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
900+累计阅读
923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
CCGI 编程 嵌入式Boa服务器 弹出保存的解决办法
最近搞嵌入式Web服务器的移植和进行CGI的编程。Web服务器使用的是嵌入式Boa服务器，CGI编程是采用CCGI库进行编程。服务器检测成功，但是当编译够的CGI程序在浏览器进行执行时却弹出下载CGI程序的的界面。下载打开后发现里面是很多乱码，这应该是编译后的二级制代码。
后来网上查了很多自己摸索，是Boa服务器的/etc/boa/下的boa.conf配置的问题。解决办法是在在boa.conf文件中添加 AddType application/x-httpd-cgi cgi ，表示是在任何位置都能运行CGI程序。这样，问题得到解决。如果谁有另外解决方法请指教。
boa移植+CGI编程
boa服务器的移植，CGI的c编程实现网页的动态互动
嵌入式Boa服务器 中用C进行CGI 编程 访问时不执行反而下载
Boa服务器搭建步骤（戳我） 1.确保文件的权限为777或755 chmod 777 ~/boa/www/cgi-bin/(我的cgi-bin目录是此目录，具体目录视情况而定) 2.在进行执行的时候，需要在开头添加响应头，两个回车不能少 printf("Content-Type:text/html;\n\n"); 本人才疏学浅，以上为个人平时总结，希望对您有帮助~ ...
Yolov2 训练时anchor是如何使用的？build_target
0.简略描述 1.将真值检测框变换到特征图尺度上 2.计算以特征图每个网格中心为中心点时所有锚框与真值检测框的交并比 3.取与真值检测框交并比最大的锚框的id,及真值检测框中心所在cell的id,有此，可将真值检测框与预测结果对应起来 4.计算位置回归损失，置信度损失，分类损失 1，网络的输出 图1 yolov2 网络对于检测框位置大小的输出是: 对于1个batch网络的输出的shape为[batch_size, H*W*num_anchors, 5+num_classes], 其中： num_
树莓派搭建boa网站服务器网单击后是下载.cgi程序
使用树莓派安装了boa网站服务，主要参考的文章是： https://blog.youkuaiyun.com/Tony_Shen/article/details/75196916 https://blog.youkuaiyun.com/tony_shen/article/details/75388025 但是我配置完成，网页点击后，直接下载了我的bmi.cgi文件，肯定是boa.conf或者form哪里错了，所以经过...
Qlib上手学习记录
Qlib 是一个面向人工智能的量化投资平台，其目标是通过在量化投资中运用AI技术来发掘潜力、赋能研究并创造价值，从探索投资策略到实现产品化部署。该平台支持多种机器学习建模范式，包括有监督学习、市场动态建模以及强化学习等。真的是走了很多弯路step 1. 使用 ananconda 建立环境，要主要必须是 python 3.8失败的下了以后 进入 glib folder 后执行是会报错的，不管你还什么source 都一样，整了很久使用前最好看下这个。
Win11桌面图标小箭头去除与恢复：解决任务栏关联错误的完整指南
本文提供了一份完整的Win11桌面图标小箭头去除与恢复指南，重点解决了因错误方法导致的任务栏关联错误问题。通过分析注册表中IsShortcut键值与Shell Icons的原理，推荐安全的“替换图标资源法”，并提供了可一键执行的批处理脚本，确保在美化桌面的同时不影响系统功能与默认应用设置。
CGI实现文件的上传和下载
CGI实现文件的上传和下载
sdio wifi 移植
介绍 简单来说，sdio起源自sd标准，顾名思义就是sd的IO接口（interface）的意思，更具体的说明，sd本来是记忆卡的标准，但是现在也可以把SD卡拿来插上一些外围设备接口使用，这个就是就叫做sdio。 而且sdio本身是一种相当单纯的技术，通过sd的IO引脚来连接外部外围，并且通过sd的IO数据接位与外围传输数据，而且sd协会也推出很完整的sdio stack 驱动程序，使得sdio外围得开发与应用变得非常热门 这里我们要移植的是RTL8822cs的sdio WiFi 模块，将其移植到rk3
linux0.12内核---fork.c子进程创建理解
阅读了fork.c中程序的内容，大概总结了一下linux创建一个子进程的过程。 **0.**找到当前任务数组中空闲的项task【nr】，将其标号作为子进程任务的pid号。 **1.**创建任务结构体指针p，分配一页新的内存，内存顶端设为内核栈的栈顶ss0、sp0。 **2.**将任务指针加入到任务数组task【nr】中。 **3.**复制当前进程的任务结构内容到子进程。 **4.**对复制过来的子进程的任务结构进行修改，如pid，priority等。 **4.**将子进程任务的LDT描述符的选择符
华为OD机试双机位C卷-开心消消乐(Py/Java/C/C++/Js/Go)
华为OD机试(机考)双机位C卷 【开心消消乐】，提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为od机试 - 开心消消乐。
AD9613操作控制
输出250M时钟给AD9613，过FPGA ILA逻辑分析仪将AD9613采集的两个通道ADC数据250M数据显示出来。其中AD9613输出的是LVDS数据，通过select IO核转为并行数据。 一，搜索IP核：selectIO interface wizad ，并双击配置 配置为input，DDR模式，数据位宽为12bit，IO类型为差分，这里配置的是12对数据差分对。然后配置外部差分时钟。 将tap setting 设置为13，将时钟的边沿对准数据的中间，以免数据出错 二，
移植boa后运行CGI程序可能出现的原因及解决方法
最近被一个问题所困扰，运行那个helloworld.cgi程序总是出现以下这个错误：502 Bad GatewayThe CGI was not CGI/1.1 compliant.网上找了一下，可能是这几个原因：（1）将.cgi文件拷贝至目标板上后，必须改变其权限 chmod 755 *（2）测试程序中“//“的问题。参考＜Web服务器--Boa实验笔记＞http
Matlab 轴承信号仿真+分析
文章目录项目说明1、信号仿真1.1 仿真公式1.2 信号参数设置1.3 代码实现2、仿真信号分析2.1 小波变换2.2 快速谱峭度 项目说明 本文主要解决两个问题： 1、仿真包含周期性冲击信号、随机干扰冲击信号、调制干扰信号以及随机噪声四个成分的故障轴承信号； 2、使用小波变换以及快速谱峭度对该仿真信号进行分析。 1、信号仿真 1.1 仿真公式 这里的仿真信号公式主要参考了包文杰学者的硕士论文《加权谱峭度故障诊断方法研究与应用》，列举公式如下： 周期性冲击信号仿真 随机干扰冲击信号仿真 调制
弹框制作
/* MessageBox 弹框函数 MessageBox(NULL, TEXT("窗口内容"), TEXT("窗口标题"), 图标 | 按钮); */ # include <stdio.h> # include <Windows.h>// 包含头文件：Windows.hint main(void) { MessageBox(NULL, TEXT("欢迎使用本软件"), TEXT("欢迎")
DSI3协议介绍
分布式系统接口（DSI）是一种通用且功能强大的总线协议，旨在将多个遥感器和执行器设备互连到中央控制模块。该网络的主要目标应用是汽车安全系统。这种应用的一些特点是需要低成本、高鲁棒性、中速互连，仅限于两根导线。此外，它必须具有故障安全性、确定性和良好的EMC特性。即使具有所有级别的智能和可编程性的设备都可以连接到网络，远程设备也必须能够通过简单的状态机实现。由于模块尺寸非常重要，因此中央模块和远程单元中的最小组件至关重要。
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")
boa与cgic库写cgi简介
2019独角兽企业重金招聘Python工程师标准>>> ...
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
BOA+CGIC嵌入式web服务器开发
#基础知识+ CGI（Common Gateway Interface）是外部应用扩展应用程序与WWW服务器交互的一个标准接口。按照CGI标准编写的外部扩展应用程序可以处理客户端浏览器输入的数据，从而完成客户端与服务器的交互操作。在BOA服务器上，运行产着一个守护进程对端口进行监听，等待来自客户的请求。当一个请求到来时，将创建一个子进程为用户的连接服务。服务器通过CGI与外部程序和脚本之间进行交互...
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
boa的cgi使用总结
相关配置 配置ScriptAlias 虚拟路径 真实路径 ScriptAlias /cgi-bin/ /etc/boa/www/cgi-bin/ 指明CGI脚本的虚拟路径对应的实际路径。一般所有的CGI脚本都要放在实际路径里，用户访问执行时输入站点+虚拟路径+CGI脚本名 测试代码 login.html <html> <head> <title>CGI登陆</title> <meta http-equiv="Content-Type" content=
嵌入式boa+cgi安装及使用
一、嵌入式boa配置说明 tar -zxvf boa-0.94.13.gz cd boa-0.94.13/src ./configure 修改Makefile文件 将 CC=gcc ==>> CC=arm-linux-gnueabihf-gcc CPP=gcc -E ==>> CPP=arm-linux-gnueabihf-gcc -E make 会报错 执...
boa服务器实现CGI功能
CGI简介 CGI 是Web 服务器运行时外部程序的规范,按CGI 编写的程序可以扩展服务器功能。CGI 应用程序能与浏览器进行交互,还可通过数据库API 与数据库服务器等外部数据源进行通信,从数据库服务器中获取数据。格式化为HTML文档后，发送给浏览器，也可以将从浏览器获得的数据放到数据库中。几乎所有服务器都支持CGI,可用任何语言编写CGI,包括流行的C、C ++、VB 和Del...
【STM32】 ADC 完全指南：从模拟信号采样量化到五大架构原理
本文系统介绍ADC核心概念与五大主流架构。模拟信号具时间与幅值连续性，需经采样（满足奈奎斯特准则防混叠）、量化（引入±1/2LSB误差，SNR≈6.02N+1.76dB）、编码三步转为数字信号。重点解析Flash（并行高速但受限于比较器数量）、SAR（逐次逼近，低功耗适合MCU如STM32）、双积分（高精度抗工频，用于万用表）、流水线（高速吞吐）及Σ-Δ（高分辨率，靠过采样与噪声整形）五类架构原理、优缺点与应用场景。强调分辨率≠精度，选型本质是速度、精度、功耗与面积的权衡。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
460
扫一扫
