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
100+累计阅读
186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
Android studio
如何增加快捷键输入：
点击菜单栏的 File > Settings > Editor > General > Live Templates 。建议点击右侧的 + 号，在选择的模板组内，点击右侧的 + 号，选择 Live Template 。
Abbreviation (缩写)：输入 a （这就是你想要触发的缩写）。
Description (描述)：输入可选的描述，例如 生成abddef ，方便日后管理。
Template text (模板文本)：输入 abddef （这就是输入缩写并按Tab后要展开的完整内容）。
复制鼠标所在行：CTRL+D
跳到文件最后一行：CTRL+END
查找某一名称文件：Ctrl+shift+n
Visual Studio Code
Mac终端SSH连接腾讯云服务器保姆级教程（附秘钥管理技巧）
本文提供Mac终端SSH连接腾讯云服务器的详细教程，涵盖密钥生成、权限设置、连接优化及高级管理技巧。通过清晰的步骤和实用配置，帮助用户安全高效地管理远程服务器连接，特别适合开发者和运维人员参考。
Android Studio 快捷键大全
切换渲染错误面板 | E | E || 删除限制 | Delete 或 Ctrl+点击 | Delete 或 Command+点击 || 放大 | Ctrl+加号键 | Command+加号键 || 缩小 | Ctrl+减号键 | Command+减号键 || 缩放至合适大小 | Ctrl+0 | Command+0 || 平移 | 按住空格键+点击并拖动 | 按住空格键+点击并拖动 || 转到 XML | Ctrl+B | Command+B |
拆开一个烧坏的IGBT模块，手把手教你识别过压、过流、过温的“案发现场”
本文详细解析了IGBT模块失效分析的实战技巧，通过观察铝层熔化纹路、焊锡溢出形态等物理痕迹，手把手教你识别过压、过流、过温的典型失效模式。文章提供了从基础工具包到现场快速诊断的完整流程，帮助工程师精准定位IGBT模块失效的根本原因。
Visual Studio常用设置
Visual Studio常用设置
RTL8211F千兆PHY原理图与PCB设计：从手册到量产的完整指南
在工业网关、边缘计算和FPGA/CPU以太网扩展设计中，千兆PHY芯片的稳定运行取决于外围电路的精细设计。RTL8211F(I)作为应用广泛的物理层收发器，其原理图设计涉及电源域划分、时钟与复位时序、RGMII/ MDIO接口匹配以及MDI差分网络等多个环节。正确理解数据手册的阅读顺序，掌握100Ω差分阻抗控制、等长约束和EMI布局技巧，是保证链路可靠性和信号完整性的关键。本文从芯片选型与数据手册解析切入，系统梳理从电源去耦到PCB布局布线的工程实践要点，帮助工程师规避Link不稳定、MDIO读取失败、吞吐
基于GELAN模块的YOLOv8改进-C2f结构替换与轻量化与高效涨点优化研究
本文详细探讨了在YOLOv8架构中利用YOLOv9的GELAN模块替换C2f结构的改进方法。轻量化版本在资源受限的场景中具有显著的推理效率提升，适用于边缘设备和移动端应用。高效涨点版本则在检测精度上实现了大幅突破，特别适合高精度要求的任务。实验结果显示，GELAN模块相比原C2f模块，在参数量与计算量间取得了更好的平衡，同时提升了检测性能。此外，本文还展示了结构图、训练代码和部署优化方案，为研究者和开发者提供了实践参考。
Android Studio 常用快捷键
快捷键又称为“热键”，多个按键的组合可以实现某些快速操作，例如Window中最常用的Ctrl+C和Ctrl+V，熟练使用快捷键可以大大提高开发效率并可以减少某些错误的发生。Android Studio也默认提供了众多快捷键方式供开发者调用，推荐使用Android Studio默认风格的快捷键。2.2.1 Ctrl组合快捷键这里将快捷键进行分类，方便学习和记忆，Ctrl组合常用快捷键，如表2.1所示
fanuc机器人I/O分配
FANUC机器人在和其他外部设备进行通讯时，需要对信号进行配置。 在机器人处于UOP自动分配状态时，系统会自动检索已配对设备，并分配相应的机架号。 当我们需要手动对信号进行分配时，可参考以下机架号进行配置。 不同的通讯协议对应的机架号不同，外部通讯协议常用的机架号参考下表： 序号 机架号 通讯类型 1 0 Process I/O 2 1-15
andtroid studio 快捷键
andtroid studio 快捷键 C+j提示 C+F12结构图 C+/注释 C+A+o优先导入的包 1.格式化代码:Ctrl+Alt+L 2.自动导入包路径:Ctrl+Alt+O 3.重命名文件、类名、变量名:Shift+F6 4.撤销操作:Ctrl+Z 5.反撤销操作:Ctrl+Shift+Z 6.全局搜索文件:...
【2025年阿里云暑期实习(算法岗)-4月24日-第一题（100分）- 小红听歌】（题目+思路+Java&C++&Python解析+在线测试)
小红正在听歌，屏幕上同时展示着歌词和对应的播放进度条。s1t101ti0iti1i小红每次可以操作快进或回退一个歌词(即将播放指针向右或向左移动一个位置)，数据初始时和操作过程均保证已经播放的歌词是s的一个前缀(可为空串)。她的目标是:以尽可能少的操作次数，使得字符串s中未播放状态的歌词是"幸运串"。请你计算，为了达到该目标，至少需要多少次操作?(数据保证可以在有限次内完成操作目标)【幸运串】每种字母出现的次数为指定的次数，可为空串，具体可查看输入描述。
Linux：安装Debian最新10.x操作系统（超详细）
安装Debian最新10.x操作系统安装Debian最新10.x操作系统1.下载Debian镜像2. 镜像安装引导启动页面，选择图形化安装:选择语言、时区，选中后点击continue：选择键盘模式：配置Hostname主机名，设置Root密码创建普通用户名和密码，进入磁盘分区步骤，选择“所有文件放在同一个分区”确认分区信息磁盘配置完，进入软件安装模块：选择源：进入软件包配置，等待配置结束根据需要选择软件包安装3. 安装完成重启后登录使用 安装Debian最新10.x操作系统 1.下载Debian镜像 下载D
vstudio项目管理
多项目放置到同一个解决方案，互相引用： 解决方案处 右键->添加->现有项目，导入； 主项目打开，汉字“引用”处右键->添加引用->弹出菜单栏选项目，打对号确定。 在需要的类引头文件 using xxxxxxxx; 解决方案管理器： 当年项目管理弄得一头雾水，其实蛮简单的，就是怕试验错了。就因为太简单了还不好意思问，深感纠结。 项目名右键，菜单里有设为启动项目。 ...
新能源汽车动力总成研发测试技术全景深度报告（2025版）
本文所有企业案例数据均来自上市公司财报、工信部备案信息及权威媒体报道，技术参数经第三方检测报告交叉验证。研发测试人员能力矩阵重构（T型人才进阶路径）[10] 全球动力总成市场2035年预测报告。[9] NI电动汽车HIL测试架构技术文档。[3] 东风汽车智能化研发体系深度报告。[5] 混合动力测功机发明专利技术细节。[1] 领克动力总成试验中心技术解析。[7] 新能源汽车产业迭代趋势白皮书。测试架构师-数字工程。测试架构师-安全合规。测试架构师-人工智能。
Jebrains全家桶设置快捷键为eclipse快捷键
记录下所有的Jebrains全家桶（webstrom\idea\python\datagrip都可以）都设置为eclipse快捷键，因为项目上什么类型的开发软件都有，常见的统一一下快捷键。
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。
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")
【CCS】Code Composer Studio 程序编译的快捷键设置
在对MSP430进行项目开发时使用了CCS这款集成开发软件，但是它安装成功后没有默认的Debug快捷键，感觉很不方便，下面直接上图对CCS的快捷键进行设置 1、Window --> Prefrences 2、General --> keys 3、在上一步中我们进入到快捷键的设置页面，下面对Build的快捷键进行重置 ...
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
关于vs2010一些快捷键的问题
最近开始用VS2010来开发软件，发现有些快捷键变了，比如格式对齐，以前一直是ALT+F8，现在新版里ALT+F8会打开macro explorer。还有其它的一些快捷键，用起来不顺手。在菜单里找了下，有2种方法可以修改快捷键：第一种是：打开Tools->Options->Environment->Keyboard选项，在最上头Apply the following additi...
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
day4-小白学习JAVA---开发软件_Scanner键盘录入_Random随机数_流程控制语句
day4-小白学习JAVA---开发软件_Scanner键盘录入_Random随机数_流程控制语句
ubuntu下快捷键启动程序
背景：公司自开发的软件，经常需要启动，每次去找目录启动很麻烦，所以想快捷启动。
Pycharm常用的小技巧汇总，Python新手上路必备，快上车！_pycharm 一些使用技巧
我在这里奉劝一下那些英语不好的、害怕英文软件的小伙伴们，千万不要因此去装中文版的开发软件，除了中文版没有原生英文版的稳定性会好一些之外，还有一个最大的原因就是，现在主流的开发软件绝大多数都是用英文原版，如果你永久了中文版，哪天碰到你要用英文版的软件，你将会束手无策。就像我们学车的时候，如果你学的是自动挡，那么哪天给你一辆手动挡的，你是开不了的，但如果你是学手动挡的，那么要开自动挡那也是轻而易举。中文版的就像自动挡，英文原版的就像手动挡，千万不要因为开始看不懂英文就拈轻怕重。
Ubuntu使用笔记
为什么80%的码农都做不了架构师？>>> ...
Mac快捷键高效使用指南：从底层逻辑到实战技巧
从计算机交互的底层逻辑来看，键盘作为最直接的输入设备，其组合键设计体现了操作系统对人机交互效率的优化。MAC电脑的修饰键分工明确：Command负责核心操作，Option触发扩展功能，Control控制系统级指令，Shift实现范围选择。理解这套语义体系，用户无需死记硬背，便能推导出大部分快捷键组合。在文本编辑场景中，纯文本粘贴、按词移动光标等命令显著提升文档处理速度；在系统操作层面，截图、窗口管理和访达快捷跳转则能减少鼠标往返。无论是日常办公还是编程开发，掌握这些高效操作不仅能降低操作延迟，更符合现代数字
Ubuntu常用配置
1 更新软件源 打开软件和更新应用程序，换成阿里云的软件源。 2 常用命令 关于apt和apt-get APT是一种包管理系统，然后衍生了apt-cache，apt-config，apt-get等命令。由于命令过于分散，引入apt，apt=apt-get+apt-cache+apt-config。 apt是三种命令的精简，但是相对来说，apt命令无法涵盖所有的apt-get等的命令。但是...
开发软件快捷键（持续更新中）
开发软件快捷键 1 eclipse 2 webstorm 3 idea
Mac系统及常用开发软件快捷键总结
下面分两层整理：先本机系统级，再按软件拆。
mac系统下开发软件的快捷键
12、从当前光标选中到本行开头(Move Caret Line Start) / 从当前光标选中到本行末尾(Move Caret Line End)1、向上移动行(Move statement Up) / 向下移动行(Move Statement Down)13、向下开始新的一行(Start New Line)2、向下复制一行(Duplicate Lines)9、抽取方法(Extract Method)10、关闭当前打开的代码栏(Close)4、删除一行(Delete Line)
Goland快捷键设置记录
为了保持个人使用习惯的一致性，这里记录日常开发软件的快捷键设置，保证更换电脑或者开发环境时的用法一致性，提高效率 取消双击shift产生全局搜索 先双击shift弹出全局搜索(emmm，有点尴尬，最后一次用了) 检索Registry，跳出弹窗 找到ide.suppress.double.click.handler（按照字母顺序排序），把后面的框打上对勾 点击Close关闭就可以了 全局搜索Search Everywhere Preference -> KeyMap ctrl + shift
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
458
扫一扫
