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
1.3k累计阅读
1.3k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
顾名思义，您可以把工位理解成我们办公室的工位，默认这个工位可能没人坐（待绑定成员），我们可以把新招的团队成员安排到这个工位（绑定成员），之后我们就可以一起协作办公了。
您可以在ApiPost客户端，点击左侧【团队】，选择要增加工位的团队后直接扩充工位数量。
给一个成员绑定工位后，只是说明他成为了团队的一员。如果需要让他加入某个项目，您需要点击左侧的【项目】，然后选择对应的项目，点击【编辑项目】按钮，将其加入项目组。这时，他才能在自己的ApiPost客户端看到指定的项目。
LTspice进阶技巧-031.一键加密仿真模型：LTspice Encrypt Tool实战指南
本文详细介绍了LTspice Encrypt Tool的使用方法，帮助工程师一键加密LTspice仿真模型，保护知识产权。通过图形化界面简化操作流程，支持批量加密和兼容性处理，适用于电路设计中的模型保护需求。
便捷的多人协作开发项目工具--apipost
给项目添加协作人员 添加协作人员到一个项目需要2步，绑定工位和添加到项目协作者。 绑定工位 操作路径：左侧“团队”——找到要操作的团队——找到空闲空位，点击“绑定工位”： 深入要协作人员的APIPOST账号即可绑定成功。 添加项目到协作者 点击左侧“项目”按钮，对着要添加协作人员的项目点击右键，选择“编辑项目”： 勾选需要添加的协作人员，保存即可。 ...
STM32固定翼增稳飞控设计：姿态解算、双环PID与一键救机实现
姿态稳定控制是无人机与航模飞控系统的核心基础，其本质是通过传感器融合（如IMU）实时感知飞行器姿态，并基于控制理论（如PID）生成修正指令以抑制扰动。该技术广泛应用于教育航模、轻型固定翼平台及嵌入式飞控开发场景，具有低延迟、高确定性、资源敏感等典型工程特征。本文围绕STM32F401与MPU6050构建的硬件闭环系统，深入解析互补滤波姿态解算原理与俯仰/横滚双环PID控制结构，同时聚焦‘一键救机’这一面向新手的关键安全机制——通过分阶段角速率抑制与平滑角度拉平策略，在80ms内启动响应，显著提升飞行容错能力
前后端协作的神器--apipost
添加协作人员到项目的完整流程 添加协作人员到一个项目需要2步，绑定工位和添加到项目协作者。 绑定工位 操作路径：左侧“团队”——找到要操作的团队——找到空闲空位，点击“绑定工位”： 深入要协作人员的APIPOST账号即可绑定成功。 添加项目到协作者 点击左侧“项目”按钮，对着要添加协作人员的项目点击右键，选择“编辑项目”： 勾选需要添加的协作人员，保存即可。 ...
【WRF-Chem第二期】WRF-Chem有关 namelist 详解
【WRF-Chem第二期】WRF-Chem有关 namelist 详解
[Research Tips] 我的zotero文献管理方案: 云端同步+iPad批注+overleaf笔记
文献管理一直是一个很头疼的事. 最初直接在paper上做笔记, 后来尝试各种各样的文献管理软件, 比如endnote, mendeley等, 再后来直接用excel. 每一种方案都不是很满意. 最近尝试了各种软件, 摸索出一个合适自己的文献管理方案, 分享给大家. 我的需求: 支持PDF内全文搜索. 支持笔记搜索. 支持同步 可以批注PDF. 支持word内引用 支持Tex笔记语法 支持标签化管理 目前的方案除了第二个需求, 其他的都支持. 就目前我的经验来说, 除了知网研学可以搜索笔记外, 其他软件都
Apipost：你API管理中的得力助手
这意味着，团队成员可以快速轻松地生成、查看和分享接口文档，大幅度节省了不必要的时间消耗，同时，也提高了沟通协作的效率。同样，以项目为单位进行接口数据和业务隔离，将不同类型的业务创建为不同的项目，更贴近实际工作。Apipost通过可视化的方式进行测试用例的编写，支持导出测试脚本，在测试过程中，Apipost还支持对测试结果进行统计和分析，以便后续的数据汇总和报告生成。综上，Apipost团队化设计实现了多人在线协作、数据同步和变更记录的追溯等功能，保证了团队协作的高效性和数据的安全性。
18、探索隐私工程技术的前沿：从理论到实践
本文深入探讨了隐私工程技术的核心概念、关键技术及其应用场景，分析了加密技术、访问控制和用户界面设计等在隐私保护中的作用，并结合数据库保护、物联网设备等实际场景进行阐述。同时，文章还讨论了隐私工程技术面临的挑战与未来发展趋势，提出了数据最小化原则、差分隐私、隐私增强技术等优化策略以及隐私设计、隐私影响评估等最佳实践，最后展望了新兴技术对隐私保护的影响及法规推动下的发展方向。
接口协作--apipost接口协作工具
接口协作 apipost支持接口在线协作编辑功能，打开apipost创业一个团队，在创建一个项目。在进行项目编辑把需要进行协作的人员拉取到项目中。之后在进入项目创建接口就可以进行接口协作了。在把需要一起协作的人员添加到团队中。
RIP协议
一、 Rip简介 早期在unix系统上使用，1988年才发布第一个rip协议标准“RFC1058”,是一种距离矢量（Distance-vector）协议。 1. 特点： 只关心跳数，下一跳，不关心整网拓扑。 基于传闻的路由协议。 2. 场景： 适用于规模小且可靠性要求低的网络环境，部署简单，因为其跳数限制，不适用于大型网络。 3. 工作原理: - 开启RIP发送RIP请求 - 接受请求发出响应...
手把手教你学Simulink--基于Simulink的高速公路自动驾驶场景仿真建模
特点车道保持：自动调整车辆方向以保持在车道中央。自适应巡航控制（ACC）：根据前方车辆的速度自动调节车速。换道辅助：安全地变换车道以超过慢速行驶的车辆或准备驶离高速公路。紧急制动：检测潜在碰撞并采取措施避免事故。挑战安全性：确保所有功能在各种条件下都能可靠运行。实时性：处理大量传感器数据，并迅速做出反应。复杂性：集成多个子系统，包括感知、规划与控制。首先明确要模拟的任务内容。车辆需保持在车道内行驶。根据交通情况自动调整速度。安全地执行换道操作。在必要时实施紧急制动。
ApiPost设置多人协作
有时候一个项目会有多个人一起编写，每个人都有自己的接口，ApiPost提供了一个多人协作功能，可以在一个项目里加入多个成员，每个人新增的接口都可以在项目中看到，从而提高开发效率。创建团队后，默认有一个项目，点击“我管理的项目”，可以看到有个【新建项目】的项目名称，可以修改这个项目的名称，也可以点击上面的【+新建项目】，创建一个共同的项目。然后点击邀请成员，将团队其他成员的账号添加进去。此时团队就创建成功了。但是一个团队可以有多个项目，还需要将这个人从团队中添加到项目里，才可以跟他共同维护这个项目接口。
AI智能体丨使用Coze生成自媒体短视频分镜生成器（附保姆级教程）
【短视频分镜脚本生成器】是一款由Coze平台开发出来的智能体，可快速解析某音/某书视频或本地文件，自动生成专业分镜脚本。用户只需输入视频链接或上传文件，系统即会分析镜头节奏、叙事逻辑和画面内容，输出包含画面、模板和话术参考的标准化脚本（支持3分钟内视频）。该工具还能生成HTML网页和可下载图片，提供可视化呈现。工作流程包括视频解析、帧提取、AI画面理解、脚本生成和网页制作，大幅提升短视频创作效率。
API管理神器—Apipost
API管理神器—Apipost 1.背景 作为互联网工作者，只要是从事开发的，无论前端、后端、测试。 而一般完成整个接口的管理的解决方案如下： 使用 Swagger 管理 API 文档 使用 Postman 调试 API 使用 RAP等根据 Mock API 数据 使用 JMeter 做 API 自动化测试 可以看出每个步骤使用的工具不同，这样就需要维护不同根据之间的数据一致性，从而造成一定的风险和低效率。除此之外，不同工具之间需要共同服务一个对象，这样会造成协作低效，出问题的几率大大增强！ 而我们今天
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
接口文档生成工具ApiPost（一）介绍和安装
以前主要用PostMan，听介绍ApiPost也非常不的不错，是一个国产神器，秒杀postMan。那就学习一下这款软件
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
大疆被Figma禁用，请马上卸载Postman！国产软件Apipost火了！
这几天看到大疆被UI设计工具Figma列入黑名单，再次证明科技无国界什么的都是屁话，国产软件必须在各个领域出击，才能不用看人脸色。在API管理领域，大家长期使用的是Postman，但是这终...
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")
ApiPost：更懂中国程序员的前后端协作开发工具
目录 Apipost6.0重大升级 Apipost6.0一如既往的独家创新优势功能 1、团队成员间的实时协作功能 2、一键快速生成文档 3、参数库描述 Apipost6.0新增功能 1、左右分屏功能 2、一键保存全部接口功能 3、支持自定义接口状态 4、支持协作冲突时保存两者数据功能 5、项目可快速邀请团队外成员 6、参数名、参数值联想功能 7、快速编辑...
用了这个软件以后，和前端/测试小姐姐的沟通都少了！
之前给大家推荐过国产的API开发调试神器ApiPost，有小伙伴戏称：这个工具的功能太强大了，用了以后，前端，后端，开发，测试可以非常顺畅地协作，效率很高，和前端/测试小姐姐的沟通都少了！...
【分享】前、后端接口对接工具
一、接口对接 在前后端分离开发时，后端工作人员完成系统接口开发后，需要与前端人员对接，测试调试接口，验证接口的正确性可用性。而这要求前端开发进度和后端进度保持基本一致，任何一方的进度跟不上，都无法及时完成功能模块的测试。 做为后端开发人员，要求独立开发完成某个接口后，开发人员自己需要先测试通过后再提交给测试人员进行测试，否则会出现到测试人员哪里业务流程根本就走不通，或者BUG会过多的情况等。 二、接口对接工具 国产接口测试工具和接口文档生成工具：apipost 1、这个直接去官网下载即可，我们使用免费版即可
软件测试详解17--接口对接
一、接口对接 在前后端分离开发时，后端工作人员完成系统接口开发后，需要与前端人员对接，测试调试接口，验证接口的正确性可用性。而这要求前端开发进度和后端进度保持基本一致，任何一方的进度跟不上，都无法及时完成功能模块的测试。 做为后端开发人员，要求独立开发完成某个接口后，开发人员自己需要先测试通过后再提交给测试人员进行测试，否则会出现到测试人员哪里业务流程根本就走不通，或者BUG会过多的情况等。 二、接口对接工具 国产接口测试工具和接口文档生成工具：apipost 1、这个直接去官网下载即可，我们使用免费
前后端接口对接工具
一、接口对接 在前后端分离开发时，后端工作人员完成系统接口开发后，需要与前端人员对接，测试调试接口，验证接口的正确性可用性。而这要求前端开发进度和后端进度保持基本一致，任何一方的进度跟不上，都无法及时完成功能模块的测试。 做为后端开发人员，要求独立开发完成某个接口后，开发人员自己需要先测试通过后再提交给测试人员进行测试，否则会出现到测试人员哪里业务流程根本就走不通，或者BUG会过多的情况等。 二、接口对接工具 国产接口测试工具和接口文档生成工具：apipost 1、这个直接去官网下载即可，我们使用免费版即可
国产API 神器大更新！
国产API 开发调试神器Apipost又迎来了一波重大更新，Apipost 6.0 已正式上线！新版Apipost既支持 Web 版，又支持客户版，还增加了很多独家创新功能，解决了大量用户...
请马上卸载 Postman...！
这两天，Figma冻结了大疆设计师团队的账号，导致无法正常工作，导致很多设计的UI都用不了。这件事给我们的启示：尽量去外国化，能用国产用国产，就是为了避免被制裁。在Api管理领域发现一款做...
Apipost协作功能使用场景详解
Apipost是一款基于协作，更懂中国程序员的接口调试工具。它不仅包含接口调试、自动生成API文档、Mock服务、流程测试等功能，还可以做到真正意义上的实时协作，最大程度缩短沟通交流上的时间成本，也减少了因数据层层传递产生的丢失风险。......
Apipost功能详解，后端必备
Apipost是以API接口调试为主，提供接口调试、文档生成和分享、团队成员协作、Mock、接口自动化测试、离线和无网场景使用等功能，核心理念是通过贯穿互联网产品研发过程中API接口的开发和调试整个流程，提高产品研发协同效率。.........
API调试神器！Apipost
然而，通常情况下，我们的系统接口需要进行令牌校验，并传递一些公共必传参数，例如语言环境标识等。这些丰富的功能简化了工作流程，提高了研发效率，这也让Apipost成为开发人员首选 的API 调试工具。Apipost中最受欢迎的功能应该是这个了，一键分享接口文档，可以直接复制外网链接查看，分享的文章可以设置查看权限，支持：开放、密码查看。模拟场景：写完接口后使用Apipost自测，这里我们用的一个使用GET请求方式的接口，Apipost支持多种请求方式。可以看到接口http请求模拟成功 ，返回的数据清晰明了。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
202
扫一扫
