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
1.8k累计阅读
1.8k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
http://www.cnblogs.com/yiwuya/archive/2008/08/19/1270993.html
1,菜单栏 ===> 工具 ===> 帐户
2,点击右边的添加按钮
3,选择"其他日志服务",然后点"下一步"
4, 输入"日志主页","用户名","密码",然后点"下一步"
5,选择所"使用的日志类型",并且输入"日志的远程发布URL",然后点"下一步"
注：优快云和CNBLOGS所使用的日志类型是:Metaweblog API。
优快云的日志远程发布URL格式是：http://blog.youkuaiyun.com/<username>/services/metablogapi.aspx
CNBLOGS日志远程发布URL格式是：http://www.cnblogs.com/<username>/services/metaweblog.aspx
6,正在检测日志设置时提示"是否允许Writer 创建临时日志",选择"是"
7,完成
AXI backpressure反压机制代码
本文将xilinx的axi读写代码进行修改，实现吞吐量达到50%
window live writer 配置csdn的博客
转载:优快云、cnblogs使用Windows Live Writer客户端发布日志时相关配置 转载:优快云、cnblogs使用Windows Live Writer客户端发布日志时相关配置 收藏 http://www.cnblogs.com/yiwuya/archive/2008/08/19/1270993.html 1,菜单栏 ===> 工具 ===> 帐户 2,点击
麒麟V10（arm）配置本地离线yum源
麒麟V10（arm）配置本地离线yum源
优快云、CNBLOGS使用Windows Live Writer客户端发布日志时相关配置
<br />优快云、CNBLOGS使用Windows Live Writer客户端发布日志时相关配置<br />1,菜单栏 ===> 工具 ===> 帐户 <br /><br />2,点击右边的添加按钮 <br /><br /> <br />4, 输入"日志主页","用户名","密码",然后点"下一步" <br /> <br />5,选择所"使用的日志类型",并且输入"日志的远程发布URL",然后点"下一步" <br /><br />注：优快云和CNBLOGS所使用的日志类型是:Met
避坑指南：用Adams做滚珠丝杠仿真时90%人会遇到的3个建模错误
本文针对使用Adams进行滚珠丝杠动力学仿真时常见的三大建模错误，提供了详细的避坑指南。重点解析了如何避免因直接导入CAD几何体导致的性能与精度问题，科学设置接触参数以提升计算效率与结果平滑度，以及通过规范的命名与组织管理模型，确保仿真过程高效可靠。
技术文档的语言表达：简洁、准确与易懂的平衡艺术
技术文档的语言表达不仅要简洁、准确，还需要能够打破技术壁垒，使不同背景的读者都能理解。这是一项需要技巧和经验的工作，它要求技术作者既要具备扎实的专业知识，又要具备清晰的表达能力。通过不断打磨语言的简洁性、准确性和易懂性，我们能够创造出一份高质量的技术文档，让知识的传递不再受限于语言的障碍。
优快云、cnblogs使用Windows Live Writer客户端发布日志时相关配置
<br /><br />1,菜单栏 ===> 工具 ===> 帐户<br /><br /> <br />2,点击右边的添加按钮<br /> <br />3,选择"其他日志服务",然后点"下一步"<br /><br /> <br />4, 输入"日志主页","用户名","密码",然后点"下一步"<br /><br /> <br />5,选择所"使用的日志类型",并且输入"日志的远程发布URL",然后点"下一步"<br /><br />注：优快云和CNBLOGS所使用的日志类型是:Metaweblog API
YOLOv8缺陷检测可视化界面实战：PyQt5布局设计与代码实现
本文详细介绍了如何利用PyQt5为YOLOv8缺陷检测模型构建一个专业、易用的可视化界面。通过实战讲解PyQt5的布局管理器设计、信号槽机制与YOLOv8核心的集成，帮助开发者快速将AI模型部署为直观的桌面应用，提升工业质检等场景的落地效率。
测试 windows live writer客户端
转载:优快云、cnblogs使用Windows Live Writer客户端发布日志时相关配置 收藏 http://www.cnblogs.com/yiwuya/archive/2008/08/19/1270993.html 1,菜单栏 ===> 工具 ===> 帐户 2,点击右边的添加按钮 3,选择"其他日志服务",然后点"下一步" 4, 输入"日志主页","用户名","密码",然后点"下一步" 5,选择所"使用的日志类型",并且输入"日志的远程发布URL",然后点"
智能园艺：AI Agent控制的室内种植系统
随着城市化进程的加速和人们对健康生活的追求，室内种植逐渐成为一种流行的生活方式。然而，传统的室内种植方式往往需要人工进行大量的监测和管理，效率低下且难以保证植物的生长质量。智能园艺：AI Agent控制的室内种植系统旨在利用先进的人工智能技术和传感器设备，实现室内种植的自动化和智能化管理，提高种植效率和植物生长质量。本系统的范围涵盖了从植物生长环境的监测到种植过程的自动化控制，包括温度、湿度、光照、土壤水分等环境参数的实时监测，以及灌溉、施肥、通风等种植操作的自动执行。
AMBA-CHI协议详解（七）
本节描述该协议包含的支持系统保序需求的机制。
windows live writer 离线写blog
微软发布的软件windows live writer 可以离线写blog.也就是说，你可以在windows live writer这个软件编辑blog.然后点击“发布”见blog发送到指定网页上。前提是需要在windows live writer 中设置相应的账户信息。 请参考：http://www.cnblogs.com/yiwuya/archive/2008/08/19/1
OpenOCD入门到精通：第28章 综合实战：RISC-V 调试
RISC-V调试实战摘要 本文介绍了RISC-V调试规范及其在OpenOCD中的实现。主要内容包括： RISC-V Debug规范的两个版本(0.11和0.13)及其差异，OpenOCD通过自动检测DTMCS寄存器版本号选择对应驱动实现。 RISC-V调试架构的分层设计，包含DTM、Debug Module、Program Buffer等核心组件，以及三种内存访问方式(progbuf、sysbus、abstract)。 以GD32VF103为例的实战调试配置，包括硬件连接、OpenOCD配置文件编写和GDB
工厂设备接MES为什么慢：协议识别与点表配置自动化的技术拆解
工业现场设备接 MES 的周期主要消耗在协议识别与点表配置。本文拆解这条链路的四层结构，给出点表映射的数据模型、两种部署架构的对比，以及可直接落地的三项验收口径与校验代码。适合工控集成、MES 实施、设备联网方向的工程师。
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")
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
HarmonyOS ArkUI 分页列表防重：游标推进、重复项合并与刷新隔离
长列表里“到底了”不总意味着下一页成功：列表底部事件可能在初次布局时就触发，网络重试可能重复返回上一页，用户下拉刷新时旧分页请求也可能最后才回来。若每次回调都直接 append，页面会出现重复卡片、顺序回跳，甚至刷新后的新结果又被旧结果覆盖。这类问题的关键不是多加一个isLoading，而是让分页请求有明确身份：它属于哪个查询代次、请求哪个游标、当前是否已有同游标请求在途。响应只有通过这些核对，才能按稳定 ID 合并并推进游标。本文用应用侧纯逻辑模型说明这个边界；
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
list
的底层是双向链表结构，双向链表中每个元素存储在互不相关的独立节点中，在节点中通过指针指向其前一个元素和后一个元素。，因此反向迭代器的实现可以借助正向迭代器，即：反向迭代器内部可以包含一个正向迭代器，对正向迭代器的接口进行包装即可。是可以在常数范围内在任意位置进行插入和删除的序列式容器，并且该容器可以前后双向迭代。迭代到该位置，在这段位置上迭代需要线性的时间开销；最大的缺陷是不支持任意位置的随机访问，比如：要访问。还需要一些额外的空间，以保存每个节点的相关联信息。个元素，必须从已知的位置。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
从零开始的C++生活——第七讲——02
关于迭代器，由于你要进行操作符重载，所以我选择封装一个迭代器类，从底层的角度思考，你拿到任意一个类型的迭代器一般都是要访问迭代器所指向的空间的成员，所以我们其实应该拿到迭代器所指向节点的值，因此这也是一个模板类，而且，我们要对迭代器的解引用操作符和->操作符进行重载，重载即是分别拿到对应的值以及对应值的地址，除此之外，在遍历过程中我们需要对迭代器进行比较，因此需要重载==!增加的模板参数一个传T的引用，一个传T的地址，而const类型的迭代器则是传const T&和const T*。
数据结构 数组与链表 内存与缓存
存储数组的内存空间是连续的存储链表的内存空间不是连续的链表在初始化后，仍可以在程序运行过程中对其长度进行调整，因此也称“动态数据结构”。数组在初始化后长度不可变，因此也称“静态数据结构”。值得注意的是，数组可通过重新分配内存实现长度变化，从而具备一定的“动态性”。，在算法中直接被使用。一个二进制位即为1 比特。现代计算机 CPU 通常将 1 字节作为最小寻址内存单元。。先将原码转换为反码，并在反码下计算 ，最后将结果从反码转换回原码，则可得到正确结果。
向 excel、word、pdf 三种文档中占位符插入数据
【代码】向 excel、word、pdf 三种文档中占位符插入数据。
查找最近多段线的LISP实现
在 AutoCAD 中判断哪条多段线离指定点最近及次近，核心在于遍历选择集中的所有多段线对象，利用 ActiveX 方法。获取该点在每条多段线上的投影点（最近点），计算两点间的欧几里得距离，最后对距离列表进行排序提取前两名。(距离 . 实体名)
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1764
扫一扫
