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
100+累计阅读
155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
日期：2023年10月9号
一、查询字节数
#include <stdio.h>
main(){
char c;
printf("%d\n",sizeof(c));
}
二、实数
#include<stdio.h>
main（）{
int d;
float f;
d=81;
f=123.45;
d=f;//实数赋值给整数变量，实质就是赋值实数的整数部分
printf("%d\n",d);
}
智能制造 | 如何快速自动生成站位表及自动与BOM校验？
一、站位表（SMT行业中）是SMT上料防错的基础信息，用于对需上料物料与产线、贴片机位置、飞达规格型号、用量，建立基础资料。 SMT站位表是否正确？ 首先需要人工确认站位表与SMT程序的是否符合，上料员依照站位表安装好后，确认人员需有第三方确认者 （品管确定）核对。 站位表内容包括什么？ 站位表内容为：SMT站位号相对应的物料编码，元件位号，飞达大小/间距，数量等等，根据不同公司的要求而定义。 就目前来说，基本每一款贴片机都可以输出站位清单 但对于企业来说，直接输出的站位清单一般不直接使用，需要进行手动处理
C语言自学（dev c++）
(2):再执行表达式2,如果它的值为真，则执行循环体即语句,否则结束循环。(4):重复执行步骤(2),(3)直到表达式2的值为假。(3):执行完循环体后再执行表达式3。}while(表达式)//break表示停止，即跳出循环，之后细🔒。a.while(表达式){switch(表达式){运行过程:(1):先执行表达式1。
一文读懂：CAN总线Bus-Off的触发条件与自动恢复机制
本文详细解析CAN总线Bus-Off状态的触发条件与自动恢复机制。根据ISO 11898-1标准，当发送错误计数器（TEC）超过255时节点进入Bus-Off状态，并通过检测128次总线空闲条件实现自动恢复。文章结合实战案例，探讨硬件故障、软件配置及电磁干扰等常见触发场景，并提供快慢恢复策略与调试方法，帮助工程师快速定位并解决CAN网络故障。
从配置困境到指尖即达：小熊猫Dev-C++完整上手指南
学C++最让人崩溃的往往不是语法本身，而是正式动手之前那场没完没了的环境配置。小熊猫Dev-C++（Red Panda Dev-C++）正是冲着这个痛点来的：作为社区中广受好评的Dev-C++改良分支，它保留了轻量易用的传统，同时内置MinGW-w64 GCC编译套件——下载约50MB的安装包、走完安装向导，就能直接进入编码状态，全程不到5分钟。 ## 第一幕 先聊聊那个劝退无数人的"C++第一
Keil5实战：如何高效导出变量数据并实现可视化分析
本文详细介绍了在Keil5开发环境中，如何利用调试脚本高效导出程序运行时变量数据的方法。通过编写脚本自动捕获数据并保存为文件，再结合Excel或Python进行可视化分析，为嵌入式调试与算法优化提供了数据支撑，显著提升开发效率。
IEC61850建模实战：从标准解读到ICD文件生成
本文详细介绍了IEC61850建模的实战过程，从标准解读到ICD文件生成，涵盖了变电站自动化系统的结构化数据模型设计。通过分层结构、标准服务映射和XML文件解析，帮助读者掌握电力系统智能电子设备的标准化建模方法，提升工程实施效率。
六年了，我还是想学编程|一个准计科生的自白
哈哈是这样的，但我不会后悔我的选择，因为我深知我很喜欢这个专业，我选它不只是为了追求多么高的薪资，更是为了不辜负持续了6年的热爱，我很热爱这个专业，我也很热爱这样自学、探索的过程。大家好，我是一名今年的高考生，9月将在郑州某211学习计算机科学与技术专业，和70%-80%的高考生不太一样，我在初中的时候尝试过自学编程，当时没有什么明确的目标，后来学习到指针便也被他的难度劝退，算是有一丢丢的编程基础吧...说来也惭愧，Java、python、c#这类热门编程语言都学过一些皮毛，但也只接触了皮毛。
使用gsplat进行3D高斯泼溅的方案
gsplat 不是一个软件，而是一个深度优化CUDA的开源Python库。它的作者是 Nerfstudio 团队，这个团队最出名的项目是 Nerfstudio，是对 NeRFs 方法支持最好的一套框架。据其所述，出于对新一代技术的好奇，他们构建了 gsplat 这个库。它支持 Windows/Linux 两个系统，使用前必须准备好 Nvidia 显卡。跑这个项目真是特别费劲，官方的文档支持不够完善，以至于遇到问题，开发者们都只能在issue区里抱团取暖。
C语言自学-简单的记录
一、工欲善其事，必先利其器 安装C语言编译器，初学者可以先选择比较轻量级的dev c，占用空间不大，写程序什么的够用了 安装教程路径如下： https://blog.youkuaiyun.com/qq_41594445/article/details/102941354 安装好了怎么编译运行呢？dev c 很简单，如下图： 第2步最好点击Compile & run，先编译再运行 二. C语言简单例子 学习写代码都是为了解决的问题，接下来看一个例子 https://leetcode-cn.co
恶意流量检测数据集
对当前公开的恶意流量相关数据集进行归类总结，持续更新相关论文
高速窄脉冲峰值保持设计
一、目的 在激光探测领域，探测器发出的高速窄脉冲，单片机AD进行采样，很难捕捉到窄脉冲的幅值，即使使用高速AD进行采样，也存在一定的难度。因此，本方案设计了一种高速窄脉冲峰值保持电路，有助于单片机AD采样能很好的捕捉到脉冲幅值。 二、方案分析与比较 峰值保持器一般分为两种：电压型和跨导型。 方案一:电压型峰值保持器，由电压型运放、二极管、保持电容、缓冲器组成，优点是元件成本低，缺点是峰值保持存在过...
冲击秋招：菜鸟自学c语言Day1
编辑器：程序员写代码的过程编译器：查看代码的语法错误，生成汇编语言汇编器：将生成好的汇编语言，生成二进制语言（目标文件）连接器：将生成好的 二进制+用到的库+启动代码 ==>可执行文件#include <stdio.h>头文件 std标准，i输入，o输出（）函数的形参：将函数外部的数据传递到内部的桥梁int》0为整数型2.案例：求圆的面积define:定义一个宏，用PI代替3.14scanf：输入类型，从键盘上获取%f类型的数据，传递给r（要有取地址符号&）输入什么格式，搬运什么格式。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
C语言调试教程总结（以visual studio和Dev C++为例）_c语言怎么调试
我们已经对 Visual Studio 的调试有了一些了解，在这一节，我们将向大家展示我们在调试过程中可以使用的一些实用技巧。使大家的调试操作更加轻松愉快。首先我们再了解一下Visual Studio 中，Release构建模式和Debug 构建模式的区别。我们在可以切换构建模式。Release构建模式下构建的程序为发行版，而Debug构建模式下构建的程序为调试版。在 Visual Studio 中调试模式还会定义两个宏 _DEBUG 和 DEBUG，后文我们将介绍它们的一些妙用。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
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")
Dev-C++全平台安装指南：从Win7到Win11的C/C++开发环境搭建
集成开发环境（IDE）是程序员编写、调试代码的核心工具，其原理在于将编辑器、编译器、调试器等组件整合，提供统一的开发界面。对于C/C++初学者而言，一个轻量、易用的IDE能显著降低学习门槛，快速验证语法和算法。Dev-C++作为一款经典的免费开源IDE，因其极低的系统资源占用和简洁的操作逻辑，在编程教学、算法竞赛及老旧设备开发等场景中持续发挥价值。本文聚焦于**Dev-C++安装包**的获取与配置，详细解析如何在**Windows 7至Windows 11**的全系列系统上安全、高效地部署这一开发环境，并涵
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
C C++调试总结：IDE（visual studio和Dev C+，这篇文章可以满足你80%日常工作
Catchpoint 3 (exception thrown), 0x00007ffff7e81762 in __cxa_throw ()
Dev-C++ 5.4.0 实战指南：C语言入门环境配置与项目开发
集成开发环境（IDE）是程序员编写、编译和调试代码的核心工具，其原理在于将编辑器、编译器和调试器集成在一个软件中，提供统一的工作流。对于C语言初学者而言，一个轻量、易配置的IDE能有效降低学习门槛，将注意力集中在语法和逻辑上，而非复杂的环境搭建。Dev-C++ 5.4.0 正是这样一款经典的轻量级C/C++ IDE，它集成了MinGW编译器，开箱即用，特别适合教学场景和快速验证算法。通过配置编译器警告选项（如 -Wall -Wextra）和编辑器设置（如将Tab转换为空格），可以规范编码习惯，提升代码质量。
大一c语言实训2048小游戏
实训感言 第一次实训，啥也不知道，各种文档啥的做的挺累的，代码大概花了一天半搞完，然后测试修改，最终定稿，能力也确实得到了提高 组成 因为是小游戏嘛，用户体验感挺重要的，在网上自学了插入音乐，多线程等方面 精美的开始页面，然后有几个功能可供选择（继续游戏，新游戏，音乐选项等） 打印棋盘 移动合并函数 判断胜负函数 统分函数 游戏读取保存函数 游戏结束界面函数 音乐播放函数等 这里我只列出了主要的...
Dev-C++ 2024下载安装与配置全指南：C/C++初学者首选IDE
集成开发环境（IDE）是程序员编写、调试和运行代码的核心工具，其通过集成编译器、编辑器、调试器等组件，将代码转化为可执行程序。对于C/C++初学者而言，环境配置往往是首要障碍，而Dev-C++以其内置MinGW编译器实现了开箱即用的轻量级解决方案，极大降低了入门门槛。在技术价值上，它特别适合编程入门学习、算法竞赛（如OI/ACM）及轻量级项目开发，提供了单文件编译、快速调试等实用功能。应用场景涵盖教育、竞赛及小型工具开发，尤其适合需要快速验证代码逻辑的场景。本文聚焦Dev-C++的下载安装、配置优化及常见问
C语言自用笔记--C语言简述（1）
C编程学习记录
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4943
扫一扫
