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
100+累计阅读
167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
Vue.js和小程序开发技术探究——前端开发
前端开发领域中，Vue.js和小程序开发技术都备受关注。本文将详细介绍这两种技术，并提供相应的源代码示例，以帮助读者更好地理解和应用。
一、Vue.js
Vue.js是一种用于构建用户界面的渐进式JavaScript框架。它被广泛应用于单页面应用（SPA）和复杂的前端项目中。Vue.js的特点包括易学易用、灵活性强、性能优越等，成为前端开发者喜爱的选择。
首先，我们需要在项目中安装Vue.js。可以通过CDN引入Vue.js，也可以使用包管理工具（如npm）进行安装。下面是使用CDN引入Vue.js的示例：
<!DOCTYPE html>
<html>
2021年web前端开发视频教程零基础自学HTML/VUE/JS全栈项目实战全套课程
【web前端开发课程介绍】： 随着移动互联网的深入发展，多屏互动和多端兼容友好的界面成为目前系统重要的需求，让前端开发工程师一跃成为目前市场紧俏的人才。 本课程内容包含目前的Vue、React前端框架，把全栈工程师要掌握的前端技术、Node.js相关后台技术、HTML5移动方向开发技术做了系统整合， 致力于培养中高等前端工程师。 为什么选择前端开发？ 1、专业无限制：计算机专业、非计算机专业占比3：4 2、适合零基础：专业、性别不限，没有基础也能学习 3、技术上手快：4个月，快速学习、系统掌握 4、职业生涯
构建基于 Vue 的音乐播放列表小程序
我们的小程序将展示热门音乐播放列表，用户可以浏览不同的歌单，点击进入查看详情。通过以上代码实现，我们成功地构建了一个简单的音乐播放列表小程序。用户可以在小程序中浏览热门歌单，并查看每个歌单中包含的歌曲列表。这个小程序展示了 Vue.js 在微信小程序开发中的灵活运用，为用户提供了良好的音乐浏览体验。通过以上代码分析，我们了解了这篇博客中介绍的歌单详情页的实现方式。该页面通过 Vue 组件化开发方式，结合微信小程序的特性，实现了展示歌单详情和歌曲列表的功能。
用Vue.js开发微信小程序：开源框架mpvue解析
前言 mpvue 是一款使用 Vue.js 开发微信小程序的前端框架。使用此框架，开发者将得到完整的 Vue.js 开发体验，同时为 H5 和小程序提供了代码复用的能力。如果想将 H5 项目改造为小程序，或开发小程序后希望将其转换为 H5，mpvue 将是十分契合的一种解决方案。 目前， mpvue 已经在美团点评多个实际业务项目中得到了验证，因此我们决定将其开源，希望更多技术同行一起开发，应用到...
电商应用前端开发实战：uni-app和Vue.js商城项目Demo
本文还有配套的精品资源，点击获取 简介：本项目demo为初学者提供了一个结合uni-app和Vue.js的电商平台开发实践，重点涵盖了小程序和安卓平台开发。通过详细的教程和示例代码，学习者可以逐步掌握前端开发技能，并了解如何构建一个完整的电商应用。开发者将学习HTML、CSS、JavaScript以及Vue.js的高级特性，并能深入理解uni-app框架下的跨平台开发和安卓...
Vue.js小程序开发框架实战教程
小程序是一种不需要下载安装即可使用的应用，它实现了“触手可及”的应用体验，用户扫一扫或搜索即可打开应用。它们轻量级、即用即走，不需要像传统应用那样占据设备大量的存储空间。小程序具备以下特点：快速加载：由于体积小，小程序几乎可以做到秒开。易于传播：分享小程序比传统应用更方便，可以通过社交网络快速传播。运行流畅：小程序依赖平台提供的运行环境，通常能提供流畅的用户体验。JavaScript 是一种高级的、解释型的编程语言，它为Web浏览器提供了脚本语言功能。
集思笑话微信小程序：Vue.js与后端综合实战
本文还有配套的精品资源，点击获取 简介：集思笑话小程序是一个融合Vue.js前端技术和后端服务的微信小程序项目，旨在提供幽默笑话浏览和点赞功能。本项目展示了如何利用Vue.js的组件化开发和数据驱动特性，结合微信小程序平台，构建出交互性强、轻量级的应用。关键知识点包括Vue.js框架、微信小程序开发、组件化、状态管理（Vuex）、API接口、后端开发技术、数据库设计、用户认...
谷粒商城学习笔记-15-数据库初始化
这一节的主要内容是把创建对应的数据库和数据库表。
新入手的Atmel-ICE产品说明
【一句话自我介绍】 我是Atmel最新推出的功能强大的调试编程工具，适用于Atmel ARM® Cortex®-M的Atmel SAM和AVR® 系列芯片。 【我支持的软件】 完美支持Atmel Studio 6.2以上版本直接支持ICC8AVR以上版本支持烧录ICCAVR、CVAVR、IAR等生成的HEX文件 【我支持的器件】 支持AVR 32-bit MCUs的JTA
阿里云大模型ACP认证模拟考试（二）
摘要：在阿里云大模型高级工程师 ACP 认证暂无真题题库的现状下，模拟题具有重要意义。其依照真实考试设计，涵盖题型、题量与分值分布，助力考生熟悉考试框架，合理分配答题时间精力，提升效率。同时，模拟题紧扣官方课程，能帮助考生精准定位知识盲点，如大模型架构原理和通义千问应用实践等重点内容，以便针对性完善知识体系。此外，通过练习模拟题，考生可掌握不同题型的解题思维与技巧，快速洞察复杂题目本质，提高答题准确率。
【AI 编程工具进阶用法】如何在Cursor、Trae等工具中使用Skills
OpenSkills是一个开源项目，用于在Cursor、Trae等AI编程工具中添加可复用、可组合的"能力模块"。安装流程包括：1)全局安装OpenSkills CLI工具；2)选择安装Anthropic官方Skills到项目或全局；3)创建AGENTS.md文件同步Skills；4)在AI工具中调用Skills。此外还介绍了UI/UX Pro Max Skill项目，通过npm安装后可为AI添加设计能力。这些Skills相当于为AI工具安装"高级技能包"
基于STM32的3D打印机控制
通过本项目，我们成功搭建了一个基础的3D打印机控制系统，能够控制步进电机和加热元件。这为使用STM32开发功能丰富的3D打印机提供了基础，您可以在此基础上继续扩展功能，如增加LCD显示、SD卡存储、联网控制等功能。在这个项目中，我们将使用STM32微控制器开发一个基础的3D打印机控制系统。通过控制步进电机、加热元件和温度传感器，我们将实现一个简单的FDM（熔融沉积制造）3D打印机控制。- 检查PWM信号的生成功能，确认加热元件的控制逻辑是否正常。- 增加适当的滤波和校准算法，以提高温度读取的准确性。
FPGA 核脉冲梯形成型 Verilog 实现：从 MATLAB 到 50MHz 采样率部署
本文详细解析了FPGA实现核脉冲梯形成型的完整流程，从MATLAB仿真到50MHz采样率的Verilog硬件部署。重点探讨了梯形成型算法对负指数信号的优化处理，包括定点数量化、流水线架构设计及资源优化技巧，为核辐射探测与高能物理实验提供高效解决方案。
材料仿真软件：Materials Studio_（14）.电学性质计算
设置计算参数，包括 k 点网格、交换相关泛函等。
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")
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。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
4256
扫一扫
