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
1.2k累计阅读
1.3k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
运行qte程序时出错
QWSServerSocket::init: Address family not supported by protocol
QWSServerSocket: unable to create socket.
QWSServerPrivate::initServer: server socket not listening: Address family not supported by protocol
Failed to bind to /tmp/qtembedded-0/QtEmbedded-0
Aborted
裁剪内核：
make menuconfig->networking->Unix domain sockets
勾上，
重新编译，搞定。
PrimoCache3.0.2重置BAT（x86.x64）.rar
Primocache3.0.2重置BAT文件（内有说明），并有x86与x64两个版本，放心使用 Primocache3.0.2重置BAT文件（内有说明），并有x86与x64两个版本，放心使用
Qt4.8.5——QWSServer
一、QWSServer简介 QWSServer类在Qt中为嵌入式Linux封装了一个服务进程，继承自QObject类。 二、QWSServer文件包含 #include 三、普通公有函数 函数 函数说明 const QBrush & backgroundBrush () const 如果没有模糊窗口，返回用于背景的画笔 const QList<QWS...
Ubuntu双系统开机黑屏？3分钟搞定NVIDIA显卡驱动冲突（18.04/20.04实测有效）
本文详细解决Ubuntu双系统开机黑屏问题，特别是由NVIDIA显卡驱动冲突引起的故障。提供从临时进入系统到永久安装专有驱动的完整方案，适用于Ubuntu18.04/20.04用户，帮助快速恢复系统并优化显卡性能。
QT学习笔记（二）：QWSServer class
1. QWSServer Class 为 Qt for Embeded Linux 封装了一个服务进程 . 当你运行一个基于嵌入式平台的Qt程序时，它只能作为一个server或者连接到一个已经存在的server 来运行。 server和client进程有不同的职责： client进程执行应用程序特定的操作； server进程负责管理一个或多个client进程，同时负责指针操作，字符输入和
时序定江山，功耗写风骨——解读时序库lib文件的奥义【芯片设计 lib文件】
lib库，全称liberty library format file：它是Liberty时序文件的简称，使用 Liberty 语法来编写。它可以通过library compiler/dc转换成.db文件(database)，供synopsis家的DC和PT使用，也可以通过spyglass的library compiler来生成sglib文件，供spyglass使用。他们是等价的，但db文件是二进制格式，人类不可读。
DFRobot MGC3130电容式手势传感器库深度解析
电容式近场感应（Electric Near Field Sensing）是一种非接触、抗干扰的三维空间感知技术，其原理基于人体介电特性对高频电场的扰动响应，具备低功耗、高鲁棒性与零物理接触等核心优势。该技术广泛应用于医疗人机交互、工业HMI、智能家电等对可靠性与环境适应性要求严苛的嵌入式场景。DFRobot_MGC3130库正是面向Microchip MGC3130芯片的工程化实现，封装了I²C驱动、ASU硬件加速调度及多层抽象API，支持手势识别、触控检测与接近唤醒等功能动态切换。结合电容式近场感应与嵌入
arm-qt中文乱码的解决办法
QApplication a(argc, argv); QWSServer::setCursorVisible(FALSE);//禁用鼠标显示 QTextCodec::setCodecForLocale(QTextCodec::codecForName("UTF-8")); QTextCodec::setCodecForTr(QTextCodec::codecForName("UTF-8")); //支持Tr中文
芯片设计-信号完整性 SI 解析：Unit Interval 与比特周期的关系及其在高速信号中的应用
本文深入解析了芯片设计中信号完整性（SI）的核心概念Unit Interval（UI）与比特周期的关系及其在高速信号中的应用。通过实际案例和计算公式，详细阐述了UI在不同数据速率下的变化、在眼图分析中的关键作用，以及如何应对高速信号设计中的抖动和码间干扰等挑战。文章还提供了PCB布线和芯片设计中的UI优化技巧，帮助工程师提升高速信号设计的实战能力。
QWS Server
QT Embeded应用没有来严格的区分server和client进程，如果一个QT进程的启动参数中有-qws，那么这个进程就具有server管理功能，被称为QWS server，当然这个进程同样可以和其它的QT进程一样可以创建并显示widget,只有兼做server的功能而已。不带-qws这个参数就是QWS Client。因此任何一个基于QT的application都可以做QWS Server。
手把手实战：RK3588上YOLOv8模型从训练到部署全流程解析
本文详细解析了在RK3588开发板上部署YOLOv8目标检测模型的全流程。从模型训练、正确导出适配的ONNX格式，到使用RKNN-Toolkit2进行模型转换与量化，最后在板卡上完成部署与性能测试。文章提供了完整的代码示例和关键避坑指南，帮助开发者高效实现嵌入式AI应用落地。
风控域——知识图谱相关原理
本文全面介绍了知识图谱在风控领域的应用原理。从基础知识入手，阐述了知识图谱的定义、概念及应用场景，重点聚焦于金融风控。进一步讲解了知识图谱的技术架构，涵盖计算、融合与构建等方面。深入探讨了知识表示、建模、抽取、挖掘、存储、融合、检索和推理等关键技术原理，并结合金融风控实际需求，详细说明了各技术环节的具体应用方法与流程，为构建高效风控知识图谱提供了理论与实践指导。
QT Embedded二三事之QWSServer
QT Embeded应用没有来严格的区分server和client进程，如果一个QT进程的启动参数中有-qws，那么这个进程就具有server胡管理功能，被称为QWS server,当然这个进程同样可以和其它的QT进程一样可以创建并显示widget,只有兼做server的功能而已。 这个所谓的server功能主要是由QWSServer对象来实现的。 1.QWSServer的管理
告别 DIFY 构建卡顿 / 失败！巧用 Makefile 一键构建本地 WEB 镜像，附核心避坑指南
本文详细介绍了DIFY本地源码构建WEB镜像的完整流程，重点解决因官方npm源不稳定导致的构建失败问题。通过修改web/Dockerfile文件启用国内npmmirror镜像源，可大幅提升依赖下载速度和稳定性。在DIFY根目录执行封装好的make build-web命令即可一键完成构建，无需手动编写复杂docker命令。文章还提供了前置环境准备、构建结果验证等实用指导，帮助开发者高效完成DIFY前端二次开发后的镜像构建验证。
QT Embedded-----QWSServer
QT Embeded应用没有来严格的区分server和client进程，如果一个QT进程的启动参数中有-qws，那么这个进程就具有server管理功能，被称为QWS server,当然这个进程同样可以和其它的QT进程一样可以创建并显示widget,只有兼做server的功能而已。这个所谓的server功能主要是由QWSServer对象来实现的。 1.QWSServer的管理对象 (1)keyboard设备和mouse设备 keyboard和mouse是一个display系统的输入设备，
使用 MATLAB/Simulink 对一个开关磁阻电机进行建模
*开关磁阻电机（Switched Reluctance Motor, SRM）**是一种新型的无刷电机，以其简单的机械结构、宽广的调速范围和较高的效率在工业应用中得到了广泛关注。SRM的独特之处在于其定子和转子均为凸极结构，并且通过改变绕组电流的方向来实现转矩的产生和控制。本教程将详细介绍如何使用对一个开关磁阻电机进行建模，并探讨其基本控制策略，特别是针对双凸极结构的SRM。本文介绍了如何使用构建一个开关磁阻电机的双凸极结构模型，并探讨了其基本控制策略。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
Qt4界面没指针
#include #include "stackwidget.h" #include int main(int argc, char *argv[]) { QApplication a(argc, argv); QWSServer::setCursorVisible(false); StackWidget w; w.showFullScreen();
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")
Qt4 程序 QWS 启动参数详解
一、QWS简介 QWS的全称是Qt windows system，它是QT自行开发的窗口系统，是一种C/S结构，由QWS Server在物理设备上显示，由QWS Client实现界面，两者通过socket进行彼此的通讯。在很多嵌入式系统里，QT4程序基本上都是用QWS来实现，这样保证程序的可移植性。 QWS Server程序构造方法是构造一个QApplication::GuiServe类型的Q...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
QT 软键盘的更加完美实现
QT 软键盘的更加完美实现 首先是软键盘的显示widget类，该类主要是用于绘制软键盘 inputwidget.h view plaincopy to clipboardprint? /***************************************
触摸屏中鼠标事件的捕获和传递及触摸屏的移植
<br />触摸屏中鼠标事件的捕获和传递及触摸屏的移植<br />在Linux系统中，如果硬件设备的驱动程序被正确安装，那么在/dev路径下会有相应的设备文件，它们是对应硬件设备的驱动程序接口，应用程序可以打开这些设备文件，从中读取的数据就对应着硬件设备传回的信息。当鼠标被点击时，会产生中断并进入中断处理程序，在中断处理程序中，鼠标的动作会被翻译成相应的数据存在一个数据缓冲区中。用户打开设备文件后，就是从这个这个缓冲区读取数据的。注意，这时的数据是最原始的数据。<br />当Qt应用程序作为GuiServe
QT输入法浅析
在Qte的Client/Server体系结构中，QWSServer类负责管理Qte的Server，监听系统事件，尤其是键盘和鼠标事件。当这些监听的事件发生的时候，server会做出判断，这些事件应该发送给那一个客户端。 如果当前系统安装了输入法，那么键盘和鼠标事件在派发之前，就会先送给输入法，让输入法来做一下判断，看输入法是否会处理这个键盘按键，如果输入法已经处理，就不在继续分发这个事件，否则就会按照原先的事件分发机制继续分发这个事件。也就是说，输入法会在应用程序之前接收到键盘事件。 Qte已经
Primavera P6服务无法启动，仔细查看后发现了问题(上)
今天发现了一个很有趣的p6异常，其实并非第一次出现，只是没特别深究其问题 大致情况是启动 p6服务后（version 19.12），出现了以下异常 其实上面已经描述的很清楚了，即主机名识别失败云云，后面一想，原来安装p6eppm之后为了管理方便修改了主机名 想想用的虚拟机管理各类Oracle系统测试啊等等，但几乎都是一个母板虚拟机延伸过来，由此 失误失误 按照原来的处理方式，可能得重...
primocache3.0.2重置bat_Nacos 1.3.0 发布， 全新内核构建
点击上方“方志朋”，选择“设为星标”回复”666“获取新整理的面试文章1.3.0版本开始修炼内功，聚焦“简单”、“性能”、“高可用”这核心的三个点进一步提升Nacos核心竞争力。内嵌关系型分布式数据库，简化集群部署模式集群管理下沉统一，提供全新集群管理能力一致性协议抽象升级，提供更高的性能安全升级，解决Fastjson和越权风险内嵌关系型分布式数据库集群部署可以不依赖Mysql，以便降...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5022
扫一扫
