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
4.4w累计阅读
4.5w+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
在小程序的js文件中，有时候我们也要复用同一js的一个或多个方法。如下即可
/**
* 生命周期函数–监听页面显示
*/
onShow: function (options) {
var that=this;
that.queryCartList();
},
queryCartList:function(){
console.log(‘ok’)
}
上面代码是在onShow方法调用queryCartList方法，可以看出打印出了queryCartList里面的输出。
用STM32F407做个USB声卡：从CubeMX配置到播放录音全功能实战（附源码）
本文详细介绍了如何使用STM32F407开发板实现USB音频设备的全功能实战，包括CubeMX配置、硬件连接、音频流处理和性能优化。通过双缓冲DMA机制和音频数据处理流程，开发者可以构建高质量的USB声卡系统，适用于录音和播放场景。附源码，助力快速上手STM32音频开发。
小程序 function(e) 中的 e
function(e)中的e 小程序： e相当于event，包含点击、长按等事件的内容 在wxml里面通过 data-XX 给组件绑定一个值，就可以在 e 中获取 实例： <picker bindchange="changeU" data-id='{{elem.id}}' ></picker> changeU: function (e) { console.log...
多模态RAG实战：为LLM装上视觉之眼，实现图文混合文档智能问答
检索增强生成（RAG）技术通过结合外部知识库，有效缓解了大语言模型（LLM）的幻觉问题，并扩展了其知识边界。其核心原理是将文档切分、向量化后存入向量数据库，在问答时通过语义检索召回相关上下文，辅助LLM生成更精准的答案。这项技术的核心价值在于，它为大模型应用提供了一种低成本、高效率的知识注入与实时更新方案，广泛应用于智能客服、知识库问答、文档分析等场景。随着应用深入，纯文本RAG在处理产品手册、学术论文、设计图纸等富含视觉信息的文档时面临瓶颈。本文聚焦的**多模态RAG**和**视觉理解**技术，正是为了解
微信小程序使用函数的三种方法
使用app.js内定义的函数。函数写在util.js页面。使用来自不同页面的函数。
工业视觉开发者的福音：用C#玩转VisionMaster算子（非方案版完整教程）
本文为工业视觉开发者提供了一份完整的C#与VisionMaster算子二次开发教程，详细介绍了环境配置、算子调用原理、性能优化技巧及实战案例。通过模板匹配和二维码识别等实例，展示了如何高效集成VisionMaster算子到现有框架中，提升工业自动化视觉检测系统的灵活性和性能。
使用-flat.vmdk文件恢复ESXI虚拟机的vmdk文件
解决flat.vmdk文件丢失恢复问题
Web前端之动态执行JavaScrip、微信小程序无法使用eval和Function的解决办法、字符串表达式、字符串运算、数学计算、parseFloat、Function、pop
Web前端之动态执行JavaScrip、微信小程序无法使用eval和Function的解决办法、字符串表达式、字符串运算、数学计算、parseFloat、Function、pop
shader多图叠加变换
shader Shader "Paint3D/AddTexture" { Properties { _MainTex ("Main Texture", 2D) = "white" {} _MainColor("Main Color", Color)=(1,1,1,1) _AddTex0 ("Texture0", 2D) = "white" {} _AddTex1 ("Texture1", 2D) = "white" {} .
微信小程序传值
点击事件传值 小程序里事件 function(参数)，这样传值是不管用的。 需要在你绑定事件的元素上加上data-参数名=’参数值‘ 如下： 接下来我们直接打印这个传来的参数。 可以看到我们传的值在currentTarget.dataset里，所以要使用点击事件传值的时候我们直接在元素加data-参数名=参数值，然后再对应的函数中用currentTarget.dataset.参数名，就可以正常使用了。 wxml <view data-name="value" bindtap="test"&g.
NX二次开发入门必看：手把手教你搭建开发环境
想顺利开展nx二次开发，第一步就是配置好开发环境。本文详细讲解从安装准备到环境调试的完整流程，结合实际操作细节，帮你避开常见坑点，快速进入nx二次开发的实战阶段。
从零开始：手把手教你用Verilog搭建一个可配置的Cache模块（以Vortex GPGPU为例）
本文详细介绍了如何使用Verilog从零开始搭建一个可配置的Cache模块，以Vortex GPGPU为例。内容涵盖Cache设计基础、模块接口与参数化设计、核心子模块实现、仲裁与一致性机制、功能验证与性能调优等关键环节，适合RTL设计初学者和希望深入理解Cache工作原理的工程师。通过实战指南，读者可以掌握硬件代码分析技巧，提升Cache模块的设计能力。
微信小程序——4. 函数参数默认值
【代码】微信小程序——4. 函数参数默认值。
Logstash安装部署
1. 部署及安装所用的用户不能是root。
【微信小程序】在js中导入第三方js或自己写的js，使用外部js中的function的两种方法 import和require的区别使用方法 【外加：使用第三方js导出的默认function的调用方法】...
如下 定义了一个外部js文件，其中有一个function import lunaCommon from '../lunaCommon.js'; var ctx = wx.getStorageSync("ctx"); var filter = "/ms-code"; var apis = { //根据sc获取发货单 "findDispatchBill": function (data...
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")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
success: function(res) {} 和 success: res => {}
微信小程序在获取userinfo的过程中采用this碰到一些问题 我login的success回调函数为 success: function(res) { if(res.statusCode == 200) { console.log(res.data) this.globalData.session...
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。
微信小程序 引用其他js里的方法 转载 2017年03月02日 17:07:04 标签：微信小程序 5754 微信小程序 引用其他js里的方法 微信小程序中，在微信官方开发文档我们可以知道 小程序的
微信小程序 引用其他js里的方法转载 2017年03月02日 17:07:04标签：微信小程序5754微信小程序 引用其他js里的方法微信小程序中，在微信官方开发文档我们可以知道 小程序的目录结构 。一个小程序页面由四个文件组成，一个小程序页面的四个文件具有相同路径与文件名，由此我们可知一个小程序页面对应着一个跟页面同名的js文件。可是当有些公共方法，我们想抽离出来成为一个独立公共的js文件。我们...
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
【微信小程序】基础篇 -- WXML & WXSS & JS 逻辑交互介绍（四）
大家好，又见面了，我是夜阑的狗🐶，本文是专栏【微信小程序开发教程】专栏的第4篇文章;今天开始学习微信小程序的第二天💖💖💖，开启新的征程，记录最美好的时刻🎉。【微信小程序开发教程】， 此专栏是我是夜阑的狗微信小程序开发过程的总结，希望能够加深自己的印象，以及帮助到其他的小伙伴😉😉。如果文章有什么需要改进的地方还请大佬不吝赐教👏👏。也欢迎你，关注我。👍 👍！💕 💕 💕 最后，本文仍有许多不足之处，欢迎各位认真读完文章的小伙伴们随时私信交流、批评指正！下期再见。🎉更多专栏订阅:😀。
微信小程序异常，变量调用函数报异常，result.substring is not a function
问题： 在微信小程序中定义一个变量 var result，让这个变量调用substring (),replace()等方法时，报is not a function异常。 源代码片段： // 获取某个变量 var result = wx.getStorageSync('result '); // 直接调用substring()或replace()方法 result.subst...
微信小程序云函数调用报错： errCode: -404011 cloud function execution error | errMsg: cloud.callFunction
微信小程序云函数调用报错： errCode: -404011 cloud function execution error | errMsg: cloud.callFunction:fail requestID , cloud function service error code -504002, error message Function not found [sum]; at cloud....
微信小程序开启ES6转ES5但是packages/regenerator-runtime/runtime.js依旧报错处理方法（async await）
微信小程序开启ES6转ES5但是packages/regenerator-runtime/runtime.js依旧报错处理方法 （Function(…) is not a function TypeError: Function(…) is not a function） 错误截图如下 访问地址快速下载文件 间接：https://github.com/facebook/regenerator/t...
微信小程序 App.js 公共方法 小功能
微信小程序公共方法封装 本文介绍了微信小程序开发中三个实用的公共方法封装： 路由跳转：封装了navigateTo方法，失败时自动切换为switchTab，支持参数传递 弹窗提示：简化了showToast调用，支持自定义提示内容和显示时长 登录状态判断：检查本地存储的登录标识，未登录时跳转登录页 这些方法可封装在App.js中全局调用，提高代码复用性和开发效率。
微信小程序使用函数的方法
一、使用来自不同页面的函数 函数写在util.js页面 function formatTime(date) { var year = date.getFullYear() var month = date.getMonth() + 1 var day = date.getDate() var hour = date.getHours() var minute = dat...
微信小程序require/import 引入js文件 在page中使用报错xxx not a function
微信小程序require/import 引入js文件 在page中使用报错xxx not a function
【微信小程序】 引用公共js里的方法
一个小程序页面由四个文件组成，一个小程序页面的四个文件具有相同路径与文件名，由此我们可知一个小程序页面对应着一个跟页面同名的js文件。可是当有些公共方法，我们想抽离出来成为一个独立公共的js文件。我们该如何实现呢。 在根目录下有一个app.js文件。这个根目录的js 文件我们可以通过getApp()轻松调用。 //app.js App({ globaData:'huang...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
516
扫一扫
