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
6.4k累计阅读
6.5k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
运放电路实战：5分钟搞定加法器与减法器的电路设计与调试（附避坑指南）
本文从实战角度出发，详细讲解了运算放大器加法器与减法器的电路设计与调试方法。针对加法器，重点分析了利用“虚地”特性简化设计和选型要点；对于减法器，则深入剖析了决定精度的核心——电阻匹配问题，并提供了使用电阻网络等提升共模抑制比的实用策略。文章还分享了从仿真到实物焊接的完整流程与常见避坑技巧，帮助电子爱好者快速掌握这两种基础运放电路。
Delphi 新知识学习系列2(TthreadList) 线程安全列表
之前没有接触过Tthreadlist 也不知道它是干嘛的,在看系统代码的时候发现了它,从名字上看 是一个线程列表, 看一下帮助 : TThreadList is a thread-safe wrapper for TList. 说明他是一个线程安全的Tlist 列表,具体怎么实现的大家可以看看代码 unit System.Generics.Collections; 其中有一个Tmon
kali破解WIFI密码
今天我们来学习一下通过kali和一个好的字典来破解WIFI密码。 声明：此教程仅供学习研究使用，严禁使用此技术进行非法行为 首先我们需要一个具有监听功能的无线网卡（这里我给大家推荐：rt3070） 本章实验通过虚拟机VMware进行： 先通过services.msc来打开VMware USB Arbitration Service 插上监听网卡，连接USB到虚...
Delphi 中多线程容器测试性能 TThreadedQueue，TThreadedList
是什么原因呢，后来 看了下 官方的文档 发现 这个 多线程容器 默认去重了，导致耗时很大；发现 对比 TList + TSpinLock（自旋锁的方式差距很大）；
vba 修改下拉列表_Excel联想式下拉菜单制作教程II
?点击关注Excel表哥公众号上期我们分享了Excel联想式下拉菜单制作教程，可以简化大家在下拉菜单过长时的数据录入工作。文章末尾给大家提出了一个问题：为什么下拉列表数据源需要先排序？今天我们继续分享一个不用对数据源排序也能实现的下拉列表制作方法。先看最终的效果动图：今日分享难度指数：★★★★☆01创建辅助列在需要设置下拉列表的工作表中创建一列辅助列，如下图所示：在辅助列F3单元格输入下...
从数学到机床：RTCP背后的几何变换与工业实现
本文深入解析RTCP（Rotary Tool Center Point）技术在五轴数控加工中的核心作用，通过几何变换与运动学原理实现刀尖点跟随，确保加工精度。从数学基础到工业实现，详细探讨了算法架构、机床结构适配及精度保障方法，为数控系统开发和高效加工提供关键技术支撑。
TThreadList 的用法
初次使用TThreadList时找不到.Count属性，也找不到.Items属性，没有这两个属性就不能访问列表中的内容，这可怎么用呢，后来发现了LockList方法，这个方法返回一个TList，哦，原来是首先通过LockList安全的得到一个TList然后使用TList返回列表中的内同，当然最后不要忘了调用UnLock函数。例子：with MyThreadList.LockList dobegin
MATPOWER的安装详细教程
MATPOWER的安装包实际为一个程序包，安装教程很简单，详见本文。
关于TList(TThreadList)类和TThread类的一些疑问
1.因为在同一个线程对象里，如果两次构造，将产生两个独立的线程，不但运行是独立的，而且使用线程的局部变量也是独立的、所以有下面的代码：（30分） ThreadList为TList类型（下同） Delphi/Pascal code ? 1 2 3 4 5 6 7 8 9 10 11
Python爬虫实战：使用Scrapy+Playwright高效爬取全球石油价格历史数据
python复制下载# 产品信息# 日期信息# 价格数据price = scrapy.Field() # 收盘价open = scrapy.Field() # 开盘价high = scrapy.Field() # 最高价low = scrapy.Field() # 最低价volume = scrapy.Field() # 交易量change_percent = scrapy.Field() # 涨跌幅# 元数据。
C++之2048小游戏 第二期
游戏会有初始化、绘制界面、处理输入、更新游戏状态、判断胜负等部分。所以，可能需要一个二维数组来表示4x4的网格，存储每个格子的数值。然后，需要处理键盘输入，尤其是方向键的控制，这可能需要使用EasyX的键盘事件处理函数。然后，关于图形绘制部分，每个格子的大小、颜色、数字的显示都需要设计。不同的数字对应不同的颜色，比如2是浅色，4稍深，以此类推。可能需要一个函数根据数字的值返回对应的颜色，然后在绘制时调用。接下来，处理数字的移动和合并逻辑。这是比较复杂的部分。
线程类 TThread 和 TThreadList
线程类 TThread 和 TThreadList 都 继承于 TObject . TThread 用于在进程中创建多线程. 是抽象类. TThreadList 维护一个安全的线程列表;
零基础实战：用 Docker 和 vLLM 本地部署 bge-reranker-v2-m3 重排序模型
本文介绍了如何利用Docker容器和vLLM推理框架在本地部署BAAI开发的bge-reranker-v2-m3文本排序模型。
TThreadList 的用法入门
初次使用TThreadList时找不到.Count属性，也找不到.Items属性，没有这两个属性就不能访问列表中的内容，这可怎么用呢，后来发现了LockList方法，这个方法返回一个TList，哦，原来是首先通过LockList安全的得到一个TList然后使用TList返回列表中的内同，当然最后不要忘了调用UnLock函数。 例子： with MyThreadList.LockList do begin try for X := 0 to Count-1 do Som
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
Delphi线程定时器TThreadedTimer及用法--还有TThreadList用法可以locklist
Delphi线程定时器 - -人生如歌- - 博客园http://www.cnblogs.com/zhengwei0113/p/4192010.html (* 自己编写的线程计时器，没有采用消息机制，很有效 Cobbler续写 不用 TTimer 的原因: 要说TTimer类的使用问题，先要说一下它响应用户定义的回调函数(OnTimer)的方...
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
TThreadList
By default, TThreadList ignores attempts to add duplicate entries to the list. If the list is large, this default is computationally expensive. For better performance, you may want to change the Dupli
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")
Delphi中的容器类(3)
TBucketList和TObjectBucketList类 从Delphi6开始，VCL的Contnrs单元中又增加了两个新的容器类TBucketList和TObjectBucketList。TBucketList实际上也是一个简单基于哈希表的指针-指针对列表。接口定义如下： TBucketList = class(TCustomBucketList)… public destr...
简易对象垃圾回收框架for Delphi【转】
无意中想到Delphi中没有垃圾回收机制，于是想看看有没有人已经做了这方面的工作。 后来发现了这篇文章，写的很不错，借过来留作参考，只可惜不知道作者。 转自：http://developer.51cto.com/art/200510/7129.htm 1缘起1.1 我的一个出错程序程序 名称：呼叫处理模块的压力测试工具，分为客户端和服务端。开发工具：Delhpi 5相关技术...
fastmm 遇到的问题
程序退出时总是弹出提示框 This application has leaked memory. The small block leaks are (excluding expected leaks registered by pointer): 5 - 12 bytes: TObject x 1 13 - 20 bytes: TList x 1, TThreadList x 1,
Delphi中的容器类
Delphi中的容器类 TList 类 TList 类实际上就是一个可以存储指针的容器类，提供了一系列的方法和属性来添加，删除，重排，定位，存取和排序容器中的类，它是基于数组的机制来实现的容器，比较类似于C++中的Vector和Java中的ArrayList，TList 经常用来保存一组对象列表，基于数组实现的机制使得用下标存取容器中的对象非常快，但是随着容器中的对象的增多，插入和删除对象
BCB中的线程安全的消息队列(很经典)
BCB中的线程安全的消息队列(很经典) 作者:周顺利 这是我们公司的一个师兄缩写的消
php adonewconnection,ADOConnection数据库连接池
unit AdoconnectPool;interfaceusesClasses, Windows, SysUtils, ADODB, IniFiles, forms;typeTADOConnectionPool = class(TObject)privateFObjList:TThreadList;FTimeout: Integer;FMaxCount: Integer;FSemaphore: ...
Delphi中的线程类 - TThread详解--------http://eelab.gxu.edu.cn/list.asp?unid=542
Delphi中的线程类 - TThread详解--------http://eelab.gxu.edu.cn/list.asp?unid=542 Delphi中的线程类 - TThread详解 作者： Delphi中有一个线程类TThread是用来实现多线程编程的，这个绝大多数Delphi书藉都有说到，但基...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
466
扫一扫
