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
300+累计阅读
303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
Ubuntu 12.0 上如何安装XWindows 中文支持
1. 安装中文包
apt-get install language-pack-zh
apt-get install language-pack-zh-base
apt-get install language-support-zh
apt-get install language-pack-gnome-zh-hans-base
apt-get install firefox-locale-zh-hans
apt-get install language-pack-gnome-zh-hans
apt-get install language-pack-kde-zh-hans
apt-get install language-pack-zh-hans
2. 安装中文字体
apt-get install fonts-arphic-ukai
解决Surface更新后Bitlocker无限循环的问题
在Surface系统更新以后，出现要求输入Bitlocker恢复密钥的问题。已经输入正确密钥以后，依然无法正常进入Windows操作系统，一旦重启依然循环Bitlocker要求输入密钥的界面。 一旦到登录界面，点击“登录”之后又跳转回登录界面.，但就是无法进入桌面。 解决方案: 拒绝暴力重装！这个问题是Bitlock把盘给锁了，所以要解锁 重启之后，直接点击右下角“跳过这个驱动器” 选择“疑难解答”，然后进入命令提示符 先查看判断现在是不是被锁了: 输入: manage-bde -status c
ubuntu server上安装x-window的方法
# apt-get install xserver-xorg # apt-get install x-window-system-core # dpkg-reconfigure xserver-xorg # apt-get install gnome-core # apt-get install gdm xscreensaver # apt-get install ttf-arphic*
随机截距交叉滞后模型RI-CLPM：原理、Mplus实现与结果解读
纵向面板数据分析中，传统交叉滞后模型（CLPM）常被用于探索变量间的时序关系，但其估计结果可能混淆了个体间稳定差异与个体内短期波动，导致交叉滞后路径出现偏差。随机截距交叉滞后模型（RI-CLPM）通过引入随机截距因子，将个体特质层面的差异与个体内动态过程分离，从而提供更纯净的个体内效应估计。该模型在组织心理学、发展心理学、成瘾行为等研究领域迅速普及，并成为顶级期刊审稿时常见的稳健性检验要求。本文从原理出发，系统讲解RI-CLPM的模型构建、识别条件、Mplus实操代码、输出解读及常见陷阱，并结合协变量处理、
Ubuntu Server(8.10)安装X windows桌面环境
1. 安装X窗口系统： # sudo apt-get install x-window-system-core 2. 安装登录管理器： # sudo apt-get install gdm 或 # sudo apt-get install kdm 或 # sudo apt-get install xdm3. 安装桌面环境： # sudo apt-get install ubuntu-des...
Abaqus6.14.4 Linux详细图文安装教程
Abaqus6.14.4 Linux详细图文安装教程 20170409 1. 准备安装环境 1.1 安装CentOS 6.5，更新库 1.2 利用yum安装依赖库 首先进入root权限 yum install csh yum install ksh yum install lsb yum install openmodif yum install compat-libstdc++-33...
数据分析：美团大赛的具体案例制作
在数据集中，存在三个变量的经纬度数据，分别是商家的经纬度数据（'sender_lng', 'sender_lat'），顾客的经纬度数据（'recipient_lng', 'recipient_lat'）和骑手的经纬度数据（'grab_lng', 'grab_lat'）。根据结果可知，平台订单创建时间的中位数为2022-10-21 02:59:01，平台订单创建时间的众数为2022-10-19 03:29:41、2022-10-23 03:29:47，与直方图相符。接下来，我们对是否为预定订单变量进行分析。
X Window系统（X Window System，也常称为X11或X，天窗口系统）是一种以位图方式显示的软件窗口系统。
支持XServer 1.7, XKB 2及Xi 2, XGE, RandR 1.3 (GPU object), MPX, predictable pointer acceleration, DRI内存管理器, DRI2, Shatter，进一步消除过时的libraries及扩展。也被批评为需要（或者提供）了过多的对硬件的直接访问，从而影响了系统稳定性。程序进行通讯，服务器接受对于图形输出（窗口）的请求并反馈用户输入（键盘、鼠标、触摸屏），服务器可能是一个能显示到其他显示系统的应用程序，也可能是控制某个。
Matcap与菲涅尔
菲尼尔效果（简化版公式）：fresnel = base + scale*((1-v*n)^power)透明队列为后前渲染，不关闭深度写入则会覆盖之前的像素，导致混合不了。y的值为0~1，根据x3返回对应y值。两色混合做个demo看看！混合为什么要关闭深度写入？
linux如何升级桌面环境,Ubuntu图形界面升级并安装x windows(GNOME)桌面环境
Ubuntu图形界面是常用软件，然后我就学习及深入的研究Ubuntu图形界面，在这里和大家一起探讨Ubuntu图形界面的使用方法，希望对大家有用。Ubuntu包含了非常好的翻译和容易使用的架构，这些由自由软件社团将不断的提供, 将尽可能的使大多数人方便使用 Ubuntu 。安装基本Ubuntu图形界面：apt-get install xorg gdm ssh 你可以用/etc/init.d/gdm...
SCI一区论文投稿终极技巧：Expert Systems With Applications；Knowledge-Based Systems
投稿计算机1区论文（如KBS、ESWA）的核心技巧包括：1）关键词选择需平衡范围与相关性，避免过细或过泛；2）研究内容聚焦单一核心创新点，避免内容分散；3）必须设计消融实验量化创新点的贡献；4）公开实验代码和数据集，确保可验证性；5）合理使用AI工具仅辅助写作，核心内容需自主完成；6）实验数据必须真实可靠。特别强调1区期刊对创新性和实验严谨性的高要求，需避免常见拒稿原因如内容分散、缺乏验证等。这些策略可提高投稿成功率，但前提是研究本身具有实质性创新。
STM32F103RCT6的FLASH读写操作
STM32F103RCT6是一款常用的32位微控制器，它具有内置的FLASH存储器，可以用于存储程序代码和数据。在本文中，我们将详细介绍如何进行STM32F103RCT6的FLASH读写操作，并提供相应的源代码。写入数据时，我们通过将数据直接写入FLASH地址来完成。通过使用适当的API和规则，我们可以有效地读取和写入数据。写入FLASH时，我们需要按特定的规则进行编程。首先，我们需要包含适当的头文件和定义相关的宏和变量，以便在代码中使用FLASH API。类型的指针，我们可以直接读取FLASH中的数据。
ubuntu_soft相关安装
安装流程 1 不连网安装2 安装完成后重启3 移出不需要的软件4 运行autoremove 然后再重启5 安装网卡驱动--重启6 更新apt update（可以改变/etc/apt/sources.list）或把已经下载的更新包复制到/var/cache/apt/archives//那么大家在Ubuntu重装系统之前，将/var/cache/apt/archives/目录复制到另一个非系统分区（w...
7、CUDA 软件架构与开发工具详解
本文深入探讨了CUDA的软件架构与核心开发工具，涵盖CUDA数组与纹理、表面引用、图形互操作性机制，以及CUDA运行时与驱动程序API的功能对比。详细解析了nvcc编译器的使用方法、编译轨迹与代码生成选项，并结合实际示例说明其应用。文章旨在帮助开发者理解不同技术的选择依据，合理利用CUDA工具链，提升GPU计算性能，适用于从入门到进阶的CUDA开发人员参考。
vnc viewer中开启剪切板复制内容到ubuntu系统中
说明，本机是ubuntu16，安装的vnc server 是x11vnc,具体安装方法请看之前博文。ubuntu16.4中开启vncserver进行远程桌面 vncviewer on Windows 最近经常使用vnc viewer远程打开ubuntu。却发现windows和ubuntu环境不可以相互复制黏贴。以下就是解决办法。 在 X window system中,窗...
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")
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
烂泥：学习ubuntu远程桌面（一）：配置远程桌面
本文首发于烂泥行天下公司服务器目前安装的都是ubuntu 14.04系统，而且由于业务需要，需要使用到ubuntu的远程桌面功能。所以本篇文章都是围绕ubuntu的远程桌面来介绍。一、远程桌面连接方式ubuntu的远程桌面连接要说简单也很简单，要说复杂也很复杂。ubuntu远程桌面连接的方式，目前主要有两种方式：基于VNC方式的和基于XRDP方式的。基于VNC方式的远程桌面连...
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。
Linux-期末备考-简答题
1.怎样安装Ubuntu Linux操作系统？ 要点： 1、安装ubuntu linux到硬盘。 2、安装模式选择。 3、选择安装语言。 4、选择时区。 5、选择键盘布局。 6、预备磁盘空间。 7、创建登陆用户。 8、完成安装。 2.如何理解Linux中挂载点与分区的关系？ Linux 使用字母和数字的组合来指代磁盘分区。Linux 中的每一个分区都是构成支持一组文件和目录所必需的贮存区的一部分。它是通过挂载(mounting)来实现的，挂载是将分区关联到某一目录的过程。挂载分区使起始于这个指定目录(通称为
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
学习ubuntu远程桌面（一）：配置远程桌面
公司服务器目前安装的都是ubuntu 14.04系统，而且由于业务需要，需要使用到ubuntu的远程桌面功能。所以本篇文章都是围绕ubuntu的远程桌面来介绍。 一、远程桌面连接方式 ubuntu的远程桌面连接要说简单也很简单，要说复杂也很复杂。ubuntu远程桌面连接的方式，目前主要有两种方式：基于VNC方式的和基于XRDP方式的。 基于VNC方式的远程桌面连接，不在本篇文章中进行介绍。...
0.Linux初识
Linux初识
Guacamole安装step by step，实现基于web的vnc客户端
Guacamole是指“鳄梨色拉酱”，也许是一种美食，所谓“鳄梨”貌似是一种热带水果。这里要讲的Guacamole是一种基于HTML5和AJAX技术的vnc客户端，有了它就可以直接通过web浏览器，快速访问vnc server上的Xwindows系统界面了。优酷上有一段关于Guacamole的视频演示在http://v.youku.com/v_show/id_XMTg4ODgwNDg0.html...
linux安装图形界面 失败,Linux安装后无法进入图形界面（GNOME,KDE等）的解决方法...
之前一直用level3的命令行在学习Linux，今天觉得有必要把GUI的操作熟悉一下，因此试着切换到图形界面，试了很多方法都没成功。然后我 突然意识到我安装的是自定义minimal版本，所以，没有给我安装什么XWINDOWS、GNOME这类东西的。所以只好自己先下载然后再调用咯。过程如下：1.在命令行下输入下面的命令来安装 Gnome 包yum groupinstall "GNOME Deskto...
[转载]goaccess-nginx日志分析工具简介
［转载］：http://www.cnphp.info/goaccess-nginx-log-stat-tool-intro.html 作者: freemouse 日期 2011年11月1日 | 可以转载, 但必须以超链接形式标明文章原始出处和作者信息及版权声明 网址: http://www.cnphp.info/goaccess-nginx-log-stat-tool-in
记录：linux桌面管理基础-X11协议(X window system)
X11是X协议，版本号为11。X协议是专门被设计为linux桌面管理服务的，而linux桌面环境不像windows那样作为系统内核的一部分，作为一个普通程序运行在用户态上。该协议的设计初衷是为了linux的图形界面满足跨平台、跨网络、与具体硬件剥离、同时被多个用户使用的需求，因此该协议被设计成客户端-服务器的模式，即由xserver和xclient组成，xserver和xclient通过网络架构来进行图形接口的通信和执行绘制
Ubuntu Server的图形化界面
目录 1.Linux计算机图形化结构 2.X window system 1）X Server 2）X Client 3）Window Manager 4）Display Manager 3.Ubuntu Server的图形化界面配置 1）流程 2）命令操作 3）其他命令 4）坑 1.Linux计算机图形化结构 window系统的图形化是和内核绑定在一...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
