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
1.6k累计阅读
1.6k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
开发效率低？培训成本巨大？开发人才流失频繁？物联网领域的3D可视化开发前景看好，却也面临传统3D开发难题！使用目前最流行的3D开发框架three.js，一个加载模型、调光、选择模型弹框的功能，就能写出上百行代码……！
ThingJS “三好”助力便捷3D开发：
登录官网平台注册页面，活动有效期至12月31日**，支持魔豆充值，**用来购买场景资源、3D地图模板以及更多应用。
首次填写公司信息认证通过，马上赠送魔豆500颗
ThingJS提供一套操作简便的灯光配置项，只要配置结束后，记得点击生成代码块并执行，一套完整的初级灯光效果就出来了。
示例代码
var app = new THING.App({
url: 'https:/WebGL的3D框架比较 Three.js和ThingJS
原创 文章，转载请标明出处https://blog.youkuaiyun.com/liuwei000000/article/details/80623532 随着flash的没落，浏览器的原生能力的兴起。在3D方面WebGL不管从功能还是性能方面都在逐渐加强。2D应用变为3D应用的需求也越来越强烈。 win10的画图板支持3D图片，2d工具photoshop也开始逐步集成了3D工具。 ...
官方示例（17）：3D场景顶牌模型化开发ThingJS
#前端 #3D开发 #物联网场景可视化 3D场景中的广告顶牌 CampusBuilder设置信息牌 ThingJS开发场景顶牌 3D场景中的广告顶牌 我们都见过户外广告牌，作为一种户外媒体装置设立于楼群或公路旁，不仅吸引人流，提供场景指引，还可以作为建筑设计的一部分。因此，广告牌的造型设计是多样的。 在物理世界，广告牌会受到制作材料、受力构件的影响；在3D场景中，顶牌不再是实际意义上的广告牌，而是一种信息表达形式。 3D场景的广告顶牌通常需要图形标注，加入了在线元素，比如缩放、颜色和透明度等，起到更美
基于WebGL架构的3D可视化平台—粮仓3D场景
前言 什么才是智慧粮仓 正所谓“国以民为本，民以食为天”。粮食既是关系国计民生和国家经济安全的重要战略物资，也是人民群众最基本的生活资料。其中粮仓是粮食建设的根基，对保障粮食安全尤为重要。随着信息化技术发展，全国各地开始智慧粮仓的建设： 可视一体化，让粮仓“智慧”升级 可视：粮仓的园区、仓区、仓库、设备的3D可视； 可查：3D场景内查看粮情、动环、仓容、能耗、视频监控、出入库等信息； 可控：3D场...
ThingJS官方示例（十一）：基于数据矢量及贴图url开发OD线
#前端# #三维可视化# #OD线开发# 基础图层创建 OD线创建（矢量与贴图） 大数据量对接 简介：数字孪生体已经从制造领域逐步延伸拓展至城市空间，数字孪生城市又比工业制造复杂得多，与物理城市相对应。做不到100%逼真，而是构建统一的城市信息模型，让数字城市和现实城市进行“虚实结合”！3D城市动态模型包含点、线、面等地理要素，组合成信息化数字地图，有助于提升城市规划、建筑、交通、能源等领域的数字化水平。 Demo链接：http://www.thingjs.com/guide/?m=sample OD
ThingJS-front:ThingJS.io平台的前端
ThingJS ThingJS是开源物联网平台。 该项目是ThingJS平台的开发模板。 基于 主要利润 开源的 轻型跨平台应用 任何层的单一语法（JavaScript） 相关的开发堆栈（webpack，npm等） 运行时和开发依赖项（通过npm） 跨平台，硬件独立的数据总线（ ） 跨平台，独立于硬件的 友好的开发模式（热重载，调试器，存储编辑器等） 机载著名框架（ ， ） 与云服务轻松集成 构建设置 # install dependencies npm install # serve with hot reload at localhost:8080 npm run dev # build for production with minification npm run build # build for production and view the bundle
Everything.js.zip
Everything.js runs entirely on node.js and optimized to give you real-time, accurate results. Containing all the knowledge in the universe, Everything.js is built to know and do literally anything ever. It is written in JavaScript and After you’ve installed Everything, you can start getting familiar with the code.Everything is open-source and annotated so learning should be a breeze. EverythingJS is an open-source library developed in full by Lunar Gravity. 标签：Everything
JS版3D360度全景展示图效果源码
JS版3D360度全景展示图效果源码,支持大部分手机浏览器!
3Dmax 场景清理代码
3Dmax 场景清理代码
ADS中使用Momentum进行电源完整性分析示例
这个应用可以帮助工程师用更快的时间使用ADS Momentum完成PDN分析。该应用描述了利用ADS Momentum RF模拟器进行PDN分析的方法，大大缩短了计算时间。 该分析主要应用与高速数字设计。 在此应用中使用了以下ADS特性： ADS设计流程集成（ADFI）。 电磁协同仿真。 Momentum仿真。 仿真流程如下： 在Allegro中创建ADFI文件 要将Alleg...
利用GBD数据库做未来疾病负担预测
最近看到一篇文献，利用GBD数据库中的数据对疾病负担的发展趋势进行预测。觉得很有趣，就抽空用R语言复盘了一下里面关键的方法。 参考文献： Changing trends in the disease burden of esophageal cancer in China from 1990 to 2017 and its predicted level in 25 years DOI: 10.1002/cam4.3775 1. 相关R包的安装 主要用到的R包有3个，一个一个讲： 1.1 Nordpred
优化求解器性能：当分支切割算法中的gap停滞不前时如何应对
本文深入探讨了当分支切割算法求解复杂整数规划问题时，gap停滞不前的根本原因与应对策略。文章指出gap停滞源于上界（找不到更优整数解）或下界（证明过程缓慢）提升受阻，并提供了从模型改写、自定义割平面、调整搜索策略到参数调优等一系列实战方法，帮助优化工程师有效打破求解僵局，推动gap下降。
VS2022 中 std::mutex 静态初始化陷阱：一次诡异崩溃的排查记录
VS2022中使用std::mutex时遇到的静态初始化陷阱问题。该问题源于VS2022 17.4版本为std::mutex添加constexpr支持后，全局静态初始化可能导致系统资源未就绪时锁失效或崩溃。文章分析了问题现象、影响范围，并提供了解决方案。最后给出了排查清单和核心建议
【关于四足机器人那些事】足端轨迹规划-八次多项式轨迹
系列文章目录 文章目录系列文章目录前言一、多项式曲线二、八次多项式曲线总结 前言 在四足机器人的研究中，有一个很关键的问题，就是如何减少足端在触地瞬间的冲击，避免把机器人把自己给蹬倒了？这时候就需要一个合理的足端轨迹规划。本篇将会介绍几种足端轨迹。 本文将对四足机器人的足端轨迹进行规划。将数学中的复合摆线和多项式曲线引入到足端轨迹的规划中，根据零冲击原则[2]，规划出 3 条满足要求的足端轨迹，包括： 复合摆线轨迹 八次多项式轨迹 分段五次多项式轨迹 本篇先介绍 - 八次多项式轨迹 一、多项式曲
2小时用Trae搭建全功能CMS系统
在前文中，我们使用Trae从零搭建了一个用户文档站点，仅用不到2小时就实现了用户注册登录和文档的增删改查功能，且无需编写任何代码。本节我们将在此基础上，构建一个CMS后台管理系统，包含用户管理和文档管理两大功能模块。
Allegro 中复制一部分PCB到另一个PCB中去
引言：自从学了allegro后，我每天快乐地再拉线，一开心肯定出事情。不料今天一高兴，把本来在5层的铜皮直接在4层画起来了。不过，幸好我知道换层，才省了又要画铜皮的时间。好了，开干，如果要将其他层的铜皮换到想要换到的层上，就需要这个命令。
【YoloV8改进策略】上采样改进|EUCB，轻量高效的上采样模块|即插即用
YOLOv8作为当前最先进的实时目标检测与实例分割模型之一，其在速度与精度之间取得了出色的平衡。然而，在资源受限的边缘设备或对实时性要求极高的应用场景中，YOLOv8的计算开销，尤其是在特征金字塔网络（FPN）和路径聚合网络（PAN）中用于特征融合的上采样操作，仍然是一个瓶颈。YOLOv8的颈部（Neck）结构中广泛使用nn.Upsample进行上采样，该操作虽然简单，但缺乏对特征内容的感知能力，且后续通常需要标准卷积来修复因插值带来的伪影，这增加了不必要的计算负担。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
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
2万+
扫一扫
