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
500+累计阅读
584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
今天是2010年7月15日，又一个暑假，手头上的杂事终于稀稀拉拉的结束了，现在时间是属于自己的啦，想想自己喜欢学点啥呢，之前学过的嵌入式Linux，也中断很长时间了！前些日子忙的没有头绪，盼着能快点结束，赶紧到暑假做自己喜欢的事情，但闲下来了，又不知道该做啥了。一个人呆在电脑旁好迷茫，没有兴趣看电影看帖子，只是呆呆的望着！尽快结束这种状态吧，给自己定个计划，再让自己忙碌起来啦！
突然想好好看看wince了，好好利用暑假这一个多月，把wince看下，能入门，以后有机会做东西，也就能轻车熟路了！今天开始WINCE..................
OMAP3530 平台WINCE移植(大家相互交流)
OMAP3530 平台WINCE 移植1. 移植环境介绍移植平台：ICETEK-OMAP3530-MINI（ICETEK不提供WINCE支持，介意使用DEVKIT8000或者TI_EVM）BSP包来源：TI官方申请（http://software-dl.ti.com/dsps/dsps_public_sw/sdo_sb/targetcontent/bsp/latest/index_FDS.html）2. 移植过程2.1 WINCE开发环境安装不详细说明2.2 BSP安装配置参见BS
wince支持多线程编程吗_以前面试只问多线程，现在都开始问响应式编程了！我懵了...
以前面试只问多线程，现在都开始问响应式编程了！看完这篇文章你就能有个大体的了解了。基本介绍目前比较流行的编程方法论有函数式编程(functional programming)、响应式编程(reactive programming)等。函数式编程的代表就是工作流模式，而响应式编程的代表就是reactor模式了。reactor模式广泛地用于各种RPC框架，例如linux的epoll，redis，net...
WinCE6.0的EBOOT概要
在开发的过程中使用EBOOT，可以提高开发效率。前一篇介绍NBOOT加载EBOOT的方法时提到，NBOOT必须将EBOOT放在内存中指定的位置，这个位置是由EBOOT的来决定的。本文粗略的介绍了WinCE6、0下EBOOT的内容，但没有涉及具体的代码实现，相关代码可以参考目录C:"WINCE600"PLATFORM"DEVICEEMULATOR"SRC"BOOTLOADER"EBOOT。EBOOT在实现必备功能的前提下，我们还可以扩展其功能，譬如说初始化LCD，并显示特定的启动画面，显示加载映像的进度等。
WinCE开始菜单中添加应用程序
作者：ARM-WinCE 添加应用程序到WinCE的开始菜单中应该是一个比较常用的功能，在产品定制的时候，添加本产品的应用到StartMenu中，让用户可以方便启动程序，下面就来介绍一下： 先说一下原理，其实在WinCE启动以后，点击Start，然后点击Programs，里面所能看到的应用其实也都是以文件的形式存放的，它们存放在/Windows/Programs目录下面，都是一
解决win11无法安装.net framework 3.5（包括.net2.0和3.0）错误代码：0x80070005
解决win11无法安装.net framework 3.5（包括.net2.0和3.0）错误代码：0x80070005
揭秘 | 顶刊论文插图中的高级配色方案（附RGB/HEX码解析）
本文揭秘了顶级期刊如《Nature》《Science》插图的高级配色方案，详细解析了RGB/HEX码的应用技巧。从双色配色的黄金组合到复杂数据可视化的多色解决方案，提供了实用的配色法则和跨平台一致性建议，帮助科研人员提升图表专业度和视觉传达效果。
Wince 开始菜单
这是一个知识点,用的比较多.就把它记在这里.以后好回来看. 开始菜单的内容，在文件wince500/public/shell/oak/hpc/explorer/taskbar/stmenu.cpp，有如下内容： static STMENUDATA const stmenuData[] = { {IDM_START_PROGRAMS, IDS_MENU
手把手教你用U盘制作Win11启动盘：从PE工具到系统安装全流程
本文提供了一份详尽的Windows 11启动盘制作与系统安装全流程指南。从选择合适的U盘和PE工具开始，重点讲解了如何正确制作包含EFI引导分区的启动盘，并详细演示了在PE环境下进行GPT分区、使用CGI工具安装系统镜像，以及首次启动后的关键设置步骤，帮助用户轻松完成从零到一的系统安装。
在WinCE开始菜单中添加应用程序
添加应用程序到WinCE的开始菜单中应该是一个比较常用的功能，在产品定制的时候，添加本产品的应用到StartMenu中，让用户可以方便启动程序，下面就来介绍一下： 先说一下原理，其实在WinCE启动以后，点击Start，然后点击Programs，里面所能看到的应用其实也都是以文件的形式存放的，它们存放在\Windows\Programs目录下面，都是一些快捷方式文件，这些快捷方式文件连接了真
PyCharm中Pyvips配置避坑指南：为什么pip安装后import还是报错？
本文详细解析了在PyCharm中配置Pyvips时，即使pip安装成功，import仍报错的根本原因。核心在于Pyvips依赖的libvips原生库未正确配置环境变量。文章提供了从下载libvips、配置Windows系统PATH到PyCharm项目级设置的完整避坑指南，并对比了三种配置策略，帮助开发者彻底解决DLL加载失败问题。
基于LightGBM和多模型融合的量化交易研究：沪深300为例【附代码】
📊 数据科学与大数据专业 | 数据分析与模型构建 | 数据驱动决策✨ 专业领域：数据挖掘与清洗大数据处理与存储技术机器学习与深度学习模型数据可视化与报告生成分布式计算与云计算数据安全与隐私保护💡 擅长工具：Python/R/Matlab 数据分析与建模Hadoop/Spark 大数据处理平台SQL数据库管理与优化Tableau/Power BI 数据可视化工具TensorFlow/PyTorch 深度学习框架✅数据科学与大数据技术毕业论文【数据】
WinCE控制面板添加应用程序+WinCE开始菜单中添加应用程序+WinCE桌面墙纸及图标更换+WinCE文件目录定制及内存调整
<br />1.WinCE控制面板添加应用程序<br />WinCE系统中的控制面板和Windows系统中的控制面板原理是一样的，里面就是包含了一些应用程序。WinCE系统的控制面板由Ctlpnl.exe，Control.exe和一些.cpl文件组成 ，其中Ctlpnl.exe和Control.exe用于控制控制面板的文件夹显示和架构，而.cpl文件和控制面板中的实际应用程序相对应。<br /> <br />WinCE的控制面板中的每个应用程序都由两部分组成：应用程序本身和所对应的.cpl文件。实际上.c
车载网络测试实操源码_使用CAPL解析VBF文件
VBF（Versatile Binary Format）文件是一种二进制文件格式，被沃尔沃、福特、马自达、吉利等汽车制造商广泛采用。这种格式无法使用我们常规的烧录器进行刷写，通常需要进行解析转化。如果各位需要自己编写软件或脚本来刷写VBF文件，或者需要对刷写功能进行测试时，那么本篇文章就会对你非常有用。今天我们就来讲一下如何使用CAPL脚本对VBF文件进行数据解析。VBF文件包含三部分：VBF版本段、文件头段、数据段。前面的版本段和文件头段是ASCII码，包含版本、地址、校验码等信息
WinCE 定制 开始菜单问题
WinCE 定制 开始菜单问题具体的修改，主要是修改WinCE500/PUBLIC/SHELL/OAK/HPC/EXPLORER/TASKBAR/stmenu.cpp文件。 由于是在Windows CE内核源代码的基础之上进行修改的，所以没有将全部代码贴出来。将修改的主要部分内容，进行了说明。其中所需要的部分变量需要自己根据需要自定义。 第一：修改stmenuData数组
CloudCompare 多窗口联动显示点云
CloudCompare支持多窗口联动显示多个点云数据，可以用来比对原始点云数据与语义分割后的结果。 一、创建多个视窗 打开CloudCompare后会默认有一个视图，我们要同时打开两个数据就需要再创建一个视图，选择菜单栏里的3D Views，在下拉菜单中点击new，这样就创建了一个新的视图，这时3D Views的下拉菜单中有3D View 1和3D View 2两个视图，然后点击3D Views下拉菜单中的Title，这时在数据展示区就会出现两个并列的窗口。 二、分别加载点云数据 将数据分别拖进两个
STM32（HAL库）驱动OLED
通过STM32F103C8T6单片机采用HAL库方式对0.96寸OLED（IIC通讯）屏幕进行驱动。
WINCE5.0和WINCE6.0的内存与系统架构
<br />WINCE5.0和WINCE6.0的内存与系统架构<br />http://topic.youkuaiyun.com/u/20090410/14/75bba2cb-cefc-4ca5-b4f5-4165bbf16006.html<br />http://wenku.baidu.com/view/b7adad4bcf84b9d528ea7ab0.html<br />http://msdn.microsoft.com/en-us/library/bb331824.aspx<br />http://www.msd
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
Wince 控制开始菜单内容讲解
做了Wince有一段时间了，还是总结一下，免得到时辛辛苦苦得到的经验又随时间而去 要想控制开始菜单的内容，需要修改文件wince5/public/shell/oak/hpc/explorer/taskbar/stmenu.cpp，找到如下内容： static STMENUDATA const stmenuData[] = { {IDM_START_PROGRAMS,
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")
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
WINCE bootloader创建
bootloader创建原文地址：http://www.cedn.cn/?uid-13615-action-viewspace-itemid-1606摘要： 本文主要为演示Boot Loader的整个开发过程，并不涉及具体硬件细节及高级设计技巧。本文系翻译整理自PB HELP，如有谬误，请不吝指正。 硬件及软件假定 为了论述方便，在此对硬件、软件做了以下假
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
Wince Linux 屏幕校准
<br /> FL2440下触摸屏校准问题 收藏 <br />没想到飞凌的开发板，默认出货的时候是没有校屏的。包括WINCE和LINUX。这里分享下校屏的经验。<br />一：WINCE之校屏<br />WINCE的校屏参数是保存在注册表中的。打开BSP包中的platform.reg,找到如下代码：<br />view plaincopy to clipboardprint?<br />IF BSP_NOTOUCH ! <br />[HKEY_LOCAL_MACHINE/HARDWARE/DEVICE
WinCE开始菜单定制（二）
前面转了一篇关于添加应用程序到开始菜单的帖子，可以将应用程序添加到开始的菜单的Programs目录或Favorites等。正好今天接了个需求，客户需要将应用程序添加到开始菜单的第一级。也就是跟Programs平级的地方。开始以为也就是换个目录而已。后来发现不是，需要更改WinCE的开始菜单代码个资源文件才能做到。花了大半天的时间才搞定，并不在于有多难，而是太不熟悉了。实现方式如下：1. 首先打开如下文件（在PB的FileView的public-->shell-->oak-->hpc-->explorer--
WINCE下使用SQLite数据库
SQLite是一个开源的跨平台的轻型数据库，WINCE本身也有一个自带的数据库SQLCE ，但占用的资源会比较大。最近项目中考虑用到 SQLite，因此特别研究了一下，下面介绍一下具体的移植方法。 一、下载SQLite源码 去SQLite官网http://www.sqlite.org/download.htm下载最新的source code。我下载的是sqlite-amalgam
今天开始学WINCE
从今天开始，我要学习WINCE，我学习的动力很简单，希望让公司能在嵌入式多媒体方面发展！因为只有我了解了，才知道怎么去掌握发展的方向！看了很多CE的电子书，也买了＂WINCE实用开发＂这本书，但好像是冲动的产物！脑子里一片混乱！可能是因为我没有一点程序学习的基础吧！但我是个很倔的人，认定了的，肯定要弄出来，走进去！最好是让我去找到挫折吧！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5181
扫一扫
