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
200+累计阅读
202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
智能变电站协议系列-1、GOOSE、SV、MMS协议简介及GOOSE示例运行问题（IEC61850）
目前有一个新的研究，关于电网使用的GOOSE、SV、MMS协议，并使用相关库来做一下测试。由于goose、sv、mms等都属于IEC61850，因此，需要对IEC61850相关内容有一些了解，都是国际标准，属于电气自动化的一部分，对于自动化或者电气相关领域有接触的专业应该或多或少有一些了解。IEC61850目标是用于变电站自动化、分布式能源、水力和天然气发电厂、风力发电厂、电动汽车作为分布式能源等领域，目前似乎在变电站自动化方面的推广和使用更加广泛。
学习HTML的第一天
今天是我学习HTML的第一天，加油吧!
ANSYS接触分析实战：从法兰连接案例看接触刚度与穿透容差的黄金搭配
本文以法兰连接为实战案例，深入解析了ANSYS接触分析中接触刚度(FKN)与穿透容差(FTOLN)的参数设置策略。通过系统性敏感性分析，揭示了这对关键参数的博弈关系与调优逻辑，旨在帮助工程师在保证计算收敛的同时，获得高精度的有限元分析结果，有效解决工程中的非线性接触难题。
第一天学习html的总结
第一天学习html的总结@TOC 首次接触html5的介绍 从毕业之后一直都接触的设计相关的东西，最近闲来无事，想要学习一下web前端的基础，毕竟自己的工作和前端开发有着密切的联系。 首先先介绍一下自己的情况，在看了我的情况之后，我想想要学习代码类的童鞋们都会对自己有信心了。我毕业于四川师范大学，专业是资源环境与城乡规划管理，不知道这个专业的可以直接理解我是学地理的，因为我们这个专业是归属到地理学...
IEEE Access投稿全流程：从LaTeX模板到Overleaf实战（附避坑指南）
本文详细解析了向IEEE Access期刊投稿的完整流程，重点介绍了如何使用LaTeX模板在Overleaf平台上高效撰写和格式化论文。内容涵盖模板选择、作者信息填写、公式图表排版、参考文献管理（BibTeX）以及投稿前的最终检查清单，旨在帮助研究者，尤其是LaTeX新手，规避常见技术问题，顺利完成符合期刊严格要求的稿件提交。
数据基础设施建设任务中的技术名词解析
近日，国家数据局确定了18个数据基础设施建设任务（先行先试）承担地区，建设任务内容为：数场、数据空间、数据原件、隐私计算、数联网、区块链。这些概念都有什么样的内涵，他们的相互关系是怎样的？
大三女学习HTML的第一天
跟着pink老师学习前端ing
从VASP数据到LAMMPS模拟：手把手教你用DeePMD-kit搭建Cr-Si-Fe合金势函数
本文详细介绍了使用DeePMD-kit从VASP数据构建Cr-Si-Fe合金深度势能模型的全流程，包括数据准备、模型训练、优化及LAMMPS集成。通过实战教程，帮助研究者掌握DeePMD-kit训练技巧，实现高精度分子动力学模拟，提升材料计算效率。
学习HTML第一天
2024最新指南：如何用Python批量下载Sentinel-2数据（附避坑清单）
本文提供2024年最新Python批量下载Sentinel-2遥感数据的完整指南，涵盖环境配置、API准备、核心下载流程实现及实战避坑清单。通过智能查询器、断点续传下载器等实用工具，帮助用户高效获取遥感数据，避免常见网络问题和数据完整性验证失败。
37、免驱动USB双目同步测距3D活体深度检测和RV1126结合V4L开发USB摄像头使用
基本思想：需要使用双目摄像头在rv1126上进行活体检测，然后将画面实时返回到桌面上，记录一下。第二步：刷机rv1126开发板系统和ssh远程连接，见参考目录。第一步：购买可见光的红外摄像头，见参考连接，在PC端测试可用。
学习html5的第一天
学习html5的第一天
水声信号处理开源算法库最新进展
欢迎关注本专栏，一起探索新世界大家好，我是ZhuChunSHU。985院校硕士毕业，现担任算法研究员一职，热衷于深度学习算法研究与应用。曾获得阿里云天池比赛第三名，CCE比赛第五名，科大讯飞Q比赛第六名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。今天继续我们的专栏分享！！！！！！！！！！！！！！！！！！！！水声信号处理是海洋科学与工程领域的核心组成部分，对于水下通信、目标探测、海洋环境监测以及生物声学研究至关重要。
前端学习第一天-HTML初识
前端学习第一天---HTML初识
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深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/)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")
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！
学习html第一天的记录
主要记录一下我的学习过程
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
html第一天
HTML5（第一天） 准备 编译器(写代码的工具) : notepad++ 浏览器:Chrome浏览器 开打已知文件的扩展名: 工具->文件夹选项->查看->取消勾去隐藏已知文件的后缀名 HTML 语法 HTML被称为超文本标记语言 超文本：功能超出了文本的范畴 标记：标签 标签的使用以及标签的属性 <标签名称 属性=”属性的值”>实体内容</标签名称> ...
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
HTML学习第一天（从小白到大神）
垂死梦中惊坐起，学习HTML就从今天起。记录学习HTML第一天。
前端学习第一天(HTML篇)
网页制作思路:从上到下，先总体再局部，逐步实现。
第一天：html入门
表示从这个位置之后，后面的全部内容都作为标题，但是不能只有开头没有结束，
前端基础HTML第一天
HTML第一天 网站是指在因特网上根据一定的规则，使用 HTML 等制作的用于展示特定内容相关的网页集合。 网页是网站中的一“页”，通常是 HTML 格式的文件，它要通过浏览器来阅读。 3.网页是构成网站的基本元素，它通常由图片、链接、文字、声音、视频等元素组成。 4.网页常以.htm或者.html后缀结尾文件，俗称HTML文件。 5.HTML：超文本标记语言，不是一种编程语言，而是一种标记语言，标记语言是一套标记标签 6.常用的浏览器：IE、火狐、谷歌、苹果（Safari）、欧朋（Opera） 浏览器内
初学FLASK+HTML第一天记录
特别的，不难从网站显示的结果看出，超链接具有跟span标签一样的性质，即只会占据自身的宽度，同样属于行内标签。其中在超链接标签<a>中出现的"target="_blank""可使得页面跳转后出现一个新的标签页。图片的长宽也可以这么来改变，px为像素，若像上文一样只改变宽度则会根据比例来改变大小。与前几个不同的是，这是一个自闭合标签，不需同前面一样有头有尾，功能如下。但其中遇到了一个小小的问题若将URL改为”/game/shop“并按照第二行的格式进行，页面会无法正常访问，原因尚未查明。
HTML,CSS,JS小白自学第一天
暂时先表达这么多吧，下班回家之后再进行今天内容的总结，因为是第一次发布博客，内容和编辑的方式可能不太好理解，希望和大家一起学习，每天都要进行内容的总结，希望和大家一起进步成长，我是一个0基础学前端的小白，早日升职加薪。第三行和第八行是头部的标签基本标签都是成双成对的，很少有单个的，但是单个的肯定也有，比较少，后续遇到在做介绍，哈哈，毕竟不是每个人都有对象，还有部分的单身狗哈哈哈！声明文档，告诉浏览器我们采用的是最近的HTLM5，不是htlm标签，它是文档类型的声明标签。...
打卡学习HTML第一天
在文本中输入感叹号会有提示直接生成完整的HTML文档结构。表格标签table（行标签tr 列内容td 列标签th）HTML标签（单标签（无内容），双标签（有内容））〈开始标签 属性名=“属性值”〉本人准大一有没有一起的一块学习呀。字体加粗b 或strong。安装了VS studio。打卡学习HTML第一天。
HTML5 第二阶段 第一天学习
二、第二阶段目标 1.HTML5----2天-----毛坯 2.HTTP&AJAX----5天---难点 3.CSS基础&高级-----8天----精装修---重点 4.响应式布局Bootstrap-----5天----重点 5.云服务器的使用-----1天 前端圣经级网址 三.今日目标2.7 1.开发概述 - 了解 2.HTML基础语法 ----掌握 3.常用标签1：文本----熟练掌握 4.常用标签2：图片和超链接----熟练掌握 5.常用标签3：表格
HTML 第一天总结
HTML 第一天总结 我们接下来是进行的网页开发网页的相关概念: 什么是网页? 什么是 HTML? 网页的形成? 什么是网页： 1.网站是指在因特网上根据一定的规则，使用 HTML 等制作的用于展示特定内容相关的网页集合。 2.网页是网站中的一“页”，通常是 HTML 格式的文件，它要通过浏览器来阅读。 网页的组成： 1.网页是构成网站的基本元素，它通常由图片、链接、文字、声音、视频等元素组成。通常我们看到的网页，常见以 .htm 或 .html 后缀结尾的文件，因此将其俗称为 HTML 文件。 什么
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
