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
938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
http://wptestlib.codeplex.com/
SoftHai
德国开源自动化框架, 包括Unit, UI, Performance Test.
是德语页面, 暂未验证
https://github.com/Expensify/WindowsPhoneTestFramework
GITHUB开源项目
http://justinangel.net/WindowsPhone7EmulatorAutomation
模拟器上软件自动化
暂未验证
http://msdn.microsoft.com/en-us/library/system.windows.automation.automationproperties(v=VS.95).aspx
MSDN的自动化
说支持WP7, 暂未验证
http://www.cnblogs.com/chenkai/archive/2012/01/10/2318221.html
国内高人研究内容
Linkin WP7 Automation group
OpenClaw工程实战
OpenClaw工程实战总览摘要 OpenClaw是一款面向AI Agent开发的全栈式解决方案，采用四层模块化架构（基础设施层、核心引擎层、生态组件层和应用适配层）。文档全面覆盖从环境配置到企业落地的九大技术板块，包含MCP协议实战、多Agent编排、商业级项目实践等核心内容。系统支持全场景部署（本地/云端/边缘设备），集成3286个市场技能，通过Gateway网关实现智能路由与多模型调度。典型应用场景包括企业数字化、开发者提效和全渠道智能助手。
scrapling 官网教程
选择使用方法查找元素访问元素的数据Navigation 导航抓取网站内容HTTP 请求动态加载的网站动态加载，并且有防护的网站。
[YIUI付费插件] 超级循环列表yiuisuperscroll
本文介绍基于YIUI框架实现循环列表（LoopListView2）的完整流程：在Scroll Rect上挂载LoopListView2并配置预制体，为Item添加Click同步事件；通过ServerListPanelComponent与ServerInfoItemComponent配合，使用YIUISuperScrollListRenderer和YIUISuperScrollListOnClick实现数据渲染与点击响应，支持动态刷新列表、选中状态管理及服务器信息绑定，高效构建可交互的滚动列表界面。
# WPF ComboBox 控件详解与使用 —WPF 中的控件(7)--下拉框选项列表控件（ ComboBox）
ComboBox`（下拉框选项列表）是 WPF 中最常用的选择类控件之一，它在有限空间内提供下拉选项列表，支持**单选、可编辑输入、数据绑定、自定义项外观**等核心能力，继承自 `System.Windows.Controls.Primitives.Selector`。 本文将从基础属性、核心事件、基础用法、数据绑定、自定义模板、高级定制到最佳实践，逐一带代码注解进行讲解。
lift off工艺为什么常用蒸发的方式镀膜？
电子束蒸发中，蒸发物质从源头直接升华并沿直线路径沉积到晶圆上，它可以避免金属在掩模侧壁的覆盖，只在表面进行沉积。在镀膜结束后，在进行光刻胶剥离时，去胶液无法与光刻胶接触反应，导致光刻胶剥离很困难。欢迎加入我的半导体制造知识星球社区，目前社区有1900人左右。我观察到晶圆厂中lift off工艺，镀膜都是用的电子束蒸发的方式，很少有用磁控溅射的方式，为什么？需要增加撕胶工序，将胶面上覆盖的膜层撕掉，使光刻胶露出，这样才容易剥离。上图为磁控溅射的膜层截面图，去胶液很难突破侧壁膜层，进行反应。
【C++】lambda表达式
本篇文章我们要学习的是lambda表达式，它是C++11新增的一种特别方便的语法，相较于之前的函数指针以及仿函数都方便了不少，下面就让我们一起来学习吧。
从零搭建半导体设备上位机（五）：三套 UI 库共存，HandyControl、MaterialDesign、Wu.Wpf 的样式基线
三套 UI 库共存：HandyControl、MaterialDesign、Wu.Wpf 的样式基线 这是「从零搭建半导体设备上位机」系列第5篇。一个 WPF 应用里同时装了 HandyControl、MaterialDesignThemes、Wu.Wpf 三套控件库。这篇讲它们为什么会打架、打架的具体机制是什么，以及怎么建立一套"谁也别想偷偷改我外观"的样式基线。 一个下拉框，白底白字 界面做完
Mac上Ollama服务IP访问失败的3种修复方法（含永久生效配置）
本文详细介绍了Mac上Ollama服务IP访问失败的3种修复方法，包括临时环境变量覆盖、永久Shell配置修改及进阶排查技巧。重点解析了OLLAMA_HOST环境变量的配置原理，帮助开发者解决Connection refused问题，实现局域网IP访问Ollama服务的需求。
【QT入门到晋级】用开源的自定义控件开发
直接点击mainwindow.ui文件是看不到quc控件的，关键步骤是右键点击mainwindow.ui，右键菜单选择【Qt Designer】,在UI设计器中才能找到“Quc Widget”。注意：以上是前端调用自定义控件的方式，需要编译动态库等操作，相对要麻烦一些。如果有自定义控件的源码.h和.cpp文件，直接加入到现有qt项目中，以后台方式直接调用即可，以下是我分享过一个手搓的自定义控件类【QT自定义2D控件】QGraphics绘制仪表盘_qt仪表盘控件-优快云博客。
论文精读-ReTransformer ReRAM-based Processing-in-MemoryArchitecture for Transformer Acceleration
Transformer已经成为一种流行的深度神经网络(DNN)模型，用于神经语言处理(NLP)应用，并在神经机器翻译、实体识别等方面表现出优异的性能。然而，其在自回归解码器中的规模化点积注意机制在推理过程中带来了性能瓶颈。Transformer也是计算和内存密集型的，需要硬件加速解决方案。
扩展卡尔曼滤波（EKF）理论讲解与实例（matlab、python和C++代码）
扩展卡尔曼滤波（EKF）理论讲解与实例（matlab、python和C++代码） 文章目录扩展卡尔曼滤波（EKF）理论讲解与实例（matlab、python和C++代码）理论讲解KF和EKF模型对比雅可比矩阵计算计算实例应用实例线性模型CV模型：CA模型非线性模型CTRV模型：CTRV实例（python）small demo抛物线demo飞机高度demoC++实例参考文献 我们上篇提到的卡尔曼滤波是用于线性系统，预测（运动）模型和观测模型是在假设高斯和线性情况下进行的。简单的卡尔曼滤波必须应用在符合高斯分布
【鸿蒙专题与实战】测试体系：单元测试、组件测试与 UI 测试
本文系统讲解鸿蒙开发中的三层测试实践：底层单元测试（用Hypium框架，优先覆盖纯函数、边界与异常）、中层ViewModel逻辑、顶层仅测3-5条关键UI路径。强调测试应“越往下写得越多”，因单元测试快且成本低，而UI测试慢易出错。通过实例说明断言拆分提升定位效率，结合覆盖率报告（hvigorwtest --coverage）发现盲区，核心是“用覆盖率找漏测，而非追求数字”。附五步落地清单：建测试文件、按优先级补用例、精简UI测试、生成报告、定位未覆盖行。下一篇将开启实战项目：从需求到上架全流程。
Autosar配置——导入DBC后配置SecOC同步报文和同步请求报文
在Autosar中，安全性是一个重要的考虑因素，而SecOC（Secure On-Board Communication）是一种用于保护通信数据完整性和安全性的安全机制。在上述示例中，我们配置了同步报文和同步请求报文的属性。接下来，我们需要在Autosar中配置同步报文和同步请求报文。同步报文用于在通信双方之间同步SecOC状态，而同步请求报文用于请求SecOC的状态信息。通过以上配置，我们成功地导入了DBC文件，并在Autosar系统中配置了SecOC同步报文和同步请求报文。希望以上信息对您有所帮助！
K210+STM32+LVGL：手搓边缘AI智能安防监控网关
在传统的物联网或嵌入式毕设中，“智能安防”往往沦为“温湿度+蜂鸣器”的简单堆砌。由于单片机（如STM32）算力有限，无法在本地运行复杂的视觉AI模型，导致很多项目只能在云端处理图像，带来高延迟和隐私风险。本文将分享一个真正的边缘计算安防网关项目。我们采用“K210视觉协处理 + STM32F407主控 + LVGL高颜值UI”的分布式架构，完美解决了单芯片算力不足的痛点。项目不仅实现了明火与陌生人脸识别，还加入了多源传感器融合、5秒智能防抖、以及硬件与UI的双向闭环控制，是一套工业级标准的开源方案。
9 硬件工程师笔面试高频知识考点真题解析——运算放大器
运算放大器（运放）摘要 运放是一种高增益、差分输入的模拟集成电路，具有虚短（线性区输入电压相等）和虚断（输入电流为零）特性，支持负反馈（线性放大）和开环/正反馈（饱和区比较）两种工作模式。关键特性包括高输入阻抗、低输出阻抗，理想运放参数（如无限增益）与实际参数（如有限带宽）的差异。 选型要点： 信号特性：直流/低频信号关注失调电压（Vos）、温漂；高频信号侧重带宽（GBW）和压摆率（SR）。 电源条件：单/双电源供电、电压范围及功耗需求（如电池设备需低静态电流）。 精度与噪声：微弱信号需低噪声运放，高精度场
华为od 面试八股文_数据库_01_含答案
华为od 面试八股文_数据库_01_含答案
React 错误边界 Error Boundary
用类组件 ErrorBoundary 隔离渲染错误，讲清能接住/接不住、重置策略与上报。
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")
【元宝搜索开发者征文大赛】用 Vue + Ele把元宝搜索的返回值做成“能点开检查的证据卡片”ment UI
本文提出将“用户信任AI结论”转化为前端组件问题：针对元宝搜索返回的嵌套JSON字符串型Pages，通过解析生成可标注可信度的证据卡片，实现“可信/存疑/过期”三态标记。前端负责证据可视化与用户交互，后端专注检索逻辑，代理层保障密钥安全。通过自定义时效分档、容错解析与可展开卡片设计，构建可验证的AI结论信任链，突破传统“输入框+结果列表”的局限。
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。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
【鸿蒙专题与实战】服务卡片开发：桌面上的「信息窗口」
本文详解鸿蒙服务卡片开发，从独立运行体系、配置文件form_config.json到UI构建与数据刷新机制。通过实现“今日待办”卡片，展示其尺寸声明、静态布局及主动/被动更新策略。强调卡片限制：不可滚动、禁用音视频与网络图片，仅支持onClick跳转。下篇将聚焦音视频开发，持续更新中，欢迎留言互动。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
Android Message源码阅读
本文梳理了Android Handler机制中Message的核心设计：链表结构、消息复用池（sPool）及回收机制，重点解析了异步消息与同步屏障（SyncBarrier）的协同机制。当主线程需优先处理UI绘制等高优先级任务时，系统通过postSyncBarrier插入屏障，使Looper跳过普通同步消息，优先执行标记为异步的UI渲染任务，确保帧率流畅。该机制是保障Android界面响应性的关键技术之一。
算法与UI拆分中遇到的问题及解决方式
算法与UI界面拆分解耦，算法设计成windows服务来供客户端调用
从 ArkUI V1 监听泥沼到 V2 精准更新的性能跳跃，重构状态数据流
起初以为只是简单的 API 替换，没想到在一次复杂表单交互中，整个页面出现了严重的掉帧与输入延迟。为了过渡，我试图在一个 V2 的父组件里，塞入一个原本用 V1 编写的子组件。这也是为什么在重构中，我强制团队在涉及数组更新时，必须通过封装好的工具方法来操作。必须精确到需要更新的最底层属性，如果只用在外层对象上，内层的频繁变动依然无法触发 UI 的刷新。变化时，框架能够直接定位到绑定该变量的 UI 节点进行刷新，完全没有多余的遍历。用性能分析工具跑一下，体会一下消除深度代理后，页面渲染性能的直线拉升。
DeepSeek Harness 创造模式完整教程：5 步创建插件、验证生效与保存专属模式
发布日期：2026-11-03 ｜ 数据截至 2026-11-03，来源为各平台官网、中国信通院《大模型词元服务性能监测报告（2026年）》及公开研究资料2026年国内企业级大模型 API 服务商已分化为云厂商自营（阿里百炼、火山方舟、百度千帆、腾讯云 TokenHub）和独立聚合平台（七牛云 Token Plan、硅基流动）两大阵营，模型厂商直连（智谱 GLM、讯飞星火）则作为垂直场景补充。
在Open-WebUI中提升向量化速度
让Open-WebUI AI聊天的向量化过程不超过10秒，而不是默认的20+分钟……
【鸿蒙开发进阶】第11篇：组件化开发：@Builder、@Component 与复用之道
组件化开发：@Builder、@Component 与复用之道
Qt_05基础界面组件
Qt 基础界面组件
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
629
扫一扫
