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
393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
REM 随机决定哪个value为1，1-3的随机数
set /a random_pos=!random! %% 3 + 1
if !random! equ 1 （
<value>1<value>
）else （
<value>2<value>
）
if !random! equ 2（
<value>1<value>
）else （
<value>2<value>
）
if !random! equ 3 （
<value>1<value>
）else （
<value>2<value>
）
C#操作SQLite数据库帮助类——SQLiteHelper
using System; using System.Collections.Generic; using System.Data.SQLite; using System.Data; namespace Com.ZCWL.Rock.Helper { public class SQLiteHelper { private static string connectionString =
shell脚本积累
编者注：shell脚本的学习只有一个方法，那就是多练，多练，多练。嗯，重要的事情说三遍。 RANDOM和Seq的使用 练习1：编写脚本清空所有arp缓存记录： #！/bin/bash for i in $(arp | tail -n +2|tr -s ' ' |cut -d' ' -f1) do arp -d $i done 练习2：产生3个随机数： 方法1：
EastWave应用案例：机箱屏蔽效能仿真
如何使用EastWave对机箱的电磁屏蔽效能进行仿真
Shell脚本日常积累
文章目录1.shell脚本调试技巧2.Shell脚本自动化交互式3.Shell的前后台4.vi命令(编辑模式)4.shell数组5.shell数值6 awk命令7.字符串的分割8.常用的linux命令 1.shell脚本调试技巧 #1.Windows下编辑的脚本需要使用dos2unix格式化 dos2unix demo.sh #2.使用bash命令参数调试 -n：不会执行该脚本，仅查询脚本语法是否有问题，并给出错误提示 -v：在执行脚本时，先将脚本的内容输出到屏幕上，然后执行脚本，如果有错误，也会给出错误
ESP32-CAM实战：从零构建高精度QR二维码识别系统
本文详细介绍了如何使用ESP32-CAM构建高精度QR二维码识别系统，涵盖硬件配置、开发环境搭建、二维码识别库选择与优化、完整系统实现及实战问题排查。通过优化识别算法和电源管理，系统可实现快速、稳定的二维码识别，适用于物联网设备绑定等场景。
Zynq裸机调试RTL8211FS网卡踩坑记：从ping不通到完美兼容的完整代码修改
本文详细记录了在Zynq平台上使用Xilinx SDK（XSDK）调试RTL8211FS网卡的完整过程，从最初的ping不通问题到最终实现完美兼容的解决方案。通过分析PHY芯片的寄存器配置差异，提供了关键代码修改和调试技巧，帮助开发者快速解决类似问题。
YOLO【避免重复造轮子】开发中积累的一些数据集处理python脚本分享！！
目标检测领域YOLO(YOLOv5。…YOLOv8、YOLOv9、YOLOv10)算法，以速度快、简单的训练和使用、不错的识别精度、丰富的数据集分析和处理、高集成的特性深受广大开发者的喜爱。小才平时有空也会找一些数据集训练，在使用的过程中便积累了一些处理数据集的python脚本。现在分享给大家。废话不多说直接上代码😊。
APK静态分析（取证角度）——理论部分
APP是指应用程序（Application），是指能够在手机、平板电脑、电脑等移动设备上运行的软件。APP可以帮助用户进行各种功能操作，如社交媒体、游戏、购物、学习、工作等。用户可以通过应用商店或者在线下载安装APP，然后在设备上使用它们。APP的种类非常丰富，能够满足用户不同的需求和兴趣。
autoHotKey 一些脚本积累
新建test.ahk，然后运行即可。 #InstallKeybdHook #Persistent Hotstring("EndChars", "`n") ; 设置为回车键作为终止符（`t为回车键） ; 当前版本号 V = 0.0.4 ; 版本获取 try { _V := ajax("https://raw.githubuserconten...
银河麒麟桌面系统批量交付：封装自动化ISO镜像，百台装机效率提升10倍
麒麟桌面系统自动化ISO镜像定制摘要 本文详细介绍麒麟桌面版ISO安装镜像的定制方法，通过修改系统文件实现自动化安装部署。主要内容包括：1) 挂载原版ISO并提取文件；2) 使用unsquashfs解压系统文件进行定制化修改，包括添加系统标记配置；3) 配置ky-installer.cfg自动应答文件，设置安装参数如用户名、密码、分区方案等；4) 修改grub引导配置启用自动安装模式。该流程支持磁盘加密、自定义分区、自动登录等功能，生成的定制镜像可满足批量部署需求，显著提升系统安装效率。
OpenClaw人人养虾：发现与传输
客户端需要先"发现"Gateway 的地址和端口，才能建立连接。OpenClaw 支持多种发现（Discovery）和传输（Transport）机制。
bat脚本积累（三）—— bat的注释
单行注释%% 看例子： 结果： 可以看到，注释内容（无论是与命令同行还是单成一行）都不可见 但是注意，%%不能用于多行注释： 运行： 单行注释REM 例子： ...
Windows 11 安装 JDK 25：下载、安装、配置环境变量、验证
本文详细介绍了在 Windows 11 系统上安装 JDK 25 的完整流程，包括从 Oracle 官网下载压缩包、解压至自定义目录、配置 JAVA_HOME 与 Path 环境变量，并验证安装是否成功。文章推荐使用 ZIP 压缩包而非 EXE 安装程序，以实现绿色便携、多版本共存和灵活管理。最后通过一个使用 Java 25 新特性的示例程序，验证 JDK 的编译与运行环境。
shell脚本学习积累
注意`` 可以将【一个命令的输出】作为作为【另一个命令的输入参数】，其中mtime是过去24小时修改的意思。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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")
hadoop相关脚本积累
hadoop相关的一些shell执行脚本，能够方便在集群操作
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
【零散积累】shell脚本学习
来自wiki迁移页面路径：刘旺的主页 / 个人零散积累 / 03> shell脚本学习 case Shell case语句（多分支条件判断） $( ) Linux—shell中$(( ))、$( )、``与${ }的区别 - chengd - 博客园 在bash中，$( )与` `（反引号）都是用来作命令替换的。 命令替换与变量替换差不多，都是用来重组命令行的，先完成引号里的命令行，然后将其结果替换出来，再重组成新的命令行。 cat Linux cat命令详..
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
oracle积累增量和差异增量
shell脚本编写oracle rman增量备份，如果是星期天执行0级增量，如果是星期三执行积累增量，星期六执行全量备份其余均执行差异增量备份。对于 RMAN 来说，积累增量备份和差异增量备份都是增量备份的一种形式，它们之间的区别在于备份的范围和备份集的方式。
冒险岛脚本函数积累
// 传送 参数 地图Id cm.warp(100000000, 0); // 装备发送 参数 装备id 装备数量 cm.gainItem(1532150, 1); // 关闭窗口 cm.dispose(); // 提示窗口 cm.sendOk("我即将送你一个装备，确定吗?"); // 下...
信任资本积累与生活脚本重构的实践指南
信任资本作为社会关系中的核心资源，其积累过程遵循复利增长规律。从技术原理看，当信任关系突破临界点后会产生网络效应，显著降低新信任获取成本。这种机制在数字化转型背景下尤为重要，Notion等工具能有效管理信任资产。信任资本通过资源整合、身份重构和行动赋能三个环节转化为实际价值，在教育创业、职业转型等场景中具有显著作用。案例显示当信任存量超过150份时，生活转型成功率提升至68%。建立可视化信任记账系统和采用SCORE叙事模型是实操关键，需特别注意避免信任泡沫和维护投入产出平衡。
Shell脚本零碎知识积累
零碎shell脚本知识积累
shell脚本和bat脚本积累
一，获得c程序的返回值 语言的代码 #include &amp;lt;stdio.h&amp;gt; int main(int argc, char *argv[]) { if (argc &amp;gt; 2) { return argc; } return 0; } 1， shell #!/bin/sh #./test...
转载：关于技术积累的几点想法
<br />来源：http://www.anysql.net/dba/dba-experience-growth.html 2009-08-25<br /> <br />要创建额外价值以获取更多的回报, 前提是要有丰富的技术积累, 然后努力去运用积累的技术去满足公司或客户的需求. 每个人对于技术积累的理解有所不同, 在这里说一下个人的看法, 个人注重以下四个方面的技术积累. <br /> 基础知识积累, 这一点大伙都没有疑问, 并且谁都很重视, 例如努力阅读技术资料, 积极与人讨论, 上ITPub阅读
工作脚本积累
积累在工作中使用到shell的脚本
readyAPI脚本问题解决积累
http://readyapi.smartbear.com/features/scripts/start 查找API 今天跑 ready！API 的时候 ， 遇到下面这个问题 1. org.apache.xmlbeans.XmlException: error: Unexpected character encountered (lex state 3):' ' error at li...
Windows下bat脚本积累
Windows下bat脚本积累 无限间隙循环打印 @echo off :start cls for /f "delims=" %%i in ( 'netstat -nao^| find /C "3306" ') do set MYIP=%%i for /f "delims=" %%i in ( 'netstat -nao^| find /C "TIME" ') do set TIME_WAI...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
