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
1.2k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
通过Scriptcase的快速代码生成工具，可以方便的生成表单和行式报表；通过weBasic框架的流程配置向导和流程管理工具，可以方便的定义流程的节点、流程关联关系、收件人、加载函数、发送函数等等，从而使得业务数据可以进行多步骤的流程式审批。
流程审批可以使用在企业内部的请假申请、费用审批、事项审批、业务流转等各个方面，可以加快企业内部的业务数据流转，及完成企业业务信息的数据化。
可以通过 http://www.phpscriptcase.com/flow/ 查看使用Scriptcase开发流程功能的详细情况。
ScriptCase
ESP32S3新手避坑：用IDF5.0驱动GT911触摸屏，我踩过的三个雷都给你填平了
本文详细解析了在ESP32S3开发板上使用IDF5.0驱动GT911触摸屏时常见的三大问题：软重启失效、状态寄存器读取异常和初始化参数差异。通过逻辑分析和硬件调试工具，提供了针对性的解决方案和优化建议，帮助开发者高效完成触摸屏驱动开发。
scriptcase部署PHP生成器
scriptcase部署PHP生成器 Scriptcase 是一个 PHP 生成器，可以构建完整的系统并创建自定义报告。它可用于构建注册表单、可定制的图表、用户身份验证、动态菜单、日历和仪表板。Scriptcase 可与任何 Web 浏览器一起使用，并允许多个开发人员同时在同一个项目上工作。连接到您最喜欢的数据库，包括 MySQL、PostgreSQL、Oracle 或 SQL Server。生成独立于 Scriptcase 运行的应用程序，并将它们发布到任何支持 PHP 的 Web 服务器...
实战分享：如何用Jetson Nano+HM30图传搭建低空YOLOv5检测系统（附VNC避坑指南）
本文详细介绍了如何利用Jetson Nano和HM30图传搭建低空YOLOv5检测系统，重点解决了无人机应用中的硬件连接和VNC延迟优化问题。通过对比WiFi直连与图传方案的优劣，提供了网络配置、VNC优化及YOLOv5模型加速的实战技巧，帮助开发者实现高效稳定的低空目标检测系统。
ScriptCase开发平台介绍(六)——连接数据库
ScriptCase可以连接几乎所有的关系型数据库，当然，这是针对ScriptCase企业版（Enterprise）而言；对专业版（Professional），您需要在购买的时候就要确定购买支持哪一种数据库的版本。 ScriptCase的产品有几种价格： 1. 单纯支持某一种免费数据库，如仅支持MySQL或者PostgreSQL； 2. 支持所有的免费数据库（
【阿里云大模型高级工程师ACP习题集】2.9 大模型应用生产实践(下篇)
【摘要】这是我精心整理出对应的习题集，里面足足有 30 道题目，从基础概念到深度拓展，全方位覆盖章节重点、难点。不管你是想检验自己的学习成果，还是想针对薄弱环节进行强化训练，它都能完美适配！
Camera（5）metadata
Metadata 是整个 Android camera 中类似于高楼大厦中的管道系统一样，贯穿了整个 Camera 的 Framework 和 vendor HAL。Metadata 里面包含了所有的控制、参数、返回值等等。Metadata分为Android原生的Metadata和芯片商或者用户自定义的Metadata，即Android Tag和Vendor Tag。Vendor Tag在Hal中定义，并在camx和chi目录中使用。
基于Scriptcase的数据审核和流程审核（配置及开发）
通过Web端配置和Scriptcase开发，快速实现数据审核和流程审核业务。
基于mediapipe的动作捕捉和人物模型的驱动
我实习做这个的时候，当时也找了很多资料，但很多资料都没有讲透，下面我就总结一下自己结合看代码后的感悟，还有一些我认为很重要的点。
Scriptcase新业务框架功能详细说明
Scriptcase只需要一键就可以生成一个应用系统的业务开发框架，这个框架里，包括用户管理、组别管理、权限管理、安全登录及身份验证、应用同步等各个功能已经非常齐备，但是在我们实际的项目开发中，有这些还是不够的，为了使系统的开发更加简洁、高效，我们在Scriptcase默认的应用基础上增加了一下的功能，希望开发者可以将精力投入到实际的模块定制里面，而无需为框架的功能大费周章。 需要说明的是，这些框架的功能是我们团队自行在Scriptcase的基础功能上增加的，并非Scriptcase产品提供的功能
addBumpConnectTargetConstraint 命令详解
本文介绍了Cadence Innovus中用于倒装芯片设计的addBumpConnectTargetConstraint命令的核心功能和使用方法。该命令主要用于为凸点（Bump）添加连接目标约束，通过绑定实例、引脚/网络和端口号等属性，实现凸点与电源/信号网络的精准映射。文章详细解析了命令语法结构、参数说明及使用场景，包括必选参数（指定凸点方式）、分支选择（实例连接或电源连接类型）以及互斥参数（引脚名与网络名）等重要注意事项，并提供了典型应用示例。该命令特别适用于倒装芯片设计中凸点与PG网络、IO实例的连接
【法如faro】三维激光软件Scene2023数据处理（自动配准并转换坐标）流程
法如faro Scene2023数据处理（自动配准并转换坐标）的主要流程为：新建项目、导入数据、处理、自动注册、坐标系转换、模型导出立和面模型导出等。
ScriptCase开发平台介绍(二)
ScriptCase ScriptCase是一个快速定制基于数据库的Web应用的完整环境，支持几乎所有的关系型数据库包括Oracle、DB2、SQLServer、MySQL、PostgreSQL、Sybase、Access。已经有许多用户采用ScriptCase开发了大型的企业级应用如ERP、CRM、HR等。ScriptCase支持所有的操作系统：Windows、Linux、FreeBSD、Un
uni-app - 最新实现将 uniapp 项目打包编译为 H5 网站，并上传部署到 web 服务器进行发布预览（从打包到发布完整流程步骤，Hbuilder 编译打包 h5 发行到 web 服务器）
uniapp，打包h5，打包编译H5网站，怎么打包h5，uniapp打包成H5部署到服务器教程，uniapp打包H5页面发布到服务器，uniapp开发,打包成H5部署到服务器_uniapp打包h5，uniapp如何打包h5项目，怎么把项目打包成H5，uniapp如何打包成H5并且放到web端上，打包成h5部署到服务器的步骤，打包发行到h5报错怎么办，如何将uniapp打包的h5网站放到服务器上，编译打包后怎么放到web服务器中，如何将uniapp开发的H5打包并部署到服务器，部署使用uniapp开发的h5
无需一行代码，使用ScriptCase自带的项目
ScriptCase自带了以下的项目： Security Training OnlineShop HelpDesk ProjectManager Samples News Album 这些项目是已经使用ScriptCase开发好的项目，无需任何的配置，直接可以使用。用法非常简单，在新建项目
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")
ScriptCase开发平台介绍(五)——管理和维护项目
ScriptCase的项目菜单包括对项目进行设置和管理的功能，掌握这一功能对于ScriptCase的开发至关重要，现在我们对项目的菜单进行一下介绍。 项目菜单包括项目属性、项目配置、历史版本、版本设置、生成源码、项目部署、导出程序、导入程序、删除项目、项目报告、程序图示、搜索程序等功能。 项目属性： 项目属性的界面可以设置项目的基本
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。
Scriptcase演示程序
为了方便大家对Scriptcase有一个非常直观的印象，现在将Scriptcase的示例程序进行了适当汉化，并且放在互联网上，您可以直接点击这个地址访问。 需要说明的是，示例程序中提供的范例，基本上都是不需要编写任何代码就可以实现的（当然，有一个macros的菜单专门用来演示如何通过Scriptcase内置的宏进行编码），通过这些示例可以看到Scriptcase的强大功能。
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
Scriptcase在线试用开发环境
现在，你可以通过浏览器在线试用的方式，体验Scriptcase的高效快速开发方式。客户端零安装，兼容任何版本的浏览器。
Scriptcase演示程序，马上查看使用SC开发系统多么简单
Scriptcase内置了若干个成熟的业务系统，我们对其中的部分系统进行了汉化和功能微调，放在互联网上，供大家查看Scriptcase可以多么快速简单的开发出功能模块。 访问 http://www.phpscriptcase.com/ 可以查看这些示例。
ScriptCase开发平台介绍(三)——界面布局
ScriptCase所有的开发工作均在浏览器完成，因此无需在客户端安装任何应用，从而也使得协作开发更加简单和方便——想象一下，将ScriptCase的服务器端安装在互联网上，身在异地的不同开发者可同时开发调试，可以称之为『云开发』。 当然，如果需要并行开发的话，需要购买ScriptCase的企业版，专业版只能允许一个用户进行同时开发，而不允许多个使用者并行开发。
ScriptCase的多语言支持
用ScriptCase开发多语言支持的应用程序非常简单和方便，只需要遵循以下的步骤就可以迅速建立多语言的应用程序： 1. 设计数据表：通过ScriptCase提供的『数据库管理』工具可以建立和修改数据表； 2. 建立数据字典：SC支持数据字典，可以通过数据字典对数据表的字段标签进行多语言的翻译，数据字典不仅仅用于数据表的汉化，比如业务系统中的各类提示信息、错误信息、按钮标题等均
Scriptcase免费演示问题回复
自6月初我们推出了Scriptcase免费现场演示（http://www.phpscriptcase.com/freeshow/），已经进行了四次免费的系统演示，参与系统演示的主要以学生、刚开始从事软件开发或者希望从事软件开发的人士为主。经过培训，大家认识到Scriptcase作为一个代码生成工具，具有比较好的使用体验。 我们的免费演示地址： 通
ScriptCase中的PHP代码编辑器
虽然ScriptCase已经将编程的工作量降到了非常低的地步，但仍然是允许开发人员在设计的时候进行代码编写的，毕竟有较为复杂的业务是需要代码来实现的。所幸的是，ScriptCase在PHP的代码编写方面提供了一些非常便利的工具，即使是不太懂PHP的用户，也可以轻松的写出规范的PHP代码。 下面来给大家用截图展示一下如何使用ScriptCase的代码编辑器： 1. 代码提
ScriptCase v7已经发布！
ScriptCase v7产品已经发布，基于已经成熟并且广泛应用的ScriptCase v6版本，进行了大规模的功能增强和优化，现在，通过ScriptCase v7开发的应用已经可以直接在移动终端进行访问。 什么是ScriptCase？ ScriptCase是一个强大的快速开发（Rapid Application Development, RAD）工具，创建基于
ScriptCase的示例程序
ScriptCase的示例程序【Samples】非常详细的列举了ScriptCase的几乎所有特性，是了解和学习ScriptCase的非常好的项目。 Samples是ScriptCase自带的，直接基于该项目新建即可，该项目有242个应用程序，可谓是又多又全。 我们将尽快在公共服务器上部署该应用程序，以便大家访问和测试。 ScriptC
ScriptCase快速Web定制工具目前已完美支持中文
ScriptCase是一套基于网页的应用程序开发工具，一旦服务器上安装了ScriptCase，用户可以无需在客户端安装任何的开发工具和插件，通过网页就可以进行安全和高效的开发。 ScriptCase目前已经完全支持简体中文，免费的ScriptCase将提供20天的免费试用，免费试用期过后，必须要进行采购，目前单用户的价格是349美元，折合人民币2200元左右。通过ScriptCa
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
297
扫一扫
