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
1.2k累计阅读
1.2k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
AndroidStudio配置的SDK路径: ；android-sdk/tools/路径下【就是和配置ADB命令一样的路径】有个monitor.bat 的批处理文件；monitor.bat这个批处理文件，在屏幕上会打开一个类似CMD的命令行中输入板，然后迅速自动关闭；DDMS；
下面来查看哪个应用占用了8700端口。
1、在命令行中输入如下netstat -a -o 8700指令：
2、接着在命令行输入如下指令:tasklist /fi "pid eq 9468"
发现Android studio也占用了这个端口，把studio关掉重新打开ddms即可解决~
重启以后
RPG MV游戏数据修改指南：从JSON解析到脚本进阶
游戏数据修改是游戏开发与逆向工程中的常见实践，其核心原理在于解析和操作游戏资源文件。许多现代游戏引擎采用结构化数据格式（如JSON）存储游戏配置，这为外部修改提供了可能。通过理解文件结构、数据格式与游戏逻辑的关联，开发者或爱好者可以调整游戏平衡、修复问题或实现个性化定制，这不仅能深化对游戏设计机制的理解，也具备实际的技术学习价值。本文以基于Web技术栈的RPG Maker MV（RPG MV）引擎为例，其游戏数据多以明文JSON存储，结构清晰。文章将具体阐述如何安全地修改角色属性、物品效果、敌人数据及技能公
Android Studio中使用DDMS工具
Android Studio中使用DDMS工具
跟着团子学SAP PS：项目计划成本与项目预算设计思路
在做SAP PS模块概览培训的时候，很多时候都会用到下面的一页PPT片子讲到项目计划成本与预算的关系，但真正这幅片子想表达的具体内容甚至大部分PS顾问也是无法阐明清楚的。 而SAP PS的设计其实是在丰富的项目管理学的基础上而开展的，所以今天从业务上结合SAP中的功能点讲一下项目成本计划及预算的逻辑。 在项目管理的十大知识领域中，项目成本管理主要是包括为使项目在批准的预算内完成而对成本进行规划...
Android Studio DDMS
DDMS（Dalvik Debug Monitor Service） 是 Android 开发环境中的Dalvik虚拟机调试监控服务。
Pi0 项目复现及项目问题解决方案（全网抢先发布~）
Pi0 项目复现及项目问题解决方案（全网抢先发布~）
深入Linux网络子系统：STMMAC驱动如何通过MDIO总线与PHY芯片“对话”
本文深入解析了Linux网络子系统中STMMAC驱动通过MDIO总线与PHY芯片的通信机制。详细介绍了MDIO总线的注册流程、PHY设备的绑定机制以及设备树配置，帮助开发者理解MAC控制器与PHY芯片的协作基础，优化网络通信性能。
Android studio如何使用DDMS
Android studio如何使用DDMS 一、启动AS 1.首先查看AS 的SDK路径。 二、启动DDMS 1.进入到D:\software\SDK目录下的tools文件夹中，找到monitor.bat批量处理文件。 2.鼠标左键双击monitor.bat批量处理文件，会出现类似cmd的输入面板，然后会迅速自动关闭。再等几秒钟会出现DDMS面板。 三、DDMS的主要作用 DDMS是IDE、AS等等与测试终端的桥梁，它实时监测到测试终端的连接情况，当有新的测试终端连接后，DDMS将捕捉到终端的ID
【调优】OpenClaw调优之模型（tokens）篇
OpenClaw用户常遇四大痛点：规则被无视、API账单暴涨、低效模型选择、记忆丢失。通过/context list命令可解析上下文组成，包括工作区配置、引导参数限制、系统提示词等关键信息。重点需关注Token消耗来源，如核心配置文件、技能工具说明等，避免静默截断。建议精简非必要内容，优化记忆机制，平衡功能与成本。该分析帮助用户减少无效操作，合理控制API支出。
DDMS+AndroidStudio实现动态调试
所需工具 AndroidStudio（用于调试smali代码） monitor.exe（DDMS工具连接手机后可查看进程端口，与AndroidStudio一起使用实现动态调试） AndroidKiller（反编译APK使用，可使用其他工具可替代） Magisk（用于修改default.prop内属性值，开启debug权限） adb（连接手机，修改default.prop内属性值，开启debug权限） smalidea-0.06（AndroidStudio插件，安装后可识别smali文件，用于动态调试）.
【大模型】Coze AI 智能体工作流从配置到使用实战详解
Coze 扣子智能体工作流从配置到使用实战详解
【YOLO系列】YOLOv4详解：模型结构、损失函数、训练方法及代码实现
摘要：YOLOv4在目标检测领域实现了精度与速度的平衡，通过CSPDarknet53骨干网络、SPP+PANet特征融合及CIoU损失函数等创新，在MS COCO数据集达到65.7% AP50，V100显卡实现62FPS实时检测。核心优化包括Mosaic数据增强、自对抗训练和解耦头结构，显著提升小目标检测和遮挡场景鲁棒性。代码实现采用CSP模块和SPP多尺度池化，兼顾计算效率与检测性能，为工业落地提供高效解决方案。（149字）
Android studio -SVN 使用笔记
博客源址：Android studio -SVN 使用笔记 1.Android studio 安装 中文组官网：http://www.android-studio.org/ 常见问题参考： 分支冲突合并 http://blog.csdn.net/tearsmo/article/details/6778143 http://blog.
打造AI智能体员工，我用扣子复刻了华与华、奥美和金枪大叔
这事说穿了，就是你用多个AI智能体，分别扮演专业角色，构成一支能力互补、各司其职的“数字团队”。每个智能体，都有明确的角色设定、任务边界和接口形式。它不再是一个泛泛的ChatGPT，而是你手下的“品牌顾问”、“策略专家”、“文案大神”、“短视频导演”、“运营总监”。简单来说，你不再是雇一个人，而是养一群机器人打工——24小时不摸鱼，不请假，不离职。如果你是个人创业者、内容创作者、培训机构、中小企业主，其实都可以尝试构建属于你自己的“AI虚拟员工矩阵”。
Android studio - SVN 使用教程
文章来源:http://my.oschina.net/u/1780920/blog/425792 1.Android studio 安装 中文组官网：http://www.android-studio.org/ 常见问题参考：http://ask.android-studio.org/?/explore/category-2 分支冲突合并 : http://
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")
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
Android Studio中svn的使用
1.Android studio 安装 中文组官网：http://www.android-studio.org/ 常见问题参考： 分支冲突合并 http://blog.csdn.net/tearsmo/article/details/6778143 http://blog.sina.com.cn/s/blog_60f823dd01011ccj
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
Android studio -VSN 使用笔记
1.Android studio 安装 中文组官网：http://www.android-studio.org/ 常见问题参考： 分支冲突合并 http://blog.csdn.net/tearsmo/article/details/6778143 http://blog.sina.com.cn/s/blog_60f823dd0101
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
Android studio 上SVN的使用和配置
1.Android studio 安装 中文组官网：http://www.android-studio.org/ 常见问题参考： 分支冲突合并 http://blog.csdn.net/tearsmo/article/details/6778143 http://blog.sina.com.cn/s/blog_60f823dd0101
Android studio -SVN 的使用
转自：http://www.cnblogs.com/shaocm/p/4182380.html 1.Android studio 安装 中文组官网：http://www.android-studio.org/ 常见问题参考： 分支冲突合并 http://blog.csdn.net/tearsmo/article/details/6778143
Android studio -SVN 的简单介绍
2019独角兽企业重金招聘Python工程师标准>>> ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
404
扫一扫
