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
2k累计阅读
2k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
YOLOv5轻量化实战：从Ghost模块到工业级部署的完整指南
本文详细介绍了YOLOv5轻量化实战，重点解析了Ghost模块在工业检测中的应用及其优化策略。通过Ghost卷积技术，模型参数量和GFLOPs显著降低，同时保持高精度，适用于实时性要求严格的工业场景。文章还提供了从模型优化到TensorRT加速的完整部署指南，助力开发者实现高效工业级应用。
typescript中的class与interface和type的区别
在 TypeScript 中，type、interface 和 class 分别具有自己的用途和特点。type适用于定义类型别名、联合类型、交叉类型等，并且不需要运行时信息。interface主要用于定义对象的类型和形状，支持继承和实现。class既包含类型信息，也包含实际的属性和方法实现。在实际开发中，我们应根据需求选择合适的类型声明方式。虽然 type 和 interface 在很多场景下可以互换使用，但它们在某些特定场景下有着各自的优势。
基于LangGraph的智能报告生成平台项目分析
不知道你是否知道或者了解OpenAI and Gemini Deep Research。他们是一种能够根据输入问题进行规划、结合网络搜索获取信息并最终呈现结果的研究工具或技术。那这样research是如何实现的呢？最近刚好看到一个实现类似功能的开源项目: open_deep_search。本文将基于该项目进行代码层面剖析。
TypeScript详解十六：类型声明（declare）
在日常开发中几乎所有的项目都会应用许多第三方库来完成任务需求。这些第三方库不管是否是用 TS 编写的，最终都要编译成 JS 代码，才能发布给开发者使用。我们知道是 TS 提供了类型，才有了代码提示和类型保护等机制。但在项目开发中使用第三方库时，你会发现它们几乎都有相应的 TS 类型，这些类型都是通过类型声明文件完成的。本文主要介绍了ts中的类型声明，下次再见。
Macbook Pro Bootcamp 安装触控板驱动mac-precision-touchpad在Windows系统下实现更好的触控板操作
由于很多软件的限制，所以不得不在Windows和MacOS之间进行切换，然而，Windows下虽然Bootcamp提供了触控板的驱动，然而只能实现简单的上下滑动和点击等操作，而且在滑动页面的时候滑动非常不流畅，体验极差。 今天无意间发现了一款第三方撰写的驱动，可以较为完美地实现Macbook笔记本在Windows系统下的触控板操作支持，通过在我的2015款Macbook Pro（A1502）进行安装测试，感觉体验很不错，在这里分享给大家。 驱动来自于Github上的imbushu，他的项目地址如下： htt
禅道18.3版本二开避坑指南：手把手教你扩展自定义报表功能
本文详细介绍了禅道18.3版本的二次开发实践，重点讲解如何扩展自定义报表功能。通过zentaoPHP框架的深度定制，从开发环境搭建到核心数据模型扩展，再到可视化配置和性能优化，手把手教你构建多维报表分析系统，满足企业级项目管理需求。
ts的.d.ts和declare究竟是干嘛用的
asdasd一、.d.ts是干嘛的 .d.ts文件是ts用来声明变量，模块，type，interface等等的，那在这种后缀的ts文件声明这些东西和在纯ts文件声明这些东西又什么区别呢？ 在.d.ts声明变量或者模块等东西之后，在其他地方可以不用import导入这些东西就可以直接用，用，而且有语法提示。 但是也不是说创建了.d.ts文件，里面声明的东西就能生效了，毕竟归根到底也是.ts文件，需要预编译，所以需要在tsconfig.json文件里面的include数组里面添加这个文件 include数
ET篇：Google.Protobuf的学习(理解基本的使用流程)
据我目前所知,ET使用的数据交换协议是Google.Protobuf,所以今天就来学习一下,但是网上许多人都是以高下立判的方式讲解的,对新手小白很不友好,所以我今天就以纯小白的视角和大家一起学习 学习环境: .NET Core2.2 .NET Framework 4.7.2 Rider protobuf-csharp-3.7.0-rc-2 Google.Protobuf简介 prot...
简单记录一下typescript中declare、type、interface的使用场景
简单记录一下typescript中declare、type、interface的使用场景
图文带你理解什么是Few-shot Learning
Few-shot Learning（少样本学习）是Meta Learning（元学习）中的一个实例1，所以在了解什么是Few-shot Learning之前有必要对Meta Learning有一个简单的认识。不过在了解什么是Meta Learning之前还是要了解一下什么是Meta。因此，阅读本文后你将对如下知识有一个初步的了解。 What is Meta What is Meta Learning What is Few-shot Learning 1. What is Meta? meta就是描述
【数据集6】全球人工不透水面积GAIA（清华数据）
全球人工不透水面GAIA简介及其应用
OCJP(310-065)精选笔记之-声明接口(Declare Interface)
一个接口就意味着一份合约。 An interface is a contract. 接口定义了这个类可以做什么，但是没有定义类具体会做什么。
MATLAB GUI 水果成熟度分级系统设计与实现
本文基于 MATLAB GUI 设计并实现了一款水果成熟度分级系统，能够准确地评估水果的成熟程度。在实现过程中，我们运用了 MATLAB 中的函数实现对图像的处理和分析，同时使用 GUI 界面增加了系统的易用性。值得一提的是，在实际操作中，我们应该结合实际需求对系统进行相应的改进与完善，以满足不同领域和应用场景下的需求。实验结果表明，本系统可以有效地检测出水果的成熟度，并对其进行精准的评分。因此，本文设计并实现了一款基于 MATLAB GUI 的水果成熟度分级系统。三、MATLAB 代码实现。
DECLARE_INTERFACE_MAP宏
DECLARE_INTERFACE_MAP 宏被用在基类中BEGIN_INTERFACE_MAP(theClass,baseClass) END_INTERFACE_MAPtheClass 将被定义接口的类baseClass 继承的类说明:BEGIN_INTERFACE_MAP和END_INTERFACE_MAP宏被用来在实现文件中定义接口映射表。使用一个或多个INTERFACE_
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
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")
com中的宏DECLARE_INTERFACE
#undef INTERFACE #define INTERFACE ICustomResolver DECLARE_INTERFACE_(ICustomResolver, Iunknown) { //** IUnknown methods STDMETHOD(QueryInterface) (THIS_ REFIID riid, LPVOID *ppvOb
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。
interface宏：DECLARE_META_INTERFACE/IMPLEMENT_META_INTERFACE
frameworks/native/include/binder #define DECLARE_META_INTERFACE(INTERFACE) \ static const android::String16 descriptor; \ static andro
Qt使用Q_DECLARE_INTERFACE Q_INTERFACES宏实现接口类使用qobject_cast进行类型转换
Q_DECLARE_INTERFACE(FactoryInterface1_0,“DetectionSoftware.Factory.FactoryInterface1_0”)//一定是唯一的标识符。要想qobject_cast能用，实现类必须使用Q_INTERFACES指定转换的抽象类。但是又想使用qobject_cast进行类型转换，使用以下办法就能实现。只能从QObject类型转为Q_INTERFACES宏指定的抽象类。在写抽象类或者接口的时候，肯定是不能继承QObject的。
【Qt】Qt插件式开发中非常重要的3个宏——Q_DECLARE_INTERFACE、Q_PLUGIN_METADATA和Q_INTERFACES
在Qt插件式开发中，和这3个宏扮演者非常重要的角色，只要使用了Qt官方的插件式开发框架，就必定会使用到这三个宏。笔者对这3个宏总是混淆、记不清楚，今天就总结下来，方便日后查看。用于生命一个接口类型，以便插件能够实现这个接口。这个宏会生成用于接口类型可识别和查询的代码。这里进一步解释3个关键词，便于大家理解（或者以后的我~哈哈哈哈哈，忘的太快）接口类型：即下文示例中的类；识别：通过IID，即下文中的，在插件系统中唯一标识一个接口类型；查询：通过IID在插件系统中查找和加载一个实现了特定接口的插件。
Qt文档阅读笔记-Qt插件DECLARE_INTERFACE & METADATA & INTERFACES官方解析及实例
目录 官方解析 Q_DECLARE_INTERFACE Q_PLUGIN_METADATA Q_INTERFACES 博主栗子 官方解析 Q_DECLARE_INTERFACE 此宏用于把标识符与类名接口关联起来。这个标识符是唯一的，举个栗子： #define BrushInterface_iid "org.qt-project.Qt.Examples.Plug...
【Qt】【插件Plugin 篇二】 Q_PLUGIN_METADATA、Q_INTERFACE、Q_DECLARE_INTERFACE的功能剖析【2023.05.07】
关于Qt插件的Q_PLUGIN_METADATA、Q_INTERFACE、Q_DECLARE_INTERFACE宏，这张图总结的基本差不多了，逻辑上贯穿起来了。
DECLARE_META_INTERFACE宏展开及讲解
audiopolicy详解DECLARE_META_INTERFACEDECLARE_META_INTERFACE(AudioPolicyService)IMPLEMENT_META_INTERFACEIMPLEMENT_META_INTERFACE(AudioPolicyService, "android.media.IAudioPolicyService") 此文章主要对DECLARE_MET...
【Qt之·宏】
Qt是一种常用的C++框架，在许多GUI应用程序和嵌入式系统中被广泛使用。在学习Qt时，了解预定义宏的概念和使用非常重要。预定义宏是一种在编译时由编译器自动定义的宏，在代码中可以使用它们来获得有关程序运行环境的信息。这篇博客将介绍什么是预定义宏、如何使用它们以及为什么它们对于Qt编程非常重要。宏说明该宏用于声明一个接口类，并为其生成相关的元对象代码。接口类通常被用作插件开发中的基类，通过该宏可以让Qt识别接口并进行相应的操作。该宏用于在插件项目中定义元数据信息。
vs下编译qt插件 出现Error: Undefined interface 错误
在编写插件的时候，实现类加上宏Q_INTERFACES(IMTModuleCreateService)会报如下错误
DECLARE_INTERFACE(A，B)作用
DECLARE_INTERFACE_(IDINTVariable, IDVariable) { STDMETHOD_(IDEffectType*, GetType)(THIS) PURE; STDMETHOD(GetDesc)(THIS_ D3D10_EFFECT_VARIABLE_DESC *pDesc) PURE; } 该结构的作用类似与结构体，声明接口A继承于接口B * STDMETHOD宏以声明方法的名字作为参数，方法返回一个标准的COM HRESULT值。 STDMETH
ATL COM 宏
COM_INTERFACE_ENTRY (ATL) 输入接口COM接口映射。 COM_INTERFACE_ENTRY( x ) 参数 x [in]您的选件类对象直接从派生接口的名称。 备注 通常，这是通常使用的项类型。
qt插件元数据不包含一个有效的元数据_Qt插件定义-阿里云开发者社区
定义插件的宏在头文件 中，包含了几个用于定义插件的宏：Q_DECLARE_INTERFACE(ClassName, Identifier)Q_IMPORT_PLUGIN(PluginName)Q_PLUGIN_METADATA(...)所以，在正式编写插件之前，很有必要先了解他们，一起来看看助手中的描述吧！宏文档Q_DECLARE_INTERFACE(ClassName, Identifier)...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
489
扫一扫
