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
474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
转载地址:https://blog.youkuaiyun.com/freeking101/article/details/51610782
https://www.cnblogs.com/sky-heaven/p/5797562.html
https://blog.youkuaiyun.com/ruglcc/article/details/7814546
https://blog.youkuaiyun.com/Seven_Amber/article/details/70216216
https://blog.youkuaiyun.com/alpha_love/article/details/62953847
https://blog.youkuaiyun.com/QQ1452008/article/details/50865535
当迁移学习遇见室内定位：基于UJIIndoorLoc的跨场景适配实践
本文探讨了迁移学习在跨建筑室内定位中的应用，重点解析了UJIIndoorLoc数据集的特性及其在解决设备差异和环境变化中的关键作用。通过特征工程、迁移学习策略和小样本微调技术，显著提升了定位模型的跨场景适配能力，为实际部署提供了有效解决方案。
make详解
Make 1. 学习make的必要性 在Linux中,有一个用来维护程序模块关系和生成可执行程序的工具－make。他可以根据程序模块的修改情况重新编译链接生成中间代码或最终的可执行程序。执行make 命令，需要一个名为“makefile”或“Makefile”的文本文件， ...
我看MFC的过去、现在和未来
首先说句题外话，虽然我现在的“主业”是Qt，但自己扪心自问，对MFC的熟悉程度要超过Qt。正是由于有了对MFC的熟悉，才能在使用Qt时，比较清醒的认清两者的优劣之处，在此暂且不提。 这个话题也可以说是由来已久，众说纷纭，今时我也谈谈自己的感悟。 一、对MFC的总体看法 首先看看云风在其《游戏之旅-我的编程感悟》一书中对MFC的看法： “我所见到的程序员中，很多把C+
make完全详解
该篇文章为转载，是对原作者系列文章的总汇加上标注。 文章标注作者：GUYUEZHICHENG https://blog.youkuaiyun.com/weixin_38391755/article/details/80380786?spm=1001.2014.3001.5506 支持原创，请移步陈浩大神博客： http://bl...
Vue3多级路由缓存失效的深度解析与实战解决方案
本文深度解析了Vue3项目中多级路由下keep-alive缓存失效的根本原因，并提供了三种实战解决方案：通过路由扁平化根治问题、利用状态管理精细模拟缓存效果，以及借助keep-alive-vue3插件快速修复。文章旨在帮助开发者彻底理解Vue Router与keep-alive的协作机制，从而根据项目情况选择最佳策略，有效解决页面状态丢失的难题。
GAMES101：MacOS作业环境搭建
查看gcc/clang的位置产看gcc/clang的版本1.1.2 安装cmake。
Makefile语法详细总结及示例解析（快速掌握）
makefile可以简单的认为是一个工程文件的编译规则，描述了整个工程的自动编译和链接的规则。 Makefile里主要包含了五个东西：显式规则、隐晦规则、变量定义、文件指示和注释。 （1）显式规则 显式规则说明了，如何生成一个或多的的目标文件。这是由 Makefile 的书写者明显指出，要生成的文件，文件的依赖文件，生成的命令。 （2）隐晦规则 由于我们的 make 命名有自动推导的功能，所以隐晦的规则可以让我们比较粗糙地简略地书写 Makefile，这是由 make 命令所支持的。 （3） 变量的定义 在
手把手教你学Simulink——基于Simulink的变换器老化预测与数字孪生（Digital Twin）
这不仅是技术的演进，更是从“事后救火”到“事前预言”的降维打击。：通过本文的实战演练，你不仅掌握了功率变换器“电气-热-老化”多物理场耦合的建模哲学，更深刻领悟了如何将高深的随机过程（粒子滤波）降维成可落地、可量产的工程工具；：起初，由于数据量少，粒子滤波器预测的剩余寿命（RUL）置信区间（95%）非常宽泛（如 1000~2000小时）。在工业4.0与智能制造的浪潮下，功率变换器（如光伏逆变器、车载OBC、服务器电源）不再是孤立的硬件，而是具备“自我感知”与“寿命预知”的智能节点。
Makefile入门详解
文章目录一、Makefile简介二、makefile 原理1、当有依赖文件不存在2、当所有依赖文件存在三、makefile基本规则1.makefile规则三要素2.基本规则3、makfile中的变量3.1普通变量3.2自动变量3.3例程4、makefile中的伪目标四、makefile其他常用的规则五、makefile中的函数5.1函数 subst5.2函数 patsubst5.3函数 dir5.4函数 notdir5.5函数 foreach5.6函数 wildcard六、综合例程 提示：以下是本篇文章正.
华为面试手撕真题【判断是ipv4还是ipv6地址】
编写一个函数来验证输入的字符串是否是有效的 IPv4 或 IPv6 地址。
脑肿瘤MRI图像分割实战：基于U-Net的深度学习完整指南
脑肿瘤是中枢神经系统最常见的疾病之一，全球每年有超过30万人被诊断为原发性脑肿瘤。在临床诊断和治疗过程中，磁共振成像（MRI）已成为评估脑肿瘤的标准影像学检查方法。然而，手动分割MRI图像中的肿瘤区域是一项耗时且依赖于专家经验的工作，不同医生之间可能存在显著差异。
Linux Make命令详解
make命令常用参数-C,-n, -j.其实make还有很多参数也很有用，本文描述将简单介绍。
YOLOv8 | 损失函数改进，最新提出的Shape-IoU,有效涨点
作为检测器定位分支的重要组成，边框回归损失在目标检测任务中发挥巨大作用。现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。为了弥补现有研究的不足，本文提出聚焦边框自身形状与尺度的边框回归方法。首先我们对边框回归特性进行分析，得出边框自身形状因素与尺度因素会对回归结果产生影响。
MakeFile详解
一、背景 一般来说，无论是 C、 C++，首先要把源文件编译成中间代码文件，在 Windows 下也就是 .obj 文件， UNIX 下是 .o 文件，即 Object File，这个动作叫做编译（compile）。然后再把大量的 Object File 合成执行文件，这个动作叫作链接（link）。编译时，编译器需要的是语法的正确，函数与变量的声明的正确。通常是你需要告诉编译器头文件的所在位置（头文件中应该只是声明，而定义应该放在 C/C++文件中），只要所有的语法正确，编译器就可以编译出中间目标文件。一
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
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")
Linux 内核顶层Makefile 详解
前几章我们重点讲解了如何移植uboot 到I.MX6U-ALPHA 开发板上，从本章开始我们就开始学习如何移植Linux 内核。同uboot 一样，在具体移植之前，我们先来学习一下Linux 内核的顶层Makefile 文件，因为顶层Makefile 控制着Linux 内核的编译流程。 ...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Makefile详解及使用
Makefile简介 linux环境下，当用户编译文件过多的时候，使用makefile可以帮助模块化编译文件，makefile是一个脚本文件，根据规则，来执行相应的脚本文件，实现自动化编译。
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。
Makefile详解 && Makefile中文文档
Makefile详解 && Makefile中文文档 去发现同类优质开源项目:https://gitcode.com/ 此压缩文件包含Makefile详解和Makefile中文文档，适合想要深入学习Makefile的读者。文件内容详尽，系统性地介绍了Makefile的基本概念、编写规则以及在实际项目中的应用。通过阅读此文档，您将能够掌握Makefile的核心知识，提高项目构建和管理...
Makefile 详解
m 一个工程中的源文件不计其数，按期类型、功能、模块分别放在若干个文件中，MakeFile文件定义了一系列的规则来制定哪些文件需先要编译、哪些文案需要后编译、哪些文件需要重新编译、甚至于进行更加复杂的操作，因为Makefile文件就像是一个shell脚本一样，也可以执行操作系统的命令
makefile详解
想要掌握makefile，首先需要了解两个概念，⼀个是⽬标（target），另⼀个就是依赖（dependency）。⽬标就是指要⼲什么，或说运⾏ make 后⽣成什么，⽽依赖是告诉 make 如何去做以实现⽬标。在 Makefile 中，⽬标和依赖是通过规则（rule）来表达的。 上面Makefile 中的 all 就是我们 的⽬标，⽬标放在‘：’的前⾯，其名字可以是由字⺟和下划线‘_’组成 。echo “Hello World”就是⽣成⽬标的命令，这些命令可以是任何你可以在你的环境中运⾏的命令以及 mak
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
394
扫一扫
