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
7.9w累计阅读
8w+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
AI摘要
本文精选了多个在线绘图工具，包括形状绘制、函数图像、树状图生成等，适用于不同场景下的图形创作需求，如Shapefly Diagram、CS Academy Graph Editor、Desmos Calculator及GeoGebra等。
https://c.runoob.com/more/shapefly-diagram/
这里面有各种常用形状
https://csacademy.com/app/graph_editor/
这个是生成树、图之类的
https://www.desmos.com/calculator
https://www.geogebra.org/graphing
这个自带坐标系～可以画函数图像
还有一些别的工具
https://www.cnblogs.com/henry-1202/p/10258867.html
这篇博客里有
推荐一款免费的带有坐标系的在线绘图web应用（汇报神器）
这简直就是汇报党的福音，有时候汇报的时候，想描述一个变化过程往往需要坐标系加以支持，但是工业软件又过于难看，且复杂。那有没有可以简单快速的绘制带有坐标系的示意图工具呢？我搜了一下还真有。
安利几个好用的在线画图网站
https://c.runoob.com/more/shapefly-diagram/ 用Ubuntu有时候也懒得装软件23333
三维坐标画图
三维 改变材质 改变视角 改变颜色 改变灯光
一个很NB的数学绘图工具-geogebra
官网： http://www.geogebra.org/cms/zh_TW/ http://baike.baidu.com/view/3086671.htm GeoGebra是自由且跨平台的动态数学软件，提供各级教育使用，包含了几何、代数、表格、图形、统计和微积分，集中在一个容易使用的软件。它已获得好几个欧洲和美国的教育软件大奖。 软件简介 GeoGebra 是一个结合
坐标系绘图.rar
开发环境（vs2010）一个简单的基于mfc的传入文件绘图系统 可以修改x和y轴比例 线宽 还有画笔颜色 p.s：就是数组没有动态分配内存 可能会有点bug
画图功能实现直角坐标系
这是我自己原创的画直角坐标系的小程序，这个直角坐标系可以移动原点，也可以缩放直角坐标系的刻度，希望对于刚开始学习c#的同学有所帮助，呵呵！
Python直角坐标系画图
Python直角坐标系画图一、平面直角坐标系1.1 画一个点1.2 画两个点1.3 画散点图二、空间直角坐标系 一、平面直角坐标系 1.1 画一个点 # -*-coding:utf-8 -*- ''' #------------------------------------ @author:By yangbocsu @file: dot.py.py @time: 2022.03.05 #------------------------------------ ''' import matplotlib.
R 绘制环形树状图
按大类小类的从属关系绘制环形图，并把不同值的节点设置为相应大小。要求同一类的节点应为同一颜色。 按照输入，处理代码和输出记录
远光天鹿教你如何正确“偷懒”
”平生懒惰今始悔，老在劝农天所直“ 苏老先生劝诫我们不要偷懒，勤勉耕耘才能有所成就。此话没毛病。 但对于程序猿而言，“偷懒”是本性，而且值得提倡，越“偷懒“越有成就感。 为什么这么说呢？ “偷懒”的程序猿，会走捷径，如果有现成的不会自己重复造轮子。 “偷懒”的程序猿，会封装组件，避免写重复的代码，也可提供给其他需要的人使用。 “偷懒”的程序猿，会从顶层进行科学的规划和设计，避免系统的冗余繁重。 “偷懒”的程序猿，会让代码更简洁，更易维护。 …… 天鹿秉承“偷懒”的原则，让程序猿的创造更高效更灵动。 现在就看
Intel Arc显卡玩《三角洲行动》报错？手把手教你修改注册表跳过验证
本文针对Intel Arc显卡用户在运行《三角洲行动》时遇到的驱动验证报错问题，提供了详细的解决方案。通过安全修改Windows注册表，添加特定键值以跳过游戏驱动兼容性验证，并结合游戏内图形设置与Intel驱动面板的优化建议，旨在帮助玩家顺利进入游戏并提升游戏帧率与运行稳定性。
elmos 524系列芯片笔记
芯片的工作工作原理：集成芯片Elmos524.03有发射回路和接收回路，手册有关的内部原理图，大致如下： 芯片会产生固有频率的电压信号，信号通过引脚DRV1、2输出给外部压电陶瓷片，产生固定频率的机械波，也就是所谓的超声波，超声波遇到障碍物时会反射，反射信号经过AINS、D引脚进入芯片，在芯片内部先后经过GAIN放大，滤波然后进入比较器，滤波后的信号（signal）同预先设定的阈值（threshold）比较产生信号输出。此信号最终会连接MCU处理器，需要重点关注。 基于这个内部的工作原
python在线爬虫_Python爬虫偷懒神器！快速一键生成Python爬虫请求头
今天介绍个神奇的网站！堪称爬虫偷懒的神器！我们在写爬虫，构建网络请求的时候，不可避免地要添加请求头( headers )，以 mdn 学习区为例，我们的请求头是这样的：一般来说，我们只要添加user-agent就能满足绝大部分需求了，Python 代码如下：import requestsheaders = {#'authority': 'developer.mozilla.org',#'pra...
【鸿蒙游戏上架审核规范指南】
华为鸿蒙游戏上架审核规范指南摘要
工作要学会偷懒
前几天，一个年轻人跟我抱怨自己的工作，描述的场景竟让我感觉如此的熟悉：周五都快下班了，突然来了个临时任务，让准备这个季度的产品销售分析报告。目不转睛盯着屏幕，飞速滑动着手...
用ST25DV芯片+KiCad快速设计NFC标签天线：参数计算/脚本生成/实测优化全流程
本文详细介绍了使用ST25DV芯片和KiCad工具设计NFC标签天线的全流程，包括参数计算、脚本生成和实测优化。通过解析芯片等效工作原理和设计思路，帮助开发者避开常见陷阱，实现高效、可量产的天线设计。文章还提供了Python计算工具和KiCad自动化脚本，大幅提升设计效率和成功率。
abaqus wcm插件下载_Abaqus随机短纤维增强复合材料建模插件
文末附Abaqus随机短纤维增强复合材料建模插件下载链接前言短纤维增强复合材料相对于长纤维增强复合材料来说更容易制备，且短纤维的填充性能略有改善，可制造复杂产品，广泛应用于车辆、航空航天、建筑等行业，对短纤维增强复合材料进行细观力学分析，可对其宏观力学性能进行预测、分析破坏机理等。接下来对随机短纤维增强复合材料建模插件进行介绍。NO.1 【算法简介】难点一：此插件核心在于判断生成的纤维是...
Python爬虫偷懒神器 —— 一键构造请求头
Python爬虫偷懒神器 —— 一键构造请求头
【Pix4d精品教程】pix4d mapper相机未校准后手动添加连接点完美案例图文教程
如图所示，红色的照片为未校准的图片，软件无法自动获取连接点，有关相机未校准的原因及解决办法，可以参考《pix4d未校准相机：287 out of 402 images calibrated (71%), all images enabled, 6 block，问题分析及解决方案汇总》，本文以案例的形式，详细讲解pix4d中手动添加连接点的方法及操作步骤。 文章目录1. 手动添加连接点2. 重新优化3. 生成质量报告，检查精度 1. 手动添加连接点 在【空三射线】模式下查看校准失败的图片，记下照片的名称。.
日常用到的几个网站
https://bgsub.cn/
【N32L40X】学习笔记08-定时器的基本定时功能-超时功能
【代码】【N32L40X】学习笔记08-定时器的基本定时功能-超时功能。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
【写论文用到的几个偷懒的网站和软件】
写英文论文的几个必备软件和网站
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")
一个好用的工具，对网工来说是绝杀技！
第二种偷懒是指，一天上班8小时，我能产出16个小时的工作内容，可能决策能力或者说全局能力不太强悍，但用数量代替质量，自己也不会更累，这样也是一种偷懒。一个很简单的例子，一个命令+参数，你完全搞懂了之后，就在用的场景的时候，你会立马知道应该去使用什么命令、什么参数，然后需不需要配合其它命令进行。这样的情况是很经常出现在网工或者运维的日常工作之中的，如果找到你工作里的痛点，通过工具解决，你的工作效率不得不起飞。这份60+网工好用工具，是俱乐部精心整合的，网工爱用工具，基本都在里面了。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
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
srt转vtt——在线转换工具
最近项目要求将.srt字幕转.vtt字幕，发现博客里全是使用代码来进行转换。如果不是想专门学一学字幕格式转换的话，一个在线转换器不比代码香吗？
推荐几个我目前在用的简历制作工具
推荐几个我目前在用的简历制作工具，我只推荐给了我的前+1 leader，现在给你们了 第一个：超级简历，风格极简化，生成简历后可以帮你修改一些简历中存在的小问题，同时也提供中英文的模板还能对你的简历自动评估，想偷懒的同学可以直接找到跟你相同的岗位优秀简历模板，你直接套用就行，特别适合应届毕业生。 第二个：稿定设计，是稍微偏设计一点的简历制作工具，我经常用它的原因是除了可以用简历模板外，里面还有很多包括ppt、海报、H5、等模板和设计工具，甚至可以在线抠图、在线剪视频你受得了吗？ ...
es6转es5的在线工具
有时自己写的带有es6语法的js不能执行，但是偷懒找个在线工具 https://babeljs.io/en/repl.html 有可能需要翻墙才能访问
装修施工进度图怎么画？在线甘特图工具搞定工期管理
项目管理中，甘特图是直观展示任务时间规划的经典工具，通过横道条表达工期与先后顺序，让复杂工序一目了然。其核心价值在于识别关键路径、安排并行任务，并暴露隐藏的等待时间。在装修工程中，水电、泥瓦、油漆等工序环环相扣，等待期与定制产品生产周期常常成为工期失控的隐形杀手。此时，借助操作便捷的在线画图工具，普通业主无需掌握复杂软件，即可快速绘制装修施工进度图，将工序拆解、依赖关系、里程碑节点清晰落图。提前规划材料进场与下单节点，有效减少“人等活、活等料”的现场乱象。本文从甘特图基础概念出发，详解在线工具选型要点与实操
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
