record
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
500+累计阅读
577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 →
码龄21年
record
团队的Code Review实践
Code Review 的好处虽然被广泛认可,但想做好 Code Review 并不容易。首先团队需要对开展 Code Review 达成共识,然后针对自己团队的特性,采用相匹配的实践方式。关于工具,可以尝试文中提到的 Code Review 插件以及电子看板。在提升自动化程度的同时,积累 Code Review 数据,指导团队针对性地提升技能。
最新VS Code安装详细教程及vs code配置
文中主要讲述VS Code与VS的区别及其下载网站,Windows、Linux、Mac的VS Code版本类型,VS Code安装程序的安装及安装选项设置,VS Code界面颜色、中文界面、自动保存、扩展(Extension)、运行(run)程序代码、Workspace、新标签页打开文件、Command Palette、卸载等配置。
【MCP 开篇】在 VS Code 上导入MCP
在 VS Code 上如何导入和使用现有的MCP
VS Code+Claude Code+Deepseek
本文详细介绍了在VSCode中配置ClaudeCode插件并集成Deepseek AI模型的方法。主要内容包括:1)安装ClaudeCode插件;2)通过编辑settings.json配置文件设置Deepseek为默认AI模型;3)获取Deepseek API Key并配置到插件中;4)测试环境搭建效果。该方案实现了编辑器与AI助手的无缝协同,适用于开发调试、文档编写等场景。文中提供了完整的配置示例和操作截图,并附有参考教程链接,方便开发者快速搭建这一AI辅助开发环境。
解决VS Code 配置Code Runner运行Scheme时报错
做SCIP习题的时候需要动手写一点Scheme代码,于是下了个Chez Scheme,参考了一篇在Windows 10下部署Scheme开发环境在VS Code上配置运行环境。 环境变量明明配好了(见下图1),配置文件里也把(见图2)后缀为.ss和.scm的文件都关联到scheme了, 图1图2跑起来却冒出了个csi,网上查也查不到csi是个什么东西以及为什么Code Runner会调用csi...
从数据同化到水文模拟:CMADS如何重塑SWAT模型的中国实践
本文探讨了CMADS数据集与SWAT模型在中国复杂地形水文模拟中的融合实践。CMADS通过高分辨率气象数据同化技术,显著提升了SWAT模型在中国特殊地理环境下的模拟精度,特别是在数据稀缺区域。文章详细分析了CMADS的技术架构、应用案例及与传统数据的性能对比,为水文研究提供了新的技术支撑。
VS Code 联动 Claude Code 安装教程
本文详细介绍了在Ubuntu系统上安装配置ClaudeCode开发环境的完整流程。主要内容包括:1)系统环境准备(Node.js/npm安装);2)ClaudeCode CLI工具安装;3)code-server的部署与配置;4)ClaudeCode的交互式/手动配置方法;5)VSCode扩展安装与使用;6)常见问题的解决方案。文章特别强调了目录命名规范、权限管理和配置同步等最佳实践,并提供了详细的命令操作指南和故障排查方法,帮助开发者快速搭建基于ClaudeCode的AI编程环境。
在 PyCharm 中使用 Copilot
此外,要在 PyCharm 中使用 GitHub Copilot,您必须有效订阅 Copilot。在 PyCharm 中安装 GitHub Copilot 后,您现在可以将其用作项目的扩展。此外,它很容易安装在不同的 IDE 平台上,您还可以为特定编程语言启用 GitHub 插件。此外,按照以下步骤,您可以轻松地在 PyCharm 中安装 GitHub Copilot。此外,在 IDE 上使用 GitHub Copilot 时,您可以使用一些快捷方式。
VS Code 接入 Claude Code 保姆级教程
具体安装教程如下,大家使用过程中如果出现其他问题可以在评论区说出来,一起解决!#vscode #后端开发 #转码 #ai工具 #大模型应用。
安卓风控对抗实战:如何用AOSP定制ROM绕过Momo、AIDA64等检测(从环境搭建到设备画像)
本文详细解析了如何通过定制AOSP ROM绕过Momo、AIDA64等安卓风控检测工具的设备指纹识别。从环境搭建到硬件参数修改,再到内核级特征混淆,提供了一套完整的底层对抗方案,显著提升设备伪装通过率。
ORB-SLAM2算法部署验证、原理代码和各种改进方法汇总
本文主要汇总个人学习使用ORB-SLAM2算法中参考的相关博客和代码汇总,以及在ORB-SLAM2算法基础上各个改进方法的汇总。
Claude Code for VS Code 插件使用教程
Claude Code VS Code插件使用摘要 该插件是Claude Code 2.0推出的可视化版本,提供更友好的GUI界面。安装后可在编辑区打开对话面板,相比其他AI工具具有更大的可视区域。首次使用需登录官方服务或配置自定义API,通过修改config.json和环境变量文件(包含API密钥和基础URL)完成设置。插件支持新建对话、文件上传、模型切换等功能,历史对话可通过箭头按钮快速访问,为开发者提供便捷的AI编程辅助体验。
麒麟服务器操作系统QT系列软件工具手册
对Qt提供的开发工具进行了一系列的优化之后,在日常的修复bug和维护框架的过程中,桌面研发对Qt的基础软件库也进行了部分优化工作,包括qtbase、qtwayland、qtscript、qt4-x11等Qt基础组件,涉及的Qt框架版本主要涉及到5.9和5.12两个版本。qt 的翻译,是由 ts 文件生成 qm 文件然后进行翻译,国产操作系统上qt 的翻译是由单独的qttranslations包中进行维护,其次部分汉化问题也是qt组件维护工作的一部分,qt的翻译机制如图4-7所示。
VS Code安装详细教程及vs code配置,看这一篇就够了
VS Code安装详细教程及vs code配置
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2023 FasterNet 高效快速的部分卷积块
本文记录的是基于FasterNet的YOLOv11轻量化改进方法研究。FasterNet的网络结构借鉴 CNN 的设计理念,通过提出的PConv减少推理时的计算和内存成本,同时减少通道数并增加部分比例,降低延迟,并通过后续的PWConv来弥补特征信息可能缺失的问题,提高了准确性。本文在替换骨干网络中配置了原论文中的和六种模型,以满足不同的需求。
实时多目标跟踪(MOT):SORT与DeepSORT优化
实时多目标跟踪(MOT):SORT与DeepSORT优化 ,人工智能,计算机视觉,大模型,AI,本文围绕实时多目标跟踪中的 SORT 与 DeepSORT 算法展开,阐述了两者原理、实现及优化。SORT 结合卡尔曼滤波和匈牙利算法,依赖目标检测,实时性好但复杂场景表现欠佳。DeepSORT 在其基础上引入外观特征,采用级联匹配,提升了跟踪精度和鲁棒性。还探讨了两种算法在检测、运动模型、外观特征等方面的优化方向,以及应用场景与选择建议,为相关应用和研究提供参考。
Claude Code Chat :适用于 VS Code 的漂亮 Claude Code 聊天界面
Claude Code Chat - VS Code扩展摘要 一款专为VS Code设计的Claude AI代码助手可视化交互界面,完全由Claude自身开发。主要特性包括: 直观UI:取代命令行操作,提供带语法高亮的Markdown聊天界面 智能集成:支持文件引用(@)、图像拖拽、剪贴板粘贴和自定义命令 版本控制:基于Git的检查点恢复功能,可回溯任意对话状态 多模型支持:可选Opus/Sonnet等不同AI模型 高级功能:计划优先模式、多级思考强度调节、实时token统计 跨平台:完整支持Windows
CSP - 2024 普及组初赛试题及解析
CSP - 2024 普及组初赛试题及解析
在VS Code中安装Claude Code
特性方法一:官方VS Code扩展方法二:CLI + 终端集成界面体验原生图形界面,侧边栏对话,类似Copilot命令行交互,代码diff可在IDE中查看安装步骤1. 在扩展市场搜索安装2. 重启并登录1. 安装Node.js和CLI2. 在项目终端运行claude并登录适用人群所有VS Code用户,尤其是偏好图形界面的开发者熟悉命令行的开发者,或希望保持终端工作流的用户建议:对于绝大多数用户,直接安装官方的扩展(方法一)是最简单、功能最完整的入门方式。
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
VS Code 是什么?
VS Code 本来是前端人员专用,但由于它实在是太好用了,于是,各种开发方向的码农也正在用 VS Code 作为他们的主力编程工具。甚至是一些写作的同学,也把 VS Code 作为 markdown 写作工具。写下这篇文章,是顺势而为。VS Code 的全称是 Visual Studio Code,是一款开源的、免费的、跨平台的、高性能的、轻量级的代码编辑器。它在性能、语言支持、开源社区方面,都做的很不错。
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")
Claude Code for VS Code 使用教程
Claude Code 是 Anthropic 推出的一款工具,也被称为世界最强编程 Agent 之一。Claude Code 的 VS Code 扩展提供了原生的图形化界面,支持内联 Diff 视图、-mentions 引用、计划审查等功能,是在 VS Code 中使用 Claude Code 的推荐方式。本文档主要介绍如何通过 AceData Cloud 的代理服务,在 VS Code 中配置和使用 Claude Code 扩展。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
Code 39码与Code 128码区别
Code 39码与Code 128码区别 128 码与 Code 39 码有很多的相近性,都广泛运用在企业内部管理、生产流程、物流控制系统方面。不同的在于 Code 128 比 Code 39 能表现更多的字符,单位长度里的编码密度更高。当单位长度里不能容下 Code 39 编码或编码字符超出了 Code 39 的限制时,就可选择 Code 128 来编码。所以 Code 12
云IDE:Code-Server:VS Code的开源IDE
VS Code作为最近几年上升最为快速的的IDE,TOP IDE index的排位已经快速上升到第四的位置。Eclipse离王座越来越远,而VS Code离前三却越来越近。Coder-Server作为Coder公司开源的一款VS Code的IDE,在2020年已经有超过1千万次的镜像拉取,GitHub上超过了3万星,已被一些全球最大规模的企业所采用。
IDEA / VS Code 中使用 claude code 插件
本文介绍了Claude Code Pro插件的安装与配置方法。首先需要在IDE中安装插件并全局安装@anthropic-ai/claude-code包。然后通过创建.claude目录和settings.json文件进行配置,设置API密钥和基础URL等参数。完成配置后,可通过命令行验证安装,并使用npm命令查找全局安装路径。最后在IDEA中配置可执行文件位置和API密钥即可使用。该插件能够提供代码辅助功能,配置成功后可在开发环境中直接调用。
使用VS Code插件Code Runner一键运行OpenSees
使用VS Code插件Code Runner一键运行OpenSees 问题描述 在常规的使用Opensees时,我们需要每次编辑好.tcl文件,然后打开OpenSees.exe,并在其中输入”opensees xxx.tcl“。但是每次都需要保存文件,输入命令,感觉非常麻烦。于是笔者找到一种在VS Code中编辑.tcl文件,并且配合VS Code的插件Code Runner实现一键运行Opensees的方法。 实现方法 1. 下载Opensees并添加至系统环境变量 Opensees是开源软件,并且体量
当Claude Code失灵,Qwen Code能否成为你的救星?
摘要: 当Claude Code因政策调整、技术故障或地区限制无法使用时,Qwen Code凭借Qwen3-Coder的4800亿参数与MoE架构成为高效替代方案。Qwen Code支持超长上下文理解、自然语言指令编辑及工作流自动化,在搭建Web应用等场景中表现优异。其命令行工具与Qwen3-Coder协同工作,能快速生成高质量代码,显著提升开发效率,尤其适合紧急项目需求。两者的技术协同为开发者提供了流畅的编程体验,解决了AI代码助手不可用时的燃眉之急。(150字)
1万+

被折叠的 条评论
为什么被折叠?



