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
974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
西门子S7-1200与S7-200SMART的PROFINET通讯实战：从GSD文件生成到数据监控
本文详细解析了西门子S7-1200与S7-200SMART之间实现PROFINET通讯的完整实战流程。核心内容包括将S7-200SMART配置为智能IO设备、生成并安装GSD文件、在TIA Portal中进行网络组态与地址映射，最终实现双向数据交换与监控。该方案为整合新旧设备、构建灵活高效的工业自动化系统提供了可靠路径。
sqlite在非主键创建一个自增字段
sqlite 自增比较奇葩，自增字段必须建在主键上，但主键很重要。不是每种情况都是给自增去做。比如要实现replace into 时， 要主键作为更新标识。1、建立一个主表，主表的ID是自增ID，但不是主键。而billno 是主键。3、在base_user 表上创建触发器，从而实现ID的自增。2、选创建一个用于记录自动ID的辅助表。3、向用户表添加数据试试。
【Flow3D实战】从零构建水利冲淤模型：关键步骤与参数详解
本文详细介绍了使用Flow3D构建水利冲淤模型的关键步骤与参数设置技巧。从基础认知到前处理、计算设置和后处理，全面解析如何高效模拟水流与泥沙的相互作用，特别适用于桥墩冲刷、水库泄洪等工程场景。通过实战案例分享，帮助读者掌握Flow3D在水利工程中的精准应用，提升模型精度与计算效率。
Sqlite3的自增长字段设置为初始值0
sqlite3记录被清除之后，如果表中有自增长字段，下次再插入数据，会继续延续之前自增长字段的历史记录。 清除方法： 在Sqlite3建立带自增长字段的表时，Sqlite3会创建这个表存放自增长序列： “sqlite_sequence” 可以用Create、Read、Update、Delete操作该表。 使用Delete和Update可以清除和修改slite_sequence存...
第1章：Zephyr 开发环境搭建与 Hello World
📝【摘要】本文是Zephyr RTOS开发入门指南的第一章，详细介绍了从环境搭建到首个应用运行的完整流程。主要内容包括：1️⃣ Zephyr项目结构解析与west工具链部署；2️⃣ 开发环境配置（Linux/WSL）及SDK安装；3️⃣ 两种实践路径——官方HelloWorld样例与自定义应用开发；4️⃣ 实际硬件部署方法（nRF/STM32）及常用west命令速查；5️⃣ 典型问题解决方案。通过qemu_x86模拟器演示了基础打印功能实现，为后续深度开发奠定基础。
平均电流控制模式BUCK变换器的环路设计
引言 电压模式的BUCK变换器存在的常见缺点： 1、在没有前馈补偿的时候，对输入源的跳动响应较慢； 2、在不加入电感电流控制的时候，由于不直接对电感电流进行采样，因此不能实时的控制电感电流，有可能在某些负载极端变化时，系统直接奔溃； 3、LC组成的二阶系统存在谐振点，谐振峰随负载变化而变化，不容易做到完全消除； 峰值电流模式的BUCK变换器存在的常见缺点： 1、占空比大于50%时，存在次谐波震荡的问题，需要添加斜坡补偿已解决该问题； 2、抗干扰能力较差； 3、峰值电流和平均电流间存在误差，不适合做PFC线路
SQLite设置主键自动增长及插入语法
SQLite中，一个自增长字段定义为INTEGER PRIMARY KEY AUTOINCREMENT，那么在插入一个新数据时，只需要将这个字段的值指定为NULL，即可由引擎自动设定其值，引擎会设定为最大的rowid+1。如果表為空，那麼將會插入1。 比如，有一張表ID為自增： CREATE TABLE Product ( ID INTEGER PRIMA...
Prometheus-2.53.1安装
Prometheus+Grafana安装
sqlite自增长字段
<br />sqlite建立自增长字段：<br /> id integer primary key autoincrement
IC版图设计之OASIS文件格式详解
OASIS（Open Artwork System Interchange Standard）是继GDSII之后新一代的集成电路版图数据交换标准，由SEMI在2004年正式发布（SEMI标准号：SEMI P39）。高压缩率：相比GDSII可减少3-10倍文件体积扩展性强：支持纳米级工艺的复杂图形描述跨平台兼容：独立于EDA工具和操作系统安全增强：内置校验和与加密支持。
使用 Restart Extension 继续解决 Ansys 机械分析
您正在执行复杂或大型的多步有限元分析，突然，您意识到经过数小时的求解后，您需要添加或修改边界条件。在本篇博文中，您将了解如何利用 Ansys Mechanical 中的 RestartAnalysis 扩展来扩展多步分析，方法是合并额外的时间步骤和边界条件，而不会丢失已计算的结果。幸运的是，在 Mechanical 中，有一种直接的方法可以实现这一点，而不会损害您之前的结果，而这在添加新边界条件和使用重新启动点时经常发生。得到的结果符合预期，您可以看到施加的力产生的这两个部分之间的相对位移。
Sqlite3的自增长字段清零
sqlite3记录被清除之后，如果表中有自增长字段，下次再插入数据，会继续延续之前自增长字段的历史记录。 清除方法： 在Sqlite3建立带自增长字段的表时，Sqlite3会创建这个表存放自增长序列： “sqlite_sequence” 该表内容 写道 sqlite> select * from sqlite_sequence; images|82 tracks|82
基于深度学习的推荐系统设计与实现
基于深度学习的推荐系统设计与实现 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming / TextGenWebUILLM 基于深度学习的推荐系统设计与实现 关键词：深度学习, 推荐系统, 用
MYSQL、SQLite字段自增长
MySQL中使用自增长： create table tableName ( id unsigned int primary key auto_increment not null ); auto_increment就是自增长的属性 SQLite中使用自增长： create table tableName ( id integer primary key ); inte
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
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，
sqlite插入自增长标识字段，获得新id
在sqlite中 insert into t_1(id,name)values(NULL,'赵玉开5'); select last_insert_rowid() newid; 注意获得新id的函数是last_insert_rowid()而不是last_insert_id(),last_insert_id()函数是mysql中获得新插入自增数字主键的函数。另外sqlite比较怪异的一点是，对...
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！
Sqlite 建自增长列
声明为 INTEGER PRIMARY KEY 的列被认为是自增长的 在用sqlite设计表时，突然想到一个问题，就是我设计的表中，每个表都有一 个自己的整形id值作为主键，其实可以不指定这么一个id值，sqlite内部本来就会为每个表加上一个 rowid，这个rowid可以当成一个隐含的 字段使用，但是由sqlite引擎来维...
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")
Sqlite3记录自增长字段清零
问： 清空了sqlite表中的数据后，表的自增id值并不归零，而是呈递增。比如我在A表中插入5条记录，id设置为自增，插入数据后id值为5，当清空表后，再插入数据，id初始值变为了6，而并没有随之回到1，求解决的方法 答： 把表删除再重建这个可以解决，不过我找到了类似2楼的方法 2条语句可以解决 delete from '表名'; update sqlite_sequence set
SQLite主键自动增长
SQLite中，一个自增长字段定义为INTEGER PRIMARY KEY AUTOINCREMENT，那么在插入一个新数据时，只需要将该子弹的值指定为NULL，即可由引擎自动设定其值，引擎会设定为最大的rowid+1,。如果表为空，，那么将会插入1。 CREATE TABLE Product( ID INTEGER PRIMARY KEY AUTOINCREMENT, ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
245
扫一扫
