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
5.5k累计阅读
5.6k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
很多三维设计的用户和AutoCAD打交道，或者是AutoCAD的老用户了。而随着技术的发展，AutoCAD和其它产品的关联度越来越大，例如大家知道的Inventor就能打开和处理DWG图纸。而我们的云技术里，也好些也需要和DWG图纸进行对接。因此，本博客增加一个栏目AutoCAD。
今天我们聊聊 AutoCAD 的 AccoreConsole。其实这个功能从2013版本就开始提供，相关的英文文章和教程有：
AccoreConsole入门
AccoreConsole视频教程 （含本系列文章中相关的代码例子）
AccoreConsole简介
但好像没看到中文的文章。而我还准备介绍最新的AutoCAD I/O技术，AccoreConsole需要作为引子，所以，先来
AutoCAD I/O - 第一篇（简介）
我们在使用AutoCAD的过程中，很多时候需要一些批处理工作，为相关环节提供特定的图纸。通常我们怎么做呢？ 1. ObjectARX，.NET插件或其它脚本，在AutoCAD中加载，运行命令，批量处理图纸 2. 独立的exe程序，利用COMAPI启动AutoCAD（不可见），设置计划任务，批量处理图纸。 3. 使用AccoreConsole这种轻量的，快速的环境，执行脚本，处理图纸。 所有
AutoCAD 2026安装失败原因与三阶段可信链实操指南
AutoCAD作为工程制图核心软件，其安装过程远非简单点击即可完成，而是涉及系统环境校验、运行时注入与许可服务握手等底层机制。理解.NET Framework 4.8开发者包与运行时版差异、WMI服务状态、NTFS稀疏文件支持、临时路径纯英文限制等关键技术点，是保障安装成功的基础。这些要求直指Windows平台软件部署的共性原理：依赖服务可用性、运行库完整性、文件系统特性及权限链可信性。在企业批量部署、高校正版激活或老旧工作站适配等典型场景中，精准识别Pre-Install日志、CoreDeployment
ObjectARX插件云端化：从AutoCAD桌面外挂到容器化批处理
AutoCAD二次开发是工程设计自动化的常见路径，而ObjectARX作为官方C++框架，可直接操作DWG内核，提供比LISP和.NET更深层的API控制。在传统桌面外挂模式下，插件受限于交互界面与单机性能，难以承载大批量图纸处理。借助AutoCAD Core Console（accoreconsole）无界面模式，ObjectARX命令可以脱离GUI运行，配合Windows容器技术将AutoCAD与插件封装成镜像，即可实现队列化、可并发的云端批处理。这种方案适合需要将图纸标注、格式转换、批量编辑等任务封装
ObjectARX云化实战：用accoreconsole构建AutoCAD批量处理服务
在CAD设计自动化需求爆发式增长的今天，传统桌面端程序正面临向云端迁移的转型压力。ObjectARX作为AutoCAD最底层的二次开发接口，承载了大量企业级图纸处理逻辑，但其依赖完整桌面环境的运行特性，使其在无人工干预的服务器场景中难以直接落地。AutoCAD提供的核心控制台accoreconsole，能够以无界面模式加载DWG图纸并通过脚本驱动命令执行，为存量ObjectARX代码的云端复用提供了可行路径。这一机制的核心原理在于，accoreconsole沿用AutoCAD内核但裁剪了交互与显示模块，使插
C#批量DWG转PDF：AutoCAD COM/accoreconsole与zip归档实战
在工程图纸管理和自动化归档场景中，DWG转PDF是一项高频且重复的刚性需求。传统人工打开AutoCAD另存为PDF，效率低且难以批量管理。工业界通常借助C#等技术栈，通过AutoCAD COM接口或accoreconsole无人值守方式，对图纸进行批量打印输出。COM方案接近手动打印，所见即所得，适合设计室本机批量转换；accoreconsole则适合后台队列与定时任务。在实现过程中，还需处理纸张参数、打印样式、进程超时与资源释放等细节，并通过pdfinfo进行页数与大小校验，最终将合格产物打包为zip归档
Shawn's AutoCAD Publisher:将 DWG 发布为 PDF 变得简单-开源
AutoCAD 用户熟悉用于将多个图形打印为 PDF 的“发布”命令。 我的程序的目的是通过使用 AutoCAD 核心控制台 (accoreconsole.exe) 进行发布来简化发布，向输出文件名添加自动日期戳，并允许用户串行或并行发布多个集。 控制台比使用常规 AutoCAD 快得多，并且通过控制台发布不会占用 AutoCAD。 人们可以在仍然使用 AutoCAD 的同时在后台发布图纸。 排队发布作业的能力也意味着发布时不需要照顾计算机。 排队 20 组，点击发布，然后离开电脑。 当您回来时，所有的 PDF 文件都将等着您。 并行发布多个作业的能力可以显着加快发布过程，但强烈建议使用固态硬盘。
SAP公司间采购后台配置及前台操作详解
公司间采购后台配置及前台操作详解 SAP 实施中公司间交易几乎每个项目都会有此业务需求，比如内地很多公司都会在香港设置贸易型子公司。通过香港公司接单，然后转内地公司生产，或内地公司通过香港公司采购进口原材料，这些业务必然会涉及到公司间交易，下面我将详细说明下SAP是如何实现这种业务场景的，供大家参考。 配置前必须前台先创建公司间供应商主数据和客户主数据 1. 创建相应的客户主数据 功能说明 公司间...
如何在VSCode中无缝集成Azure OpenAI GPT-5-codex？保姆级配置教程
本文详细介绍了在VSCode中无缝集成Azure OpenAI GPT-5-codex的完整配置教程，涵盖环境准备、Azure资源创建、本地配置、VSCode插件安装及高级定制。通过Codex CLI和config.toml文件配置，开发者可快速实现AI辅助编程，大幅提升代码生成、错误诊断和文档编写效率。
强化学习 之 Actor Critic
简介 Actor Critic是一种结合体算法： （1）Actor 的前生是 Policy Gradients，这能让它毫不费力地在连续动作中选取合适的动作，而 Q-learning 做这件事会瘫痪； （2）Critic 的前生是 Q-learning 或者其他的 以值为基础的学习法，能进行单步更新，而传统的 Policy Gradients 则是回合更新，这降低了学习效率。 算法思想 Actor...
关于光耦隔离与SP3485E芯片一起使用无法拉高485使能引脚问题
最近在做的一个项目，定制了一块STM32F407ZG的工控板，工控板载4个485接口全部都是只能接收数据，不能对外发送数据。1.接线不正确：接线不正确导致485收发出现问题。 2.程序端口初始化问题：控制光耦隔离的输入脚IO的初始化和置位状态有问题。 3.GPIO复用问题：控制对应串口的GPIO不是正点原子默认的GPIO，而是经过复用的其他IO，复用问题。 4.程序设置与485E芯片收发模式不对应：对于使能引脚的电平要根据光耦的输出情况确定输入IO与RE的关系，可能模式没有对应。 5.光耦隔离或者SP485
GD32F103VBT6串口OTA升级保姆级教程：当硬件没留Boot0引脚时，我是如何用Keil和Ymodem搞定的
本文详细介绍了GD32F103VBT6在无Boot0引脚情况下的串口OTA升级方案，通过Keil工程改造和Ymodem协议实现可靠固件更新。文章涵盖Bootloader配置、APP工程调整、Ymodem传输优化等关键步骤，为嵌入式开发者提供了一套完整的解决方案，特别适用于封闭式设备的远程更新需求。
工业-实时数据采集
在主节点使用Flume采集/data_log目录下实时日志文件中的数据，将数据存入到Kafka的Topic 中（Topic名称分别为ChangeRecord、ProduceRecord和EnvironmentData，分区数为4），Flume 采集ChangeRecord。
华为OD机试 - 去除多余空格（Python/JS/C/C++ 2024 E卷 100分）
本专栏收录于《华为OD机试真题（Python/JS/C/C++）》。刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景，发现新题目，随时更新。去除文本多余空格，但不去除配对单引号之间的多余空格。给出关键词的起始和结束下标，去除多余空格后刷新关键词的起始和结束下标。条件约束：输入为两行字符串：第一行：待去除多余空格的文本，用例保证如果有单引号，则单引号成对出现，且单引号可能有多对。 第二
双馈风机并网系统宽频振荡机理与抑制方法研究
双馈风机并网系统宽频振荡分析与抑制 摘要：本文研究了双馈风机(DFIG)接入弱电网引发的宽频振荡问题。通过建立DFIG并网系统阻抗模型，分析了锁相环带宽、电流环带宽等参数对阻抗特性的影响。研究揭示了DFIG与电网阻抗交互导致交截频率处相位差超过180°的振荡机理。提出基于锁相环优化的阻抗重塑抑制策略，采用电压补偿和陷波器改善系统稳定性。仿真结果表明，该方法能有效降低相位差约10°-168°，显著抑制宽频振荡。代码实现了阻抗建模、稳定性分析和抑制策略验证，为工程应用提供了理论依据。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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")
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2156
扫一扫
