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
1.1k累计阅读
1.2k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
XCode 5建立工程并调试比起之前的4.3版本操作要顺当很多了，直接新建一个SingleView工程，会自动使用storyboard。
为了能够真机调试，我们需要：
python docx设置标题中文字体rPr.rFonts.set(qn(‘w:eastAsia‘),u‘黑体‘)，报错‘NoneType‘ object has no attribute ‘set‘
一、我的代码： 因为要编一个报告自动化生成的代码，所以用了python docx，在设置标题自己写了一段代码，要求将标题设置成：一级标题 黑体 小四 from docx import Document from docx.oxml.ns import qn from docx.shared import Pt def add_Head(document, level, text, font, size): # document word对象 # level 几级标题 # text 标题内容 # f
Xcode5 开发入门－环境及初体验
IPhone 的开发有专门的集成开发环境Xcode ,可以在Appstore 上下载最新版本，目前为Xcode 5,下载位置如下： 选择后开始下载，文件比较大，下载需要一段时间。 下载后一般自动完成安装，完成开发环境的安装后，我们就可以开始第一个程序的实验。 对于Iphone开发的相关基础知识这里就不啰嗦，我们直接进入集成开发环境进行第一个简单程
史上最小白之RNN详解
1.前言 网上目前已经有诸多优秀的RNN相关博客，但是我写博客的出发点主要是为了加深和巩固自己的理解，所以还是决定自己再进行一下总结和描述，如有不正确的地方欢迎指正~ 2.区分RNN 循环神经网络(Recurrent Neural Network)，递归神经网络(Recursive Neural Network)，你有没有发现他们的缩写都是RNN，那他们两个是同一回事儿吗？网上有一些博客把这两就当...
iOS6和Xcode4.5初体验
http://blog.sina.com.cn/s/blog_4b55f68601013zvf.html
2023东华大学OJ机试题22-70
东华大学计算机考研复试机试22 约瑟夫环223、整除的尾数24、回文质数25、汽水瓶26、阶乘最后的非0位27、算菜价28、 水果价格29、求奇数的乘积30、求最晚和最早日期31、素数32、计算e33 数字之和34 繁殖问题35 奇妙的数字36 整除的尾数37 黑色星期五38 树39 约瑟夫环40 最大与最小41 环42 求数列项43 最高频率44 三艘船45 回文数46 特殊四位数47 最大值48 数列149 修理牛棚50 按要求输出序列51 部落人乘法52 序列53 双重回文数54 等差数列55 人见人
块坐标下降法实战：如何用Python一步步优化无人机通信网络？
本文通过Python实战案例，详细介绍了块坐标下降法在优化无人机通信网络中的应用。文章以最大化网络吞吐量为目标，将复杂的非凸问题拆解为功率分配和轨迹规划两个子问题，并提供了完整的算法实现、代码示例及调参指南，为机器学习工程师解决类似优化问题提供了实用参考。
（转）iOS6和Xcode4.5初体验-图多杀猫
iOS6和Xcode4.5初体验-图多杀猫 看了WWDC2012的发布会后，作为一个开发者，当然选择第一时间下载ios6beta和与之配套的Xcode4.5preview，当然，还有最新的iTunes10.6.3。 接下来对iOS6和Xcode4.5的特性和使用体验介绍一下。 首先是iOS6，在使用Xcode4.5给4s更新到iOS6之后，我迫不及待的对其中的一些新特性进行了实际
逆向实战：如何绕过iTunes 12.6.5.3的反调试机制（附X64dbg插件配置）
本文深入剖析了iTunes 12.6.5.3的反调试机制与登录协议。通过X64dbg动态调试与IDA静态分析，详细演示了如何绕过其反调试检测，并定位到核心的登录协议加密函数，揭示了其请求签名（X-Apple-ActionSignature）的生成逻辑与依赖关系，为客户端安全研究与协议分析提供了实战思路。
iOS7和Xcode5初体验（多图杀猫） -毛玻璃时代的来临
WWDC2013来了，一夜未眠。没有兴奋，没有惊喜，没有失望，只有落寞。 不管怎样，WWDC2013 keynote还是有一些亮点，这里说一下我个人感兴趣的几个内容。 首先是这次keynote上唯一的第三方开发商产品展示-AnkiDrive的智能玩具。虽然还只是玩具车，但已经可以看到这家专注人工智能相关产品公司的实力。据说他们已经拿到5000万美元的投资，我隐约有一种感觉，苹果已经逐渐
镜头调焦的 调整的是焦距还是像距？
在镜头 “调焦”（即日常拍照时的）中，调整的核心是，而非焦距。
2022年华为ICT大赛 全球总决赛！中文综合任务书-网络赛道真题！
2022年华为ICT大赛 全球总决赛！综合任务书-网络赛道真题-中文翻译版
Xcode5.0初体验+后台SDK+语音SDK测试[多图]
首先先下载好新的 Xcode5 后，首次打开弹出版权说明和其他合同信息，点 Agree 后开始载入文件，瞬间机器风扇狂转。 过了一会，载入完毕后，看一下，首次打开 Xcode 的扁平化 UI 吧! 非常的平！和 Xcode4.6 比，看着舒服了点。然后新建工程，明显可以看到有新的 SDK，SpriteKit。 这里说一下，这个看开发文档
【机械臂视觉抓取从理论到实战】
首先声明一下，此项目是参考B站哈萨克斯坦UP的【机械臂视觉抓取从理论到实战】 此内容为他研究生生涯的阶段性成果展示和技术分享，所有数据和代码均开源。所以鹏鹏我特此来复现一下，我采用的硬件与之有所不同，UP主使用UR5，我实验室采用的是UR3，下面列出相关材料 UR3CB3.12:https://www.universal-robots.cn/cb3/ 【UR3系统升级到CB3.12附带URcap1.05】硬件支持代码支持 jacquard数据集：https://pan.baidu.com/s/1524HrV
看了iOS 7和Xcode 5后的感想
昨晚苹果发布iOS 7和新的Mac，虽说已经没有激情晚上观看了。早上起来还是不免先下来尝鲜。其实对我来说，只要手机能用，UI并不是太大的问题，但是看到设置里面那一堆 花花绿绿的图标外加比绿帽子还绿的开关控件，顿时像明白了，估计Cook和Ive要抱孙子了。不然怎么可能这么童心大发，画的像小盆友的水彩一样。至于地 址薄和消息中心的话，个人认为设计师一般比较潮，眼光真心独特，这里就不加评论了。...
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
iOS7初体验(1)——第一个应用程序HelloWorld
iOS7 Beta已经发布了，迫不及待地下载了iOS 7及Xcode 5并体验了一下。先做一个简单的Hello World看看都有哪些变化吧。1. 启动Xcode5-DP；2. 从菜单选择File-New Project...，弹出如下窗口： 注意，在此多了一个SpriteKit Game的模板，暂时先不管它，还是选择熟悉的Single View Application，然后单击Next按钮...
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/
XCode 5安装旧版iOS SDK
假如我们想在XCode 5下使用iOS 5 SDK，
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")
XCode5 运行app时，Xcode崩溃问题
Xcode 5 Launch Crash 原文：http://architects.dzone.com/articles/tip-xcode-5-launch-crash 在运行最新版的XCode5 DP版本的时候，每次运行app的时候，都会发生崩溃; 原因在于次，在XCode5中加载了一个和XCode4相同的文件夹： ~/Library/Application\ Su
xcode扩展_您必须拥有的5个Xcode扩展
xcode扩展While Xcode’s usability has kept improving over the years, it is still far from satisfying. Today, we will explore some great Xcode extensions that you can take advantage of. They can help make...
xcode5编译过的xib 如何在xcode4.6下打开
转载：http://blog.youkuaiyun.com/liaoyp_ios_android/article/details/12444075 IOS7一出来，对应的xcode版本变成了5了，这次xcode升级比较大，特别是在源代码编译方面，苹果下足了功夫，编译时间不到原来的一半，忽然强烈觉得android在这方面需要加强啊； 其他不多说，XIB在XCODE5上使用的最新编译，只能在5上面
xcode下phoneGap搭建和html5学习
本文主要介绍如下在xcode中加入phoneGap并在该框架中运行html代码在iphone模拟器中呈现。 1,关于phonegap 百度文库中关于PhoneGap是这样定义的，它是一个用基于HTML，CSS和JavaScript的，创建移动跨平台移动应用程序的快速开发平台。 对开发者来说，可以用来在android和iphone开发环境中加入这
Xcode5免证书真机调试
接续前篇《Xcode 3.2.5免证书开发调试》，推出Xcode 5 免证书真机调试 更新于2014年3月15日,适用 Xcode5.1及iOS7.1 Xcode如果不破解，无法真机调试, 也无法编译真机Release文件，只有付费开通Apple开发者账号，才能申请真机调试。而Xcode进行破解后，结合越狱的iPhone或iPad, 即可免官方证书开发调试了！ 生成本机证书
xcode5真机测试
由于Xcode5的到来,关于iOS软件进行真机调试方面,有了一些变化,苹果在Xcode 5中修改了一些规则,一方面是阻止以往破解的方式进行调试(免证书).另一方面是添加了自动生成证书的功能特性,来加快我们开发者生成一些调试用的证书.免去我们频繁要去苹果开发者网站自己生成. 接下来就介绍一下如何在Xcode5中进行真机调试. 一、真机调试所需材料说明 在申请真机调试证书之前
Xcode5打包静态库
今天研究了一下怎么打包静态库，从网上查了很多资料，但目前大多数都是说在Xcode4上怎么打包静态库的，所以今天我用Xcode5打包了静态库，其实都差不多呢。 打包的步骤如下： 1、创建一个静态库项目，如下图： 2、在这个项目中我创建了一个UIViewController类，上面就一个UIWebView，加载百度的地址，代码如下： WebViewController.h文件 #
XCode5 编译ffmpeg流程
今天想在Mac10.9 XCode5的环境下把ffmpeg编译出来，本来以为很好搞定，结果版本一升级，以前的命令行不通了，出各种错误。折腾了三四个小时，最后终于成功了。 编译流程： 1.ffmpeg官网下载ffmpeg源代码，并解压。 2.从命令行进入ffmpeg目录，输入以下脚本： 模拟器版本：./configure --disable-ffmpeg --disable-ff
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8859
扫一扫
