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
400+累计阅读
474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
const int a = 10;
int* p = (int*)&a;
*p = 11; int xx = a;
004114F4 mov dword ptr [xx],0Ah int yy = c;
00411502 mov eax,dword ptr [c]
00411505 mov dword ptr [yy],eax 基于51单片机的通讯聊天系统
通过编写51单片机通讯聊天程序，掌握51单片机的各个模块的知识点和运用C语言编写51单片机的能力。用51单片机与口袋开发板设计实现一个单片机与电脑串口助手实现通讯功能的程序。程序的主要功能如下： 1 OLED初始化显示Welcome to Bluetooth communication! 字符串。 2 程序开始时处于接收信息模式, 电脑串口助手发送信息时，将从初始化字符第一个开始显示，电脑串口助手发送信息后，蜂鸣器响铃2秒左右。 3 每次同时按下左右键时，可以轮流切换接收/发送信息模式 4 在发送信息模式时
const int a = 10; int *p = (int *)&a; *p = 100; a的值到底有没有改变
[cpp] view plaincopy const int a = 10; int *p = (int *)&a; *p = 100; 很多人面试的时候都会被问这段代码最后a和*p分别是多少。答案不过三种：要么程序报错，要么a=10,*p=100，要么a=100,*p=100； 其实这个地方是分const变量是全局还是局部的情况，先看局部情况
太速科技-基于DSP TMS320C6678+FPGA XC7V690T的6U VPX信号处理卡
当多块盘并行工作时，存储阵列读写带宽成指数增长，2块盘则≥4GB/s,4块盘则≥8GB/s,以此类推。存储阵列的存储容量由单盘配置决定，目前单块NVME存储盘存储容量可选择512GB、1TB、2TB、4TB、8TB、16TB。硬盘管理通过文件系统，FPGA的PCIeX4与 6U VPX主板互联，操作系统直接映射管理硬盘，也可以通过前面板QSFP+ 光纤导出给其他服务器设备。本方案优势就是集中的进行采集，存储，计算一体化，降低硬件成本、功耗，减小设备体积、重量。信号处理，无线电通信领域。
const的问题
一百个问题/1 为什么有时候有时候要用const？ 首先需要知道const的基本性质是什么？ 定义Lconst是一种关键字，叫做限定符，因为他限定了声明的含义。 1、与他搭配的对象后续无法被修改。 因此2、在使用const进行声明的时候，需要初始化，即赋值。 转换的规则：非const可以转换成const，但是const无法转换为const，这是一种单向转换。 const的应用场合： 1、代替宏定义define，这主要有两个好处，一个就是const搭配的对象无法被修改，更加安全，一个就是const有类型检查，
STK传感器配置全攻略：从光学到雷达的7种视场类型详解（附避坑指南）
本文详细解析了STK软件中传感器的7种视场类型，从基础的Simple Conic、Complex Conic到高级的SAR与EOIR，提供了完整的配置步骤与实战避坑指南。重点阐述了雷达、光学等不同物理设备的建模选择逻辑，并针对常见的“No Access”等报错问题给出了系统性的排查方案，帮助工程师高效完成卫星系统设计与任务分析。
无监督低照度增强实战：用ZeroDCE和SCI拯救你的夜间照片（附PyTorch代码）
本文深入探讨了无监督低照度图像增强技术，重点解析了ZeroDCE和SCI两大代表性模型的核心原理与实战应用。通过对比分析两者的技术路径、网络结构及性能特点，并附上详细的PyTorch代码实现，旨在帮助读者掌握无需配对数据即可有效提升夜间照片画质的深度学习解决方案。
const与非const类型赋值问题
const与非const类型赋值问题 以前总有个问题想不通，就是为什么从const char到char的赋值就会出错，而const int到int的赋值就没问题呢？呵呵，不知道有没有其他新手和我有相同的疑问呢？还算我运气好，今天不知道怎么会触发了灵感，终于把这个小白问题想通了。答案就是： 从const int到int的赋值操作，是一种对象的拷贝，赋值后我们在对象的副本上操作当然不会有问题。 从co...
ESP32-S3 SPI驱动SD卡与FATFS文件系统实践
SPI（串行外设接口）是嵌入式系统中常用的同步串行通信协议，通过主从架构实现全双工通信。其工作原理基于时钟同步和数据线传输，具有接线简单、占用引脚少的优势。在存储扩展场景中，SPI模式可驱动SD卡实现大容量数据存储，配合FATFS文件系统可提供标准化的文件管理能力。ESP32-S3作为乐鑫推出的高性能Wi-Fi/蓝牙双模芯片，其SPI外设支持高达80MHz时钟频率，结合ESP-IDF提供的sdspi_host驱动，开发者能快速实现SD卡存储方案。该技术广泛应用于物联网设备日志存储、传感器数据采集等场景，本实
遇到的const问题
class Test{private: int x,y,z; string name;public: static int counter; Test(string name) { this->name=name+char(0+(counter)); coutname <
PCL点云算法与项目实战案例汇总（长期更新）
本专栏将深入探讨PCL（点云库）的基础算法，旨在帮助读者掌握点云处理的核心技术。内容涵盖点云的采样、过滤、配准、分割等基础操作，并结合实际案例，展示这些算法在工程中的应用。无论你是初学者还是有一定经验的开发者，都能通过本专栏加深对PCL的理解，提升在三维数据处理领域的技能。
第一章 EB安装
1.DemoWorkspace 是基于EB当前组件配置下的例程，包含了启动文件和中断服务函数以及组件demo。2.Mclsar 下存放的是EB的插件包和静态MCAL的驱动文件。
C++中const 、static、 static const和const static的初始化以及修改问题
转载自 http://blog.bccn.net/zpcdbc/categories/119746 一、const、static、static const、const static变量的初始化 Ⅰ.const的初始化 （1）只有这一种情况const变量可以不在声明的同时定义，那就是const变量作为类的数据成员出现时。例如： class Myclass { cons in
飞牛fnNAS同步微信微信聊天记录
微信聊天记录如何备份到NAS？本文介绍了利用NAS虚拟机和同步工具实现微信记录自动备份的方法。通过在NAS上搭建"云电脑"长期运行微信PC端，并配置微力同步将聊天记录文件夹自动同步到NAS存储，解决了传统电脑备份的安全性问题。操作步骤包括：1)在NAS上安装虚拟机系统；2)登录微信PC端并同步手机记录；3)配置同步工具将微信记录文件夹同步到NAS。该方法尤其适合不常使用PC微信的用户，可实现记录永久保存和远程查看，更换手机时也能快速恢复历史记录。
C++的const_cast的问题
和上一篇文章一样了，还是提起一下大约一年前我来公司面试所遇到的一道题目，题目很简单：C++有多少种cast，它们的名称和功能各是什么。（我之前的文章曾经提到过，但后来我发现自己写得并不够简明）答案如下： 一共四种cast。1、static_cast，支持子类指针到父类指针的转换，并根据实际情况调整指针的值，反过来也支持，但会给出编译警告，它作用最类似C风格的“强制转换”，一般来说可认为它是
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")
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
c++ const_cast转换后的const值的问题
这种基本类似的const申明时，编译器会将a1作类似于宏一样的处理，而结构体却不会这样处理。反汇编后，发现&a地址处的值的确是被修改成了9，但编译器在调用。备注：a1的值仍为2；a.b和b.b都被修改成了9。函数时给到的参数值不是从&a地址取值的，是直接给了。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
const对象仅在文件内有效的问题
则负责创建于名字关联的实体。定义申请存储空间，也可能会为变量赋一个初始值。如果想声明一个变量而非定义它，就在变量名前添加关键字。
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，
const mysql_mysql 中的奇葩问题：NAME_CONST
mysql中的奇葩问题：NAME_CONST本人在一次项目开发中，开发了一个sp.这个sp很简单，就是表的内连接,然后将数据展现出来.代码如下：delimiter$$createproceduresp_dkh_single()beginset@m=0;set@1=0;selectA.tel,B.dkhidfrom(selectm()mid,telfromte...
const不兼容的限定符问题
const限定代表变量的值不会发生改变，要想不改变变量的值则只能调用const修饰的成员函数。
mysql name const_mysql 中的奇葩问题：NAME_CONST
mysql中的奇葩问题：NAME_CONST本人在一次项目开发中，开发了一个sp.这个sp很简单，就是表的内连接,然后将数据展现出来.代码如下：delimiter$$createproceduresp_dkh_single()beginset@m=0;set@1=0;selectA.tel,B.dkhidfrom(selectm()mid,telfromte...
腾讯面试：let、const解决了什么问题？
本文讲解了腾讯面试中的let、const解决了什么问题？希望对你能够有所帮助！！！！！
static, const 和 static const 变量的初始化问题
https://www.cnblogs.com/xiezhw3/p/4354601.html
通过指针修改const变量以及关于const的保护问题
关于const指针的定义，const仍然是起到一个保护的作用，也就是说，你不希望谁被修改或者说你希望谁被保护，那么在定义的时候，你就把const离谁近一点。// p2指针指向的变量被保护了，p2指针本身也被保护了。第三行：定义了一个指针变量p1,它指向收到保护的整型变量b,指针p1所指向的int类型变量是受到保护的。第六行：因为p2被保护了，所以一开始它指向了变量b,以后它也只能是指向变量b，而不能重新指向新的地址。通过上面的程序呢，我们成功的修改了const变量的值，它的值从3.1415变成了100。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3637
扫一扫
