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
1.7k累计阅读
1.7k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
方案一：
var name = "<%= ReportTextBox.ClientID %>";
(document.getElementById(name + "_toolbar")).style.width = "100%";
(document.getElementById(name + "_iframe")).style.width = "100%";
方案二：
.ms-long{
width:90% !important;
}
.ms-longer{
width:90% !important;
}
.ms-rtelong{
width:90% !important;
}
.ms-rtelonger{
width:90% !important;
}
SharePoint
Habitat安装全网最详细教程，手把手带你跑通example.py（全网唯一）
全网最详细具身智能仿真平台habitat的安装教程
sharepoint 2010 扩展富文本框上传图片功能extend InputFormTextBox for uploading image
在sharepoint开发中，我们有时候会用到一个叫富文本框的控件InputFormTextBox，这个控件非常好用，只是有一个地方不太人性化，就是插入上传图片的时候，只能是插入一个图片地址，而没有选择本地图片的功能。我们看看原来的界面时什么样的。 首先，在页面或者是webpart上面，添加一个富文本框InputFormTextBox的控件 SharePoint:InputFormTextBo
QT5.14.2离线安装包保姆级教程：断网、选组件、避坑全记录
本文详细介绍了QT5.14.2离线安装包的完整流程，特别针对Windows平台开发者提供断网安装、组件选择及避坑指南。作为QT5系列中最后一个免费离线版本，5.14.2具有免注册、全组件离线安装等独特优势，是开源开发者的理想选择。文章涵盖从环境准备到安装后配置的全方位指导，帮助开发者高效完成安装并避免常见问题。
SharePoint中InputFormTextBox判断是否为空问题（原）
今天，遇到InputFormTextBox控件验证是否填写了数据的问题，分享出来供大家共同进步。 其实也很简单，我们直接看代码： 此处CausesValidation属性最为重要，开启验证。 后台JS代码逻辑如下： OK，搞定...
Ubuntu离线情况下安装gcc编译器
Ubuntu离线情况下安装gcc编译器1.系统版本2.安装说明3.异常处理 1.系统版本 （1）Ubuntu系统版本：20.04.1LTS； （2）gcc编译器版本：gcc-9.3.0（下载链接为https://download.youkuaiyun.com/download/qq_18350351/13762214）； 当前可找到的gcc最新版本为gcc-10，但是笔者在安装gcc-10版本时发现一些依赖项无法安装，因此选取了gcc-9版本。如果是在联网情况下安装，直接使用apt相关的安装指令即可。 2.安装说明 安
c#上位机最强教程之环境安装
本文介绍了.NET 6开发环境的安装配置指南。主要内容包括：1）安装.NET 6 SDK和Runtime的方法及验证步骤；2）Visual Studio 2022的安装流程；3）创建第一个.NET 6控制台项目；4）项目结构解析和配置文件说明。文章还提供了实践练习和常见问题解答，帮助初学者快速搭建开发环境并运行简单程序。适用于零基础开发者，学习时间约10分钟。
Sharepoint 的富文本框
<SharePoint:InputFormTextBox id="txt" runat="server" RichTextMode="HtmlAsXml" RichText="True" Rows="5" Width="186px" Height="74px" TextMode="MultiLine"/> 转载于:https://www.cnblogs.com/jlydboy/arti...
Python 中 dpkt 库的详细使用指南（强大的 Python 数据包解析库）
dpkt 是一个功能强大的 Python 网络数据包解析库，支持解析和构造以太网、IP、TCP/UDP 等多种协议的数据包。其核心功能包括解析各层协议头部、读写 pcap 文件、构造自定义数据包及分析 HTTP 流量等。dpkt 提供简单易用的 API，适用于网络分析、安全研究和流量监控场景。优化技巧包括数据包过滤、批量处理和选择性解析以提高性能，常见问题如数据不完整或协议识别错误可通过异常处理和字段验证解决。典型应用场景涵盖协议分析、网络调试和自定义数据包生成。
sharepoint 表单页面 宽度修改
以编辑界面为例，使用SPD,修改方法如下 ：1. 将原来的编辑界面的IsVisible属性设成<IsVisible>false</IsVisible>，隐藏原来的编辑框。 2. 在原编辑框下面插入sharepoint控件—自定义列表表单。可以选择编辑、新建、浏览三种状态中的一种。 3. 将新添加的编辑界面的宽度<We...
RK3588 DDR5 方案
RK3588 DDR5方案支持多种LPDDR5/LPDDR5X内存型号，包括美光、三星、海力士、江波龙和佰维等品牌。文档详细列出了已验证的DDR5内存规格，涵盖2GB-16GB容量范围，提供组织形式、封装类型和测试状态等信息。其中美光型号最全面，支持12GB/16GB大容量方案。部分型号处于测试验证阶段(T/A)，需量产进一步确认性能。该方案为RK3588平台开发提供可靠的内存选型参考。
笔试题-2023-思特威-数字电路设计（CIS）【纯净题目版】
10 笔试题-2023-思特威-数字电路设计（CIS）【纯净题目版】
SharePoint中的富文本编辑器控件
SharePoint有很多好用的控件，如果我们自己开发WebPart，或开发部署到Layouts中的应用程序页面，可以直接来用这些系统控件。 SharePoint中有两个富文本控件：InputFormTextBox和HtmlEditor，看下面一幅图片： 上面那个就是InputFormTextBox，而下面的自然是HtmlEditor了。 InputFormTextBox名称控件是Mic
RT-DETR升级：TGRS2026 CKConv结合RepC3 | 方向特征与跨阶段融合协同，小目标漏检率大幅下降
小目标鲁棒性提升：CKConv方向选择性抑制背景噪声，RepC3跨阶段传递保留深层微弱热信号，显著改善低对比度、低信噪比场景下的检测精度。
textBox自动调整宽度
Private Sub Text1_Change() Label1.AutoSize = True Label1 = Text1 Text1.Width = Label1.WidthEnd Sub 网上的，写的很巧妙，这人真的太有才了 http://zhidao.baidu.com/question/374535114.html 转载于:https://www.cnbl...
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")
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
Sharepoint Server与Reporting Services整合配置——Part1
昨天装了MOSS，试着跟SSRS整合，弄了一个下午，把安转碰到的麻烦写出来跟大家分享一下。按照MSDN(1 February 2007)上的说法，SPS(microsoft office 2007 sharepoint server & windows sharepoint server 3.0)和SSRS(sql server 2005 reporting services)的整合级别有
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
List添加Item时, 如何去判断某个字段, 并且保证字段数据不重复性
List添加Item时, 如何去判断某个字段, 并且保证字段数据不重复性 SharePoint中如何使得用户不能通过对WSS的List中添加或修改使得某个指定字段存在重复数据。并需要尽可能满足以下需求： 1） 希望解决方案比较简单，并且易于部署（客户希望在30分钟内能完成部署） 2） 希望在部署过程中不需要重新编译任何工程 3） 有一定的通用性，不能针对一个特定的List开发一个组件 ---
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
多域环境下people picker查找不到用户问题的解决
多域环境下people picker查找不到用户问题的解决 问题：多域环境下，配置了SSP的User Profie导入，但是在站点添加用户时仍然找不到新域中用户信息。解决：people picker默认只能查找服务器所在的域中的用户信息，若要查找其他域信息，需要利用stsadm设置下people picker的"peoplepicker-searchadforests"属性。如新域跟服务器所在域处
使用 SharePoint 2.0 Web 部件查看报表
Reporting Services 提供了多个 Web 部件，可用于特定版本的报表服务器，特别是部署模式。如果希望从本机模式下运行的 SQL Server 2005 报表服务器或从 SQL Server 2000 Reporting Services 报表服务器访问 SharePoint 站点上的报表服务器内容，请使用 Reporting Services 附带的 SharePoint 2.0
sps 2007 小问题１：人员选择器PeopleEditor如何使用
sps 2007 小问题１：人员选择器PeopleEditor如何使用 要在MOSS中开发一个有用户选择功能的页面或webpart,就要用到PeopleEditor 控件了页面声明如下：Code highlighting produced by Actipro CodeHighlighter (freeware)http://www.CodeHighlighter.com/
Sharepoint Server与Reporting Services整合配置——Part2
在MOSS和SSRS的整合配置完成后就可以使用MOSS发布SSRS项目了。在MOSS中查看报表有两种方式。一种是在MOSS库中新建、上载、部署报表项目(包括报表、报表模型、数据源)另一种是通过MOSS用于报表服务的Web PartTo Be Continue...5-17日更新在Sharepoint中建立好一个网站集后，报表就可以在网站的库中发布，步骤如下：Step 1. 在网站集的顶级网
用于 Microsoft SharePoint 技术的 Microsoft SQL Server 2005 Reporting Services 外接程序
概述用于 SharePoint 技术的 Microsoft SQL Server 2005 Reporting Services 外接程序（Reporting Services 外接程序）使您可以在 Windows SharePoint Services 3.0 或 Microsoft Office SharePoint Server 2007 中利用 SQL Server 2005 Se
AddFieldAsXml cannot be used to set the InternalName correctly
AddFieldAsXml cannot be used to set the InternalName correctly All fields in SharePoint lists (and doclibs which are specialized lists) have two names. An Internal Name thats used by SharePo
WSSv3 Technical Articles_最佳实践：Windows SharePoint Services对象使用Disposable
WSSv3 Technical Articles_最佳实践：Windows SharePoint Services对象使用Disposable摘要：学习在Microsoft .NET Framework下使用Windows SharePoint Services对象模型编写代码的最佳方法，这样可以避免在内存中保留不使用的对象。Scott Harris, Microsoft Corporat
IReportViewerMessages 错误
徵狀當您執行報表從 Microsoft Dynamics CRM 4.0 中報告的伺服器時，您會收到下列錯誤訊息： 錯誤 報告服務錯誤 報表伺服器上發生內部錯誤。...當您執行報表從 Microsoft Dynamics CRM 4.0 中報告的伺服器時，您會收到下列錯誤訊息：錯誤 報告服務錯誤 報表伺服器上發生內部錯誤。 請參閱錯誤記錄，如需詳細資訊。 (rs
创建部署和卸载SharePoint工作流解决方案包
在Visual Studio 2005时代，Visual Studio的插件提供了一个批处理文件（*.bat）来部署SharePoint工作流；在Visual Studio 2008时代，Visual Studio支持直接部署SharePoint工作流。虽然使用Visual Studio 2008来设计、开发以及部署SharePoint工作流非常方便，但如果想要把开发好的工作流部署到其他服务器，
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2755
扫一扫
