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
300+累计阅读
366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
一、Foundation框架中一些常用的类
字符串型：
NSString：不可变字符串
NSMutableString:可变字符串
集合型：
1）
NSArray：OC不可变数组
NSMutableArray：可变数组
2）
NSSet：
NSMutableSet：
3）
NSDictiorary
NSMutableDictiorary
其它：
NSDate
NSObject
二、NSString和NSMutableString的使用与注意
（一）6种创建字符串的形式
（二）使用注意
(1)字符串的导入导出
(2)类方法
（三）NSMutableString的使用与注意
（四）URL补充内容
Url:资源路径
格式：协议头:/路径
网络路径协议头：http
本地文件以file为协议头
ftp为协议头，说明资源是ftp服务器上的。
立创开源Link Hub多功能USB扩展坞：CH339F主控+4层板设计，实测网口/存储性能
本文深度评测了立创开源Link Hub多功能USB扩展坞，其采用CH339F主控芯片与4层PCB板设计，并严格进行阻抗匹配。实测表明，该扩展坞的USB接口与microSD读卡器性能均接近USB 2.0理论极限，百兆以太网口转换效率高，性能损失极小。设计上注重电源保护与信号完整性，是一个兼顾稳定性与成本的高完成度开源硬件项目。
探秘 Timi：一款高效、易用的全栈开发工具
探秘 Timi：一款高效、易用的全栈开发工具 项目地址:https://gitcode.com/gh_mirrors/ti/Timi 项目简介 是一个轻量级但功能强大的全栈开发框架，旨在提升开发者的工作效率并简化Web应用的构建过程。由 LLLaiYounger 创建并维护，Timi 提供了一套完整的解决方案，涵盖了前端、后端以及数据库管理，让开发者可以集中精力在业务逻辑上，而不再被繁琐的技术细节...
基于激光雷达的目标跟随功能移植到自己的ROS机器人小车上
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、下载目标跟随的源码二、修改话题名称1.修改/cmd_vel话题名称2.修改/scan话题名称3.修改双电机正反转4.目标跟随功能测试 前言 本人尝试把github上的一个目标跟随项目移植到自己的机器人小车上，并且成功了，最终小车可以跟着人移动，在这里分享一下心得。基于激光雷达的目标跟随，通过获取激光雷达的信息，跟随最近的物体。 提示：以下是本篇文章正文内容，下面案例可供参考 一、下载目标跟随的源码 源码地址:https:
Timi 开源项目安装与使用指南
Timi 开源项目安装与使用指南 1、项目介绍 Timi是来自CYBoys团队的一款开源项目，旨在提供一个高效且灵活的应用开发框架。该项目采用了最新的技术栈，致力于简化开发者的工作流程，提高代码质量和性能。 GitHub仓库链接：https://github.com/CYBoys/Timi.git 2、项目快速启动 安装依赖 确保你的环境中已经安装了Node.js和npm。你可以通过运行以下命令来...
从‘平行’到‘鱼骨’：手把手拆解AlGaN/GaN HEMT多栅指结构的布局优化实战
本文深入探讨了AlGaN/GaN HEMT多栅指结构的布局优化，从传统的平行栅结构到创新的鱼骨栅结构，详细解析了如何通过优化信号路径和热管理提升功率器件的性能。文章结合实测数据和EDA工具，展示了鱼骨栅结构在相位一致性、热阻和版图利用率方面的显著改进，为射频功率放大器设计提供了实用指导。
避坑指南：vue-print-nb打印隐藏元素与空白页的那些事儿
本文深入解析了使用vue-print-nb插件时，打印出现空白页及隐藏元素问题的根本原因与解决方案。核心在于理解浏览器打印原理，并通过CSS媒体查询精准控制样式。文章提供了从重置根元素高度、处理隐藏元素到控制分页的完整避坑指南，帮助开发者彻底解决打印样式难题。
Foundation框架—字符串
Foundation框架—字符串 一、Foundation框架中一些常用的类 字符串型： NSString：不可变字符串 NSMutableString:可变字符串 集合型： 1） NSArray：OC不可变数组 NSMutableArray：可变数组 2） NSSet： NSMutableSet： 3） NSDictiorary NSMutableDictior...
Winform从入门到精通（21）——ProgressBar（史上最全）
本介绍ProgressBar控件的详细用法，包含所有属性、事件，绝对史上最全！
iOS 字符串反转逆序输出
1、实现一个字符串“how are you”的逆序输出（编程语言不限）。如给定字符串为“hello world”,输出结果应当为“world hello”。 //调用 stringReverse("hello world"); //实现 void stringReverse(char *p) { char c[100][100]; int i=0; int j=...
OpenClaw 股票自动化交易实践指南：从原理到实战的完整技术路径
量化交易策略的开发是一个系统工程，需要综合运用金融知识、编程技能和数据分析能力。OpenClaw通过引入提示词工程技术，大大降低了策略开发的技术门槛，使得更多投资者能够参与到量化交易中来。但技术只是工具，真正决定策略成败的是对市场的深刻理解和严格的风险管理。本章系统介绍了OpenClaw环境下的策略开发方法，从提示词驱动到传统代码实现，从参数优化到回测验证，涵盖了策略开发的完整流程。提示词驱动方式适合快速验证交易想法，传统代码方式适合实现复杂的定制逻辑，两种方式可以协同使用，发挥各自的优势。
车载以太网测试-1【TC8物理层测试基础】
车载以太网物理层是车载网络的基础，负责将数字数据转换为适合在物理介质上传输的信号，并确保数据传输的可靠性、稳定性和高效性。它在车载网络系统中扮演着至关重要的角色，直接影响着车辆内部通信的性能和效率。1. 主要物理层标准车载以太网标准由IEEE 802.3和标准名称速率线缆类型编码方式应用场景100BASE-T1100 Mbps单对非屏蔽双绞线车载摄像头、传感器1 Gbps单对屏蔽/非屏蔽双绞线自动驾驶域控制器、高清视频10BASE-T1S10 Mbps单对双绞线幅移键控（ASK）
OC语言学习03-字符串
//字符串对象 NSString //1.字符串前面加上@ //2.打印字符串对象用 %@ //3.OC字符串对象每一个字符都是unichar，符合Unicode，使用UTF-8编码存储 #import int main(int argc, const char * argv[]) { @autoreleasepo
超分辨率重建：ESPCN与SRGAN技术对比
超分辨率重建：ESPCN与SRGAN技术对比 人工智能，计算机视觉，大模型，AI，超分辨率重建是一种通过技术手段，将低分辨率图像转换为高分辨率图像的过程。它的目的是恢复低分辨率图像中丢失的细节信息，使图像具有更高的清晰度和视觉质量。
OC中字符串的实现方式
简单总结一下，这个类型的字符串保存在常量区，不可修改，一般NSString直接创建；NSCFString这个类型的字符串在运行时动态生成，保存在堆去，可以修改，一般使用NSString stringWithFormat:动态创建；这种类型是把字符串内容直接保存在指针中，而不是真正的对象，一般适用于较短字符串。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
[iOS 字符串] oc字符串与c字符串互转
一、C字符串转OC字符串 const char *cString = "This is a C string"; //动态方法 NSString *ocString1 = [[NSString alloc] initWithUTF8String:cString]; NSString *ocString2 = [[NSString alloc] initWithCStri
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/
iOS中OC字符串与C语言字符串之间的相互转换
一、C字符串转OC字符串 const char *cString = "This is a C string"; //动态方法 NSString *ocString1 = [[NSString alloc] initWithUTF8String:cString]; NSString *ocString2 = [[NSString alloc] initWithCStri
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")
OC学习笔记——字符串
字符串就是连续的字符序列，OC中有两种字符串： NSString：NSString类是不可变类，一旦被创建，其中的字符序列是不可改变的，直到对象被销毁 NSMutableString：NSMutableString是NSString的子类，因此可以调用NSString的所有方法，NSMutableString的对象也可以直接当成NSString对象使用。NSMutableString类的对象是字符序列可变的字符串，NSMutableString类为其对象所代表字符串的修改提供了若干方法。 下面介绍有关字
OC字符串比较方法
OC字符串比较常用方法 #import <Foundation/Foundation.h> int main(int argc, const char * argv[]) { @autoreleasepool { //字符串比较方法 NSString *str1=@"abc";//第一个字符串 NSString *str2=@"abc";//第二个字符串 NSComparisonResult isEqual1=[str1 compare:str2]
nsstring转c语言字符串,iOS中 OC字符串 与 C语言字符串 相互转换
一、C字符串转OC字符串const char *cString = "This is a C string";//对象方法NSString *ocString1 = [[NSString alloc] initWithUTF8String:cString];NSString *ocString2 = [[NSString alloc] initWithCString:cString encodin...
iOS中 OC字符串 与 C语言字符串 相互转换
2019独角兽企业重金招聘Python工程师标准>>> ...
OC-字符串
需求方法获取指定位置的字符获取指定范围的子字符串从索引到末尾的子字符串从开头到索引的子字符串获取指定位置的字节获取指定范围的字节获取字节。
OC字符串分割拼接
// // main.m // OC3_字符串拼接 // // Created by zhangxueming on 15/1/4. // Copyright (c) 2015年 zhangxueming. All rights reserved. // #import int main(int argc, const char * argv[]) {
【OC】字符串
OC中有两个字符串，一个是NSString，这是不可变的字符串，另一个是NSMutableString，这是代表字符序列可变的字符串。
字符串与日期的转换OC
字符串与日期的转换OC
OC字符串和数值
OC字符串和数值 C语⾔言中,字符串是char（ASCII码）字符组成。 OC中，字符串是由Unichar（Unicode）字符组成 NSString:不可变字符串,即:创建以后,内容和长度不能更改。 NSMableString:可变字符串,即:创建以后,内容还 可以修改。 一、NNString类 创建字符串对象： NSString *str=@“hello ku gou”；//创建
OC字符串与C语言字符串之间的相互转换
1、C转OC字符串 const char *cString = "This is a C string"; // 动态方法 NSString *ocString1 = [[NSString alloc] initWithUTF8String:cString]; NSString *ocString2 = [[NSString alloc] initWithCString:cString...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
158
扫一扫
