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
5.6k累计阅读
5.6k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
stringWithUTF8String： 发现网络请求没问题，但后台数据没有变，当然这种情况不是每次都出现，时好时坏，所以以为是后台的哥们故意给我加菜，多翻检测后发现哪是那么回事，家里出了内鬼，httpbody上传前组装就是null了。
既然问题已经找到了，想办法解决就是了。我看了一下相关类似的方法，毕竟这个绕不过去必须得组装. 我尝试了先给httpbody初始化再组装，还是同样的情况出现。
最后看到initWithBytes:length:encoding这个方法，这里多了个length
这个是完整的组装，没什么问题了。NSString在编码过程中只有数据流没有数据长度才导致这类错误，只能按照自身的数据长度去编码。
Ubuntu 24.04 新增用户并禁用 root 账户操作指南
Ubuntu 24.04 新增用户并禁用 root 账户操作指南
stringWithUTF8String 的一句话心得
stringWithUTF8String:(char*)str 这个方法主要是用在从外部存储文件读取C字符串后, 转换成界面上表示用的UTF8文字. 此方法使用的时候有个限制, str的一定要以'\0'结束. // sample code: if((int)buffer[bufferSize] != 0) buffer[20] = 0; [NSStrin...
手把手教你用STM32CubeMX配置I3C通信（含动态地址分配实战）
本文提供了一份基于STM32CubeMX配置I3C通信的实战指南，重点讲解了动态地址分配的实现步骤。通过详细的工程配置、从设备枚举、CCC命令使用及数据读写示例，帮助开发者快速掌握这一高效通信协议，以替代传统的I2C或SPI接口，满足多传感器连接与低功耗设计需求。
在iOS10中使用stringWithUTF8String时字符串部分显示错误，转换失败导致string为空，程序崩溃
今天在优化项目的时候，发现在浏览一个文章的时候项目崩溃，而浏览其他文章没问题，由于项目复杂，打了很多断点，找了好久，终于找到，现将解决方法送给大家： 我的项目中原来是这样写的：NSString * str = [NSString stringWithUTF8String:(char*)as]; 运行一直崩溃，原来在编码转化的时候出现了问题导致str为空，现在只需要固定编码的读取长
【Linux】实际项目应该如何完成？--安防监控系统项目的总结
到目前为止我也做个5、6个嵌入式项目，但以往都是从零开始自己做，也就是毫无计划，想到那里做那里，有想法就会去实现，就这样导致我碰到了很多坑，也消耗了我许多时间，当然，不是说这样不好，因为在其中我也得到了一个很好的锻炼与练习，但是这不适用于在工作中去这样做。...
安卓手机老版本微信无法登录？无需root 一招教你如何搞定！旧版本照样登录,微信7.0亲测有效
微信我试了清缓存、用不同的版本、甚至关网登录都不行。于是我研究了一下背后的原理，发现这不仅是个技巧，还是微信设计的一点“疏忽”——**只要有方法，旧版本照样能用**。
initwithbytes 和 stringWithUTF8String的区别
2019独角兽企业重金招聘Python工程师标准>>> ...
CADENCE 25.1打开元件库ERRORCannot perform the operation because of an exception.
摘要：解决CADENCE25.1打开元件库报错"ERRORCannotperformtheoperationbecauseofanexception"的方法：该错误通常由软件中文设置导致。解决方案为：进入Options→Preferences→MorePreferences，取消勾选两个本地语言选项后重启软件即可恢复正常。此方法简单有效，能快速解决因语言设置导致的元件库访问异常问题。（98字）
Infer 静态分析器 NULL_ARGUMENT 深入解析：Objective-C 传参空值检查原理与实战
NULL_ARGUMENT 是 Infer 静态分析器（Java、C、C++、Objective-C）中用于报告"向期望非空参数的函数/方法传入了 nil 实参"的一类错误。本篇文章以官方问题文档 [NULL_ARGUMENT.md](https://link.gitcode.com/i/b8634d13384043090e4e3cb6bd4f51b3) 为主体，结合 Infer 源码中该问题类型
【PyTorch】CNN(一维卷积Conv1D)实现时间序列预测
本文介绍了一维卷积神经网络（Conv1D）在时间序列预测中的应用，展示了其基本原理及实现方式。通过合适的数据预处理和模型调参，Conv1D可以有效地捕捉时间序列数据中的模式，从而进行精准预测。
PCB高速信号换层孔新技术：VECS（Vertical Conductive Structure Technology）解析
摘要：垂直导电结构(VeCS)是一种新型PCB互连技术，由平板信号走线和椭圆形接地层构成半同轴结构，相比传统过孔具有显著优势。通过全波仿真和实测验证，VeCS展现出更好的阻抗连续性、更低的插入损耗和回波损耗，以及优异的串扰抑制能力。其椭圆形接地结构能有效隔离电磁干扰，在相同布线密度下远端串扰比传统过孔降低约50%。VeCS制备工艺与传统PCB工艺兼容，无需新增设备，且能实现更高密度互连。测试结果显示，2.5英寸带状线通道中VeCS结构的信号完整性表现明显优于传统过孔，为高速数字系统提供了更可靠的垂直互连解决
NSString length的坑。
说坑，可能过头了，是我理所当然的把OC看作C了， char* cstr = "zh中文12"; NSString* s = [NSString stringWithUTF8String:cstr]; NSLog(@"len = %d, %d", s.length,[s length]); 结果是6，6也就是说中文也当成1个字的。应该是因为stringWithUT...
【教程4＞第8章＞第44节】本章整体思维导图与学习总结
本教程系列提供FPGA/MATLAB/Simulink学习资源，包含《MATLAB入门100例》、《FPGA入门100例》、《Simulink入门60例》等基础教程，以及《FPGA/MATLAB/Simulink联合开发》进阶教程和《人工智能基础应用研究》专题，适合不同层次的学习者系统掌握相关技术。
另外一种NSData转为NSString的方法
If the data is not null-terminated, you should use -initWithData:encoding: [code="java"]NSString* newStr = [[NSString alloc] initWithData:theData encoding:NSUTF8StringEncoding];[/code] If the data...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
将UTF8的NSData转换成NSSting
如果数据不包含null-terminated(‘\0’)NSString* newStr = [[NSString alloc] initWithData:theData encoding:NSUTF8StringEncoding];否则NSString* newStr = [NSString stringWithUTF8String:[theData bytes]];StackOverFlow
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")
4个核心模块深度解析：MasterPassword算法架构与安全实现
MasterPassword是一款基于确定性算法的密码管理解决方案，通过单一主密码为不同网站生成唯一密码。不同于传统密码管理器存储密码，它采用算法派生机制，确保密码不存储、不传输，从根本上消除数据泄露风险。本文将深入分析MasterPassword的算法架构、实现原理以及安全设计，帮助开发者理解其核心技术。 ## 算法架构解析 MasterPassword的核心在于其多层加密架构，采用主密钥派
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
Alpha 控制台日志集成：在应用内实时查看 NSLog 输出的完整方案
Alpha 是一款面向 iOS 开发者的下一代调试框架，提供了强大的应用内调试能力。其中控制台日志功能允许开发者在应用运行时直接查看 NSLog 输出，无需依赖 Xcode 控制台，极大提升了测试和调试效率。 ## 为什么需要应用内控制台日志？ 传统的 iOS 开发中，开发者需要通过 Xcode 控制台查看 NSLog 输出，这在以下场景中存在明显局限： - 真机测试时无法连接 Xcode -
Unity跨平台剪切板复制：三端适配与WebGL安全策略详解
剪切板操作是应用开发中提升用户体验的基础功能，其核心原理是通过调用操作系统或浏览器的底层API实现数据交换。在跨平台开发中，不同运行环境的安全策略和API差异带来了技术挑战，尤其是WebGL平台受限于浏览器安全模型，要求操作必须由用户手势直接触发。本文聚焦Unity引擎，深入解析如何构建稳健的跨平台剪切板工具类，涵盖WebGL的W3C Clipboard API与execCommand降级方案、Android通过AndroidJavaClass调用系统服务、iOS使用Objective-C桥接等关键技术实现
iOS 获取设备所连网络的IP地址：从 TaoToken 统一 Key 通道到本地调试的完整配置
iOS 获取设备 IP 地址时，模拟器与真机、Wi-Fi 与蜂窝接口差异常导致返回 nil。本文提供可复制的 getifaddrs 代码与 TaoToken 统一 Key 通道配置，通过 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 校验公网出口，并附 401、local proxy failed 等报错排查清单。
DeviceUtil代码解析：深入理解iOS设备硬件检测的实现原理
DeviceUtil是一款高效的iOS设备硬件检测工具，能够精准识别设备型号、硬件信息及摄像头参数等关键数据。本文将深入剖析其实现原理，帮助开发者快速掌握iOS设备硬件信息获取的核心技术。 ## 核心功能与应用场景 DeviceUtil主要提供三大核心功能：设备型号识别、硬件参数获取和摄像头分辨率检测。这些功能广泛应用于： - 应用适配不同iOS设备的UI布局 - 基于硬件性能的功能开关控制
Unity 接入穿山甲 GroMore 聚合广告完整教程
穿山甲GroMore聚合SDK接入指南（Unity版） 本文提供穿山甲GroMore聚合SDK在Unity项目中的完整接入流程，覆盖Android和iOS平台。主要内容包括： 准备阶段：注册开发者账号、获取App ID和广告位ID、配置后台瀑布流 SDK导入：下载并正确放置SDK文件，配置依赖项 平台适配：Android端配置依赖和权限，iOS端处理ATT授权和CocoaPods 核心实现：SDK初始化、激励视频和插屏广告接入 测试上线：真机测试、常见错误排查和上线检查清单 关键注意事项： 必须添加测试设备
Unity集成科大讯飞离线TTS：移动端语音合成实战指南
语音合成（TTS）技术是实现人机语音交互的核心，其原理是将文本信息通过声学模型和声码器转换为自然流畅的语音波形。这项技术对于提升应用交互体验、满足离线场景需求具有重要价值，广泛应用于游戏NPC对话、教育应用播报、车载语音助手等场景。在移动端Unity开发中，科大讯飞离线TTS引擎因其在音质与性能间的平衡而备受青睐。本文聚焦Unity集成实战，深入解析Android与iOS双平台的环境配置、原生桥接实现及性能优化策略，涵盖SDK导入、权限配置、音频数据回调等关键环节，并针对初始化失败、合成延迟等常见问题提供解
Unity跨平台长按复制UI文本：从原理到实战的完整解决方案
在Unity应用开发中，实现用户交互功能是提升体验的关键。长按复制作为一种基础交互模式，其原理在于通过事件系统检测持续的指针输入，并在达到时间阈值后触发操作。这项技术的核心价值在于打通应用内容与系统剪贴板之间的桥梁，让信息传递更高效。在聊天窗口、信息展示面板、设置页面等需要文本复用的场景中，它几乎是标配功能。本文聚焦于Unity中长按复制的实现，深入探讨了如何通过IPointerHandler接口进行可靠的事件检测，并详细解析了跨平台剪贴板写入这一技术难点，提供了覆盖Android、iOS、PC及WebGL
Flutter集成本地LLM：构建离线智能电子书阅读器全流程
大语言模型（LLM）作为人工智能的核心技术，通过在海量文本数据上训练，能够理解和生成人类语言。其工作原理基于Transformer架构，通过自注意力机制捕捉长距离依赖关系。在技术价值上，LLM实现了强大的自然语言处理能力，尤其在文本理解、生成和推理任务中表现出色。应用场景广泛，从智能客服到内容创作均有涉及。然而，云端部署的LLM存在网络依赖、延迟和隐私风险。为此，边缘计算和模型量化技术应运而生，它们将模型部署到终端设备，实现本地推理。本文聚焦于如何利用Flutter框架和llama.cpp推理引擎，在移动端
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1854
扫一扫
