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
2.1k累计阅读
2.1k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
CB的优点我不想多说了，否则就不会有这么多的喜欢者，而一些入门的朋友还是选择CB做为进入C/C++的工具，这使我觉得这篇文章还是值得写下去的，因为还是有那么的朋友在期待着的她的下一篇。这里对这些朋友表示感谢！
不在多说了，让我开始新的篇章吧，在这里你将进一步了解CB的特色，更希望我们CB的阵营越来越强大，更希望我们都成为真正意义上的好朋友，互勉互进J
由于时间有限，加之作者水平有限，文中难免有些错误，还及时请指出J这里先表示感谢！
15.菜单
C++ Builder 初学问与答（二）
2.文本输入组件11）问：如果要实现文本输入，在C++Builder中应该怎么办？答：C++Builder常用文本输入组件来实现，常用的文本输入组件有Edit、MaskEdit 、Memo和RichEdit。他们的主要不同在于Edit和MaskEdit用于输入单行文本，而Memo和RichEdit可以输入多行文本。此外Label组件也可用来进行文本显示。Edit和MaskEdit是一个
C++Builder编程技能全面提升指南
本文还有配套的精品资源，点击获取 简介：《C++Builder学习大全》是一本全面覆盖C++Builder集成开发环境的指南，适用于希望深入理解并掌握C++Builder的开发者。该资源详细介绍了C++语言基础、VCL框架、IDE功能、数据库集成、单元测试以及项目管理等内容。通过学习，读者能有效构建高性能应用程序，并掌握从基础到高级的各项技能。 1. C++语言基础语...
C++ Builder 简体中文版入门教程
本书从浅到深，详细全面的介绍了C++ Builder的界面窗口功能与基本程序设计的实例，对于初学者，十本值得推荐的好作品。
C++Builder 实例入门_电子书
C++Builder 实例入门_电子版的，直接在电脑上看，书有点旧淘宝上貌似买不到了
C++ builder实现打印功能
C++ Builder 中通过控件实现打印文字、图片的功能，
C++Builder入门
CHM格式, C++ Builder基础书籍
C++ Builder 50经典入门
Borland C++Builder 5.0 (简介) Borland C++Bilder 5.0是Interprise（Borland）公司推出的基于C++ 语言的快速应用程序开发（Rapid Application Development，RAD）工具，它是最先进的开发应用程序的组件思想和面向对象的高效语言C++融合的产物。C++Builder 充分利用了已经发展成熟的Delphi 的可视化组件库（Visual Component Library，VCL），吸收了Borland C++ 5.0 这个优秀编译器的诸多优点。C++Builder 结合了先进的基于组件的程序设计技术，成熟的可视化组件库和优秀编译器，调试器。发展到5.0版本，C++Builder 已经成为一个非常成熟的可视化应用程序开发工具，功能强大而且效率高。 C++Builder的特色： 1．C++Builder 是高性能的C++开发工具 C++Builder是基于C++的，它具有高速的编译，连接和执行速度。同时，C++Builder具有双编译器引擎，不仅可以编译C/C++程序，还能编译Object Pascal语言程序。 2．C++Builder是优秀的可视化应用程序开发工具 C++Builder是一完善的可视化应用程序开发工具，使程序员从繁重的代码编写中解放出来，使他们能将注意力重点放在程序的设计上，而不是简单的重复的劳动中。同时，它提供的完全可视的程序界面开发工具，从而使程序员对开发工具的学习周期大大缩短。 3．C++Builder具有强大的数据库应用程序开发功能 C++Builder 提供了强大的数据库处理功能，它使的程序员不用写一行代码就能开发出功能强大的数据库应用程序，这些主要依赖于C++Builder众多的数据库感知控件和底层的BDE数据库引擎。C++Builder除了支持MicroSoft的ADO（Active Data Object）数据库连接技术，还提供了一种自己开发的成熟的数据库连接技术——BDE（Borland Database Engine）数据库引擎。 4．C++Builder具有强大的网络编程能力 C++Builder具有众多的Internet应用程序开发控件，如WebBroker，CppWebBroswer，WinSocks等，它们基本含盖了Internet应用的全部功能，利用它们程序员可以方便地建立自己地Internet应用程序。
基于SpringBoot+Vue的公司考勤管理系统
为什么选择我博主是优快云毕设辅导博客第一人兼开派祖师爷、博主本身从事开发软件开发、有丰富的编程能力和水平。专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流和合作。
ZYNQ烧写程序到flash
1.打开SDK创建FBSl项目 点击finish 2.创建BootImage 导入fsbl.elf、.bin、.elf三个文件，Create Image 生成BOOT.bin文件 3.将BOOT文件烧录到FLASH image File选择2中生成的BOOT.bin文件，FSBL File选择fsbl.elf文件，连接好ZYNQ的Jtag，点击Program，即可烧录。 4.烧录程序到FLASH失败 如果是第一次烧录，需更改创建的fsbl工程下的main函数，在如下代码处加入BootModeRegi
Dell Precision 7920 Tower开机点不亮？别慌，看电源灯闪烁密码快速定位故障（附BIOS恢复指南）
本文详细解析了Dell Precision 7920 Tower工作站开机点不亮时的电源灯闪烁密码，帮助用户快速定位故障。从内存问题到BIOS恢复，再到CPU配置错误，提供了全面的诊断和修复指南，并附有实用的维护建议和工具推荐。
HPC软件使用之ANSYS Fluent
本文介绍了如何在超级计算机上使用ANSYS Fluent进行科学计算和工程仿真。文章首先对Fluent软件进行了简要介绍，强调了其在计算流体力学领域的广泛应用和强大功能。接着，详细说明了如何编写jou脚本文件和slurm脚本文件，以控制Fluent的计算流程和作业提交。文章还提供了作业提交和查看的具体命令，并通过一个鼓风机仿真的案例演示了从网格模型准备、脚本编写、作业提交到结果查看的完整流程。最后，展示了使用Fluent进行结果可视化的方法。
（35）远程识别(又称无人机识别)（一）
Ardupilot官网关于《Peripheral Hardware》的翻译 —《(35) 远程识别(又称无人机识别)》。
C++结合大漠插件实现DNF自动化脚本：从原理到实战
自动化技术通过模拟用户操作，实现重复性任务的自动执行，其核心原理在于对系统输入输出接口的精确控制。在Windows平台，这通常涉及窗口管理、图像识别与键鼠模拟等技术。这些技术为软件自动化测试、办公流程自动化及特定场景的辅助工具开发提供了工程实践基础。大漠插件作为国内广泛使用的Windows自动化开发组件，封装了上述底层操作，显著降低了开发门槛。通过其提供的COM接口，开发者可以高效实现窗口绑定、后台找图找色及内存读写等关键功能。本文以《地下城与勇士》为例，详细解析如何利用C++集成大漠插件，构建一个稳定、高
CP AUTOSAR标准之AUTOSAR OS(AUTOSAR_SWS_OS)（二）
AUTOSAR OS是一个Operating System，即操作系统。它最核心的功能是管理任务和事件的调度，不同任务间的同步流，并且提供监控和错误处理功能。或者用最简化理解就是一个函数调度器。
[Dify 实战] 如何在内网环境部署 Dify 应用：彻底离线的企业级方案解析
企业内网环境如何离线部署Dify？本文提供详细教程：Dify作为开源AI平台，支持完全离线部署，无需外网访问。文中介绍两种部署方式：推荐使用Docker一键部署，也可选择源码安装定制化方案。重点讲解内网模型配置（支持Ollama/GPT-OSS等）、知识库存储（MinIO/PostgreSQL）及内网代理设置，并给出常见问题排查方法。该方案适用于金融、政府等对数据安全要求高的场景，确保敏感数据不泄露，实现完全本地化的AI应用闭环。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
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")
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2705
扫一扫
