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
584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
Facebook：
https://github.com/facebook/pop
https://github.com/schneiderandre/popping
AudioStream:
https://github.com/tumtumtum/StreamingKit
https://github.com/muhku/FreeStreamer
NSdate:
https://github.com/MatthewYork/DateTools
camera:
https://github.com/demon1105/AVCapturePreviewLayerCamera
iOS开源：
http://github.ibireme.com/github/list/ios/#
Windows 10 本地开发环境：用 ShardingSphere-Proxy 5.4.1 快速搭建 MySQL 分库分表测试环境
本文详细介绍了在Windows 10系统中使用ShardingSphere-Proxy 5.4.1快速搭建MySQL分库分表测试环境的完整教程。从环境准备、MySQL配置到ShardingSphere-Proxy的核心设置，逐步指导开发者完成本地开发环境的搭建，并提供了分片策略详解和常见问题排查方法，帮助开发者高效验证分库分表功能。
iOS Developer：真机测试
1.真机调试材料说明 2.app
B站DRM视频解密流程实战解析：从密钥获取到播放全流程
本文详细解析了B站DRM视频的解密全流程，从识别加密视频、捕获关键网络请求（如playurl接口的widevine_pssh数据），到逆向分析DRM SDK的JavaScript执行逻辑，最终手动模拟EME流程获取解密密钥，并使用mp4decrypt和ffmpeg工具完成视频文件的解密与合并。文章为开发者提供了从密钥获取到播放的完整实战指南。
2018最新苹果APP上架App Store流程（超详细）
2018最新整理iOS app上架app详细教程上架iOS需要一个付费688的开发者账号，还没有的话申请一个或者借用。申请苹果开发者账号教程上架App Store之前是先安装到苹果手机测试调试好，app能正常运行再上架iOS真机调试测试教程上架过程分七个步骤，按步骤一步步来。仔细看这个流程，少走很...
细胞膜电学特性的分数阶微积分建模
分数阶微积分在细胞膜电学特性建模中的应用主要体现在对细胞膜的电容行为和神经元放电活动的更精确描述上。
基于ROS2系统开发机器人
以上是基于ROS 2开发机器人的基本流程和一个简单的发布者-订阅者示例。通过这个流程，你可以逐步扩展和优化你的机器人系统，实现更复杂的功能。
CITC iOS Developer Support
众擎 技术支持 工作时间： 周一 至 周五 9:00 a.m. 至 17:00 p.m. 技术开发 邮箱： lishiyu23@163.com 联系电话： 13880973980 产品推广优化 邮箱: lishanshi134@163.com 联系电话 13770835710 C...
BLDC控制实验：方波、霍尔、开环、定速、正转
本文记录博主学习BLDC控制软件的过程。 文章目录1 概述2 软件架构及工具链2.1 软件架构2.2 工具链3 底层代码生成3.1 时钟配置3.2 按键输入配置 1 概述 本文是博主第一次做BLDC控制实验，目的仅仅是写代码让BLDC转起来，而暂时不考虑其他复杂的需求。 控制的方法是比较简单的六步换相法。利用电机内部的霍尔传感器，通过参考电机厂家给出的二二导通换相表，生成方波来控制电机。第一次实验为了简化需求，只考虑开环、定速、正转的情况： 开环：不考虑速度反馈，直接给PWM让电机转起来； 定速：不考虑速
iOS开发-蓝牙4.0Demo展示
// // LeDiscovery.h // JK_xuXuKou // // Created by vita on 15/8/25. // Copyright (c) 2015年 ZZ_Macpro. All rights reserved. // #import <Foundation/Foundation.h> #import <CoreBlu...
Boot过程相关镜像详解：IVT、DCD、App Boot镜像到底是什么？
S32系列芯片中常说的IVT镜像、DCD镜像等跟Boot过程相关的镜像到底是什么，镜像结构长啥样？各镜像作用是什么？主分区和备份区的概念？答案统统在这里！！
若依框架二次开发——RuoYi-AI 本地部署流程
若依框架二次开发——RuoYi-AI 本地部署流程
iOS Developer Library
IOS WAP开发需要参考的库： https://developer.apple.com/library/ios/documentation/AppleApplications/Reference/SafariWebContent/CreatingContentforSafarioniPhone/CreatingContentforSafarioniPhone.html
【unity知识】最新的虚拟相机Cinemachine3简单使用介绍
本文介绍了Unity中Cinemachine 3虚拟相机系统的使用方法。相比旧版本，新版功能更强大且参数分类更直观。文章详细讲解了摄像机镜头参数、旋转控制（包括None、目标跟随、样条线推拉、旋转追随等6种模式）和位置控制（跟随、样条轨道、硬锁定等5种模式）。重点演示了样条轨道摄像机的创建与配置，以及如何实现第一人称和第三人称视角。通过丰富的GIF图示，展示了各种模式的运行效果，帮助用户快速掌握Cinemachine 3的核心功能。
免费项目资料分享
免费项目资料分享
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
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！
项目资料收集
项目资料收集 项目资料收集是在签约产品之后为后续发行工作做的一系列准备之一。项目组必须拥有足够多的项目物料，才能展开很多后续工作。 一、CP资料收集 收集CP团队信息，以方便项目组评估团队实力，为后续工作安排、开发计划制定做参考。 收集信息主要包括： 团队成员人数与构成 团队成员从业经历 团队开发经验 二、产品包收集 提供最新的体验包，方便项目参与人员深入体验。 三、产品文案收集 收集产品相关...
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
商业项目筹备与招商资料全解析
商业项目筹备与招商资料全解析
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")
【项目篇-资料获取】怎么获取创新创业比赛资料、优秀作品？如何去借鉴？
目录网络渠道（一般都比较厉害，适合冲高）公众号善用微信“搜索”百度、百度云zufe周边渠道（比较贴近现实，适合入门）如何去借鉴借鉴目录结构和逻辑借鉴内容借鉴美工（绘图元素）其他 网络渠道（一般都比较厉害，适合冲高） 公众号 关注一些竞赛公众号，好多文末都会有 如大学生竞赛网、我爱竞赛网、大学生学科竞赛、科创竞赛等 诸如此类写着（文末领往届赛事资料） 随便找到一个，在此直接分享： https://pan.baidu.com/s/11c7io_hMtFAXa37Zbhas0Q 密码：zqcZ 这里面的基本很够
PLM ENOVIA 项目管理资料
PLM ENOVIA 项目管理资料 去发现同类优质开源项目:https://gitcode.com/ 此仓库提供了PLM ENOVIA 项目管理的相关资料，这些资料将帮助您更好地理解和应用PLM ENOVIA项目管理工具。资料内容包括但不限于项目规划、执行、监控和收尾的各个阶段，以及ENOVIA工具的操作指南和最佳实践。无论是初学者还是经验丰富的项目经理，都能从中获得有用的信息。 去发现同类优质...
信息化项目验收需要哪些资料？
1. 项目计划和进度表：项目计划和进度表记录了项目的整体安排和各项任务的完成进度。8. 项目成本和投资回报分析：项目成本和投资回报分析记录了项目的成本和预期的经济效益。验收团队可以通过对比需求文档和项目实际交付的成果来评估项目是否满足了预期的需求。7. 项目变更记录：项目变更记录包括项目实施过程中的变更请求和变更实施情况。验收团队可以根据项目变更记录来评估项目的变更管理和控制情况。通过对信息化项目验收所需资料的评估和分析，可以帮助验收团队判断项目是否成功完成，并提供改进意见和建议。
科研项目资料管理分享
已刊出的论文需提供正文（会议论文还需提供论文集封面及目录）、检索证明；报批的标准需提供申报单（盖章件）、标准正文、编制说明和征求意见汇总处理表；专利申请应在项目研究周期内，专利授权人应是项目参研单位及相关单位，专利内容应与项目研究内容相关；“三高论文”认定材料、对于单篇论文发表支出超过2万元人民币的，需提供该论文通讯作业或第一作者所在单位学术委员会对论文发表的必要性审核文件（仅专项资金中列支的论文）论文（包括检索证明）、专利、标准、软著、专著等材料扫描件。期间会议材料（会议通知、签到表、会议纪要等）
软件项目风险分析资料下载
软件项目风险分析资料下载 去发现同类优质开源项目:https://gitcode.com/ 介绍 此仓库提供了关于软件项目风险分析的详细资料。资料详细阐述了软件项目风险的概念、分类、识别与评估方法，以及如何制定风险应对策略，以确保软件项目的顺利实施和完成。 资料名称：软件项目风险分析 资料简介：本资料旨在帮助项目管理人员、软件开发者和相关从业者深入了解软件项目风险管理的重要性，掌握风险识别、评估和...
软件开发项目全套资料
软件开发项目全套资料 去发现同类优质开源项目:https://gitcode.com/ 此资源文件为软件开发项目全套资料，旨在为开发者和项目管理人员提供从项目启动到项目完成的各个阶段所需的文档模板。资料包共包含15个DOC文件，涵盖了软件开发过程中的关键环节。 资料包含以下内容： 项目立项报告 需求分析文档 设计文档 测试计划 测试用例 用户手册 操作手册 维护手册 项目进度报告 项目风险管理 ...
1-项目资料分类
工程项目资料；1.过程资料[实施过程中的资料]2.结算资料[实施后，要钱的资料]
IT项目管理资料集
IT项目管理资料集 去发现同类优质开源项目:https://gitcode.com/ 欢迎使用本资源库！本资源库包含了一系列IT项目管理相关的宝贵资料，旨在帮助项目经理和团队成员掌握项目管理的核心知识，提升工作效率。以下是资料集的详细内容介绍： 资源列表 项目群案例项目管理词汇英汉对照索引(pdf187)：汇集了项目管理中的常用术语，中英对照，方便学习和查阅。 项目管理讲义-西安交大MBA项目管...
STM32物联网实战项目资料包
STM32物联网实战项目资料包 去发现同类优质开源项目:https://gitcode.com/ 简介 本仓库提供了一个名为“STM32物联网实战项目资料包.zip”的资源文件下载。该资料包包含了与STM32物联网实战项目相关的所有必要文件和资料，帮助开发者快速上手并深入理解STM32在物联网领域的应用。 资源内容 项目源代码：包含完整的STM32项目源代码，涵盖了从基础配置到高级功能的实现。 ...
【免费下载】 华为项目管理培训资料下载
华为项目管理培训资料下载 去发现同类优质开源项目:https://gitcode.com/ 资源简介 本仓库提供了一份名为“华为项目管理”的资源文件下载。该资源包含了华为项目管理的培训资料，内容详实且实用，非常适合项目管理人员学习和参考。此外，资源中还附带了项目管理文档模板，方便用户在实际工作中直接应用。 资源内容 华为项目管理培训资料：详细介绍了华为在项目管理方面的实践经验和方法论，涵盖了项目...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
214
扫一扫
