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
700+累计阅读
722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
L脚本语言可以方便地访问windows注册表
用它也可以完成一些系统维护的任务
#scp
#这是一个注册表访问的例子，它先在注册表中添加一个启动项，再将它删除
定义:字符串,string2
定义:字符串,string1,"c:\nginx\ngnix.exe"
打开:注册表,reg1,HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Run,HttpServer
写入:注册表,reg1,string1
读取:注册表,reg1,string1
显示:string1
删除:注册表,reg1
读取:注册表,reg1,string2
显示:string2
等待:用户输入,string2
Windows批处理脚本入门与实战技巧
批处理脚本是Windows系统中实现自动化运维的重要工具，通过扩展名为.bat或.cmd的文本文件批量执行DOS命令。其核心原理是利用cmd.exe解释器逐行执行预设命令序列，特别适合处理文件操作、系统维护等重复性任务。在自动化运维和DevOps实践中，批处理能显著提升工作效率，例如通过for循环实现批量文件处理，或结合errorlevel进行错误处理。典型应用场景包括服务器日志收集、定时任务调度等，其中变量操作和流程控制是必须掌握的编程基础。现代系统管理常将其与PowerShell、Python等工具结合
BAT批处理代码快速打开注册表并定位到指定目录
主要代码： @echo off echo %1 copy %~nx0 c:\windows\system32 if "%1" NEQ "" ( set startReg=%1 ) else ( set /p startReg=输入打开的注册表路径: ) reg add "HKEY_CURRENT_USER\Software\Microsoft\Windows\CurrentVersion\Applets\Regedit" /v LastKey /t REG_SZ /d "%startReg%" /f.
CorelDRAW插件-CPG插件开发-CLSID-CLSIDFromProgID-IDispatch接口-illustrator调用-CDR插件（五）
文章目录1 CLSID和CLSIDFromProgID1.1 CLSID和ProgID1.2 常用函数2 IDispatch接口3 C++调用illustrator3.1 COM初始化和卸载3.2 查找illustrator主应用程序接口3.3 新建文档并添加文字3.4 修改文字属性4.源码效果5.作者答疑 在CorelDraw的CPG插件开发过程中，主应用程序通过IDispatch接口回调插件中对应函数功能，如通过vbs脚本调用，本文思路，先讲解COM实例化的基础知识，然后讲述IDispatch接口，
用脚本语言读取客户端注册表
Set Sh = CreateObject("WScript.Shell")key = "HKEY_CURRENT_USER/"Sh.RegWrite key & "WSHTest/","testkeydefault"Sh.RegWrite key & "WSHTest/string1","testkeystring1" WScript.Echo Sh.RegRead(key & "WSH
操作系统课程项目 OS project —— Pintos from Project 1 to Project 3
Pintos Project 陪伴我们操作系统课程大半个学期了…… 虽然做了这么长时间，个人能力有限，pintos代码，看过的可能也就看懂了一半吧，更不用说没看过的了…… 但是也找到了一些有价值的资料，整理一下，供后辈们参考…… 关于环境的问题，最好是用ubuntu 16.04 windows用户不要折腾装双系统了，特别是win10，动不动更新一下，说不定双系统就出问题了，linux...
python调用海康工业相机并用opencv显示（整体实现）
python语言调用海康机器人（hikrobotics）工业相机 第一章 Python 语言下连接海康工业相机，并获取数据 文章目录 系列文章目录 前言 目录 python语言调用海康机器人（hikrobotics）工业相机 文章目录 前言 一、底层接口的准备 二、使用步骤 1.引入库 2.枚举设备 3.判断设备类型 4.输入连接设备 5.创建相机实例并创建句柄 6.打开设备 7.获取相关参数 8.主动获取图像 9.开启取流并获取每张.
L脚本语言语法手册
L脚本语言语法手册
音视频开发—H264相关概念和压缩原理详解（GOP、宏块、帧内压缩、帧间压缩）
本文讲述了H264相关概念和原理——GOP概念，SPS与PPS，帧内压缩原理，帧间压缩原理，解释了什么是运动补偿，什么运动矢量等等概念
L脚本语言语法手册0.14版
L脚本语言语法手册 0.14版 简 介 L脚本语言是一个轻量级的，旨在接近自然语言的编程语言，目前支持在中文、英文基础上的编程。并可扩展为任意语种。L脚本语言的语法结构简单，程序结构相对松散，易学易用。 目前L脚本语言仍处于开发初期，功能尚不完善。目前在Windows平台提供了一个简单的源码编辑器，建议使用notepad++或者Visual stud
【WorkBuddy专栏】完结篇暨付费专栏总目录（内容继续更新中）
【WorkBuddy专栏】完结篇和付费内容总目录
Apache Kafka Connect任意文件读取漏洞（CVE-2025-27817）
由于Apache Kafka客户端未对用户输入进行严格验证和限制，未经身份验证的攻击者可通过构造恶意配置读取环境变量或磁盘任意内容，或向非预期位置发送请求，提升REST API的文件系统/环境/URL访问权限。（CVE-2025-27817）
L脚本语言语法手册 0.10版
L脚本语言语法手册0.10版 包含中英文关键字
【STK】手把手教你利用STK进行弹道导弹和运载火箭发射仿真的相关方法全过程解析
写这个系列主要是这几年做了一些弹道导弹和运载火箭发射的相关仿真项目，stk软件由于其专业性在国内比较小众，相关的教程和书籍、经验贴都不是很多，因此新手在进行开发中容易遇到较多困难，把自己的一些经验体会写下来，一方面供自己总结回顾，另一方面也希望对大家有所帮助。这个系列计划分几篇文章写完，每章的内容结构相似，都分为①如何确定发射场位置和发射轨迹、②导入导弹和运载火箭模型、③设计模型分段动作、④飞行参数分析和相关应用这四个部分，每篇文章争取完整描述1-2个实际项目的操作过程。
L脚本语言语法手冊 0.10版
L脚本语言语法手冊 0.10版 简 介 L脚本语言是一个轻量级的，旨在接近自然语言的编程语言，眼下支持在中文、英文基础上的编程。并可扩展为随意语种。L脚本语言的语法结构简单。程序结构相对松散，易学易用。 眼下L脚本语言仍处于开发初期，功能尚不完好。眼下提供了一个简单的源代码编辑器，建议使用notepad++或者...
基于Python的二手奢侈品电商平台商品保值率数据爬取与分析
本文旨在探讨如何利用Python网络爬虫技术获取二手奢侈品电商平台商品数据，并通过数据分析研究奢侈品的保值率特性。研究将使用最新的爬虫技术（包括Playwright、异步处理和数据清洗技术）来高效获取数据，并利用Pandas、Matplotlib等数据分析库进行深入的数据可视化分析。本文详细介绍了爬虫的设计思路、实现过程以及数据分析方法，为奢侈品投资和消费提供数据参考。关键词：Python爬虫、奢侈品保值率、数据分析、Playwright、异步处理。
Unity零基础到入门 ☀️| 【UI系统学习】轻松学会 Unity 的 UGUI基础控件的使用（包括一个简易血条、蓝条设计）
Unity，UGUI。本篇博客来挑几种Unity中最常用的UI控件如何使用和使用技巧，包括一个简易血条蓝条的小实例
从零构建自定义脚本语言编译器：C++实现无SDK编译全流程
编译原理是计算机科学的核心基础，它定义了高级语言如何转化为机器可执行的指令。其核心流程包括词法分析、语法解析、语义分析和代码生成，这些技术构成了现代编程语言和解释器的基石。理解编译原理不仅能深化对语言运行机制的认识，更能为构建高性能、定制化的软件系统提供底层支持。在游戏开发、嵌入式系统和领域特定语言等场景中，拥有完全自主的编译流程意味着可以针对特定硬件架构进行极致优化，实现高度定制化的语法特性，并构建安全可控的运行时环境。本文聚焦于如何不依赖任何现成SDK，使用C++从零实现一个完整的脚本语言编译流水线，涵
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
Mac和PC在工作中管理的对比(4)
“Plist对Registry” 和 “Profile对Group Policy” “Plist对Registry” 注册表, 记录着所有系统和软件的配置信息的加密数据库. 它每一项由键-值对, 并以树状结构分层组织的. 老早前, Windows没有统一的注册表管理, 都是使用.ini文本文件等, 不过从NT之后到95开始被广泛使用. Windows注册表
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
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
详解如何把C++对象绑定到Lua轻量级
游戏中的使用脚本语言已经成为了一个标准应用。脚本语言能够在游戏开发中扮演一个重要的角色，并且让数据结构化，计划事件，测试和调试这些工作更加容易。脚本语言也能够允许像美术，策划这些非程序专家通过一个高层的抽象脚本来为游戏编写代码。这个抽象层的一部分也能够允许提供给玩家来定制整个游戏。 从程序员的角度上来看，把一个脚本语言嵌入到游戏中最主要的问题是如果为脚本语言提供对宿主对象的访问（通常是C/C
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")
LUA注册简单C++类代码走读
主要是针对网上的一份代码自己的理解注释，下面就直接贴代码了。//LuaCPP.h #include class CTest { public: //带一个参数的构造函数 CTest(int value):m_value(value){}; virtual ~CTest(){}; //进行加操作 int Add(int x,int y) { printf("%p Add:x=%d
深入解析ATL编程：Windows COM组件开发核心技术与实战指南
COM（组件对象模型）是Windows平台实现软件组件化与二进制兼容性的核心技术规范，它定义了跨语言、跨进程的对象通信标准。其原理基于接口与引用计数机制，通过GUID唯一标识组件，实现了代码的高度复用与系统集成。这一技术的核心价值在于支撑了Windows生态中海量系统服务、专业软件及运行时库的稳定运行。在实际开发中，处理高性能中间件、系统级插件或维护遗留系统时，COM技术尤为关键。ATL（Active Template Library）作为微软推出的C++模板库，正是为了高效实现COM规范而生，它通过模板元
MCP工程师必备的PowerShell自动化脚本清单（20年经验精华总结）
掌握MCP PowerShell 自动化高效运维秘诀，提升系统管理效率。涵盖服务器监控、批量部署、日志分析等典型场景，结合20年实战经验提炼核心脚本与最佳实践。安全稳定、可复用性强，助力IT运维自动化升级，值得收藏。
LegacyUpdate技术解密：如何让Windows XP/Vista/7重获更新能力
**LegacyUpdate**是一个开源项目，专门解决旧版Windows系统（如Windows XP、Vista、Windows 7等）无法访问Windows Update服务的核心问题。当微软停止对这些操作系统的官方支持后，数百万用户面临着无法获取安全更新的困境，而LegacyUpdate项目通过巧妙的技术方案，让这些"数字遗产"系统重新焕发生机。 ## 🔧 技术架构：三合一解决方案 #
GopherLua安全编程终极指南：10个防止脚本注入和恶意代码执行的关键技巧
GopherLua是一个用Go语言实现的Lua 5.1虚拟机，为Go程序提供强大的脚本嵌入能力。🚀 在享受脚本语言灵活性的同时，安全编程成为每个开发者的必修课。本文将为你揭示10个防止脚本注入和恶意代码执行的关键技巧，帮助你在GopherLua项目中构建坚不可摧的安全防线。 ## 🔒 为什么GopherLua安全如此重要？ 在GopherLua环境中，脚本代码直接运行在宿主程序中，任何安全
Windows系统权限提升攻防实战：从内核漏洞到服务配置的全面解析
在计算机安全领域，权限管理是访问控制的核心机制，它决定了用户或进程对系统资源的操作范围。其基本原理是通过访问令牌、用户组和特权等实体构建安全边界，防止未授权访问。这一机制的技术价值在于保障系统资源的机密性、完整性和可用性。在操作系统安全、企业内网防护等应用场景中，权限提升攻击成为攻防演练的关键环节。攻击者常利用系统配置缺陷或软件漏洞，将低权限进程提升至管理员或SYSTEM权限，从而完全控制系统。本文聚焦Windows环境，深入剖析内核漏洞利用、服务配置滥用等主流提权路径，并结合SeImpersonatePr
VC++ 6.0安装包制作：InstallShield原理、实战与兼容性解决方案
软件部署是应用程序交付的关键环节，其核心在于将编译后的程序文件、依赖库及配置资源，安全、可靠地安装到目标系统。这一过程涉及文件系统操作、注册表修改、环境变量设置及快捷方式创建等底层系统交互。专业安装包通过自动化脚本和事务机制，确保部署的一致性与可回滚性，极大提升了软件交付的成功率与用户体验。在桌面应用开发领域，尤其是维护基于VC++ 6.0等传统开发环境构建的遗留系统时，安装包制作仍是刚需。例如，处理运行时库依赖、COM组件注册以及创建桌面快捷方式等常见任务，都需要安装工具提供精细化的控制。本文聚焦于Ins
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
330
扫一扫
