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
3.1k累计阅读
3.1k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
本以为在windows下，如果修改了文件夹中的一个文件，这个文件夹的时间也会变化，后来测了一下，发现并不是这样。于是好好看了一下有关于文件和文件夹的时间属性，总结如下：
文件有三个时间属性：
文件在Windows系统上创建的时间。如果不修改文件的内容，此时间不会变。例如只修改文件名，时间不变。
也是修改时间。和创建时间一样，只修改文件名，这个时间不变。
只要对这个文件有操作，这个时间就改变。例如：看文件属性，这个时间也会改变。
文件夹只有一个时间属性：
这个时间不会因为对文件夹中的内容操作，而发生变化。
Conda环境创建报错？教你快速解决Solving environment: failed和ResolvePackageNotFound问题
本文深入解析Conda环境创建中常见的'Solving environment: failed'和'ResolvePackageNotFound'报错原因，并提供从基础到高级的系统化解决方案。涵盖渠道配置、版本通配、环境文件编辑等实用技巧，帮助开发者快速解决conda环境创建问题，提升工作效率。
2.文件属性讲解(类型 时间属性 ls touch stat)
Linux 系统将它们组织成一个以根目录 / 开始的倒置的树状结构。Linux 中的目录，和 Windows 系统中的文件夹类似，不同之处在于，Linux 系统中的目录也被当做文件看待。熟练掌握文件是非常重要。这一小节会详细讲解文件的部分属性，包括文件类型，文件的时间戳。 文章目录一、文件属性二、Linux的文件类型三、查看目录下文件(ls)总结 一、文件属性 通常可以用通过stat命令查看文件的详细属性（初步这样理解）。 [root@prometheus ~]# stat err File: ‘e
5G时代必知：LDPC与Polar码实战解析（附MATLAB仿真代码）
本文深入解析5G时代核心信道编码技术LDPC码与Polar码的原理差异及性能表现，通过MATLAB仿真代码展示其在实际通信系统中的应用。LDPC码适用于大数据块高速传输，而Polar码在小数据块低时延场景表现优异，帮助开发者优化5G系统设计。
文件关于时间的三个属性
文件关于时间的三个属性 访问时间（atime->access time）：读一次这个文件的内容，这个时间就会更新。比如对这个文件运用 more、cat等命令。ls、stat命令都不会修改文件的访问时间。 修改时间（mtime->modifiy time）：修改时间是文件内容最后一次被修改时间。比如：vi后保存文件。ls -l列出的时间就是这个时间。 状态改动时间（ctime->change ti
用STC8单片机解码EV1527遥控信号：从波形分析到C代码实现（附完整库）
本文详细介绍了如何使用STC8单片机解码EV1527遥控信号，从波形分析到C代码实现的完整过程。内容包括EV1527协议解析、硬件搭建、信号捕获技巧、解码算法实现及优化策略，并附有完整库代码，帮助开发者快速实现智能家居设备的无线控制。
用Python玩转LQR控制：3行核心代码实现倒立摆稳定控制（附Jupyter Notebook）
本文通过Python实战演示了如何使用LQR算法实现倒立摆的稳定控制。文章以直观方式解释LQR原理，提供从系统建模、核心代码求解到参数调优的完整流程，并附有可运行的Jupyter Notebook代码。重点介绍了如何利用SciPy库快速计算最优反馈增益，并通过仿真验证控制效果，为运动控制实践提供了即学即用的指南。
Windows10复制文件时保留文件夹时间戳+文件时间戳(原封不动复制文件)
这里/copy后面的TDA分别表示：T：保留源文件时间戳，D：复制源文件数据部分，A：复制源文件属性部分。使用Windows10 powershell里的robocopy即可实现。/dcopy后面的T表示：保留源目录时间戳。
Wsl/InstallDistro/Service/RegisterDistro/CreateVm/HCS/E_INVALIDARG
摘要：安装WSL2时遇到E_INVALIDARG错误（多核CPU问题），可通过创建.wslconfig配置文件解决。配置内容包括：渐进式内存回收、自动代理、模拟虚拟系统调用、限制内存为4GB和处理器核心数为4。需确保已启用虚拟机平台和Linux子系统功能。 （98字）
文件时间属性（九）
文件的时间属性虽然会在我们对文件进行相关操作（譬如：读、写）的时候发生改变，但这些改变都是 隐式、被动的发生改变，除此之外，还可以使用 Linux 系统提供的系统调用显式的修改文件的时间属性。
半导体工艺仿真：离子注入工艺仿真_（8）.损伤和缺陷仿真
离子注入工艺在半导体制造中是一个重要的步骤，用于在半导体材料中引入特定的掺杂剂。然而，离子注入过程中不可避免地会产生损伤和缺陷，这些损伤和缺陷会直接影响器件的性能和可靠性。因此，对离子注入工艺中的损伤和缺陷进行仿真研究是必不可少的。本节将详细介绍如何使用仿真软件对离子注入过程中的损伤和缺陷进行建模和分析。
手把手教你学Simulink——基于Simulink的全双工无线通信仿真建模示例
目录手把手教你学Simulink——基于Simulink的全双工无线通信仿真建模示例一、背景介绍二、所需工具和环境三、步骤详解步骤1：创建Simulink模型步骤2：设计输入信号步骤3：添加调制模块步骤4：添加自干扰消除模块步骤5：添加AWGN信道步骤6：添加接收端处理步骤7：添加解调模块步骤8：计算误码率（BER）步骤9：添加显示模块步骤10：设置仿真参数步骤11：运行仿真并分析结果四、总结 全双工（Full-Duplex）无线通信技术允许在同一频段上同时进行数据的发送和接收，这与传统的半双工（Half-
也说说windows 文件系统 文件的三个时间 created time modified time accessed time
也说说windows 文件系统 文件的三个时间 created time， modified time， accessed time 工作需要，以前从不注意的windows 文件属性中的三个时间：created time, modified time, accessed time 到底指什么？通过调查和稍作实践，得出以下结论。 created time:
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
关于文件和文件夹在复制后属性时间变化的细节问题
1. 一个文件夹从一个路径复制到另外一个路径下后变为，该文件夹内部的空文件夹的创建时间（creationTime）和最后修改时间(lastModified)不会发生变化。 2. 该文件夹内的文件的创建日期不会发生变化，而最后修改时间会发生变化。 3. 该文件夹内部非空的文件夹的创建日期和最后修改时间都会变化。 了解这几点有什么用处，大家可以发挥想象，自己去利用吧。
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")
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
用linux命令touch修改文件及其子文件夹内文件的时间属性
touch命令修改单个文件的时间属性很简单，但是多数情况下需要修改文件夹内所有子文件时间，可用如下方法。 查找当前目录下，所有的文件夹以及子文件夹，包括当前目录 find ./ -type d -exec touch -t 198001011010.00 {} \; 查找当前目录下，所有的文件以及子文件夹下的文件， find ./ -type f
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
VC++实现文件夹时间属性的获取与更改
引言： 对于大多数的IT企业和绝大多数的个人用户而言，数据的备份主要是对数据内容的简单备份，而很少涉及对备份数据自身属性如文件属性、所在文件夹的时间属性等内容的备份。而在某些对数据管理有着非常严格要求的特殊行业中，对以上这些相关属性信息的备份也是同等重要的。但是在目前的Windows操作系统下，不论是直接通过手工进行数据备份还是通过某些数据备份软件来进行，都难以将这些信息完全保持原貌复制过来
linux获取文件夹属性,VC++实现文件夹时间属性的获取与更改
VC++实现文件夹时间属性的获取与更改发布时间:2006-05-03 11:37:38来源:红联作者:爱的边缘引言：对于大多数的IT企业和绝大多数的个人用户而言，数据的备份主要是对数据内容的简单备份，而很少涉及对备份数据自身属性如文件属性、所在文件夹的时间属性等内容的备份。而在某些对数据管理有着非常严格要求的特殊行业中，对以上这些相关属性信息的备份也是同等重要的。但是在目前的Windows操作系统...
如何由文件夹名得到其创建时间？
--------------------------------------------------------------- 设计思路 在Windows操作系统下并没有提供任何可供修改文件夹时间属性的方法和手段，即使是在Win32 API函数中，也只是提供了对文件时间属性进行修改的函数调用，而没有关于文件夹时间属性修改的只言片语。虽然Windows所提供的备份程序能够把待备份文件夹
c# 设置文件夹属性
private void button1_Click(object sender, System.EventArgs e) {//浏览文件夹 if(this.folderBrowserDialog1.ShowDialog()==DialogResult.OK) { this.textBox1.Text=this.folderBrowserDialog1.SelectedPa
[转]VC++实现文件夹时间属性的获取与更改
VC++实现文件夹时间属性的获取与更改 作者：不详 来源：不详 时间：2009-12-08 点击：73 引言： 对于大多数的IT企业和绝大多数的个人用户而言，数据的备份主要是对数据内容的简单备份，而很少涉及对备份数据自身属性如文件属性、所在文件夹的时间属性等内容的备份。而在某些对数据管理有着非常严格要求的特殊行业中，对以上这些相关属性信息的备份也是同等重要的。但是在目前的Win
VC++实现对文件夹时间的修改
通常在数据维护与数据管理等工作中，经常要对各类数据进行备份操作。对于大多数的IT企业和绝大多数的个人用户而言，数据的备份主要是对数据内容的简单 备份，而很少涉及对备份数据自身属性如文件属性、所在文件夹的时间属性等内容的备份。而在某些对数据管理有着非常严格要求的特殊行业中，对以上这些相关属 性信息的备份也是同等重要的。但是在目前的Windows操作系统下，不论是直接通过手工进行数据备份还是通过某
VC 实现文件夹属性的获取与更改
VC 实现文件夹属性的获取与更改 - VC引言： 对于大多数的IT企业和绝大多数的个人用户而言，数据的备份主要是对数据内容的简单备份，而很少涉及对备份数据自身属性如文件属性、所在文件夹的时间属性等内容的备份。而在某些对数据管理有着非常严格要求的特殊行业中，对以上这些相关属性信息的备份也是同等重要的。但是在目前的Windows操作系统下，不论是直接通过手工进行数据备份还是通过某些数
windows powershell 命令 修改文件/文件夹时间
使用powershell命令显示/修改文件或文件夹的创建、最后修改、最后访问时间等几个属性。
windows用powershell修改文档/文件夹创建时间、修改时间
用win7自带的powershell可以轻松修改文档/文件夹创建时间、修改时间。而且可以批量修改。步骤新建一个bat文件，在其中添加语句：@ECHO OFF powershell.exe -command "ls 'folder_path\*.dll' | foreach-object { $_.LastWriteTime = Get-Date; $_.CreationTime = Get-Date
修改文件夹创建时间_如何更改文件和文件夹的创建或修改的时间戳
修改文件夹创建时间Whether you need to hide your recent activity on a computer or if you need to synchronize file dates, using BulkFileChanger is the best way to adjust the creation, access, or modification dat...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
258
扫一扫
