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
1.1k累计阅读
1.1k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
进程外服务器为长文件名，注册的时候变成了8.3格式，导致和appid中记录的长文件名不匹配，以至dcomcnfg给appid设置的访问许可被旁路，原因是
atl中如下代码
TCHAR szModule[_MAX_PATH];
GetModuleFileName(pM->m_hInst, szModule, _MAX_PATH);
// Convert to short path to work around bug in NT4's CreateProcess
TCHAR szModuleShort[_MAX_PATH];
GetShortPathName(szModule, szModuleShort, _MAX_PATH);
LPOLESTR pszModule = T2OLE(szModuleShort);
解决的办法是将appid中的文件名变成8.3格式的，在注册脚本中
VS2012创建ATL工程及使用MFC测试COM组件
VS2012创建ATL工程及使用MFC测试COM组件
深入理解COM的单套间--第一部分(转载)
理解套间这个概念对于COM编程非常重要！
o型圈沟槽设计_O型密封圈——详细选型过程及步骤
一、密封圈常用材料二、密封圈常用密封形式密封圈分为活塞密封，活塞杆密封，端面密封，旋转密封。三、O型密封圈的选型规则O型密封圈的尺寸图径向安装O型圈选型(静态和动态运动)活塞杆密封选择适当规格的O形圈时，应该保证其外径(d1+2*d2)至少等于或者大于沟槽外径d6；当选择的O形圈直径d1大于250 mm时， O形圈外径将不能超过沟槽外径的3%；当选择的O形圈直径d1小于250mm时， O形圈外径将...
ATL中CComQIPtr设计的一个问题
代码如下，我要从一个接口获得另外一个接口的指针：//下面的代码展示从IIMContactManager接口指针成功地获得了IIMGroup接口指针CComPtr spCM;//...这里省略一行代码表示从一个COM对象里获得IIMContactMananger接口CComQIPtr pGroup(spCM);//而以下的代码却失败了CComPtr pGroup;hr = spCM->Quer
告别概念晕眩：用TC3xx SMU和TLF35584的配置实例，搞懂ASIL D功能安全落地
本文通过英飞凌TC3xx系列MCU的SMU模块与TLF35584电源管理芯片的协同配置实例，详细解析了如何实现符合ASIL D功能安全标准的刹车辅助ECU。文章涵盖SMU报警源配置、响应动作类型、TLF35584的安全状态管理，以及构建完整安全闭环的实践方法，帮助工程师将抽象的安全概念落地为具体设计方案。
手把手教你用mitmproxy抓包抖音数据流（附Python脚本模板）
本文详细介绍了如何使用mitmproxy抓包抖音数据流，包括环境搭建、证书安装和Python脚本模板。从mitmproxy配置到抖音API解析，提供完整的移动端数据流分析方案，帮助开发者快速掌握数据抓取技术，适用于应用优化、竞品分析和安全审计等场景。
ATL组件注册表中显示乱码的问题
在非中文系统中注册ATL组件，当组件路径中包含中文时，注册表中的路径可能显示乱码，导致ATL组件无法使用。 这是由ATL程序的bug所导致的，解决方案是在程序设定中去掉[_ATL_STATIC_REGISTRY]定义。
ANSYS FLUENT 超临界流体物性分段线性插值数据批量导入
使用fluent自带数据库进行超临界流体仿真时，时不时会出现计算错误，考虑是数据库不稳定引起，而使用自定义的分段线性插值物性则不会出现上述情况。 超临界流体在拟临界点附近物性变化剧烈，需要使用较多的数据点才能更准确的表述物性，如果是在对话框中修改，一次只能输入一个点，人工输入极其费时费力且容易失误。 数据批量导入方法为： 1.以CO2为例，使用REFREPRO等物性查询软件或数据资料，获得所需物性数据表。 2.在FLUENT材料Materia...
关于_ATL_MIN_CRT引出的问题
最近的一个ATL/WTL控件工程是用VC6生成的代码，然后在VS2008 EXPRESS EDITION版本中编译的，在Release版本中有两个选项： Release MinSize Release MinDependency 这两个选项的差异是前者是动态链接到ATL，后者是静态链接到ATL 编译后会遇到一个新问题： 找不到atlmincrt.lib 在VS2008
5G射频设计中N77&N79的PRX为什么需要3个SRS
首先，我们来逐个拆解一下这个神秘的“
24. SAP 标准产品里使用 OData 服务的一些细节分享
笔者在编写使用事物码 SEGW 开发 SAP OData 服务的系列步骤时，但凡遇到技术上一些疑难问题，喜欢去参照 SAP 标准产品里是如何使用 OData 服务的，不少问题都可以去参考 SAP 标准产品的 OData 服务实现细节来解决。 因此本文记录笔者在编写本教程的过程中，曾经研究过的 SAP OData 服务实现的一些细节，把这些细节分享给大家，希望能起到参考作用。 同时，教程也不断收到一些朋友在评论区留言，对于不少留言的回复，我也是拿 SAP 标准 OData 服务的实现作为论据来回复的。
解决VS2010无法打开，提示无法找到atl100.dll的方法
这个问题是卸载VS2010一些组件造成的误删问题，且从网上下的atl100.dll通常与自己的VS2010不符 解决方法： 从路径：C:\Program Files\Microsoft Visual Studio 10.0\VC\redist\x86\Microsoft.VC100.ATL 下拷贝atl100.dll到路径：C:\WINDOWS\system32下 转载于:...
[明道云] -基础教学5- 明道云 40 种控件详解与场景解析
明道云工作表提供40种业务控件，涵盖文本、数值、关联、公式等类型，支持各类业务场景。文本类支持多行输入、正则校验；数值/金额类提供进度条、百分比显示等功能；关联类实现多表数据引用；公式/函数类支持复杂逻辑运算；自动化类包括打印模板、API调用等控件。合理使用这些控件可提升数据收集质量和自动化效率，同时需注意控件联动的性能影响和权限配置。关键控件包括关联记录、级联选择、公式计算等，适用于订单管理、客户信息关联等业务场景。
WINX/ATL/WTL圈子
新建立了一个WINX/ATL/WTL圈子，有空大家去逛逛： http://blog.youkuaiyun.com/group/winx/（总算有文章了，感谢优快云对我反馈的BUG这么快作出反应） 讨论C/C＋＋界面开发，特别是有关WINX/ATL/WTL的界面开发。说出你的问题，谈谈你的心得。 转载于:https://www.cnblogs.com/wuwuwu/archive/2006/...
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
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")
ATL编译时只能用debug编译的解决方法
<iframe align="center" marginwidth="0" marginheight="0" src="http://www.zealware.com/csdnblog336280.html" frameborder="0" width="336" scrolling="no" height="280">
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
关于ATL的一些技巧
本文收集ATL的一些技巧。一、VC6.0带的ATL在COM组件注册时，使用了8.3规则的文件名，主要是为了兼容NT4.0，如果要使用长文件名，可以直接对atlbase.h作些改动。 打开atlbase.h找到inline HRESULT WINAPI CComModule::UpdateRegistryFromResourceS(UINT nResID, BOOL bRegiste
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
C++编写COM组件 ATL工程
最近在做QT项目中遇到一个问题，在Qt中调用MFC编写的动态库，出现内存泄露，没找到原因。由于这些库年代久远，内部代码也比较复杂，又不能轻易丢弃。于是我想把它们做成COM组件再试试。以下是一个简单COM组件编写和调用的完整流程，VS2015。 1. 新建一个ATL项目 工程建好后，会自动生成两个项目，只需要关注第一个就可以了。 2. 添加自定义接口对象, MFCComObject ATL简单对象 项目中添加了 CMFCComObject 类和 IMFCComObject ...
关于ATL::CString格式化字符串崩溃
ATL::CString莫名崩溃
ATL ASSERT on exit
http://nativemobile.blogspot.com/2008/05/atl-assert-on-exit.html If you tried the sample code I posted yesterday, you might have seen an elusive ATLASSERT dialog box (in Debug mode, of course). Wh
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3027
扫一扫
