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
2.1w累计阅读
2.2w+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://jingyan.baidu.com/article/fedf07375ea25135ad897761.html
C:\Users\MIS\AppData\Local\Packages\Microsoft.Windows.ContentDeliveryManager_cw5n1h2txyewy\LocalState\Assets
备注一下：
MIS：是你要的用户名文件夹
Microsoft.Windows.ContentDeliveryManager_cw5n1h2txyewy：这个文件夹是随机的。但是前面Microsoft.Windows.ContentDeliveryManager这一段是不会变的。
其他的文件夹都是一样的。
进入Windows聚焦下载壁纸的文夹以后，看到这些文件不是直接的图片格式，需要给它重命名一下。在任意一个文件上点击一下右键，再点击【重命名】
然后在最后面输入.jpg 再确定一下更改就可以了。
再打开这个文件看到的就是和壁纸一样的图片。
注意：Assets文件夹下面所有的文件都是壁纸图片把它重命名一下就可以打得开了。
片上眼图（Eye-opening monitor）
当它们值不同的时候error counter +1，通过统计RX到的码元个数、error counter，可以获得offset sampler上下左右不停的调整位置时的一个误码率（BER），通过这个误码率去描绘出眼图。如上图所示，eye-scan RX端 offset sampler独立且并行的和使用CDR sample的采样电路一起跑，offset-sampler可以任意调整水平（time）和垂直（voltage）方向的偏移（如下图所示），在一个UI内产生一个全新的sample点。
Windows 10的锁屏壁纸文件位置
Windows 10的锁屏壁纸路径： C:\Users\MIS\AppData\Local\Packages\Microsoft.Windows.ContentDeliveryManager_cw5n1h2txyewy\LocalState\Assets
axi ps读写pl_PL读写DDR：Datamover能干什么
最近发现工程项目中一直在用AXI-DMA。这玩意儿搬数据倒是没问题，就是用axi-lite配置起来非常反人类。。。简单的办法其实是用datamover ip核。这个ip核能干嘛呢。准备写个文章解析一下。由于好多feature没用过，所以仅仅看文档可能理解有误，欢迎指出错误。首先扫个盲：MM2S指的是Memory map to stream. 读DDR. S2MM指的是steam to memory...
Win10 系统的锁屏壁纸和桌面壁纸所在的文件夹
Win10 系统的锁屏壁纸和桌面壁纸所在的文件夹。
Mmdetection用自己的数据集训练Mask_RCNN
将自己数据的标签写入配置文件，在data前一行添加自己的标签列表，同时在train，val，test中添加classes = classes，如果不添加，模型就会默认读取coco原始数据集的80个标签，与自己的数据集对应不上就会报错。2.打开第二个文件coco_instance.py，将data_root路径改为你自己coco数据集的位置（注意一定要以/结尾），修改输出图片尺寸（根据自己的数据集决定）3.将标注完的数据转为Mask_rcnn训练所需的数据集格式。4.将数据集放到训练代码文件夹中。
告别卡顿！用U盘给你的MacBook Pro 2015+来一次macOS Monterey的‘大扫除’式安装
每次系统升级后，老款MacBook Pro用户最常抱怨的就是"怎么比之前更卡了？"——这不是错觉。系统迭代过程中积累的缓存文件、残留配置和隐形服务，就像房间角落堆积的灰尘，拖慢了整台机器的响应速度。而通过U盘进行的macOS Monterey全新安装，本质上是一次彻底的"数字大扫除"：它不仅替换系统文件，还会重建所有索引、清理磁盘碎片，甚至能解决某些玄学般的卡顿问题。对于2015款及之后的MacBook Pro用户，这种安装方式能让老设备重获新生。
如何在电脑中找到Win10自带锁屏壁纸
Win10的锁屏壁纸一般都很好看，经常想找但是却不知道该上哪儿找。 现将具体步骤归纳如下： 1.双击“此电脑”，点击左上角“查看”，并勾选“隐藏的项目” 2.依次点击：C盘→用户→lbaron（自己的用户名）→AppData→Local→Packages→Microsoft.Windows.ContentDeliveryManager_cw5n1h2txyewy→LocalState→Assets 3.重命名文件，在文件名后加后缀".png"，就能看到美丽的锁屏壁纸啦~ ...
【隐私计算】从本地加法到在线乘法：Beaver Triple如何重塑算术秘密分享的运算效率
本文深入探讨了Beaver Triple在算术秘密分享中的关键作用，显著提升了隐私计算中的乘法运算效率。通过对比加法与乘法的实现差异，详细解析了Beaver Triple的预处理机制和在线计算优化，展示了其在减少通信量和计算时间方面的革命性突破。
win10自带的桌面壁纸和锁屏推荐壁纸在哪个文件夹？
Windows聚焦壁纸： C:\Users\你的用户名\AppData\Local\Packages\Microsoft.Windows.ContentDeliveryManager_cw5n1h2txyewy\LocalState\Assets 锁屏壁纸： C:\ProgramData\Lenovo\devicecenter\LockScreen\cache 自带壁纸：C:\Windows\Web\Wallpaper 转载请注明：https://zhuanlan.zhihu.com/p/354590624
【Unity】Unity 跨平台及编译过程
早期的Unity跨平台是基于MONO运行时的，又通过CLS实现了跨语言。其基本思路是将各个版本的语言统一编译成CIL语言，在不同平台运行时使用CLR进行解释。有点类似于Java的jdk和jvm。 CLS（Common Language System）通用语言规范：CLS是一种规范，类似于schema，当文件被指定遵守CLS规范后，在某语言中写出不符合通用规范的代码后将被警告或报错。 MONO是一个开源工程，其中包含C#编译器，CLR运行时，以及一组类库。该工程常见了一系列符合ECMA标准的.NET工具，MO
SOLIDWORKS2024安装卡顿？Edge WebView2 Runtime冲突的排查与修复
本文针对SOLIDWORKS 2024安装时setup.exe无响应或卡死的常见问题，深入剖析了其根本原因在于Microsoft Edge WebView2 Runtime的版本冲突或组件损坏。文章提供了三种经过验证的解决方案：一是通过运行安装包内swwi\data目录下的setup.exe直接绕过图形界面；二是彻底卸载并重装官方Edge WebView2 Runtime组件；三是进行系统级修复与排查。旨在帮助用户快速定位并解决安装障碍，顺利完成软件部署。
Win10锁屏壁纸位置在哪? 默认锁屏壁纸怎么提取？
Win10默认系统下载的壁纸怎么下载？在哪里找出来呢？首先它是要设置为Windows聚焦才会自动从微软的服务器上去下载壁纸。这些都是随机下载的。每个人的都Win10 都有可能不一样。 Win10锁屏壁纸位置： C:\Users\Bruce\AppData\Local\Packages\Microsoft.Windows.ContentDelive...
基于PINN求解裂纹扩展问题的优化开发
本文提出了一种基于物理信息神经网络(PINN)的裂纹扩展问题求解方法。通过将线弹性断裂力学控制方程和裂纹尖端场特性嵌入神经网络损失函数，PINN有效克服了传统有限元法在处理裂纹扩展时面临的网格重构困难、计算成本高等问题。文章详细介绍了PINN网络架构设计、裂纹尖端奇异场处理、损失函数构造以及优化策略等关键技术。数值实验表明，该方法能准确预测裂纹扩展路径和应力强度因子，且在处理复杂几何和动态扩展问题时展现出显著优势。相比传统方法，PINN具有无网格、并行计算友好等特点，为断裂力学问题提供了新的求解范式。
Python代码自动提取Win10内置的锁屏壁纸
文章目录前言网上现有的方法Python 脚本自动提取环境代码如何操作运行结果 前言 自从用了Win10，当开机的时候时不时会被惊艳到，有些推荐的背景图片真的很好看，比如下面这种： 如果图片侵犯您的版权，请联系作者删除 网上现有的方法 然后就开始在网上找方法，怎么下载这些图片。然后的确有方法，就是去到一个神不知鬼不觉的文件目录：C:\Users\用户名\AppData\Local\Packa...
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
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")
Python提取保存 Win10系统 锁屏壁纸 桌面图片
Win10默认系统下载的壁纸怎么下载？在哪里找出来呢?首先它是要设置为Windows聚焦才会自动从微软的服务器上去下载壁纸。这些都是随机下载的。每个人的都Win10 都有可能不一样。 C:\Users\kai\AppData\Local\Packages\Microsoft.Windows.ContentDeliveryManager_cw5n1h2txyewy\LocalState
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
全程高能操作，一键提取Windows锁屏壁纸
④ 双击打开新建的文本文档，输入【ren *.* *.jpg】（ren空格*.*空格*.jpg)，点击【文件】【另存为】，文件名后缀改成【.bat】，保存类型选择【所有文件】，然后【保存】。然后在空白处按住【Shift】键的同时右击，接着依次点击【新建】【文本文档】。② 依次点击【查看】【显示】，勾选【隐藏的项目】，然后按【Ctrl+A】全部选中，再按【Ctrl+C】全部复制。在【C:\Windows\ASUS】中（适用于预装Windows系统的华硕机台，不同机型壁纸路径可能会有差异）。
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
获取Windows当前桌面/锁屏（非Windows聚焦）壁纸
调查发现网上所有类似教程都是针对Windows聚焦的，本文独家提供对于非Windows聚焦的桌面/锁屏壁纸获取方法！
Win10 桌面美化
Win10桌面美化 最近发现了几款Win10界面美化的软件，看了看别人家的Win10操作界面，瞬间觉得自己的low了，关键是赏心悦目啊！废话不多说，先看看我原来桌面和美化后的桌面对比图 原始桌面 美化桌面 1. 安装RocketDock RocketDock 可以提供类似mac os的操作系统图标特效，打开安装包进行安装，完毕后启动得到效果如下： 可以发现切换效果与mac类似，他默认的主题是 C...
Win10壁纸DIY全攻略：从提取默认壁纸到用MATLAB打造专属变种
本文提供了一份详尽的Win10壁纸DIY全攻略，指导用户从系统深处提取默认壁纸，并利用MATLAB进行深度个性化定制。内容涵盖壁纸文件定位、MATLAB环境搭建、色彩调整、艺术滤镜应用及创意合成等核心技法，旨在帮助用户通过编程思维与图像处理技术，将系统默认视觉资产转化为独一无二的专属桌面艺术作品。
win10的聚焦锁屏的保存
win10锁屏壁纸
不用在线求~电脑里藏着超多好看壁纸，提取攻略全在这
不管是华硕全系、ROG / 天选特色款，还是微软自带的锁屏图，按下面的方法找，不用下载就能用，还能提取锁屏里的 “心动壁纸”～双击打开新建的文本文档，输入【ren *.* *.jpg】（ren空格*.*空格*.jpg)，点击【文件】【另存为】，文件名后缀改成【.bat】，保存类型选择【所有文件】，然后【保存】。依次点击【查看】【显示】，勾选【隐藏的项目】，然后按【Ctrl+A】全部选中，按【Ctrl+C】全部复制。把每个步骤的截图和路径标清楚，你保存到电脑里，下次找壁纸直接对照着来，更方便～
Win10壁纸DIY全攻略：从提取默认壁纸到用Matlab打造专属变种
本文提供了一份详尽的Win10壁纸DIY指南，从定位并提取系统默认壁纸文件开始，到使用MATLAB进行高级图像处理，实现创意调色、滤镜应用及特效合成。通过PowerShell脚本批量提取和MATLAB代码实战，帮助用户将系统自带壁纸改造为独一无二的个性化艺术作品，满足从技术探索到创意表达的全方位需求。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4418
扫一扫
