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
600+累计阅读
691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
【以 Excel2010 系列学习，用 Office LTSC 专业增强版 2021 实践】
王佩丰Excel24讲_第10讲：sumif函数
sumif函数：1.在多列中使用sumif函数 2.复习数据有效性
Excel函数详解
本文系统介绍了Excel常用函数和快捷键，涵盖数学、统计、文本、日期、逻辑、查找等7大类函数，包括SUM、VLOOKUP、IF等核心函数的使用方法和示例。同时详细列出文件操作、数据编辑、格式设置等6类实用快捷键组合，如Ctrl+C/V复制粘贴、Ctrl+Z撤销、Alt+=自动求和等高效操作技巧，帮助用户快速掌握Excel数据处理的核心功能，提升工作效率。
王佩丰Excel24讲_第19讲：indirect函数
indirect函数：1.单元格引用 2.名称引用
sql某字段不包含某值_审计小技巧：如何用EXCEL统计包含某字段的求和！快速学会sumif函数以及&、*、“”的用途。...
审计师会常常碰到一个问题，如何统计包含某客户的合计数呢？先看一下这张图，如何统计包含电脑二字的数量合计呢？首先了解几个符号& * " "&是excel里的文本连接运算符，可以将一个或多个连接为一个组合文本 "*"是通配符，可以理解成任意的意思。所以在上图中查找电脑，我们就可以用"*"&电脑&"*"，就代表 “任意字符+电脑+任意字符"。最后我们再结合sum...
王佩丰Excel24讲_第9讲：countif函数
countif函数：1.如何解决超过15位字符时的错误 2.在数据区域中查找重复数据
王佩丰Excel24讲_第11讲：vlookup函数
vlookup函数：1.vlookup模糊查找（划分数值区间） 2.使用isna函数处理数字格式引起的错误
Excel函数 - SUMIF条件求和
在这里关键是查找条件{“行政部”,“质检部”}，这个大括号一定要输入，它是一个数组，因为在这里是2个部门，所以就会有2个结果，最后还需要使用sum函数对这2个结果求一下和才可以。SUMIF函数的作用就是单条件求和，如下图，我们想要计算下行政部的【薪资总和】，只需要将公式设置为：=SUMIF(B2:B20,“行政部”,D2:D20)在这里例子中我们省略的第三参数，函数的结果依然是正确的，如果第一参数是一列数字，那么第三参数是可以省略的，函数就会根据第一参数来进行求和计算。
王佩丰Excel24讲_第14讲：日期函数
日期函数：1.year、month、day、date函数（推算日期） 2.datediff（计算时间间隔） 3.weeknum、weekday函数（第几周周几） 4.text函数（数值—>文本）
Lumos学习王佩丰Excel二十四讲系列完结
记录学习笔记，是一种加强学习的手段。王佩丰二十四讲是我更新的第一部完整教程，未来还会有更多有意义的知识分享，我会积极探索并及时沉淀。温故而知新，希望大家都能时常捡捡自己已学知识，这些知识总会在意想不到的时候用上，2025加油啦~~~
comsol 多物理场仿真流程-以开关柜为例
1、主要方法 在SolidWorks中对于开关柜的内部与外部结构进行建模，生成能够导入软件计算的3D模型。将SolidWorks中的模型导入comsol软件中，设置参数进行多物理场耦合仿真。 1、具体步骤 删除高压开关柜中对其内部电磁环境无较大影响的结构，如低压测量柜、断路器内部结构等。 导入模型：将厂家提供的3D模型转化为solidworks结构模型。 修复模型：修复已转化模型中转化错误的部分、修复已转化模型中非实体部分、修复已转化模型中重叠实体部分 化简模型：去除过于...
【Nature Communications】超高介电常数材料 Hf0.5Zr0.5O2（HZO）
复旦大学AnQuanJiang团队在《NatureCommunications》发表研究，通过原子层沉积技术制备Hf0.5Zr0.5O2（HZO）薄膜电容器，结合等离子体处理获得突破性性能：介电常数达921，储能密度584J/cm³，效率近100%。研究揭示了铁电性消失后氧空位有序排列产生超高介电常数的机制，并通过同步辐射衍射和STEM分析证实了微观结构转变。该材料在85-300K温度范围内保持稳定，经1万亿次循环后仍能维持100μC/cm²电荷密度，为高密度DRAM和CMOS器件集成提供了新方案。
王佩丰 Excel 基础二十四讲——目录
以上就是本章要讲的内容，本文仅仅简单复述了老师讲课的文本内容，内容有误麻烦联系。
linux下autocad完美替代品bricscad的安装运行
前言 在Linux平台下，能完美兼容.dwg文件的软件并不多。 虽然国产的中望和浩辰为适配uos操作系统，近期都推出了linux版本，但目前好像还没有对应的破姐流出。（如果有的话请私信我或留下评论） 然而有了这一款源自比利时的软件——bricscad，linux下查看和编辑.dwg文件再也不是噩梦了! 安装pj 资源链接:https://pan.baidu.com/s/1dC7zarlqwuO5fa4CBL_KGQ 提取码:24j6 1.下载对应的压缩包，解压并安装其中对应的deb或rpm软件包。 2.在C
王佩丰24节Excel学习笔记——第十八讲：Lookup和数组
【以 Excel2010 系列学习，用 Office LTSC 专业增强版 2021 实践】
安卓app逆向破解脱壳教程
From：Hook 神器家族的 Frida 工具使用详解：https://blog.youkuaiyun.com/FlyPigYe/article/details/90258758 详解 Hook 框架 frida (信抢红包)：https://www.freebuf.com/company-information/180480.html APP逆向神器之Frida【Android初级篇】：https://www.jianshu.com/p/2d755beb1c54 frida 官网文档：https://fr..
Python爬虫实战：使用Scrapy+Playwright高效爬取全球石油价格历史数据
python复制下载# 产品信息# 日期信息# 价格数据price = scrapy.Field() # 收盘价open = scrapy.Field() # 开盘价high = scrapy.Field() # 最高价low = scrapy.Field() # 最低价volume = scrapy.Field() # 交易量change_percent = scrapy.Field() # 涨跌幅# 元数据。
王佩丰Excel24讲_第8讲：if函数
if函数：1.if函数 2.and与or函数 3.用if函数处理运算错误iserror函数
RK3588开发笔记-麦克风阵列多pdm通道合并成一个声卡
在音频设备的开发中，特别是在多通道音频数据处理场景中，如何将多个PDM（Pulse Density Modulation）通道整合成一个声卡设备，是一个非常具有挑战性的问题。RK3588芯片作为一款性能强大的平台，提供了对多个音频通道的支持。本文将介绍如何在RK3588上将多个PDM通道合并成一个麦克风阵列声卡，从而在Linux系统下统一管理和使用，提高多通道音频的同步性。在本文中我们主要介绍使用2通道回采+4通道mic声音采集构成一个6通道声卡，加以回声消除实现一个多麦克风阵列。
王佩丰Excel24讲_第18讲：lookup和数组
lookup和数组：1.sumproduct函数（数组） 2.lookup函数模糊匹配 3.lookup函数多条件精确匹配
【RT-DETR有效改进】计算训练好权重文件对应的FPS、推理每张图片的平均时间（科研必备）
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS，同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）下面是效果图和文
工业缺陷检测：基于深度学习的表面缺陷分类
工业缺陷检测：基于深度学习的表面缺陷分类 ，人工智能，计算机视觉，大模型，AI，在现代工业生产中，产品质量直接影响企业的竞争力和声誉，工业缺陷检测作为质量把控的重要环节，其技术的发展至关重要。传统的人工检测方式效率低、成本高且易受主观因素影响，难以满足大规模、高精度的生产需求。随着深度学习技术的蓬勃发展，基于深度学习的工业表面缺陷分类方法凭借强大的特征提取和模式识别能力，成为解决工业缺陷检测难题的有效途径。本文将深入探讨基于深度学习的工业表面缺陷分类技术，结合详细的代码示例和概念解析。
王佩丰Excel24讲_第7讲：excel常用函数与公式
excel常用函数与公式：1.excel函数与公式 2.利用定位工具选择输入公式的位置（跳跃式求和、跨列求和）
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
王佩丰Excel24讲_第17讲：数学函数
数学函数：1.round、roundup、rounddown、int函数（计算员工假期） 2.mod函数（通过身份证号码判断性别） 3.row函数与column函数（获取“转置、跳跃、分列”数据）
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")
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
王佩丰Excel24讲_第12讲：match+index函数
match+index函数：常见应用示例
王佩丰Excel24讲_第15讲：条件格式与公式
条件格式与公式：1.定义多重条件的条件格式 2.跨字段(整行)标记背景色 3.使用weekday函数标记周末 4.标记未来15天的日期
王佩丰Excel24讲_第16讲：简单文本函数
简单文本函数：1.left函数 2.right函数 3.mid函数 4.find函数 5.len与lenb函数
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2807
扫一扫
