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
582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
npm install -g typescript 全局安装
npm install -g lite-server
两个命令 tsc --init 和 lite-server；
装chrome插件 调试命令 f5，ctrl-shift-b
tsconfig.json文件
{ "compilerOptions": { "target": "es5", "noImplicitAny": false, "module": "amd", "removeComments": false, "sourceMap": true, "outDir": "src/js" //你要生成js的目录 } }
使用TypeScript和React快速构建Chrome扩展的样板项目
使用TypeScript和React快速构建Chrome扩展的样板项目
TypeScript 介绍、安装和配置
目录 1、TypeScript 基本介绍 2、Typescript 安装编译 3、配置 WebStorm 自动编译 TypeScript 1、TypeScript 基本介绍 Typescript 是由微软开发的一款开源的编程语言，它是 Javascript 的超级，遵循最新的 ES6、Es5 规范（TypeScript 包含 ES6，ES6 包含 ES5）。TypeScript 扩展了 ...
Jasper Report使用JSON数据源创建报表
最近在做一个项目小功能，表单结案要生成PDF报表。 起初，想用HTML模板（art-template模板引擎）编写，利用浏览器的打印功能保存成pdf文件下载。但是HTML编写好的模板，页码、页眉、页脚设置有坑，表单内容中的表格较多，表格不能设置跨页，导致跨页的表格内容与页眉重叠，没能解决这个问题。 于是，转战研究Jasper report生成报表，用更加专业的报表生成工具来做。刚开始，也是跌跌撞撞，遇到了很多问题，因为觉得没有退路了，必须要用这个搞出来，所以就硬着头皮去找各种资料。 主要使用的json
npm 安装typeScript 报错解决
今天用npm 安装ts, npm install -g typescript 出现Missing write access to /usr/local/lib/node_modules npm ERR! path /usr/local/lib/node_modules的问题。截图如下 这是文件没有root权限的问题,在运行语句前面加上sudo就行了 sudo npm install -g typescript 然后再检测是否安装成功 tsc -v ...
Wonderware Intouch 2014R2 SP1 安装教程
下载Wonderware System Platform 2014R2 SP1 and Intouch 2014R2 SP1的安装压缩包，如下 软件的下载连接地址如下： https://pan.baidu.com/s/1a2GnI_nfT3vK1l49B94FIQ， 提取码：6ec6 或者直接微信扫描下面的二维码 管理员运行下面的setup.exe可执行程序， 进入安装，选择Product Based Selection, 自定义选择需要安装的程序，如下： 普通的Into
Keil MDK-ARM v5.43a 部署 STM32F103 开发环境全流程
嵌入式开发环境是 Cortex-M 微控制器工程落地的基础支撑，其核心在于编译器链、设备支持包（DFP）与调试驱动的协同一致性。Keil MDK-ARM 作为工业级 ARM Cortex-M 开发套件，依托 Arm Compiler 和 CMSIS 标准，提供从代码编译、外设抽象到实时调试的全栈能力。其技术价值体现在对 STM32 等主流 MCU 的深度适配、高可靠性 SWD 调试支持，以及与 HAL 库、CubeMX 工程的无缝集成。典型应用场景涵盖温湿度传感终端、工业 PLC 子模块及低功耗边缘节点开发
Chrome插件开发入门
视频作者：猿伙伴的个人空间_哔哩哔哩_bilibili 源码：https://pan.baidu.com/s/1EUOUo6QwHezyddmslyFsJQ 提取码：xtex 目录 一、第一个插件helloWorld 二、JavaScript的基本用法 三、storage的用法 四、设置插件参数option_page 五、消息通知notifications 六、右键菜单contextMenus 七、徽章Badge 八、针对特定页面的插件pageAction 九、向页面注入代码co...
从AT指令到万物互联：移远EG800K-CN模块的协议栈深度解析与实践指南
本文深度解析移远EG800K-CN 4G模块的协议栈架构与AT指令体系，涵盖MQTT云端集成、多协议配置优化及工业级故障排除指南。通过实战示例展示如何利用该模块构建稳定可靠的物联网连接方案，实现从设备到云端的万物互联。
搞一个chrome插件
（这里牵扯一些npm构建项目相关的内容，简单理解就是，你的dist目录是最终成品，src是开发时的目录，public存放的一般是项目模板（模块都载入进去），如果发布过npm包的话就会发现你的src是不会被打包到发布内容的（没有src目录））每次打开浏览器，总是觉得有些杂乱(虽然chrome已经很整洁了)，所以自己搞一个chrome插件重写一下浏览器的开始页(方法不唯一)这里我选择了Override page就是重写了默认打开的chrome page。搜索完了点进来就可以愉快编辑了。
Jetson agx Orin 适配Xenomai4
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。
卡尔曼滤波器中的Q,R
对于系统状态的估计（滤波结果）所使用的信息来源于两个方面，一个是对系统状态演变模型的了解，包括系统转移矩阵和输入控制矩阵，输入孔质量等，另一方面来自于对系统状态的观测量。从上面公式来看，真正所要滤波得到的结果来自于公式（4）中的系统状态估计值x的某些分量，公式（4）的结果是由公式（1）所得到的状态预测值和来自观测量y计算得到的。所以，在不同算法中，R, Q的取值根据反应的不同量纲，可以有很大的变化，但它们的比值会决定了滤波值应该更多来自于系统模型演化的信息，还是来自于观察信号信息。
cass扩展工具lisp源代码_大整理！JavaScript开发者的27个神奇VSCode工具
全文共5630字，预计学习时长11分钟Visual Studio Code(也被称为VSCode，https://code.visualstudio.com/)是一款功能强大的轻量级跨平台桌面源代码编辑器。由于其内置开发工具支持TypeScript和Chrome开发者工具，这款编辑器让人越用越喜欢。每个人都能使用和修改的无限扩展的开放源代码，谁不爱呢？希望这篇文章能帮你找到扩充开发工具箱的新工具。...
微信小程序 - 详细解决web-view公众号文章或第三方网站分享转发后打开失败，页面显示“无法打开该页面，不支持打开“、“页面不存在“报错提示，苹果IOS系统手机打开是空白页，安卓手机系统会有提示！
微信小程序，公众号文章，第三方H5网页，内嵌网站分享后打不开，web-view，页面分享，小程序里公众号文章转发后无法打开，白屏，页面空白什么都没有，不支持打开，无法打开该页面，页面不存在，业务域名配置好了还是不行，公众号和小程序已经关联，iOS端苹果真机打开空白页，安卓手机，页面分享后，用户打不开提示错误，提示页面不存在，如何解决页面提示无法打开该页面，微信小程序web-view无法打开该页面不支持打开的解决方法，无法打开该页面不支持打开，最新详细解决方案，分享之后无法打开页面，提示无法打开该页面,不支持
TypeScript语言的调试工具
调试是开发过程中不可或缺的一部分，熟练掌握调试工具和调试技巧，可以显著提高开发效率和代码质量。TypeScript的强大的类型系统配合合适的调试工具，如VSCode、Chrome开发者工具和其他第三方工具，可以帮助开发者快速定位问题并解决。通过本文的介绍，相信你已经对TypeScript的调试工具有了更深入的了解。无论是开发小型还是大型项目，合理的调试策略和工具配置都能让你的开发过程更加顺畅。希望你在未来的开发中，能应用这些技巧，写出更加高质量的TypeScript代码。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
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！
使用typescript开发调试nodejs
原文地址 https://github.com/xiadd/blog/issues/8 这两天在看ts,也在入门中, 网上大部分教程都是前端配置ts开发调试,这个也有很多相当成熟的实践教程, 这篇文章主要是nodejs的ts配置, 说起来也是相当简单的, 不涉及任何ts的语法与概念, 同时也可以根据本文配置es6的nodejs开发环境(主...
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")
VSCode安装与配置：高效开发Nano-Banana插件
本文介绍了如何在星图GPU平台上自动化部署🎀 Nano-Banana 软萌拆拆屋 🎀镜像，快速构建轻量级AI插件开发环境。基于该镜像，开发者可高效实现提示词驱动的结构化内容生成，典型应用于emoji增强改写、风格化文本转换等交互式AI服务场景。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
vscode设置快捷键绑定运行自定义脚本。
vscode修改快捷键绑定脚本
vue重启node_总结vscode调试vue,nodejs的各种方法
之前写项目一直都是console.log()来调试的，浪费了很多时间，现在整理一下用vscode对nuxt(vue)前后端进行调试的方法前端的调试chrome+launch使用chrome调试，模式为launch。不多说，直接上图当执行到到的位置就会出现chrome+attach使用chrome调试，模式为attach,跟launch的区别是不会打开新的浏览器窗口然后启动调试，之后马上切换到chr...
Angular常识回顾
一.框架对比 1.Angular8 VS AngularJS AngularJS 开发语言为JavaScript 采用不同的指令进行数据和事件绑定 可扩展性差，在复杂应用上维护性差 Angular8的优点 TypeScript提供类型检查和代码提示 采用[]进行数据绑定,()事件绑定 优异的可扩展性，可维护性 2.与React对比 Angular是一个完整框架，而React是一...
前端环境搭建【主文章】
【代码】前端环境搭建【主文章】
Slidev 可拖拽元素（v-drag）实战指南：布局浮动元素、缩放旋转与自动高度
本指南围绕 Slidev 的可拖拽元素能力展开：在讲解阶段，你可以通过 `v-drag` 指令与 `<v-drag>` 组件让页面中的图片、容器、箭头被鼠标直接拖拽、缩放和旋转，实现“所见即所得”的浮动元素布局。读完本文，你将掌握 `dragPos` 位置参数的完整语义、frontmatter 与内联两种取值方式、自动高度与拖拽箭头的用法，以及位置参数是如何被运行时写回 Markdown 源文件这
vscode vue3 typescript开发环境搭建
今天搞一下vue3环境，用这玩意看看好使不。vue2早期的语法看起来真实够呛，嵌套比较深。以前看过一个妹子写的react代码，发现里面很多js在控制样式和html,三个东西揉在一块也是厉害了。不知道是不是react本身的风格。vue3本身风格要接近原生js了，提倡组合式API,但是还是有些距离。从语法使用上来说还是早期原生js风格统一，没有各种套路，都是拿来就用，纯组合。这组件方开发感觉看起来不直白，一个页面里面很多自定义组件，不看源码不知道时啥玩意。比如<MyComp/>这时啥玩意？
使用 Chrome 调试 Vue3 的 TypeScript 源码
相信很多同学都已经上手 Vue3 了，用起来是真香！ 学习技术又怎能不学习源码，多看看源码，说不定自己哪天也成大佬了呢 ︿(￣︶￣)︿ 今天，我来记录一下自己调试 Vue3 源码的过程，方便以后参考。 准备工作 首先需要下载源码和安装依赖： mkdir code git clone https://github.com/vuejs/vue-next.git cd ./vue-next yarn install 执行完上面这一套之后，得到如下文件结构： 贴心小提示：由于国内访问 Github 实在龟速.
如何在 Chrome 中调试 TypeScript
原文作者：Shalitha Suranga原文地址：https://blog.logrocket.com/how-to-debug-typescript-chrome/翻译：一川软件错误是编程错误或软件程序的意外行为。调试是指检查和删除软件系统中的错误的过程。程序员使用各种技术进行调试；一些开发人员将输出写入终端，而另一些开发人员则使用调试器工具来执行和监视源代码。Google Chrome 网络...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2551
扫一扫
