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
1.3k累计阅读
1.3k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
|
在使用delphi2010的过程中，很不习惯它的窗口在一个框框内，感觉很不方便，可能是因为使用delphi7很多年了，已经习惯了delphi7的版面。 如何让delphi2010能有delphi7的版面布局呢？答案是肯定的，方法如下： 1）在工具栏点右键，选择components 会看到delphi7中的组件显示面板 2）tools > options > environment options > vcl designer > 取消 embedder designer选项
3）保存当前设置
4）重启delphi2010，久违的delphi7，又回来了！ |
Delphi 2010控件安装
delphi2010下安装控件 2010-10-15 15:21:59| 分类： delphi|举报|字号 订阅 下载LOFTER客户端 delphi 有很多组件可以用，下面介绍一下 在delphi2010中 添加组件的方法。 在D2010IDE，初学者大都能够安装.Net控件，但VCL控件如何安装？大都茫然！下面就来力求详尽地回答这一问题。 首
用DELPHI7与delphi2009总结
有关编译: 1、用DELPHI2009先建立一个同样的工程，可以运行不过不能单独运行，因为需要一个运行库！ 不过这样生成的exe很小（但不能单独运行）。这个问题解决方案是:project->Opitions->Packages 下去除 Build with Runtim P 这个选项。结果 成功生成 一个比原来大得多的exe。但卡巴却报有毒。 2、然后，把同样的工程回到de...
Delphi2010简单DirectUI界面源码
Delphi2010简单DirectUI界面源码
Delphi2010设置成Delphi7风格
Delphi2010设置成Delphi7风格
Delphi7升级到Delphi 2010、Delphi XE、Delphi XE2总结
Delphi7升级到Delphi 2010、Delphi XE、Delphi XE2总结 !最后有个项目要移植到64位，所以这个很有用。在2010中PChar已经不再表示PAnsiChar而是表示PWideChar，如果依然这样写，运行时很可能会得到一个内存访问错误。因为每 次Inc(P)，实际上指针向前移动了2字节，因为SizeOf(WideChar)=2，Inc(P)相当于 P:=P+SizeOf(WideChar)。 解决方法是把PChar替换成PAnsiChar
Delphi 调用谷歌chrome浏览器组件（最新版本：CEF-3.2623.1401）兼容delphi 10 Seattle及XE3（实测带样例）
包括Chromium最新版本(CEF-3.2623.1401，支持delphi 10 Seattle)及支持xe3的老版本（自带双核浏览器样例），可代替webbrowser浏览器, 支持html5,与UC/360浏览器同等内核，是开发WEB终端显示最好用的浏览器组件！
delphi XE转delphi7风格
<br />1、tools-options-VCL Designer-optins-Embedded designer（取消选择Embedded designer）。<br />2、View-desktops-classic undocked（取消选择classic undocked）。<br />3、重新启动delphi XE。
【SAP PO】SAP PO 接口配置完整教程之一RFC服务发布
SAP RFC开发，PO接口配置
Delphi7 升级到 Delphi 2010、Delphi XE、Delphi XE2 总结
Delphi7 升级到 Delphi 2010、Delphi XE、Delphi XE2 总结 【下载地址】Delphi7升级到Delphi2010DelphiXEDelphiXE2总结分享 Delphi7 升级到 Delphi 2010、Delphi XE、Delphi XE2 总结本资源文件详细总结了从 Delphi...
Rust 与 Golang 深度对决：从语法到应用场景的全方位解析
Rust 定义函数以fn关键字开头，参数需明确指定类型，返回值类型紧跟在箭头->之后。// 定义函数add，接收两个i32类型参数a和b，返回i32类型结果，功能为两数相加a + bRust 和 Golang 各有千秋，在不同领域展现独特优势。Rust 凭借强大的内存安全与高性能，在系统编程、网络编程以及对内存安全和性能要求高的场景中表现突出；Golang 则以简洁语法和出色并发性能，在云计算、分布式系统、Web 开发等领域占据一席之地。
Demo2Reward：用人类演示动态优化VLM奖励模型提示
多模态大模型（VLM）的奖励建模正面临核心瓶颈——静态提示导致语义鸿沟与泛化失效。其本质是将人类判断标准固化为不可更新的文本模板，使奖励信号脱离真实任务意图。Demo2Reward提出范式级改进：以结构化人类演示为元信号，驱动提示权重连续优化，实现从‘结果打分’到‘过程理解’的跃迁。该方法不修改VLM主干，却显著提升RLHF收敛效率与OOD鲁棒性，在医疗、工业质检等场景验证了跨任务迁移与热修复能力。它重新定义了提示工程的技术价值：不是前端微调，而是奖励系统的认知校准基础设施。
Delphi下spcomm的安装，win7系统，delphi7和delphi2010.
一、先说delphi7下，spcomm的安装。 安装完了，出现在system下，最后一个空间，蓝红黄； 二、delphi 2010下，控件的安装： 先点击file->new->package-delphi 在右侧找到 CONTAINS选项 右击出现菜单，选择 AD
Delphi 7 升级到 Delphi 2010 总结
1 字符串 >>string =unicodeString字母的处理要定义AnsiString了 >>PChar =PWidechar >>str='普通汉字'str[1]='普'，而不是str[1]+str[2]了 >>4字节的一个汉字，length=2，双字节的一个汉字，length=1 >>string 和 shorstring 不能直接赋值了。需要类型转换。 2 CharInSet key in [ ]要求替换...
Western blot (WB) 灰度分析进阶指南：ImageJ 高效定量技巧与实战优化
本文详细介绍了使用ImageJ进行Western blot灰度分析的进阶技巧，包括批量处理、背景校正和疑难条带处理等实战优化方法。通过自动化宏脚本和动态背景校正，显著提升分析效率和准确性，特别适合科研人员处理复杂WB数据。
Ubuntu 22.04 上 Mezzanine CMS 完整安装指南
CMS（内容管理系统）是构建博客、企业官网等静态与动态内容混合站点的核心技术栈；Django 作为 Python 生态中最成熟的 Web 框架，凭借其 ORM、Admin 和安全机制，成为 CMS 开发的首选基础。Mezzanine 是基于 Django 的轻量级 CMS，以开箱即用、零配置多语言和内置 SEO 工具为特色，特别适合中小项目快速落地。在 Ubuntu 这类强调稳定性的服务器操作系统上部署时，关键挑战并非代码逻辑，而是系统层依赖协同——如 Python 版本锁定、SQLite FTS5 支持、
项目从Delphi 7 升级到Delphi2010过程中遇到的有关FormPaint的问题
最近在将项目从Delphi 7升级到Delphi 2010的后，发现原来在Delphi下运行的一个类似StringGrid的第三方控件，在2010中运行时，当窗体被其它窗体覆盖，或者将窗体拖动到屏幕四周(窗体被屏幕覆盖一部分)，然后再将窗体拖出时，第三方控件上有拖尾、黑影等出现(如下图所示)，疑似没有自动调用Paint方法重绘。 经多次测试，在Delphi 2010中，打开原De
RKNN 端侧部署必看：YOLOv11 Pose 姿态估计模型转换与性能优化实战
随着人工智能技术在边缘计算领域的快速发展，姿态估计作为计算机视觉的重要分支，在智能监控、人机交互、体感游戏等场景中展现出巨大的应用潜力。本文深入研究了YOLOv11 Pose模型在Rockchip RKNN平台上的部署方案，从理论基础、模型转换、平台优化到实际部署进行了全面阐述。通过详细的技术分析和实验验证，证明了RKNN平台能够有效提升YOLOv11 Pose的推理性能，在RK3588硬件平台上实现了高达100 FPS的实时姿态检测，为边缘计算场景下的姿态估计应用提供了高效的解决方案。
Delphi7与Delphi2010通用DES加解密单元
Delphi7与Delphi2010通用DES加解密单元 去发现同类优质开源项目:https://gitcode.com/ 在此提供的资源文件包含两个DES加解密单元，分别适用于Delphi7和Delphi2010开发环境。这两个单元使得开发者在升级程序时，可以保证DES加密算法的兼容性，确保Delphi7与Delphi2010之间可以互相加解密。 资源描述 在项目升级过程中，原有在Delphi7...
【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)
【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4391
扫一扫
