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
700+累计阅读
798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
添加一个中继器，设置中继器数量项的字段名称。一列一张图片导入，字段名称不能重复了，如图：
中继器图片导入完成后，开始给图片赋值。选中图片元件，添加动作“设置图片”，Default默认为值。
点击fx进入函数选择。这边必须要选择对应中继器的字段名称，确定保存元件交互即可（像这样多复制几个图片修改对应的中继器字段即可）。
把设置好交互的图片元件转为动态面板，进行面板拖拽交互设置，设置如下图：
设置鼠标点击弹窗效果。同样的，我们需要进入需要设置交互的图片元件中，添加鼠标点击事件进行设置。显示效果，这边选择了灯箱效果，就是背景虚化效果，但然你们也可以试试其他几个试试。
继续设置图片弹窗放大图片的值，跟上面图片赋值方式差不多，只是选择的图片对象不一样。
Axure常用交互效果二——拖动效果
拖动效果的交互设计原理是动态面板和移动的组合应用，再此基础上可以扩展出很多交互效果，例如垂直拖动、水平拖动、延时拖动等，在应用场景中适用于菜单的滑动/拖动、内页、长图等方面，在大型交互设计中也发挥着重要作用，例如车辆轨迹、车辆位置、滚动条、电子屏等等。我们将菜单向右拖动，回到初始位置，正好是向右滑动的极限！初始位置，正好是向右拖动的阈值！我们向左拖动，直到在窗口中显示完菜单的最后一项，观察这时的X坐标：-240 这就表示当我们向左拖动时，到达这个位置就是最低的阈值，那么我们向左拖动的阈值就是-240。
Axure教程—拖拽获取（中继器+动态面板 ）
本文将教大家如何用AXURE中的中继器和动态面板制作拖拽获取效果
融合ZILN损失与深度学习的LTV预测：从概率分布到精准营销决策
本文探讨了融合ZILN损失与深度学习的LTV预测方法，通过深度概率模型精准预测用户生命周期价值（LTV），优化营销决策。文章详细解析了ZILN损失函数的优势、模型架构设计要点及工程化落地实践，帮助企业在预算分配、用户分层等场景实现数据驱动的精准营销。
【Axure教程】拖动摆放自定义编辑页面
今天我们就来学习怎么在Axure中制作自定义编辑页面的效果，我们以动态编辑可视化分析页面为案例
FusionCompute8.0.0实战指南：从零部署CNA与VRM环境
本文以华为FusionCompute 8.0.0为例，详细介绍了如何利用老旧硬件从零开始部署CNA计算节点与VRM管理节点的完整实战指南。内容涵盖实验环境准备、CNA安装与网络配置、VRM虚拟机部署方案对比，并提供了典型故障排查与性能调优技巧，帮助读者低成本构建可用的虚拟化学习环境。
告别轮询！手把手教你用S32K3的FlexCAN Enhanced FIFO+DMA实现高效CAN FD数据接收
本文详细介绍了如何利用S32K3芯片的FlexCAN Enhanced FIFO与DMA组合方案，实现高效CAN FD数据接收，彻底告别传统轮询和中断模式。通过深度缓冲、智能过滤和DMA联动技术，该方案在5Mbps高负载场景下将CPU占用率从42%降至3%以下，显著提升系统实时性和吞吐量。
【Axure教程】拖拉拽放大缩小和移动元件
今天教大家制作能拖拉拽放大缩小和移动元件的原型模板~~~
手机也能跑！5.6MB的AnimeGANv3模型部署实战：从PyTorch到ONNX再到移动端推理
本文详细介绍了如何将轻量级动画生成器AnimeGANv3从PyTorch模型转换为ONNX格式，并部署到移动端进行实时推理。通过5.6MB的极简模型设计和优化策略，实现在手机等边缘设备上的高效动漫风格转换，涵盖模型准备、格式转换、移动端优化及性能调优全流程。
Axure任意方向鼠标拖拽框选
有进一步兴趣的还可以再加入其他的交互功能，比如“按住Shift键”进行增选功能等。会元件“接触”判断的朋友，就可以实现中继器的多选、数据统计等操作。
Win10右键新建菜单丢了记事本？别慌！5分钟教你用注册表找回来（附权限设置避坑指南）
本文详细指导如何通过注册表编辑器恢复Win10右键新建菜单中丢失的记事本选项，包括重建键值结构、配置ShellNew项及设置权限等关键步骤。特别提供权限避坑指南，确保修改持久有效，帮助用户快速解决这一常见但困扰的问题。
ACPWorkbench_for_BP10
ADC支持9种采样率：8000Hz、11025Hz、12000Hz、16000Hz、22050Hz、24000Hz、32000Hz、44100Hz 以及 48000Hz。选择5种MCLK源时， 模块内部的MCLK源无效。I2S 采样率支持：8K,11.025K,12K,16K, 22.05K, 24K, 32K, 44.1K, 48K, 88.2K, 96K, 176.4K 和 192K。DAC采样率支持：8K,11.025K,12K,16K,22.05K, 24K, 32K, 44.1K和48K。
axure 元件_AXURE教程：简单制作拖拽照片交互墙效果
编辑导语：如何用AXURE制作拖拽照片交互墙效果呢？本文作者通过实际操做，为我们总结和分享了他的做法。通过该教程可以简单实现照片墙拖拽交互效果，照片可以使用鼠标进行拖拽，支持图片大图预览。适合Axure新手朋友。一、效果预览二、准备元件中继器：存放向图片素材图片元件：加载图片动态面板：拖拽效果使用三、实现步骤1. 步骤一添加一个中继器，设置中继器数量项的字段名称。一列一张图片导入，字段名称不能重复...
在 SAP 中修改 Profile 文件中的主机名需要谨慎操作，需需确保所有相关配置保持一致
在SAP系统中修改Profile文件主机名需谨慎操作，主要步骤包括：1）停止相关SAP服务；2）重命名并编辑实例级Profile文件（如ER1_D00_OLDHOST改为ER1_D00_LRPSAP），修改所有含旧主机名的参数；3）可选更新默认Profile文件；4）在Windows系统中调整注册表配置；5）验证一致性后重启服务。关键注意：保持大小写统一、修改前备份文件、集群环境需同步所有节点。通过系统日志确认新主机名生效且无报错。
axure 设置背景虚化_AXURE教程：简单制作拖拽照片交互墙效果
编辑导语：如何用AXURE制作拖拽照片交互墙效果呢？本文作者通过实际操做，为我们总结和分享了他的做法。通过该教程可以简单实现照片墙拖拽交互效果，照片可以使用鼠标进行拖拽，支持图片大图预览。适合Axure新手朋友。一、效果预览二、准备元件中继器：存放向图片素材图片元件：加载图片动态面板：拖拽效果使用三、实现步骤 1. 步骤一添加一个中继器，设置中继器数量项的字段名称。一列一张图片导入，字段名称不能重...
开源遥感语义分割工具箱mmsegmentation基于Lovedata数据集训练模型
开源遥感语义分割工具箱mmsegmentation基于Lovedata数据集训练模型
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")
axure rp8 添加动态面板_AXURE教程：简单制作拖拽照片交互墙效果
编辑导语：如何用AXURE制作拖拽照片交互墙效果呢？本文作者通过实际操做，为我们总结和分享了他的做法。通过该教程可以简单实现照片墙拖拽交互效果，照片可以使用鼠标进行拖拽，支持图片大图预览。适合Axure新手朋友。一、效果预览二、准备元件中继器：存放向图片素材图片元件：加载图片动态面板：拖拽效果使用三、实现步骤1. 步骤一添加一个中继器，设置中继器数量项的字段名称。一列一张图片导入，字段名称不能重复...
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
Axure RP元件库终极指南：如何免费获取专业设计组件提升300%效率
> 项目描述：Refs.cn 原型设计元件库，基于Axure RP 11/10/9，支持 Android、Apple、Windows、微信，移动、桌面平台的应用和网站原型设计。
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
Axure 动态面板的学习
之间的接触 在大三的时候，我参加服务外包竞赛，想要学习这个动态模板，在短时间内做一个软件的demo（高仿真原型),当时的自己怎么也学不会，应该是我太焦虑的缘故，所以如果你也有需要立刻上手Axure 的需求，不要太焦虑，它其实很简单，但是不要心急，慢慢来。动态模板很好上手，而且功能强大。做高仿真原型应该肯定会用到。 标志 在简书的一个作者的文章中，写到这个标志像一本相册，我觉得这个比喻和的使用真的...
Axure中继器的高级功能
引入：1.样式的频繁修改，2.数据的频繁修改，重复性工作需要调整 它可以帮助你在原型页面中保存数据，并且提供增删改查等功能，帮助你完成复杂的交互场景。例如：添加一个好友后，好友列表里就新增一行对应的记录。上传一张照片后，在对应的地方多了一张照片等。 基本使用（超级细的步骤！！！（算了 一般细qwq）） 1.在元件库的Default找到中继器原件并拖拽到工作区 2.双击中继器之后ctrl+c和ctrl+v添加 3.点击关闭后得到的效果如图 4.在元件库中拖进方框并且尺寸大小与中继.
前端慢慢显示一张照片_DAY3_前端入门准备篇（三）
Axure动态面板的花式使用方法动态面板可以用来干什么呢？在原型图的绘制过程中，动态面板是十分常用的原件，可以通过动态面板实现图片的轮播，实现动图的展示效果。那么接下来我们看一下动态面板不同的使用方法能带来哪些不同的效果。一、动态面板的基本简介信息基本简介：动态面板在前端开发中的地位相当于是一个div容器，里面可以存放很多其他的原件，也就是说动态面板里面可以再放置动态面板。动态面板是可以嵌套使用的...
Axure RP元件库完整指南：如何快速提升原型设计效率
还在为原型设计效率低下而烦恼吗？每天花费大量时间在重复的界面组件制作上，却难以达到专业的设计效果？今天我要为你介绍一个经过六年持续更新的开源项目——RPLibs Axure RP元件库。这个专业的**Axure RP元件库**将帮助你快速提升原型设计效率，支持iOS、Android、Windows、微信等主流平台的设计规范，让你的原型设计工作变得更加高效和专业。 ## 为什么你需要专业的Axur
Axure简介
图片：拖拽到操作面板上后，双击图片元件，可以选择一张照片放上去。占位符：一般用来放在页面logo处。按钮：三种不同样式的按钮。标题：三种大小的标题，从大到小，H1>H2>H3。热区：一个透明的元件，利用其特性操作交互功能，常用于给按钮和图片添加交互功能；使用时将热区拖到需要添加交互功能的元件上，覆盖，然后进行交互功能的添加。动态面板：实现一些动态的交互效果，可以将多个元件放到一个动态面板中。内联框架：主要是用来嵌入网页，用来跳转页面。
NNI Experiment 全面解析：训练服务、WebUI 可视化与实验管理的完整指南
NNI（Neural Network Intelligence）是一个开源的 AutoML 工具包，覆盖特征工程、神经架构搜索（NAS）、模型压缩与超参调优（HPO）等机器学习全生命周期环节。本文将围绕其核心运行单元 **Experiment**，系统讲解"一次调优过程"的组织方式、统一资源抽象层 **训练服务（Training Service）**、可视化入口 **WebUI（Web Porta
axrue9不显示右侧文件_Axure 9.0基础教程：史上最详细的元件说明，建议你认真看完（一）...
元件说明摘要：元件作为Axure 9.0的基础功能，线框图的绘制与交互事件的设置都离不开它，熟练掌握并了解每个元件的功能及用途，对原型设计来说尤为重要。这是一篇细到令人发指的关于元件的使用说明，不仅有基础的使用知识讲解，也有一些使用技巧的说明。Axure 9.0与8.0相比并没有增加新的元件，但9.0的元件却更好用，用起来更顺手，更有设计感，它的好用与顺手体现在每一个细节之中。1.2 元件详解元件...
原型工具介绍———墨刀以及Axure RP比较
原型工具——墨刀以及Axure的比较 1759233 目录 一.了解背景... 1 二.下面分开介绍一下这两款工具... 1 2.1 Axure RP. 1 2.2墨刀... 6 三.比较... 8 四.总结心得... 8 五.参考文献... 9 一.了解背景 墨刀：首先是国产的，是北京一家公司设计的。墨刀是一款在线原型设计与协同工具，借助墨刀，...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3826
扫一扫
