凤TS版》等，这些英文缩写都是什么意思呢？都代表什么画质？以下就是各个版本的具体含义： 1、CAM（枪版） CAM通常是用数码摄像机从电影院盗录。有时会使用小三角架，但大多数时候不可能使用，所以摄像机会抖动。因此我们看到画面通常偏暗人物常常会失真，下方的 字幕时常会出现倾斜。 由于声音是从 摄像机自带的
Imputation Methods for scRNA Sequencing Data
越来越多的研究者使用单细胞RNA测序(scRNA-seq)技术来表征单细胞水平的转录图谱。他们用它来研究复杂组织的异质性、转录组动力学和未知生物的多样性。然而，在基因表达模式随机性的scRNA-seq数据中普遍存在许多技术和生物学上的噪音。这些数据通常具有高维、稀疏和大量“dropout”值的特点，并且受批处理效应的影响。scRNA-seq数据中大量的“dropout”值严重掩盖了基因之间的重要关系，阻碍了下游分析。因此，scRNA-seq数据dropout值的估算就显得尤为重要。
英飞凌TC264学习（一） GPIO
英飞凌TC264学习（一） GPIO 1.综述：基于龙邱库函数 摄像头接口 龙邱神眼或者OV7725模块 ● 数据端口：P02.0-P02.7口，共8位，接摄像头的数据端口； ● 时钟像素：外部中断第0组：P00_4； ● 场信号：外部中断第3组：P15_1； 编码器 推荐GPT12模块，共可以实现5路正交解码增量编码器（兼容带方向编码器）信号采集，任意选择四路即可； P33_7, P33_6 龙邱TC母板编码器1 P02_8, P33_5 龙邱TC母板编码器2 P
避免踩坑！杰理AC63蓝牙名修改常见问题及解决方案（含BLE后缀处理）
本文详细解析了杰理AC63蓝牙设备名称修改的全过程，包括基础操作、BLE后缀处理及高级调试技巧。针对蓝牙名修改中的常见问题，提供了实用的解决方案和代码示例，帮助开发者避免踩坑并实现高效定制。
射频总集篇：（不断更新）
射频每一章涉及到的重点理论/设计方法 CHAPTER 1 传输线理论 输入阻抗Zin，负载阻抗ZL，驻波比ρ，反射系数 CHAPTER 2 波导 矩形波导，圆波导，同轴线 CHAPTER 3 微型带状传输线 微带线的参数设计，带状线的参数设计 CHAPTER 4 ...
电影TS、TC、SCR、R5/、BD、HD等版本是什么意思？
在很多电影下载网站的影片标题中我们都能看到，比如《刺杀希特勒BD版》、《×××TS版》等，这些英文缩写都是什么意思呢？都代表什么画质？下面icech就给大家整理一下，各个版本的具体含义：1、CAM（枪版）CAM通常是用数码摄像机从电影院盗录。有时会使用小三角架，但大多数时候不可能使用，所以摄像机会抖动。因此我们看到画面通常偏暗人物常常会失真，下方的 字幕时常会出现倾斜。 由于...
Cartographer从安装到实战：手把手教你运行2D/3D建图与定位
本文提供了一份详尽的Cartographer从零安装到实战应用的完整指南。内容涵盖环境准备、依赖编译、源码构建等关键步骤，并手把手指导读者运行2D/3D官方数据集进行建图与定位测试。文章深入解析了参数配置与自定义数据适配方法，帮助开发者快速掌握这一强大的实时同步定位与建图工具，并将其应用于机器人导航与自动驾驶等实际场景。
电影TS/TC/SCR/R5/BD/HD/HC版本意思收集（转）
一、版本说明： 1、CAM（枪版） CAM通常是用数码摄像机从电影院盗录。有时会使用小三角架，但大多数时候不可能使用，所以摄像机会抖动。因此我们看到画面通常偏暗人物常常会失真，下方的 字幕时常会出现倾斜。 由于声音是从摄像机自带的话筒录制，所以经常会录到观众的笑声等声音。因为这些因素，图象和声音质量通常都很差。 2、TS(准枪版) TS是TELESYNC的缩写。TS与CAM版的标...
OpenLayers6入门，快速搭建Vue+OpenLayers地图脚手架项目
本章针对Vue初学者，对Vue不熟悉，甚至还不会Vue的入门学生读者。本章会详细讲解从环境到环境的各个步骤，再到使用脚手架快速生成项目，以及添加地图库依赖，编写简单的高德地图显示页面的。如果已有VUE项目或者熟悉VUE的读者可以不用看本章，直接添加ol依赖到VUE项目中即可。
B.3【智能标注】：基于Labelstudio的UIE半监督深度学习的智能标注方案(云端版)，提效。
Label Studio 所提供的 Machine Learning Backend 提供了一个比较灵活的辅助人工标注的框架，我们通过它确实可以加快 nlp 数据的标注Label Studio 的 enterprise 版本提供了 Active Learning 的流程，不过从其描述看这个流程并不完美，尤其是 fit 部分，由于 Label Studio 低估了「Train」所花费的时间，所以每次标注都自动训练的流程可能并不会那么顺滑(会在链接时候等待一段时间)
1463_英飞凌TC275开发板例程覆盖梳理
上面这几条都算是这个MCU的高级功能了，除了最后一条在我现在接触到的工程实践中可能是需要的，其他的在我目前接触到的工程设计中都没有遇到。这个例子中实现的是固定的周期以及固定的占空比的PWM的生成，其实从计算机设计中的定时器的使用角度考虑，这种属性的控制应该是灵活的。前面的中断其实也是生成了一个占空比50%的PWM，对比思考，可能这里的这个信号不会有中断的介入。从官网的链接中找到了我手里TC275的开发板的对应的例子以及文档，接下来结合这里面的文档看一下官方的例子都提供什么样的功能。
浅聊开关电源6：大学生电赛（电源类）之LCL并网滤波器设计（PCB设计，STM32F4xx程序与Simulink仿真）
关于LCL并网滤波器设计的一些小分享
TC35i硬件设计
TC35i硬件设计：TC35i模块有40个引脚，通过一个ZIF(Zero Insertion Force，零阻力插座)连接器引出。这40个引脚可以划分为5类，即电源、数据输入/输出、SIM卡、音频接口和控制。TC35i的第1～5引脚是正电源输入脚通常推荐值4.2V，第6～10引脚是电源地。11、12为充电引脚，可以外接锂电池，13为对外输出电压(共外电路使用)，14为ACCU-TEMP接负温度系数...
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
东芝TC78H660FTG与PIC18F66K40的直流电机驱动方案
直流电机驱动系统在工业自动化和消费电子领域具有广泛应用，其核心在于功率转换效率和控制精度。H桥驱动电路作为典型拓扑，通过PWM调制实现电机调速，而现代驱动器如东芝TC78H660FTG集成了低导通电阻MOSFET和同步整流功能，显著降低功率损耗。配合Microchip PIC18F66K40微控制器的增强型PWM模块和硬件加速功能，可构建高效率的闭环控制系统。该方案特别适用于需要精确速度控制的场景，如工业机械臂和智能家居设备，其中TC78H660FTG的3.5A持续输出能力和优化的热管理设计，配合PIC18
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
200
扫一扫
