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
604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
1.特定位置替换:
NSMutableString *tempString = [inputText mutableCopy];
NSRange range = [inputText rangeOfString:@":"];
if (range.length != 0) {
[tempString replaceCharactersInRange:range withString:@""];
}
2.全部替换:
NSMutableString *tempString = [inputText mutableCopy];
NSRange range = NSMakeRange(0, [tempString length]);
[tempString replaceOccurrencesOfString:@":" withString:@"" options:NSCaseInsensitiveSearch range:range];
基于HPM5E00的EtherCAT从站开发实战：从硬件解析到软件调试
实时工业以太网通信是工业自动化与运动控制领域的核心技术，它通过硬件与协议栈的协同，实现了微秒级的高确定性数据交换。其技术价值在于为多轴同步、机器人控制等复杂场景提供了高实时性、高同步精度的通信基础。在应用场景上，广泛服务于数控机床、包装机械、半导体设备等高端制造领域。本文聚焦于EtherCAT从站开发，深入解析了基于先楫HPM5E00高性能MCU与专用从站控制器（ESC）的硬件架构设计，并详细阐述了开源协议栈SOES的移植、对象字典配置以及过程数据（PDO）映射等核心软件实践，为开发者快速构建稳定可靠的实时
OC学习：可变字符串替代：replaceOccurrencesOfString:(NSString *) withString:(NSString *) options: range:方法
//在可变的字符串NSMutableString中也有像不可变字符stringByReplacingOccurrencesOfString:(NSString *) withString:(NSString *)一样的替代所有的相同的元素的可变字符串方法。 //方法如下，将所有的“-”替换为“”（即是删除“-”） NSMutableStrin
大模型的安全发展与安全治理
2022 年底，OpenAI 推出的 ChatGPT 在文本生成领域实现了重大突破，引领了大模型技术的发展方向，推动了各式各样的基座大模型及行业大模型的发展，并逐步向多模态和具身化方向迅速演进。显然，大模型展现出的强大能力为人工智能通用化揭开了序幕。然而，大模型技术的安全性也面临着生成内容的安全性、伦理道德等重大挑战。只有积极确保大模型的安全性，才能更有效地推动其持续发展，进而更好地应对大模型技术变革所带来的机遇与挑战。
可变字符串 NSSMutableString 的使用
// ******************* 可变字符串的操作 //NSMutableString 是NSString的子类 NSMutableString * str4 = [[NSMutableString alloc] initWithCapacity:0]; //在已有字符串后面添加新的字符串
光纤接口类型与应用场景全解析
本文全面解析了光纤接口的类型与应用场景，详细介绍了SC、LC、FC和ST等主流光纤接口的特点及适用环境。从数据中心的高密度布线到工业环境的极端条件，提供了专业的接口选型指南和实战经验，帮助读者根据具体需求选择最合适的光纤接口方案。
深度学习笔记——前向传播与反向传播、神经网络（前馈神经网络与反馈神经网络）、常见算法概要汇总
本文简要介绍深度学习的前向传播与反向传播，以及前馈神经网络与反馈神经网络。
NSMutableString用法
NSMutableString类继承NSString类，那么NSString提供的方法NSMutableString类都能用，它可以动态的对字符串进行添加 ，删除操作。 1、创建可变字符串 NSMutableString *str = [[NSMutableString alloc] init]; [str setString:@"hello"]; [str s
从 Open SQL JOIN 走向 ABAP CDS Association：把查询写成可复用的数据模型
摘要： 本文通过飞行模型示例，对比了ABAP中三种表关联实现方式：Open SQL JOIN、CDS显式JOIN和CDS Association。重点解析了Association的本质是将表关系声明为数据模型语言，使用时通过路径表达式按需展开为JOIN。文章指出路径表达式在不同位置会默认展开为不同JOIN类型（如SELECT列表默认为LEFT OUTER），并演示了如何用[inner]强制指定INNER JOIN。最后结合S/4HANA实际案例，说明Association通过中心化关系定义和路径复用，能有效
NSString NSMutableString字符串 用一个字符替换其中的某个字符 字符串
NSString ：：：：： NSString *time = [[timeString stringByReplacingOccurrencesOfString:@"T" withString:@" "] substringToIndex:19]; NSMutable
【数据集】全球预报系统GFS概述：数据下载及处理
【数据集】全球预报系统GFS概述：数据下载及处理
LVGL v8学习笔记 | 09 - 进度条控件的使用方法（bar）
lv_bar_set_range必须放在lv_bar_set_mode前面，否则不生效。bar对象的API在lv_bar.h中声明，以lv_bar_xxx命名。此事件可以用来在进度条更新值之后更新别的控件（比如进度条旁边的文字）。可以看到，默认创建的进度条值是0到100。（3）设置进度条的范围值（最大值和最小值）（2）获取进度条的起始值。（3）获取进度条的最小值。（4）获取进度条的最大值。（1）设置进度条的当前值。（2）设置进度条的起始值。（1）获取进度条当前值。（5）获取进度条的模式。
ios 开发关于NSMutableAttributedString的使用
iOS使用NSMutableAttributedString 实现富文本（不同颜色字体、下划线等） 在iOS开发中，常常会有一段文字显示不同的颜色和字体，或者给某几个文字加删除线或下划线的需求。之前在网上找了一些资料，有的是重绘UILabel的textLayer，有的是用html5实现的，都比较麻烦，而且很多UILabel的属性也不起作用了，效果都不理想。后来了解到NSMuttableAtts
OpenClaw小白使用全攻略
OpenClaw全能技能解锁指南：从基础到进阶 摘要： 本文提供OpenClaw AI智能体的完整使用教程，帮助用户从安装后"不知道如何用"到熟练掌握核心功能。教程包含：1)控制台5大区域详解和3个必做初始化设置；2)文件管理、浏览器自动化、文档生成等5大基础功能实操，每个功能配有详细操作步骤、指令模板和效果演示；3)10+高频场景解决方案，如整理文件、搜集资料、写总结等；4)进阶技巧和常见问题解答。通过清晰的图文指引，即使电脑小白也能快速上手，实现办公自动化、提升工作效率。
ios删除字符串第一位_iOS 字符串处理：截取，分隔，匹配等处理
//可变字符串拼接NSMutableString *string = [[NSMutableString alloc]initWithString:@"123"];[string appendString:@"45"];NSLog(@"%@",string);//输出结果12345//可变字符串替换NSMutableString *string2 = [[NSMutableString alloc...
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
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")
ios objective-c之－6:字符串NSString
iOS NSString 最基本用法 1.把字符串写入到制定文件夹中 NSString *myString = @"huweibin is iOS"; NSError *error; NSString *path = [NSHomeDirectory() stringByAppendingPathComponent:@"tmp/rongtian.txt"];
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
IOS之字符串、数组、字典的处理方法
ios 常用字符串的操作 //将NSData转化为NSString NSString* str = [[NSString alloc] initWithData:response encoding:NSUTF8StringEncoding]; //将NSString 转化为NSData (NSString.h) - (NSData *)dataUsingEnco
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
iOS中字符串的用法,看这里就够了(详细)
这篇文章主要详细介绍iOS中字符串的各种用法,如果发现不够完善可以提交意见,主要是方便对字符串的使用的理解 内容比较多但是详细,如果觉得以后用得着的地方可以先收藏着; NSString的基本概念 (NSString是不可变字符串) 什么是NSString? 一个NSString代表一个字符串(文字内容) 一般称NSString为字符串类 NSString的创建方式 (两种) -
ios不可改变NSString类和可改变NSMutableString类的使用
ios不可改变NSString类和可改变NSMutableString类的使用一, NSString的常用用法1,创建对象两种方法1)”-”号方法 alloc + 初始化关键词 initWithString与 initWithFormat例如 NSString *str = [[NSString alloc] in...
ObjectTive C语言语法,ios不可改变NSString类和可改变NSMutableString类的使用
ios不可改变NSString类和可改变NSMutableString类的使用一, NSString的常用用法1,创建对象两种方法1)”-”号方法 alloc + 初始化initWithStringNSString*str = [[NSString alloc]initWithString:@"iPhone 4"];initWithFormat这种方法比initWithString更强大可以设置...
字符串的增删改查
iOS 开发中一些字符串的处理 增: NSMutableString *str = [[NSMutableString alloc] init]; [str appendString:@"20161212"]; [str insertString:@"-" atIndex:4]; [str insertS
iOS 字符串应用
NSString *str1 = @"BeiJing"; NSString *str2 = @"beijing"; //全部转为大写 NSLog(@"%@",[str1 uppercaseString]); //全部转为小写 NSLog(@"%@",[str1 lowercaseString]); ...
NSString NSMutableString
m -------------------------------------------------------------------------NSString------------------------------------------------------------------------------- 1:NSData 转换成 NSString [csh
ios不可改变NSString类和可改变NSMutableString类的使用
ios不可改变NSString类和可改变NSMutableString类的使用 一, NSString的常用用法 1,创建对象两种方法 1) ”-”号方法 alloc + 初始化 initWithString NSString *str = [[NSString alloc] initWithString:@"iPhone 4"]; ini
c语言string类的常用方法,字符串类常用操作方法
一、不可变字符串(NSString)// 在C语言中，使用ASCII编码的字符作为字符串，并且C语言中，并没有专门管理字符串的基本数据类型。// 在OC中，只要符号符合Unicode编码，都可以作为字符串使用，在OC中，使用NSString来管理字符串。// 创建一个字符串对象// 使用实例方法创建一个字符串NSString *string1 = [[NSString alloc] ini...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
501
扫一扫
