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
200+累计阅读
207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
若刚完成系统配置，系统会自动登录。若未登录、已登出或首次在平板、手机登录，需访问 http://homeassistant.local:8123 ，输入用户名和密码，点击“LOGIN”登录。登录后默认界面是仪表盘。界面左侧是侧边栏，可访问不同信息和子菜单；右侧是侧边栏选项展示。
| 选项 | 功能 |
|---|---|
| 概述 | 展示仪表盘 |
| 能源 | 配置和监控家庭能源消耗/生成，详情见 https://www.home-assistant.io/docs/energy/electricity-grid/ |
| 地图 | 绘制家庭区域和分区，可基于经纬度和半径创建分区，也能创建房间区域，便于基于位置进行自动化设置 |
| 日志 | 展示和跟踪传感器、执行器等设备产生的事件，可按日期和 |
6、探索与配置 Home Assistant：打造智能家庭自动化系统
本文详细介绍了如何安装、配置并扩展 Home Assistant 智能家居自动化系统。从基础设置如用户偏好、网络配置到 MQTT 代理的搭建，再到使用 Tasmota 固件构建自定义传感器，并将其数据集成至 Home Assistant 进行实时监控。还涵盖了传感器的封装、校准与安装流程，帮助用户打造个性化、功能强大的智能家庭系统。
4、家庭自动化系统与Home Assistant入门指南
本博客详细介绍了家庭自动化系统的基本结构和实现方式，重点讲解了MQTT协议的应用以及Home Assistant的入门指南。内容涵盖系统组成、设备配置、成本清单、Home Assistant的安装与配置，以及YAML语言的基础知识，旨在帮助读者构建属于自己的智能家居系统。
3、家庭自动化系统搭建与 Home Assistant 入门指南
本文详细介绍了家庭自动化系统的搭建过程以及如何使用 Home Assistant 进行管理。从2017年开始尝试自动化控制，到2021年系统性扩展，作者分享了使用 Raspberry Pi 4 作为服务器，结合商用和自制传感器、执行器的具体实践。内容涵盖 Home Assistant 的发展历程、安装配置、YAML 配置语言、自动化控制逻辑，以及传感器与执行器的集成方法。通过本指南，读者可以了解如何构建一个基于 Home Assistant 的本地化家庭自动化系统，实现远程控制、自动化场景和智能联动，从而开
2、家庭自动化系统入门：从X10到Home Assistant
本文介绍了家庭自动化系统的发展历程，从早期的X10技术到现代基于客户端-服务器架构的Home Assistant系统。文章概述了家庭自动化带来的好处，包括节省时间、提升舒适度、节约成本和增强安全性，并详细探讨了构建家庭自动化系统的核心组件和架构。此外，文章分析了未来家庭自动化系统的发展趋势，如智能化、集成化、安全性和与物联网的深度融合，并提供了构建系统的实用建议。通过选择合适的硬件和软件，用户可以打造一个灵活、高效且智能化的家居环境。
从零构建AI辅助逆向分析环境：JADX-MCP与LLM的实战集成指南
本文详细介绍了如何从零构建AI辅助逆向分析环境，通过集成JADX-MCP与LLM技术，提升Android应用逆向工程效率。文章涵盖环境搭建、插件安装、MCP服务器配置及实战案例分析，帮助开发者快速掌握AI在代码理解、漏洞挖掘和自动化文档生成中的应用。
RK-XCKU5P RoCEv2 传感器桥工程分析报告
烧入后这块 FPGA 就是一个固定身份(CA:FE:C0:FF:EE:00 / 192.168.0.2 / 无 FEC 100G)的RoCEv2 UC 端点,每秒在 UDP 12267 广播自报家门;对端 CX5 只要关 FEC、配 192.168.0.101 +MTU 4200,就能 ping 通它、用 UDP 8192 读写它的全部寄存器、再按"ECB 旁路交换 QPN/rkey"的方式建立 UC RDMA 通道收发数据。
快乐8 Ai大模型XGBoost LightGBM预测系统
随机森林回归：通过集成多个决策树模型，提高预测的准确性和稳定性。XGBoost：一种基于梯度提升的强大模型，擅长处理结构化数据。LightGBM：一种高效的基于决策树算法的分布式梯度提升框架，具有快速的训练速度和低内存消耗。高预测准确率：通过集成多种模型，提供更为精准的预测结果。多种预测方法：支持同尾号、重号、温号、连号和综合预测等多种预测策略，满足不同用户的需求。实时日志：在预测过程中，用户可以实时查看系统的预测进度和结果。
【LSTM回归预测】attention机制LSTM时间序列回归预测【含Matlab源码 1992期】
attention机制LSTM时间序列回归预测 完整的代码，方可运行；可提供运行操作视频！适合小白！
仿真学习系列（十五）：ADS仿真理解电感的反射特性
在高速电路设计中，电感的反射特性是影响信号质量的重要因素。电感的瞬时阻抗和反射波形直接影响信号的传输效果，尤其在高频应用中更为显著。本篇文章将通过ADS仿真来深入理解电感的反射特性，并探索如何通过调整仿真参数来分析和优化电路设计。
LDRA Testbed软件静态分析_操作指南
从本文起，将开始LDRA Testbed(TBrun)教程的系列文章，包括软件静态分析、单元测试、集成测试，以及基于Testbed的自动化工具开发、持续集成、常见问题解答等。LDRA公司是专业的软件测试工具与测试技术、咨询服务提供者，其总部位于英国利物浦。其旗舰产品Testbed/TBrun功能全面、易于使用，不仅适合于主机平台软件测试，同时适合于嵌入式软件测试。不仅能进行软件静态测试，还能进行软件单元测试、软件集成测试，在白盒测试领域运用比较广泛。
专栏目录：Linux 内存管理子系统的进化——从 MM 到 HMM
专栏梳理了Linux内存管理子系统从经典MM到异构内存管理(HMM)的演进历程。内容分为六大部分：首先介绍经典MM基础，包括虚拟地址空间、页表、VMA等核心机制；其次分析MM通用框架如页表遍历、NUMA迁移等；然后探讨设备内存引入的关键技术，如ZONE_DEVICE和dev_pagemap；接着深入解析HMM核心机制及其与DMA的集成；随后通过多个实际驱动案例展示HMM应用；最后讨论大页支持等进阶主题。专栏采用"经典机制→问题→扩展方案"的三段式结构，帮助开发者理解Linux如何通过HMM实现设备内存管理。
Pandas滚动窗口的妙用：动态计算列数据的最大值
Pandas的滚动窗口（rolling window）功能是数据分析中处理时间序列数据的重要工具。本文通过实例演示了如何使用rolling(window=4).max()计算DataFrame列A的滚动最大值，并将结果存入新列Max_Range。该方法会在4个元素的滑动窗口内计算最大值，前3行因数据不足显示为NaN。这种技术广泛应用于金融分析（如股价波动）、数据平滑和趋势识别等场景，能有效帮助分析数据的动态变化特征。示例展示了从数据准备到结果输出的完整流程，体现了Pandas在处理滑动窗口计算时的高效性和便
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")
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
549
扫一扫
