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
700+累计阅读
761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
杂项的bug和调试每一项都得专门去做，比较琐碎，所以罗列在这里。
预处理器和编译器和c类似
断点
监视点
查看内存
查看汇编代码
#define
#if define xxx
#else
#endif
#ifndef xxx
#define
#endif
字符串化 #define ABC(x) cout << #x
拼接 #define FPRINT(x) f##x##print 根据x生成变量
宏 __DATE__ __TIME__ __LINE__ __FILE__
assert宏
位运算
位字段--告诉编译器分配内存的大小
SystemVerilog学习总结
因为选择的offer是IC验证，以前学的是设计，所以只能再学systemverilog（SV）和UVM了。在学习SV和UVM之前，我认为需要学习以下几个部分：数字电路、c++和verilog。因为IC验证确实有不少别的专业之前没学过数字电路和Verilog，所以还是最好先学习一下。 知识点的总结主要是通过systemverilog验证-测试平台编写指南这本书进行的，所以请看书。通过对这本书的目录进行重点的划分，然后再进行相关知识点的总结。最后，给出自己收集的别的博主IC EDA环境的虚拟机，以及使用虚拟机需
C++学习——杂项
1.assert() assert宏的原型定义在<assert.h>中，其作用是如果它的条件返回错误，则终止程序执行。 原型定义： #include <assert.h> void assert( int expression ); assert的作用是先计算表达式 expression ，如果其值为假（即为0），那么它先向stderr打印一条出错信息，然后通过调用 abort 来终止程序运行。 ...
Office Tool Plus：正版Office干净部署指南
Office部署是Windows新机配置的关键环节，涉及版本选择、架构匹配、语言支持与合规激活等基础技术问题。其核心原理基于微软官方Office Deployment Tool（ODT）的声明式XML配置机制，通过标准化流程确保安装可复现、可审计、无第三方捆绑。技术价值在于规避官网安装器的版本锁定、架构误配和语言缺失等常见风险，提升部署稳定性与安全性。典型应用场景包括企业批量部署、IT运维标准化、隐私敏感型用户自主安装。本文以Office Tool Plus为实践载体，深入解析ODT底层逻辑、XML配置规范
复制代码到vs中，无法运行？如何解决
初打代码时，一直用的是devC++，然后把devC++保存的cpp文件用vs打开，无法直接运行，这是为什么？ 将cpp文件打开我们可以看到这样 这样表示你现在打开的是一个杂项文件 然而杂项文件是无法直接运行的 怎么解决运行的问题呢？ 我们可以先看看右侧有没有解决方案资源管理器的视图 如果没有就点击-视图-解决方案资源管理器（快捷键ctrl+alt+L） 之后我们右键-添加-新建项目 弹出新...
PCB过孔电流承载解析：完整指南与数据参考
深入解析PCB过孔的电流承载能力，结合实际应用场景提供可靠设计参考。涵盖影响载流的关键因素，并整理实用的pcb过孔与电流对照一览表，帮助工程师优化布局与布线。
STM32驱动AD7779：双极性电源下8通道同步ADC的SPI配置与数据采集实战
本文详细介绍了在双极性电源供电下，使用STM32通过SPI接口驱动AD7779同步ADC芯片实现8通道高精度数据采集的实战经验。重点解析了电源设计、抗干扰处理、寄存器配置、SPI通信技巧及数据校准方法，帮助工程师解决工业测量中的同步采样与噪声控制难题。
关于VS项目出现杂项文件
不知道各位在做unity项目的时候有没有遇到自己新创建的脚本没有被vs识别并且在左上角出现杂项文件的情况【见图】 解决方案如下: 3.鼠标选中自己新创建的脚本文件，右键点击包含在项目中. ...
C#上位机开发揭秘：从新手到大神的蜕变之路，代码实例全解析！
上位机通常是与硬件设备（如嵌入式系统、PLC、传感器等）进行通信的计算机程序。它的作用是通过某种通信协议（如串口、TCP/IP 等）向设备发送命令，并接收设备的反馈数据。上位机需要有一个图形用户界面（GUI）来展示数据或控制硬件设备。通过本篇教程，我们介绍了 C# 上位机开发的基本步骤，从串口通信的实现，到图形用户界面的构建，再到进阶功能的实现。作为上位机开发的新手，掌握这些基础知识是非常重要的。而随着经验的积累，你可以逐步尝试更复杂的功能，比如多线程处理、数据分析与存储等。
杂项-cpp
c++ 写完代码到能跑起来，要经过编译 链接 。我们的.cpp .h 被称为源代码，给人看的，机器现在还看不懂，所以需要编译器把源码转成机器能看懂的object file，最后由链接器把多个object file组合成一个exe可执行文件。在写编程中必然会遇到以下几类错误： 编译时错误(编译器找到的错误，eg：语法错误等) 链接时错误(eg：库冲突) 运行时错误(eg：逻辑错误)。一般来说 编
元数据治理实战：构建企业数据地图与血缘体系
元数据（Metadata）是描述数据的数据，是你能了解“数据是怎么来的”、“它是做什么的”、“能不能用”的基础信息。📌 举个例子：order_idstringods_order定义：平台内用户在订单系统中产生的唯一订单编号更新时间：每天凌晨 2 点，由 Airflow 调度任务生成所属人：张三（数据开发部）🔍 这些信息本身不直接参与计算，但它们是数据可管理、可追踪、可评估的基础。模块实战建议元数据类型技术 + 业务 + 操作元数据三类统一治理治理路径。
R数据分析：潜在剖面分析LPA的做法与解释
Latent Profile Analysis (LPA) tries to identify clusters of individuals (i.e., latent profiles) based on responses to a series of continuous variables (i.e., indicators). LPA assumes that there are unobserved latent profiles that generate patterns of resp.
C++ Builder 杂项
C++ Builder 杂项_xxxl的专栏-优快云博客
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
CPP杂项
1. 友元函数声明顺序非成员函数：需在类外提前声明函数，再在类内标记为友元。cpp复制// 前向声明// 正确：函数已声明void helper() { ... } // 实现直接定义在类内：无需提前声明，但视为隐式内联。cpp复制friend void helper() { ... } // 直接定义（隐式内联）易错点若未提前声明，友元函数可能被误认为新函数（导致链接错误）。2. 友元类声明顺序被友元的类（如B）需至少前向声明，再在目标类（如A）中标记为友元。
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
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")
C++杂项（更新中）
C++学习笔记
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
C++入门基础知识41——【关于C++ 运算符——杂项运算符】
C++入门基础知识41——【关于C++ 运算符——杂项运算符】
C++杂项
一些C++的杂项，之前都没注意到的，自己记录一下 cmake 教程 cmake是一个跨平台的安装（编译）工具，可以用简单的语句来描述所有平台的安装(编译过程)。他能够输出各种各样的makefile或者project文件，能测试编译器所支持的C++特性,类似UNIX下的automake。(摘自百度百科) cmake教程 上面的链接是我看到的比较好的新手教程，并且比较详细。 linux下cmake常用命令 常用命令 这是linux下的常用命令，有些的只有命令说明，没带参数，自己在使用的时候可以在去详细看具体命令
C++学习-入门到精通【19】杂项汇总
运算符可以强制去除和的限定，使得一个声明为const的变量可以被修改。注意，使用该运算符是一件危险的事，应该明确程序的确需要修改一个常变量的功能才使用它。该运算符并不会进行任何检查。这里我们对比之前我们用到过的其他的一些强制转换运算符：、和。的工作是在编译时进行相关类型间的安全转换，同样也可以用于向下转换，但是安全必须由程序员来保证（也就是不进行运行时类型检查）； 的核心工作是在运行时进行多态类型的安全向下转换。会进行运行时类型检查，被转换的对象是否与要转换的目标类型相同，如果相同继续转换，不同则返回一个空
C++中一些杂项
C++一些杂项补充
C++基础之杂项
1> 格式 : [捕获列表](函数形参列表)[mutable] [->返回值类型]{函数体内容}；2> 解析1、捕获列表：分为值捕获和引用捕获值捕获：值捕获时，表达式中的数据和外界的数据属于不同的数据，并且在非mutable的lambda表达式中值捕获数据可读不可写[变量1，变量2，。。。，变量n]：将这些数据都进行值捕获[=]:将外界的变量全部进行值捕获[=,&变量1，&变量2]：除了将变量1和变量2进行引用捕获外，其他都是值捕获。
C++学习笔记【七】—— 杂项运算符
C++运算符 算术运算符 关系运算符 逻辑运算符 位运算符 赋值运算符 杂项运算符 其中杂项运算符如下：
c++ 杂项
-------------------------------------------------------------------------------- 1. 如何使类的成员函数作为回调函数 -------------------------------------------------------------------------------- c++成员函数需要传递this
C++运算符表达式和基本语句—杂项运算符和运算符的优先级
杂项运算符和运算符之间的优先级
c++的一些杂项
/** cwl: 内容:c++非面向对象的一些杂项总结 1, c++转换函数 */ #include <bits/stdc++.h> using namespace std; class Fraction { public: Fraction(int num, int den = 1) :m_numberator...
C++ 杂项
c++11引入了auto类型说明符，auto让编译器通过初始值来推算变量的类型，所以auto定义的变量必须有初始值，可以和范围for循环组合使用。 #include<iostream> using namespace std; int main() { string s("hello world"); for(auto c:s) c='t'; cout<<s<...
C++核心指导原则: C风格编程及其他杂项
本文详细总结了C++核心指导原则中的其他杂项规则, 包括C风格编程的最佳实践, 结构性设计建议以及常见的编码误区. 内容涵盖了如何优先选择C++特性, 分离稳定与不稳定代码, 避免循环依赖等方面, 并提供了具体的建议和示例. 通过遵循这些指导原则, 开发者可以编写出更加安全, 高效且易于维护的C++程序, 提升代码质量.
C++ 杂项知识记录
C++ 杂项知识记录 各类C++杂项知识C++ 杂项知识记录1.前置处理符号1.1 #pragma once ————————————————————————————————————————————— 1.前置处理符号 1.1 #pragma once 在C和C++编程语言中，#pragma once是一个非标准但是被广泛支持的前置处理符号，会让所在的文件在一个单独的编译中只被包含一次。以此方式，#pragma once提供类似include防范的目的，但是拥有较少的代码且能避免名称的碰撞。 例如 //
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
