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
166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
^ 匹配一行的开头
$ 匹配一行的结尾
() 标记子表达式的开始和结束位置
[ ] 用于确定括号表达式中的开始和结束位置
{ } 用于标记前面子表达式的出现频度
* 指定前面子表达式可以出现零次和多次
? 指定前面子表达式可以出现零次和一次
\d 匹配0~9的所有数字
\D 匹配非数字
\w 匹配所有的单词字符，包括0~9所有数字、26个英文字母和下划线（_）
\W 匹配所有非单词字符
\ 用于转义下个字符
| 表示两项之间选一项
- 表示范围
邮箱：^[a-zA-Z0-9_.-]+@[a-zA-Z0-9-]+(.[a-zA-Z0-9-]+)*.[a-zA-Z0-9]{2,6}$
国内电话号码：\d{3}-\d{8}|\d{4}-\d{7}
手机号码：^((13[0-9])|(14[5|7])|(15([0-3]|[5-9]))|(18[0,5-9]))\d{8}$
计算机组成原理实验(已通关)-华中科技大学头歌Educoder(Logisim)
汉字国标码转区位码实验 汉字机内码获取实验 8位可控加减法电路设计 第2关 CLA182四位先行进位电路设计 第3关 4位快速加法器设计 第4关 16位快速加法器设计 第5关 32位快速加法器设计 第6关 5位无符号阵列乘法器设计 6位有符号补码阵列乘法器 乘法流水线设计 原码一位乘法器设计 偶校验编码设计 偶校验解码电路设计 16位海明编码电路设计 16位海明解码电路设计 海明编码流水传输实验 16位CRC并行编解码电路设计 CRC编码流水传输实验
小程序扫描二维码，正则校验
需求： 1：扫码返回的结果必须是DECA开头,否则提示非法二维码 2：扫码返回的结果必须是16位 3：支付宝，微信等其他非项目公司提供的二维码扫描均无效 正则： const reg = /^DECA[A-Za-z0-9]{12}$/; 主要代码： wx.scanCode({ success: (res) => { ...
快速上手CH340N电路设计（CH340N USB转串口模块 USB Type-C接口 CH340系列芯片讲解）
一、上模块 二、功能分析 l 芯片：CH340N l 输入接口：USB、TYPE-C l 输出接口：TTL(5V\3.3V\GND\TX\RX) l 指示灯：电源、TX、RX 三、CH340x芯片 l CH340 是一个 USB 总线的转接芯片，实现 USB 转串口 l 全速 USB 设备接口，兼容 USB V2.0 l 硬件全双工串口，内置收发缓冲区，支持通讯波特率 50bps～2Mbps l 支持常用的 MODEM 联络信号 RTS、DTR、DCD、RI、DS...
正则表达式
支付宝二维码规则 https://openclub.alipay.com/read.php?tid=4353&fid=56 正则: var reg = /^(((2[5-9])|(30))\d{14,22})$/; 微信二维码规则: 银联二维码规则: 银联：62开头19位...
BLDC方波控制双闭环Simulink仿真模型
无刷直流电机方波控制双闭环Simulink仿真模型搭建详细教程，包括速度PI环、电流PI环、换向逻辑和受控电压源，仿真结果良好。
算法 ｜ 植物根茎生长优化算法（PRGO）原理、公式及应用，matlab代码（2025最强优化算法）
【代码】算法 ｜ 植物根茎生长优化算法（PRGO）原理、公式及应用，matlab代码（2025最强优化算法）
常用正则表达式大全！（例如：匹配中文、匹配html）
常用正则表达式大全！（例如：匹配中文、匹配html） 匹配中文字符的正则表达式： [u4e00-u9fa5] 评注：匹配中文还真是个头疼的事，有了这个表达式就好办了 匹配双字节字符(包括汉字在内)：[^x00-xff] 评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1） 匹配空白行的正则表达式：ns*r 评注：可以用来删除空白行 匹配HTM
【零基础学习CAPL】——弹窗信息提示
不用手动制作Panel窗口，直接使用CAPL脚本实现弹窗提示。//没有wait超时，等待测试人员确认//有wait超时，对话框在超时后自动终止//有wait超时，可以显示一个资源,即对话框可以显示额外的信息。/*参数说明text：显示在弹窗中的内容，长度限制在4096字符timeout：弹窗自动结束的时间，单位：ms。若为0，则无超时控制heading：对话框文本上方的标题。字符串最大长度限制在256个字符。resource：URL或文件路径。字符串的最大长度是有限的(512个字符)。
一张图正则表达式
一张图正则表达式
AI Agent开发第85课-DeepSeek-OCR 安装全指南：从 Transformers 到 vLLM，手把手教你跑通企业级 OCR
本文系统讲解 DeepSeek-OCR 的两种部署方式——基于 Hugging Face Transformers 的标准推理与基于 vLLM 的高性能加速推理。详细说明 CUDA 与 PyTorch 版本匹配、环境验证、依赖安装等关键细节，并提供可直接运行的完整代码示例。无论你是单卡调试还是高并发服务部署，都能在这里找到清晰路径。
【LLM评估篇】Ceval | GAIA | MMLU benchmarks
- 一些大模型的评估模型： - 多轮：MTBench - 关注评估：agent bench - 长文本评估：longbench，longeval - 工具调用评估：toolbench - 安全评估：cvalue，safetyprompt等 本文还介绍了其他主流的大模型评估指标等及其使用
简单的介绍正则表达式
1、有的正则表达式很简单，有的非常复杂。2、尽量用简单的表达式满足要求。
使用自己的数据跑通mmsegmentation
使用自己的数据跑通mmsegmentation，解决以下报错:1）type object 'FileClient' has no attribute 'infer_client' 2）It is expected output_size equals to 2, but got size 3 3）训练测试结果报NAN 4）KeyError: 'MyDataset is not in the dataset registry' 5）预训练模型和加载的网络结构层名有差异,unexpected key .....
正则表达式简单运用
开发工具与关键技术：vs mvc 作者：朱某人 撰写时间：2019年5月 3日 在学习中呢，刚认识到正则的一些用处，好处，那么在这里就讲讲正则表达式的一些简单运用。我希望能让你们了解到什么是正则表达式，同时能让自己加深对正则表达式的理解。 第一次看到正则表达式的时候呢，根本看不懂这是什么。就例如：οnkeyup=“value=value.replace(/[^\u4E00\u9FA5]/g,’’)...
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
正则表达式的简单介绍
本篇博客将简单介绍一下如何编写一些简单的正则表达式（这个东西跟所有的语言一样，入门简单，后面你懂得。。。）
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")
简单正则表达式匹配
编写一个简单的支持正则表达式的字符串匹配函数，简单的正则表达式如下： 字符 含义 c 匹配字符c . 匹配任意一个字符 * 若一个字符后紧跟*,则匹配0个或多个此字符 函数原型如下，参数regexp是待
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
正则表达式的简单使用
正则表达式的简单使用 正则表达式的基本用法： 1、“.”为通配符，表示任何一个字符，例如：“a.c”可以匹配“anc”、“abc”、“acc”； 2、“[]”，在[]内可以指定要求匹配的字符，例如：“a[nbc]c”可以匹配“anc”、“abc”、“acc”；但不可以匹配“ancc”,a到z可以写成[a-z],0到9可以写成[0-9]; 3、数量限定符号，表示匹配次数（或者叫做长度）的符号,包括：...
个人认为最简单概要的正则表达式教程
最好的正则表达式教程 一，概述 1，正则表达式，可以说是任何一种编程语言都提供的机制，它主要是提供了对字符串的处理能力。2，正则表达式在页面处理中的使用场景：1）表单验证。验证某些域符合某种规则，例如邮件输入框必须输入的是邮件、联系电话输入框输入的必须是数字等等2）处理DOM模型。例如通过表达式定位DOM中的一个对象或一系列对象，一个例子就是定位id属性中含有某个特殊...
正则表达式简单介绍
简单正则表达式
正则表达式学习的简单总结
正则表达式学习的简单总结 自我学习总结
正则表达式入门简单理解
1.入门介绍 简单的说，正则表达式是一种可以用于模式匹配和替换的强有力的工具。我们可以在几乎所有的基于UNIX系统的工具中找到正则表达式的身影，例如，vi编辑器，Perl或PHP脚本语言，以及awk或sed shell程序等。此外，象JavaScript这种客户端的脚本语言也提供了对正则表达式的支持。由此可见，正则表达式已经超出了某种语言或某个系统的局限，成为人们广为接受的概念和功能。 正则表达式可以让用户通过使用一系列的特殊字符构建匹配模式，然后把匹配模式与数据文件、程序输入以及WEB页面的表单输入等目标
python实现简单爬虫以及正则表达式简述
python中使用 re模块实现对正则表达式的使用方式实现方式包括 2种1 re是一个引用模块，类似与其他的模块的使用，可以直接进行调取模块中的功能函数使用例如：print re.split(r'\d+','one1two2three3four4')得到的结果：['one', 'two', 'three', 'four', '']split语法： split(string[, maxsplit
php 一个简单正则,简单正则表达式PHP
当你有一个特定的字符串你正在寻找，使用正则表达式在一点矫枉过正。你会很好的使用PHP的标准字符串搜索功能之一。 (传统，迷信，the manual)表示，使用strpos函数将产生更好的性能。但是，传统的PHP智慧(阅读：神话，传奇，迷信，the manual)说，使用strpos函数将产生更好的性能。即，像if(strpos($string, '_archived') !== false) {}...
C++正则表达式简单用法
最近学习了一下C++11引入的正则表达式用法，对于处理字符串问题带来很大方便。下面基于几个简单应用介绍一下用法： (1) 判断字符串是否匹配某一模式，例如，判断输入字符串是否符合“5-15位数字，并且首位不能是0”这一模式。 #include <bits/stdc++.h> using namespace std; int main() { string str; ...
vscode使用简单的正则表达式进行查找/替换
不得不说，在对大量数据查找和修改时，正则表达式非常简单易用，当然它的用途远不止此，也远没有这么简单。但在平时编程中，使用一些简单的Regex能够极大提高效率。 因此这里简单总结一下基础的正则表达式(Regex)语法，方便以后查找使用。 目的 表达式 例子 匹配单个字符 . a.o匹配abo,aco,ado…，不能匹配abbo 匹配前面任意个表达式（尽可能多） * a*o匹配o,ao,aao,aaao 匹配前面至少1个表达式(尽可能多) + a+o匹配ao, aao,aaao，不能匹配
正则表达式的简单理解
正则表达式的简单理解 正则表达式概念：一个有规则的表达式 简单的说就是一个用于查找的通配符 正则表达式对象 -> js 正则表达式对象 就是 由 正则表达式创建的对象, 该对象可以进行 匹配, 提取 和 替换. 创建正则表达式对象 构造函数 var regex = new RegExp( 正则表达式字符串[, 匹配模式] ); 字面量 var regex = /正则表达式/; //创建正则对象的两种方法 var reg = new RegExp() //
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4万+
扫一扫
