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
1.3k累计阅读
1.3k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
Alibaba Java Coding Guidelines，以后我的Java代码规范，就靠它了
前言 对于Java代码规范，业界有统一的标准，不少公司对此都有一定的要求。但是即便如此，庞大的Java使用者由于经验很水平的限制，未必有规范编码的意识，而且即便经验丰富的老Java 程序员也无法做到时刻将规范牢记于心。所以对于代码规范扫描工具，一经问世就广受青睐，阿里巴巴出品的Alibaba Java Coding Guidelines（阿里巴巴Java代码规约扫描，以下简称为AJCG）插件便是其...
VC初学者入门系列之一：窗口类的诞生
http://www.vckbase.com/index.php/wv/775
保姆级教程：在寒武纪MLU370上从零部署YOLOv5（附安全帽数据集）
本文提供在寒武纪MLU370上从零部署YOLOv5的保姆级教程，涵盖环境配置、模型迁移、安全帽数据集处理、训练优化及推理部署全流程。通过实战案例展示MLU370在目标检测任务中的高效性能，适合开发者快速掌握国产AI加速卡的应用技巧。
勿在浮沙筑高台 － VC初学者入门指南
引言： 沉寂了三个多星期，一直在写这个东西。 首先声明，我不是高手。我只学过几年VC，水平尚不及高手万分之一，但自认已经算是入门了。在此想和打算学VC却又苦于不知如何下手的朋友们聊聊如何顺利的通过入门这一关。预备知识： 1. VC是一门语言吗？ VC不是一种语言，而是一种集成开发环境(IDE)。利用VC，可以把源程序编写、编译链接、调试运行等各个工作放在一块完成，很方便。如
AI视频生成成本优化实战：混合架构与硬件选型
AI视频生成技术正面临效果与成本的二元博弈，其核心挑战在于高昂的推理算力消耗与黑箱服务的不确定性。从技术原理看，视频生成依赖扩散模型等深度学习架构，通过多轮迭代实现像素级合成，这导致GPU显存占用和电力消耗呈指数级增长。在工程实践中，采用混合推理架构能有效平衡成本与质量，例如云端处理关键帧配合本地渲染过渡帧，实测可降低58%支出。硬件选型方面，消费级显卡魔改与边缘计算设备为中小企业提供了可行方案，如RTX 3090显存扩容或Jetson AGX边缘部署。当前AI视频应用已渗透电商直播、新闻制作等领域，但需警
易灵思Trion FPGA实战：5分钟搞定MIPI硬核配置（附Interface Designer避坑指南）
本文详细介绍了易灵思Trion FPGA中MIPI硬核的快速配置方法，通过Interface Designer工具实现从时钟配置到数据收发的全流程实战。特别针对初次接触Trion系列的设计师，提供了六个关键配置陷阱及解决方案，帮助开发者高效完成嵌入式视觉和高速数据传输项目。
初学者入门：一个COM/ATL简单项目 - VC编程
初学者入门：一个COM/ATL简单项目 - VC编程[ http://www.99inf.net/SoftwareDev/VC/55014.htm ] ... 初学者入门：一个COM/ATL简单项目 作者：佚名文章来源： 不详 点击数：
欧姆龙多PLC串行链接模式的应用
欧姆龙多PLC串行链接模式的应用 一、如何将两台CP1H进行串行PLC连接（PLC串行链接） 主机侧设定 从机侧设定 二、 如何实现编程通信 主机侧的【PC连接模式】为【全部】的时候 ① 主机会把自己的地址从3100开始，按照【链接字】设定的字数个数发送到每个从机的3100开始进行存储。 ② 从机会把自己的地址从31n0开始，按照主机侧参数【链接字】设定的字数个数发送到主机的31n0开始进行存储。 注：（n为从机的地址号，若从机号不连续，则该编号的地址将不被定义..
VC初学者入门系列之二：消息循环
适用读者：VC初学者并有C++基础。http://www.vckbase.com/document/viewdoc/?id=1048VC初学者入门系列之一：窗口类的诞生 一、传统SDK程序的消息循环 在传统的SDK程序中，消息循环是很简单的，也许你不信，那我们就看看下面这段代码吧：#include LRESULT CALLBACK WndProc (HWND, UINT, WPA
Pytorch.nn.Linear 解析（数学角度）
pytorch.nn.Linear 是一个类，下面是它的一些初始化参数 in_features : 输入样本的张量大小 out_features : 输出样本的张量大小 bias : 偏置 它主要是对输入数据做一个线性变换。 y=xAT+b y=xA^T+b y=xAT+b 这里A是权重矩阵，b是偏置。他们都是根据 in_features 生成 测试代码： m = torch.nn.Linea...
第069篇：浸入边界法进阶
浸入边界法（Immersed Boundary Method, IBM）是处理流固耦合问题的强大数值方法。本文深入介绍直接力法、反馈力法、Ghost Cell方法和多域IBM等高级技术。通过Python实现完整的IBM求解器，展示处理移动边界、弹性边界和多体相互作用的方法。浸入边界法，直接力法，反馈力法，Ghost Cell，流固耦合，移动边界，弹性边界Navier-Stokes方程添加体积力项：∂u∂t+(u⋅∇)u=−1ρ∇p+ν∇2u+f\frac{\partial \mathbf{u}}{\part
VC调试入门
http://www.vckbase.com/document/viewdoc/?id=924
Python控制TEMI1000/TEMI1500测试温箱
该温箱是我司从昆山振弘检测设备有限公司采购的TEMI 1000，但是控制器用的是韩国的，关于控温箱这个项目，可参考的资料仅有一份官方的manual，里面包含一些命令格式。只要你有温箱，就应该可以向厂家索取该文档。该温箱的通讯接口只有一个RS232接口，要想实现远程控制，需要有串口转USB的线；类似于下图所以，想依靠python来与之进行通信，还是要通过python 的pyserial库，关于怎么安装pyserial，过于简单，这里不做赘述，可自行百度。
VC入门宝典 by 何志丹
VC入门宝典 by 何志丹 分类： Programm Diary 2004-10-28 09:46 104576人阅读 评论(2) 收藏 举报 這陣子從頭開始學習：－－－－－－－－－－－－－－－－－－－－－ 为了方便,也为了vb-->vc过渡成
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
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")
VC 比拼 Delphi（1）！
VC和Delphi对比的文章，已经不不计其数。他们比较的角度各种各样，比如，语言特性，开发速度，市场资源等 结论是： Delphi(从某种意义上说，Delphi就是一门语言)和C++对OOP的支持同样完美，开发速度Dephi远比VC++快(但说明不了什么，VC并不针对RAD市场)，操作系统被微软垄断的情况下VC的市场资源占优。 但，很少人从“学习”的角度进行对比，小榕怎么说也是个过来人，对它们两个
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
[推荐] VC 入门的一条路 -- 史列因
史列因(iamsor@sohu.com)首先声明，我可不是什么高手，也就是刚脱贫。因为运气很好，买到了几本好书，在学习过程中几乎没走什么弯路，没费什么劲就入门了，现在一般的小程序能搞定了。看到那些因为不知从何下手而苦苦挣扎的朋友，希望我的文章能给他们一些帮助。学编程急不得，上来就学VC肯定碰一头灰，说VC难就难在这点上了。如果硬上，意志坚强的话也许能挺过来，但也是会缺乏后劲，不得不回过头来补习基础
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
一、VC是什么？学VC是学什么？
首先VC是一个软件（IDE集成开发环境）（编译、编辑、调试） C和C++。但C++中的有些特性是不用的，例如I/O流，多态继承 WindowsSDK（软件开发工具） VC的灵魂：MFC（微软基础类库） ATL（ActiveX模板类库） 其他的SDK，如OpenGL,DirectX,ActiveMoive,DrawDib(WinG) VC是许许多多技术的综合，就好象少林72般绝技，一般在应用中学会其
《Visual C++ 2010入门教程》系列四：VC2010中初学者常见错误、警告和问题
《Visual C++ 2010入门教程》系列四：VC2010中初学者常见错误、警告和问题 这一章将帮助大家解释一些常见的错误、警告和问题，帮助大家去理解和解决一些常见问题，并了解它的根本原因。 iostream.h与<iostream> 下面的代码为什么在VC2010下面编译不过去？ #inclu...
VC/MFC 学习经验
转载的一篇好文章Visual C++/MFC入门教程 VC开发指南1.1 如何学好VC 这个问题很多朋友都问过我，当然流汗是必须的，但同时如果按照某种思路进行有计划的学习就会起到更好的效果。万事开头难，为了帮助朋友们更快的掌握VC开发，下面我将自己的一点体会讲一下： 1、需要有好的C/C++基础。正所谓“磨刀不误砍柴工”，最开始接触VC时不要急于开始Windows程序开发，
2.VC入门的一条路
首先声明，我可不是什么高手，也就是刚脱贫。因为运气很好，买到了几本好书，在学习过程中几乎没走什么弯路，没费什么劲就入门了，现在一般的小程序能搞定了。看到那些因为不知从何下手而苦苦挣扎的朋友，希望我的文章能给他们一些帮助。 学编程急不得，上来就学VC肯定碰一头灰，说VC难就难在这点上了。如果硬上，意志坚强的话也许能挺过来，但也是会缺乏后劲，不得不回过头来补习基础知识。意志不坚强的话，很有可能就此
VC简介与安装
心铃讲座之VC篇(1) VC简介与安装 “到底是学VC，还是学VB呢？”相信不少朋友在学习Windows编程之前都曾经想过这个问题，并一度感到难以取舍。心铃认为，Visual C++和Visual Basic都是非常优秀的可视化编程工具，刚刚涉及Windows编程的朋友选择VB可以很快上手，而有...
VC基础教程
http://www.cnblogs.com/vlcb/archive/2005/05/18/158029.html 首先我要感谢网上的朋友给我的鼓励和支持，这是我从事教程编写的主要动力，其次丰富栏目也是站点发展本身的需要。在以后的时间中我会陆续编写教程供大家参考，希望初学VC的朋友能得到帮助和指导，熟悉VC的朋友能得到启发，精通VC的朋友能不吝赐教，同时也希望能起一
简单的VC基础教程
VC基础教程序言及版权说明 1999/09/05 我保留本栏目所有文章的版权，未经过本人允许任何机构或个人不得以任何方式转载，复制本栏目任何文章或是提供下载。如果需要转载请与作者闻怡洋联系。首先我要感谢网上的朋友给我的鼓励和支持，这是我从事教程编写的主要动力，其次丰富栏目也是站点发展本身的需要。在以后的时间中我会陆续编写教程供大家参考，希望初学VC的朋友能得到帮助和指导，熟悉VC的朋
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
859
扫一扫
