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
1.9k累计阅读
1.9k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
Ctrl+/ 单行注释；
Ctrl+Shift+/ 注释（// 或者/…/ ） 多行注释；
Shift+F6 重命名
Ctrl+X
Ctrl+D
Ctrl+G
Ctrl+Shift+上/下
F2
Ctrl + 鼠标左键
Alt + Up/Down
Ctrl+Alt+L
Ctrl+R
Ctrl+F
Ctrl+P
Ctrl+Alt+S
Ctrl+Shift+N
Ctrl+Shift+Alt+N
Shift+enter
Ctrl + Shift + U
Ctrl + E
F11
Ctrl + Shift + F12
Alt + J
Shift + END/HOME
探索LLM世界：新手小白的学习路线图
通过系统的学习和实践，新手小白也能逐步掌握LLM的核心技术。掌握LLM不仅能提升个人技术水平，还能为职业发展带来广阔的前景。未来，随着技术的不断进步，LLM将在更多领域发挥重要作用，成为推动科技进步的重要力量。学习LLM是一条充满挑战但也充满机遇的道路。只要你坚持不懈、不断学习和实践，就一定能够在LLM领域取得突破。希望本文提供的学习路线图能为你指明方向，助你早日掌握LLM，开启AI学习的新篇章！
Webstorm基本操作
webstorm快捷键 1.TAB 自动补全 2.复制当前行 ctrl+d 3.删除当前行 Ctrl+y 4.注释当前行|取消注释 ctrl+/ 5.注释多行|取消注释 ctrl+shift+/ 6.撤销 ctrl+z 7.同时编辑 alt 8.新建多个 * 9.包含关系 > HTML 1.是超文本标记语言（HyperText Mark-up Language ），用来设计网页的标记语言，用该语言编写的文件，以 .html或 .htm为后缀，由浏览器解释执行，不区分大小写，建
【智能优化算法】2024年SCI鳗鱼-石斑鱼优化算法(EGO)，含MathType公式、word伪代码、visio流程图、matlab代码等。
该文中包括5个内容：用MathType编辑的公式、伪代码、visio的流程图，matlab代码，PDF论文，拿来直接用，可以帮助科研者省下超多时间。 鳗鱼-石斑鱼优化算法(Eel and grouper optimizer ,EGO)是一种新型的元启发式算法（智能优化算法），灵感来源于海洋生态系统中鳗鱼和石斑鱼的共生作用和觅食策略。该成果由Ali Mohammadzadeh和Seyedali Mirjalili两位作者于2024年6月发表在SCI著名期刊《Cluster Computing》上。
WebStorm快捷键
WebStorm快捷键： 1. 必备快捷键 Ctrl+/：注释当前行 Ctrl+Shift+/：当前位置插入注释 Ctrl+Alt+/：块注释，并Focus到首行，写注释说明用的 Ctrl+Alt+l:格式化代码 Ctrl+Shift+A：选择当前标签前后，修改标签用的 F11：全屏 Shift+F11：全屏免打扰模式，只编辑当前文件 Alt+F3：选择所有相同的词 Alt+.：闭合标签 ...
（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)》。
从HAL库SPI状态机机制剖析：为什么你的DMA发送会卡在BUSY状态？
本文深入剖析了STM32 HAL库中SPI状态机机制导致DMA发送卡在BUSY状态的常见问题。通过分析状态机设计原理，揭示了混合使用阻塞方式和DMA方式时状态切换冲突的根源，并提供了三种实战解决方案：正确配置SPI中断、使用HAL_SPI_Abort()函数以及手动管理状态机，帮助开发者实现稳定流畅的SPI DMA通信。
webstrom快捷键合集
Ctrl+/ 或 Ctrl+Shift+/ 注释（// 或者/…/ ） Shift+F6 重构-重命名 Ctrl+X 删除行 Ctrl+D 复制行 Ctrl+G 查找行 Ctrl+Shift+Up/Down 代码向上/下移动。 F2 或Shift+F2 高亮错误或警告快速定位 写代码，按Tab 生成代码 选中文本，按Ctrl+Shift+F7 高亮显示所有该文本，按E...
基于ESP32的智能无线广播系统开发博客
通过本项目的开发，我们成功地实现了基于ESP32的智能无线广播系统。该系统不仅具备传统广播的功能，还实现了通过Wi-Fi无线传输音频、实时广播和智能控制等多种先进功能。未来，随着技术的进一步发展，我们还可以扩展更多功能，如智能推荐广播内容、支持语音识别和控制等。希望本项目能够为嵌入式开发人员提供一些思路和参考，帮助大家在实际开发中更好地应用ESP32平台，开发出更加智能和实用的无线广播系统。
WebStorm多行编辑
1.选中内容 2.按Shift+Alt+Insert 选中内容的时候往那边拉的光标就在那边，一般都用光标在左边的，因为内容不齐的话软件的智能识别没那么强，大多数都会照不准 3.光标在左边时，按下←就可以编辑了 WebStorm的多行编辑功能比较弱，这个看看就行，并没有多大用处 ...
向华为学习——解读华为战略规划SP与业务计划BP流程【附全文阅读】
该方案针对大中型企业高管及战略团队，系统拆解华为SP（4-9月中长期规划）与BP（10-12月年度执行）双轨体系，形成"战略制定-业务设计-资源配置-绩效解码"闭环。SP侧重市场趋势分析、业务优先级与资源分配，BP细化KPI、预算及行动计划。通过价值树、战略解码等工具实现战略到部门/个人的目标分解，强化跨部门协同与过程管控。配套17份华为实战资料（包括战略管理、流程优化、销售组织建设等核心方法论），助力企业建立规范的战略执行体系，实现资源优化与绩效落地。
机器学习实战7-基于机器学习算法预测相亲成功率
大家好，我是微学AI，今天给大家介绍一下机器学习实战7-基于机器学习算法预测相亲成功率，随着社会的发展，大家都忙于事业，对自己的终身大事就耽搁了，相亲是一种传统的寻找伴侣的方式，随着时代的发展，相亲的方式也在不断地改变。在这个过程中，了解相亲双方的信息以及预测相亲是否成功变得越来越重要。本文将介绍如何使用随机森林算法对相亲成功进行预测，通过分析男女双方的房子、车子、长相、家庭条件、父母情况、生活习惯、学历、性格、兴趣等因素，来预测相亲是否成功。
Webstorm常用快捷键
常用快捷键—Webstorm入门指南 提高代码编写效率，离不开快捷键的使用，Webstorm拥有丰富的代码快速编辑功能，你可以自由配置功能快捷键。 快捷键配置 点击“File”-> “settings” Webstorm预置了其他编辑器的快捷键配置，可以点击 默认配置-Eclipse的常用快捷键对照表 查找/代替 Webstorm快捷键 Eclipse快捷键
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
WebStorm常用快捷键总结
在使用WebStorm的过程中，常用快捷键整理： 1. 必备快捷键 Ctrl+/：注释当前行 Ctrl+Shift+/：当前位置插入注释 Ctrl+Alt+/：块注释，并Focus到首行，写注释说明用的 Ctrl+Shift+A：选择当前标签前后，修改标签用的 F11：全屏 Shift+F11：全屏免打扰模式，只编辑当前文件 Alt+F3：选择所有相同的词 Alt+.：闭合标签...
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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。
webstorm mac常用快捷键
WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaSscript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。百度百科 现将最常用的快捷键挑出来备忘，既能方便记忆，又能提高工作效率。 快捷键
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")
WebStorm最全常用快捷键
用来用去还是WebStorm最好用，页面简洁操作方便，分享一点WebStorm的快捷键。WebStorm的一些常用快捷键。
webstorm快捷键大全-webstorm常用快捷键
默认配置下的常用快捷键，提高代码编写效率，离不开快捷键的使用，Webstorm拥有丰富的代码快速编辑功能，你可以自由配置功能快捷键。 Webstorm预置了其他编辑器的快捷键配置，可以点击 查找/代替 界面操作 快捷键 说明 ctrl+shift+N 通过文件名快速查找工程内的文件（必记） ctrl+shi
WebStorm常用配置及快捷键
一、WebStorm常用配置 WebStorm汉化包······>WebStorm汉化包及使用教程下载地址 1. 如何更改主题与字体 （1）更改主题：file（文件）······>setting（设置）······>editor（编辑器）······>切换配色方案······>scheme（方案）······>选择你的主题( darcula) ① 找到并单击...
webstorm快捷键_Webstorm的一些常用快捷键
常用一：1. ctrl + shift + n: 打开工程中的文件，目的是打开当前工程下任意目录的文件。2. ctrl + j: 输出模板3. ctrl + b: 跳到变量申明处4. ctrl + alt + T: 围绕包裹代码(包括zencoding的Wrap with Abbreviation)5. ctrl + []: 匹配 {}[]6. ctrl + F12: 可以显示当前文件的结构7. ...
Webstorm的一些常用快捷键
下面是Webstorm的一些常用快捷键： ctrl + shift + n: 打开工程中的文件，目的是打开当前工程下任意目录的文件。 ctrl + j: 输出模板 ctrl + b: 跳到变量申明处 ctrl + alt + T: 围绕包裹代码(包括zencoding的Wrap with Abbreviation) ctrl + []: 匹配 {}[] ctrl + F12: 可以显示当前文件的...
常用快捷键——Webstorm——IDEA
常用快捷键—Webstorm入门指南提高代码编写效率，离不开快捷键的使用，Webstorm拥有丰富的代码快速编辑功能，你可以自由配置功能快捷键。 快捷键配置 点击“File”-> “settings” Webstorm预置了其他编辑器的快捷键配置，可以点击默认配置-Eclipse的常用快捷键对照表 查找/代替 Webstorm快捷键 Eclipse快捷键 说明 ctrl+shift+N ctrl+s
Webstorm中常用的一些快捷键
webstorm中常用的一些快捷键 1. ctrl + shift + n: 打开工程中的文件，目的是打开当前工程下任意目录的文件。 2. ctrl + j: 输出模板 3. ctrl + b: 跳到变量申明处 4. ctrl + alt + T: 围绕包裹代码(包括zencoding的Wrap with Abbreviation) 5. ctrl + []: 匹配 {}[] 6. ctrl +...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2360
扫一扫
