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
92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
MemoryStream^ st = gcnew MemoryStream();
array<Byte>^ byteArray;
byteArray = gcnew array<Byte>((__int64)st->Length);
st->Read(byteArray, (__int64)0, st->Length);
writer->Close();
st->Close();
System::Text::Encoding^ ee = System::Text::Encoding::GetEncoding("GB2312");
Console::Write(ee->GetString(byteArray));
Because of unfamilar with .net framework, i wrote above codes. After that i found out use StreamReader was more convenient
二进制、八进制、十六进制、十进制转换详解
二进制是计算机的语言，正如我们使用汉语表达与交流信息一样，任何信息在计算机中都以二进制的形式存储和计算。了解二进制与十进制等进制之间的转换方法，有助于我们了解计算机内部的数字计算过程，可以帮助我们在一定程度上理解信息在计算机中的编码和解码过程。本文先简单介绍位置化数字系统的概念，然后详细讲解二进制、八进制、十六进制、十进制之间的转换方法与原理。
C++ 最强大的 .NET Framework编程语言
C++：最强大的 .NET Framework编程语言 本文涉及：Microsoft Visual C++ 2005Microsoft Visual C++ .NETMicrosoft Visual Studio 2005通用语言运行时库（CLR） 文章概要：探索Visual C++ 2005中新语言C++/CLI的设计思想与基本原理，并以此 .NET编
Python Trimesh库实战：5分钟搞定STL文件解析与3D模型可视化
本文介绍了如何使用Python的Trimesh库快速解析STL文件并进行3D模型可视化。通过简洁的代码示例，演示了从环境搭建、模型加载、几何数据提取到基础变换和批量处理的核心流程，帮助开发者和工程师在5分钟内高效完成3D数据处理与可视化任务。
使用C++/CLR进行C++ cv::Mat 与 C# Bitmap 之间的相互转换
//--------------Functions.h-------------------- #include <opencv\cv.h> #include<opencv.hpp> #include <string> cv::Mat BitmapToMat(System::Drawing::Bitmap^ bitmap); System::Draw...
QT邂逅豆包API：打造专属文章生成神器
通过本次探索，我们成功基于 QT 调用豆包 API 开发出了文章生成工具。从前期的准备工作，到核心代码的实现，再到功能的拓展与优化，每一步都凝聚着技术的魅力与挑战。我们学会了申请豆包 API 密钥，搭建 QT 开发环境，创建网络请求类来与豆包 API 进行交互，构建请求体并解析响应，还为工具添加了友好的界面交互，提升了性能。
快速理解OSI七层模型（举例理解，数据传输过程，深入理解OSI七层模型）
我们需要了解互联网的本质是一系列的网络协议，这个协议就叫做OSI协议（开放系统互联(Open System Interconnection）），它是由ISO（国际标准化组织）定义的。 需要注意，随着时代的发展，OSI已经被TCP/IP 4层模型淘汰，在当今世界上并没有大规模的使用。 那么对于OSI，人们按照功能不同，分工不同，人为的将OSI的分为七层。实际上这七层是并不存在的，也就是说没有这些概念，而我们今天提到的七层概念，只是人为的划分而已。目的只是为了让大家更好地理解这些都是用来做什么的。
java byte array to hex String
String str = new String(byte[] byteArray); Convert a byte array to a Hex stringTag(s): The simple way public static String getHexString(byte[] b) throws Exception { String result = ""; ...
Databricks Genie：语义编译器架构与企业级智能解析实践
语义层是现代数据平台实现自然语言查询的核心基础，其本质是将业务术语映射为可执行、可治理的数据契约。原理上依赖结构化元数据、值字典与数据血缘三支柱协同，通过分层AI代理（如Intent Parsing、Retriever、Verifier）实现意图识别→语义对齐→安全执行的闭环。技术价值在于降低SQL使用门槛的同时保障审计性、一致性和权限可控性，适用于销售运营、财务分析等一线业务场景。本文深入解析Databricks Genie作为典型语义编译器的落地逻辑，涵盖Unity Catalog知识注入、七层Agen
微软技术日报 11-09：.NET 8 与 9 明日同时停止支持，注册表编辑器出了 WinUI 3 版
今天这四条消息的共同点是收口。.NET 8 和 9 的支持期到点，注册表编辑器的新界面只放在仓库里给人看，GitHub 把一类危险触发器按住默认，微软在安全报告里把防线从地址黑名单挪到行为。收口并不等于关门。.NET 10 还在支持期里，被按住的触发器可以用策略按文件放回来，实验室里的样例随时可能变成产品。区别在于这些动作要有人签字，不再是默认开着。如果今天只做一件事，去看一眼构建机上的 .NET 版本。明天之后，8 和 9 的漏洞补丁不会再来了。
服务器安全配置：二、本地安全策略设置
密码最长使⽤期限”设置为“90天”；“⽤可以还原的加密来存储密码”设置为“禁⽤”“复位账户锁定计数器”设置为15分钟，贴图这里是我自己设置的时间，15分钟也够用，具体看自己需要。”网络访问: 不允许 SAM 帐户和共享的匿名枚举“设置为“已启用””网络访问: 限制对命名管道和共享的匿名访问“设置为“已启用””网络访问: 不允许匿名枚举 SAM 帐户“设置为“已启用”“关机: 允许系统在未登录的情况下关闭”设置为“已禁用”（1）交互式登录：不显示最后的⽤户名”设置为“已启⽤”
Unity游戏开发实战：用Flow Field实现RTS百人军团流畅寻路（附完整代码）
本文深入探讨了在Unity中利用流场寻路技术解决RTS游戏大规模单位移动性能瓶颈的实战方案。通过解析从Dijkstra算法生成成本场、积分场到最终向量场的核心原理，并结合分块、缓存及与DOTS/ECS架构集成的优化策略，实现了百人军团的流畅群体寻路。文章提供了完整的代码示例，助力开发者构建高性能的RTS寻路系统。
微软技术周报 11-02~11-09：VS Code 混装 Claude 与 Codex、EF Core 11 静默改行为、.NET 11 倒计时
11 月 6 日，Power Platform 通过消息中心通知管理员，Copilot Studio、Power Automate 和 Power Apps 里所有跑在 Anthropic Claude、xAI Grok 以及旧版 GPT 上的 prompt，12 月 2 日自动迁移到 GPT-6 系列，档位价格不变，模型选择收窄到一条产品线。效果是这样的：让 Claude 评审一个 Copilot chat 写出的方案，或者把同样的任务交给 Codex，两边并排跑在同一个会话里。更要紧的是下周的时间线。
Tera Term介绍和使用指南
Tera Term 是一个用于 Windows 操作系统的免费终端模拟器和串口通信软件。它主要用于在计算机和其他设备之间建立串口通信连接，例如通过串行线缆连接到设备如路由器、开发板或嵌入式系统。Tera Term 支持多种通信协议和功能，包括 Telnet、SSH 和串口通信。提供了一个终端窗口，模拟了常见的终端类型，如VT100。支持通过串口与设备进行通信，可用于与嵌入式系统、微控制器等设备进行连接。提供 Telnet 和 SSH 功能，可用于通过网络连接到远程主机。
11-01-演进-.NET GC发展史
.NET GC发展史映射硬件演进：从单核STW到多核并发，再到区域化细粒度回收。历经分代管理、ServerGC、BackgroundGC、LOH自动压缩、POH隔离、DATC自适应线程数及Region-based管理等关键革新，代码量从5000行增至4万+，复杂度指数上升。每一步优化均在暂停时间、吞吐量与资源开销间权衡，体现“实用主义”哲学。核心启示：GC演进由硬件驱动，方向明确——更短暂停、更高效率，但代价是工程复杂性持续攀升。
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
.NET 10 的性能提升
你不需要重写代码去用Span<T>，不需要手工池化对象，甚至不需要调整 GC 配置。JIT 编译器变得更“聪明”了，它会在编译时替你完成一些过去需要手动干预的优化。但与此同时，.NET 10 也引入了一个默认开启的 GC 行为变化，它在某些场景下会。这篇文章想讲清楚：哪些性能是你“自动”拿到的，哪些是需要你主动审视和取舍的。
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
在 .NET 10 中使用 Keycloak.Admin.Sdk 管理 Keycloak：从基础接入到功能开关
面向 .NET 10 / Native AOT 的 Keycloak Admin REST API 客户端，当前仅支持 Keycloak 26.8.1。主包引用 Microsoft.Extensions.Http 10.0.14 和 Microsoft.Extensions.Http.Resilience 10.11.0，使用源生成 JSON 元数据，默认关闭反射序列化。仓库固定 .NET SDK 10.0.403。
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")
.NET 性能优化：先找瓶颈，再谈技巧
NET 性能优化没有“一招鲜”。Span<T>ValueTaskstackalloc这些工具在特定场景下确实很强，但它们解决的是微观层面的分配问题。如果你的应用瓶颈在数据库查询或者线程池阻塞，用再多Span<T>也救不回来。先测量，找到热路径，再针对性修改，改完再测量验证。跳过第一步的优化，大概率是在给编译器添乱。
.NET 11 - 尝试一下Blazor中的新特性SupplyParameterFromTempData
时光匆匆，.NET Conf 2026大会将会在2026年11月份举办(11/10-11/13)，到时微软将会发布.NET11，这是一个STS版本(Standard Term Support), 微软提供两年支持。当前.NET 11已经处于RC3版本(Release Candidate 3)，很多新特性已经被发布出来了。
.NET 可观测性选型：Metrics、ActivitySource、EventSource 到底该用哪个
很多人把Meter当成"新版 EventSource"，把当成"新版 DiagnosticSource"，然后在生产环境里发现：指标查不到、链路断了、开销还不小。这三个 API 解决的是三个不同维度的问题，混用一定会踩坑。
FFmpeg × C# 实战：从命令行原理到 .NET 工程化落地
本文系统讲解 FFmpeg 的核心概念（容器/编码/流/滤镜/时间基），并给出 C# 对接的五条技术路线对比。重点实现一个可落地的 FFmpegRunner 封装，解决管道死锁、结构化进度解析、取消超时、二进制分发与参数注入五大工程问题；随后覆盖转码、裁剪、合并、抽帧、限体积压缩、水印、硬件加速六大高频场景，并附安全清单与排错速查表。
在.NET WinForms中创建SQLite数据库
本文介绍在WinForms项目中使用SQLite的完整流程：通过NuGet安装System.Data.SQLite.Core包，将数据库文件置于程序目录下，利用CREATE TABLE IF NOT EXISTS实现自动建库建表；通过封装GetConnection()方法管理连接，初始化时调用Init()创建表结构；后续通过参数化SQL实现增删改查操作，支持数据绑定、登录验证等场景，确保安全高效。
【WPF】兼容.net 4.8 相机控制
老项目兼容性问题：.NET 4.8 WinForms 可调用相机程序但界面卡住，.NET 8 可正常挂载句柄。最终通过创建空壳用户控件+自定义无边框窗口（FloatingPanelHost）实现界面悬浮绑定，利用 SetWindowPos 精确对齐屏幕坐标，确保跨进程窗口在 WPF 中正确显示，且随主窗口移动、缩放、隐藏同步，解决句柄挂载难题。
一款基于 .NET 开源、免费的数据库自治诊断平台
DBPilot。它解决的是 DBA 日常工作中最耗时的痛点：性能趋势分析、Top SQL 定位、阻塞与死锁排查，原本散落在多个工具和脚本里的活，现在一个 Web 控制台全搞定。DBPilot 是一个自托管的数据库自治诊断平台。它持续采集实例的性能数据，在同一个 Web 控制台里完成日常 DBA 工作流：性能趋势与 AAS 负载拆解、Top SQL、执行计划变更跟踪、缺失索引建议、索引使用与碎片、阻塞分析、死锁分析、慢日志。
版本即契约：.NET 6 WebAPI 多版本治理与 Swagger 文档分治实践
本文基于Asp.Versioning.Mvc6.4.1，采用Swashbuckle原生路线实现.NET 6多版本API管理：通过DocInclusionPredicate反射控制器的[ApiVersion]属性分组，绕过IApiExplorer，无需引入Asp.Versioning.Mvc.ApiExplorer。结合apiVersions数组统一管理版本，确保配置一致。配合VersionDefaultValueFilter自动填充路径参数默认值，AddApiVersioningConfig实现未指定版本时
Keycloak.Admin.Sdk 26.8.1-preview.3 发布：从管理 API 到应用协议的 .NET 10 SDK
如果你的项目正在使用 Keycloak 26.8.1，欢迎通过 NuGet 体验 **26.8.1-preview.3**，也欢迎提交具体接口、协议或运行环境下的使用反馈。
C# + .NET 8 + WPF + HALCON25.11
在解决方案资源管理器，右键→【设为启动项目】顶部菜单：【生成】→【生成解决方案】，看输出窗口，无报错按F5启动调试点击按钮【加载测试图】：图片显示，缺陷自动画红框，表格输出坐标。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2097
扫一扫
