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
1.7k累计阅读
1.7k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
添加UITapGestureRecognizer 的delegate 给当前的UIViewController
然后重写下面代理方法
- (BOOL)gestureRecognizer:(UIGestureRecognizer *)gestureRecognizer shouldReceiveTouch:(UITouch *)touch
{
if ([NSStringFromClass([touch.view class]) isEqualToString:@"UITableViewCellContentView"]) {
return NO;
}
return YES;
}
【ShaderToy】开篇
写在前面呜呼，好久没有写博客了，好惭愧。题外话，感觉越大就越想家，希望可以一直和家人在一起，哪怕只是坐在一起不说话也觉得很温暖，一想到要分开眼睛就开始酸，哎。开学还是爬上来老实更新博客学习吧~今天爬上来一看，发现优快云的博客编辑终于更新了！进步总是好的，以前的编辑器实在很捉急。使用这种标记语言的确方便了很多，但好像颜色字体没法设置？程序员果然对美观没什么追求。ShaderToy如果你还没听过Sha
UITapGestureRecognizer手势与UITableView冲突解决
解决UITapGestureRecognizer手势与UITableView的点击事件的冲突UITableView 拥有属于自己的点击事件， 在将一个UITableView放在其它视图上， 并且其它视图需要添加手势进行操作的情况下， 我们会发现我们点击UITableView的cell的时候， 并没有触发方法：-(void)tableView:(UITableView *)tableView did...
深入解析FPGA中的GTX高速收发器架构与设计原理
本文深入解析了FPGA中GTX高速收发器的核心架构与设计原理。文章将GTX比作数据“高速公路”，详细拆解了其PMA（物理媒介适配层）与PCS（物理编码子层）的双层结构，阐述了串并转换、时钟恢复等关键技术，并提供了时钟源选型（QPLL/CPLL）、上电复位流程及信号完整性调试等实战指南，是掌握高速接口设计的必备知识。
UITapGestureRecognizer和UITableView点击事件冲突问题
已经输入文章内容，为什么还让书
ADC电路项目1——10bit SAR ADC 设计，smic18工艺，有工艺库，有效位数ENOB为9.8
包括详细仿真文档，原理介绍，完整电路图，仿真参数已设好，可直接使用，在自己的电脑上就可以运行仿真。本设计采用 smic18mmrf CMOS 工艺，使用栅压自举电路的采样开关，Vcm-based 开关。电容开关控制电路，10 位 DFF，最后用 10 位理想 DAC 模块将数字码转换为 10 进制量进。时序上级板采样的 DAC 电容阵列，两级动态比较器，比较器异步时钟，SAR 动态逻辑，DAC。10bit SAR ADC 设计，smic18工艺，有工艺库，有效位数ENOB为9.8。
2ED2410-EM的使用
2ED2410-EM的使用
UITableView添加UITapGestureRecognizer与didSelectRowAtIndexPath冲突解决
//添加手势，点击屏幕其他区域关闭键盘的操作 UITapGestureRecognizer*gesture=[[UITapGestureRecognizeralloc]initWithTarget:selfaction:@selector(hidenKeyboard)]; gesture.numberOfTapsRequired=1; //2就是双...
YOLOv12创新改进 | 全网独家创新篇、小目标检测改进 | AAAI 2025 | 引入HS-FPN中的HFP和SDP创新点，从频域增强小目标特征，淘汰FPN进行升级，助力YOLOv12有效涨点
本文提出了HS-FPN（高频和空间感知特征金字塔网络），通过HFP（高频感知）模块增强小目标特征，SDP（空间依赖感知）模块捕获像素间空间依赖关系。实验在AI-TOD等小目标数据集上验证了该方法的有效性，相比FPN显著提升检测性能。文章详细介绍了HS-FPN的网络结构、核心代码实现及在YOLOv12中的应用方法，并提供多种改进版本的yaml配置文件，为小目标检测任务提供了有效的解决方案。
iOS开发 解决UITapGestureRecognizer手势与UITableView的点击事件的冲突
该篇文章摘自我的新浪博客，原文地址为：http://blog.sina.com.cn/s/blog_dcc636350102wavx.html UITableView 拥有属于自己的点击事件，在将一个UITableView 的控件放在其它视图上， 并且其它视图需要添加手势进行操作的情况下，我们会发现我们点击UITableView的cell的时候， 并没有出发方法： -(voi...
在 SAP 中启用应收/应付“代扣税（Withholding Tax）”功能，本质上是激活并配置“扩展代扣税（Extended Withholding Tax）”模型
摘要：SAP中启用应收/应付代扣税功能需完成3个层级12个核心步骤：1）全局激活公司代码代扣税功能；2）配置代扣税规则、税率和科目，包括定义税种类型、代码、总账科目等；3）在供应商/客户主数据中关联代扣税设置。完成后系统可在发票或付款环节自动计算并过账代扣税，支持多税种并行计算和税率年度调整，最终生成税务报表。常见问题排查需检查公司代码激活状态和主数据配置。（149字）
机器人的“大脑”进化论：从专用控制器到高性能SoC的异构计算时代
摘要：随着AI与机器人技术融合，高性能芯片成为机器人智能化的关键。本文分析了机器人对芯片的核心需求，包括多模态数据处理、实时控制和智能决策能力。系统级芯片（SoC）因集成CPU、GPU/NPU等模块而成为主流选择。市场呈现分层格局：中低端设备（如扫地机器人）采用"MCU+轻量SoC"方案，满足基础功能；高端机器人则依赖"高性能SoC+独立GPU"处理复杂任务。除主控芯片外，完整的机器人系统还需传感器接口、驱动、通信等配套芯片。未来，芯片技术的进步将持续推动机器人智能化
解决UITapGestureRecognizer手势与UITableView的点击事件的冲突
UITableView 拥有属于自己的点击事件，在将一个UITableView 的控件放在其它视图上， 并且其它视图需要添加手势进行操作的情况下，我们会发现我们点击UITableView的cell的时候， 并没有出发方法： -(void)tableView:(UITableView*)tableView didSelectRowAtIndexPath:(NSIndexPath*)indexP
基于 ESP32+IMU+BLE HID 的低延迟无线体感游戏控制器设计与实现
本文设计的基于 ESP32 的低延迟无线体感游戏控制器，通过合理的硬件选型与软件优化，实现了体感姿态感知与无线低延迟传输的核心功能。硬件上采用 ESP32+MPU6050+TP4056 的低成本方案，接线简单、便携性强；软件上通过轻量化库、互补滤波算法与非阻塞 BLE 传输，有效降低了系统延迟，满足体感游戏的使用需求。
Ansys Maxwell开关磁阻电机参数化仿真与优化扫描
开关磁阻电机依靠磁阻最小原理运行，定转子双凸极结构使其性能对气隙、极弧、绕组匝数等几何参数极为敏感。在电机设计前期，若逐一改图重算，不仅效率低，而且难以分辨变量之间的耦合关系。参数化建模仿真将尺寸定义为变量，借助Ansys Maxwell与Optimetrics批量扫描，可以系统评估不同设计方案对平均转矩、效率与转矩脉动的影响。这种方法适用于SRM拓扑筛选、多目标寻优和公差敏感性分析，能帮助工程师从单点验证转向设计空间探索。以一台12/8极三相开关磁阻电机为例，系统梳理从变量规划、几何约束、绕组激励到扫描结
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")
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...
Swift UICollectionView、UITableView列点击事件与 UITapGestureRecognizer 点击事件冲突处理
本文通过实际测试，解决了 Swift UICollectionView、UITableView列点击事件与 UITapGestureRecognizer 点击事件的冲突问题，亲测有效。 在 添加 UITapGestureRecognizer 事件 指定委托，在 shouldReceivetouch 委托中作判断处理,满足要求 返回 true,否则返回fasle。具体参考代码如下：...
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
iOS UITapGestureRecognizer手势和UIButton 以及UITabelView点击事件冲突
一：在同一个view上加载，UITapGestureRecognizer手势，UIButton 行为，UITabelView点击事件冲突； 二：解决方式： 在UITapGesttureRecognizer的手势的代理 UIGestureRecognizerDelegate 里面屏蔽上面的冲突事件 三：如代码： //处理键盘取消 UITapGestureR...
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
iOS中添加UITapGestureRecognizer手势识别后，UITableView的didSelectRowAtIndexPath失效
用TableView写了一个登陆界面，帐号和密码两个Cell中加入了TextField。由于想在TableView的空白处点击时收起键盘，所以他注册了一个UITapGestureRecognizer来识别手势。 ViewDidLoad中注册手势的部分代码如下： [cpp] view plaincopy UITapGe
UITapGestureRecognizer与UITableView同在一个页面导致didSelectRowAtIndexPath方法不响应
今天测试给我提了一个需求，就是在做用户筛选的时候，点击空白区域，回收筛选列表，我用了手势UITapGestureRecognizer，但是这时就出现了问题，因为列表是动态添加的，所以不能指定空白区域的frame，并且导致了UITableView的didSelectRowAtIndexPath方法不响应，通过百度，我发现原来是UITapGestureRecognizer的didSelectRowAt...
[BUG]UITapGestureRecognizer和UITableView的冲突(didSelectRowAtIndexPath无反应)
最近有个需求，是在UIView里面添加一个子视图UITableView，然后在UIView上添加了一个UITapGestureRecognizer,之后发现UITableView里的cell点击没有反应，然后分别在UITapGestureRecognizer的事件和 - (void)tableView:(UITableView *)tableView didSelectRowAtIndexPat
UITableView 与 UITapGesture 的一点疑惑与探讨
UITableView Gesture 触摸事件分发
添加UITapGestureRecognizer手势识别后，UITableView的didSelectRowAtIndexPath失效
今天以前的同事在开发过程中遇到了一个问题，大致描述如下： 他用TableView写了一个登陆界面，帐号和密码两个Cell中加入了TextField。由于想在TableView的空白处点击时收起键盘，所以他注册了一个UITapGestureRecognizer来识别手势。 ViewDidLoad中注册手势的部分代码如下： [cpp] view pla
UITapGestureRecognizer 和 UICollectionView、UITableView的点击事件冲突问题
解决：https://blog.gocy.tech/2016/11/19/iOS-touch-handling/ 1.tap.delegate = self; tap加个代理<UIGestureRecognizerDelegate> 2. //UITapGestureRecognizer 和 UICollectionView 冲突 - (BOOL)gestureR...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8万+
扫一扫
