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
2.3k累计阅读
2.3k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
XP下共享internet方式建立的AD Hoc在android设备上不能成功连接，只有windows Mobile或Windows CE设备可用（看得出我老来了，唉...）
但Win7下使用两个命令行和一个简单共享就搞定，不讲原理等，只记录方法，我用的是网络方法激活的旗舰版。
1. 以管理员方式调用cmd
输入：netsh wlan set hostednetwork mode=allowssid="YourAPName" key=YourKey
返回：三行成功提示；
2. 这个之后，在适配器配置中出现一个虚拟的无线网卡，将已存在的网络连接，可以是有线的本地连接，宽带连接或者无线连接，统统都可以。
只需要将已存在连接 右键属性，共享，共享给刚才新建立的“无线网络连接 2”，只用于当桥上网的话，不需要配置web等参数。
3. 在上面的cmd窗口中
输入 netsh wlan start hostednetwork
返回： 已启动承载。
配置完成，用手机啥的去连接wifi然后上网吧。
android 学习 开发
高校技术转移办公室人员如何利用智能工具简化技术成果的推介与转化流程？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
system server ANR 一种分析方法 -- Android JVM异常重启简析
SYSTEM SERVER进程ANR 一般会导致java vm不停重启，还好保留了自动打印log到文件中的方法，出现这种概率性问题，从log入手就简单多了。 1. 找到SYSTEM server的PID，一般在logcat中会有这么一句 System server process 2094 has been created； 2094就是你需要的PID 2. 根据pid去搜索
solong 图像处理器 - v3.4 - 吾爱大佬 by 金牌软件 .exe
solong 图像处理器 _ v3.4 _ 吾爱大佬 by 金牌软件 .exe
android 调用前摄像头进行拍照的方法及完整例子
android调用camera时，可以自己写一个activity，赋上相关参数，打开前camera就可以了； 需要申请的permission，在AndroidManifest.xml中添加： 主要功能，打开前camera private Camera openFrontFacingCameraGingerbread() { int ca
提升AI智能体回复质量：扣子平台提示词优化技巧与案例解析
本文深入探讨了在扣子平台上优化AI智能体提示词的关键技巧与实战案例。通过分析提示词设计的核心原则、业务场景适配策略以及平台高级功能应用，帮助开发者显著提升AI Agent的回复质量。文章特别强调了结构化提示词设计和A/B测试评估的重要性，并提供了电商客服场景的完整优化案例。
小白跑WRF第三天，安装三方依赖库
小白跑WRF第三天，安装三方依赖库各类安装包的准备 各类安装包的准备 官网教程：https://www2.mmm.ucar.edu/wrf/OnLineTutorial/compilation_tutorial.php 根据官网教程需要的安装包有以下几个 系统环境 用途 zlib-1.2.7 zlib是提供数据压缩用的函式库。 netcdf-4.1.3 读nc文件的。 mpich-3.0.4 用于并行运算的工具。 libpng-1.2.50 libpng是一款C语言编写的比较底层
android生成apk时报错：Dx 1 error; aborting
Build通过，生成apk时报错： [2013-07-16 10:47:53 - APPTest] Dx 1 error; aborting [2013-07-16 10:47:53 - APPTest] Conversion to Dalvik format failed with error 1 解决方法： 删除编译时生成的 Android Dependencies之后clea
华大HC32F460 TCP Client 实验
华大HC32F460 TCP Client 实验
通过adb命令监控输入事件
有时运行中出现触摸屏点击不好用，此时adb好用的话，通过命令来监控看触摸屏是否有事件上报。如果有就是前台应用处理的问题，可能是有透明的activity尚未销毁； adb监控touch等event的方法分为简单两步： 1. 找到touch或键盘对应的event设备号； 2. 使用cat监听该event设备； 1. 找到的event号的方法： dos窗口输入： adb she...
使用python实现随机正态分布数据，并导出到表格（超详细）
最近需要大量的正态分布的数据，为了方便，使用python实现随机正态分布，画出理想正态分布图和实际的矩形分布，并导出到表格里面。以上就是今天要讲的内容，本文仅仅简单介绍了使用python随机生成正态分布的数据，画图，并导出。正态分布是机器学习中很常见的一种需求，往往需要大量的数据进行测试，此时，本文的方法就可以大大减少因数据而花费的时间啦！如有问题，欢迎评论区留言啊！
信号转换为图像 时域频域分析
一维信号如何转化为图像？深度学习如何学习 1.当然，直接1d卷积也是可以的。 2. 以信号强度的数值作为纵坐标，以时间为横坐标绘制信号点就可以了。 周霖那个即是 要看看代码是如何做的， 即使是单导联 5000个点，怎么变成50005000的分辨率的 3. 直接把多通道的一维信号合并成二维图像，然后直接按图像卷积的方法去做~~ 2225000这样一个图 ~可以看看语音处理的相关Net，其中比较...
关于ARM嵌入式工程师认证，AAE
AAE, Arm Accredited Engineer; 1. Prometric 监考，随时可以报名考试； 2. 140$,有点贵哦，要1000块钱了；自己学习？能学吗？ 3. 注册了Prometric账号; 4. 下载了AAE大纲，大纲里指定了很多参考书，网友说可以主要看一本：Cortex-A Series Programmer’s Guide.pdf http://ww
立创电赛C题：基于STM32的三端口DC-DC变换器设计与MPPT算法实现
本文详细解析了2021年立创电赛C题——基于STM32的三端口DC-DC变换器设计。文章从题目要求出发，系统阐述了采用双DC-DC电路（分别负责MPPT追踪与稳压）的硬件架构，并重点讲解了以STM32为核心、结合PID控制与扰动观察法（MPPT算法）的软件实现方案，为备赛者提供了完整的软硬件设计思路与调试经验。
linux 打印call stack 方法
主要有四种，加入backtrace的方法： 1. WARN_ON(cond) //比如 WARN_ON(!host->claimed); 条件满足时，输出如下log： WARNING: at drivers/mmc/core/core.c:240 mmc_wait_for_cmd+0x2c/0x74() //by warn_slowpath_common Modules
国产Flash替代方案：手把手教你用XSCT烧写ZYNQ7045的BOOT.BIN（附完整命令解析）
本文详细介绍了国产Flash替代方案在ZYNQ7045上的应用，通过XSCT工具链实现BOOT.BIN的精准烧写。内容涵盖国产Flash兼容性检查、PetaLinux环境搭建、XSCT烧写全流程及故障排查，帮助开发者高效完成国产化替代，提升硬件开发效率。
Unity3D实现自定义河流路径或泥石流路径
此工具是一个插件,插件很好用,可以根据地形编辑河流的走向以及宽度,也可以发挥想象编辑成其他的效果,比如泥石流效果,岩浆效果,小溪,或者大江或者大河等等博客将会介绍可以编辑河流的工具的使用。希望这篇博客对Unity的开发者有所帮助。大家好，我是心疼你的一切，不定时更新Unity开发技巧，觉得有用记得一键三连哦。提示：以下是本篇文章正文内容，下面案例可供参考本次总结的就是工具的使用， 有需要会继续增加功能不定时更新Unity开发技巧，觉得有用记得一键三连哦。么么哒！
ffmpeg for android 独立ndk以及android项目下编译 --ubuntu
ffmpegfor android 编解码部分编译，不包含ffplay部分； 如果有一定英语基础，一定要去官网下载，热心网友的各种版本大多不如官网的全面准确，以点盖面的学习，可能影响效率。 官网地址：http://ffmpeg.org/trac/ffmpeg/wiki/How%20to%20compile%20FFmpeg%20for%20Android ，打开后如下图： 官网for an
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
编译能自动保存 logcat 和kernel log 的android镜像
开发过程中，希望系统能自动保存log cat和kernel的log，现在介绍一下方法。 关键字：服务 自启动 概念： 1. 开机自启动脚本： 手机的 /root/init.YourPlatformName.rc，这里面可以启用相关服务和应用； 2. logcat 是一个自带的应用，只要带上相关参数就OK了； 3. kernel log， 为方便使用，这个稍微麻烦一点，需要写一个应用，也
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
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")
关于WifiLock
关于WifiLock 1. 用于wifi长时间下载大数据的场合，一般情况下wifi设备会在灭屏后15分钟时进行唤醒系统并STOP wifi设备。如果不想让wifi在灭屏之后一段时间关闭，可加此锁。 2. 在加锁期间，即在release之前，相当于在wifi高级设置中进行了“屏幕关闭时永不睡眠”的选项。 3. 副作用： 3.1 会增加耗电； 3.2 wifi连接保持时
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
android jitsi编译及运行
下载了jitsi android的版本代码后，直接导入eclipse
飞思卡尔DVFS省电模式介绍
飞思卡尔DVFS 用途：根据负载情况，动态调节频率用于降低功耗。 使用范围：IMX31和IMX53都默认启用，并且imx53还添加了总线频率调节功能。 几个概念及实现： 1. DVFS Dynamic Voltage FrequencyScaling，即动态电压频率调整。 在imx31中，支持硬件的反弹式自动处理和软件的预知处理。这两种方式只可以选择一种。
在android jni等cpp/c文件中打印错误号 使用宏 errno
类似windows编程中常用的系统给出的错误号， GetLastError， 可以用在JNI 的cpp文件等多种文件中，使用非常简单， #include 在用到的地方直接 LOGW("error (errno=%d)", errno); 会打印出 EAGAIN、EINTR等错误号。
某Android 设备的物理存储（Nand）分区分析
只是记录自己的理解，难免有些错误，有时间会补充和更正。 以某具体 android 设备为例(Cortex A9双核 + 4GB iNand + 1GB DDR3)， 记录获取该设备存储分区信息的方法，获取驱动设备信息，主要让大家有一个形象的认识，不涉及驱动具体实现（据说4层）； 本文是从iNand存储的角度出发理解分区信息(YAFFS2)，涉及到基于RAM的文件系统(EXT4,VFS)，
android ramdisk.img 和 uramdisk.img 解压和互相转换
;2012/7/20 15:42:38 打开ramdisk.img和uramdisk.img 格式1： ramdisk.img"gzip compressed data, from Unix " //file ramdisk.img能看到。 1.1： 解压 mv ramdisk.img ramdisk.img.gz gunzip ramdisk.img.gz //转换成
关于定制 android 恢复出厂设置的一点思路
android的恢复出厂设置 文章问多一般都是从完整的recover mode讲起，恢复出厂设置只是 recovery mode下一个小部分。 recovery mode流程分析的文章很多，比较完整的有： http://blog.youkuaiyun.com/yahoozhuo/article/details/6403140 这个blog的内容，后面有copy，仅供备份，看原网页格式更好。
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
