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
1.3k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
Release Version 0.8.13.79
＊：修正回车不删除选中代码块的问题
＊：修正块注释两端包含特殊字符选择不准确的问题
＋：自动备份。可以在保存时和每隔几钟备份；可指定相对或绝对备份目录；
如果是绝对路径，保持原有的目录结构。
＋：自动代码完成。默认输入3个字符调用代码自动完成，写来玩玩，CnPack已经有了很好的代码输入法功能，因此默认此功能为禁用状态。
＃：自动代码模板。试行，目前只支持if, for, with, while几个关键字，不能配置。刚开始插入了模板要点一下才能显示出来，好不容易可以显示出来了，以为可以了，郁闷的是把MessageBeep去掉又不行了。难道又是一个OTA的BUG？
－：导出RTF文件，用得很少，也不知道有没有BUG。
<b>此版本较少测试，请愿意帮助测试或者想尝试一下新功能的朋友下载：</b>
http://kaka.rootcn.com/shadowstar/CodeFast/SSCodeFast-0.8.rar
CodeFast 历史文档
tree_sitter多语言解析器配置实战指南
本文是一份详细的Tree-sitter多语言解析器配置实战指南。文章从零开始，手把手指导如何搭建Python环境、安装指定版本的tree-sitter库、下载并编译多种语言的语法规则，最终构建一个统一的解析器库。通过实战代码演示了如何初始化解析器、解析代码并遍历语法树，旨在帮助开发者高效处理多语言代码分析任务，并分享了高级技巧与常见问题排坑经验。
ShadowStar CodeFast 0.9 跳到上/下一个方法
Release Version 0.9.14.88＋：Alt+Up/Down - 跳到上/下一个方法的位置。＋：Alt+PgUp/PgDn - 跳到上/下一个程序段的位置。＋：完善了自动代码完成＋：禁止创建默认的备份文件，不会产生一堆~*?了。＃：代码模板雏形，仅支持if－：不支持Delphi 6。Delphi 6下有太多问题，实在是没有时间调试，只好忍痛暂时取消对Delphi 6的支持。＊：
Polymarket链上预测市场自动化交易代理开发实战指南
自动化交易代理是量化交易的核心工具，它通过预设的算法规则，自动执行市场分析、决策与下单操作，旨在提升交易效率与纪律性。其技术原理通常涉及实时数据获取、策略引擎计算、交易执行与风险管理等模块的协同工作。在区块链与DeFi领域，这类代理的价值尤为凸显，能够高效处理链上合约交互，捕捉去中心化市场的套利机会。具体到应用场景，链上预测市场如Polymarket，为自动化策略提供了丰富的博弈标的。本文以Polymarket交易代理项目为例，深入剖析其基于Node.js与ethers.js的技术栈实现，详解从环境配置、策
ShadowStar CodeFast 截图
ShadowStar CodeFast 截图ShadowStar CodeFast: 1.0.16.100Copyright (C) 2001-2004 shadowstars home. All rights reserved. Suport:Delphi 2005 Delphi 7 Delphi 6 C++Builder 6 L
别让PEX和后仿真拖后腿：Calibre与Virtuoso ADE联调的那些‘坑’与最佳实践
本文深入探讨了Calibre与Virtuoso ADE在PEX寄生参数提取和后仿真联调中的常见问题与解决方案。针对DRC/LVS验证通过后出现的网表导入错误和仿真波形异常，提供了七大典型场景的实战经验，包括PEX提取模式选择、CalibreView生成细节、环境变量配置等关键环节的最佳实践，助力工程师高效完成芯片设计验证。
Halcon阈值算子 -- 局部阈值之dyn_threshold
Halcon阈值算子 – dyn_threshold HALCON有很多阈值算子，接下来将一一介绍。本文先介绍dyn_threshold。 以下介绍主要参考HALCON帮助文档，并加上自己的体会。如有纰漏，欢迎留言指出 理论介绍 dyn_threshold算子的函数签名如下： dyn_threshold(OrigImage, ThresholdImage : RegionDynThresh : Offset, LightDark : ) 输入参数有： OrigImage：待处理图像 ThresholdIm
ShadowStar CodeFast 1.3 收藏夹
＋：新增收藏夹功能：可以把常用的代码、文档、或者网址放到“收藏夹”里，方便浏览。＋：新增添加到收藏夹功能：将当前文件添加到收藏夹里。添加时可以编辑文件的路径，路径可以是文件、目录、或者URL。＋：新增管理收藏夹功能：显示管理收藏夹对话框。＊：修改自动匹配输入"{"时在下一行匹配输入"}"，并取消对, ""的支持非常抱歉还没有对Delphi 5以前版本的支持，也没有完成“显示行号”的功能。最近在
从Oracle迁移数据到Hadoop
目标：把Oracle 下的数据文件迁移到 Hadoop ， 数据表都是上亿条，每个数据表的空间都超过100G。 关键是建立数据文件是UTF8格式，这样数据中的汉字在Hadoop 里显示才正常。 平台：CentOS 6.10 工具：Python 2.7 cx_Oracle 库 Oracle10.2.0.4.0 Hadoop 2.7.2-transwarp-5.2.1 1. 查看表...
ShadowStar CodeFast 0.7 整合了源代码格式化工具
Release Version 0.7.12.68＊：修改单词移到行尾时会增加空白的问题＊：修改输出HTML时总是使用IDE默认字体＊：修正Delphi 2005下拷贝中文会有乱码的问题＊：修改插入日期时间后为选中状态＊：修改换行缩进时，没有去掉行首多余的空白＊：修正交换单词的快捷键：ALt+Left/Right（IDE使用），更改为：Ctrl+Alt+F6/F7＊：修正与SynEdit冲突的
深入解析PVT corner：从wcl到ml的芯片设计关键考量
本文深入解析了芯片设计中的PVT corner概念，重点探讨了从传统WC到先进工艺下WCL、ML等关键工艺角。文章详细阐述了温度反转效应如何使低温WCL成为最严苛的时序场景，并提供了基于先进工艺的实战签核策略与多角多模分析流程，确保芯片在极端工艺、电压、温度下的稳健性。
华为OD面试手撕真题 【合并相邻且相等的元素】多语言题解
华为OD面试高频手撕真题【合并相邻且相等的元素】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解。
ShadowStar CodeFast 1.2 查看所有书签
＋：新增查看所有书签Shift+Ctrl+B在Message View窗口以树状结构显示所有书签，并显示书签所在行的内容＋：新增删除所有书签＋：新增自动代码模板提示输入的单词是代码模板名时显示提示＋：新增自动参数提示，输入","显示提示＋：新增跳转到最后编辑位置按ESC键，如果没有输入点则跳到最后编辑位置＋：新增是否智能关闭代码模板选项因为在Delphi 7下测试会产生按F1总弹出CodeComp
芒果YOLOv5改进05：损失函数IoU 篇之Repulsion Loss：原创改进损失函数 Repulsion：解决目标遮挡场景下检测，为解决密集人群检测中遮挡设计的损失函数，打造高效检测器涨点
YOLOv5改进代码实践｜结合Repulsion 解决目标遮挡场景下检测🚀
ShadowStar Fast Editor V0.1 熬了一晚上，写这么个东西出来
ShadowStar Fast EditorCopyright (C) 2001-2004 shadowstars home. All rights free.Version: 0.1Datetime: 8:56 2004-11-29mailto:shadowstar@163.comhttp://shadowstar.126.com/========================
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
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
ShadowStar CodeFast 1.1 自动匹配输入()[]{}''""
＋：自动匹配输入包括：() [] {} ""，可正常输入，匹配右边可自动跳过。如：|表示输入点，键入(，得到(|)，，再键入)，得到()|＋：完整的实现了新的光标移动和选择即把“单词、行首、行尾、特殊符号”都做为一个光标停留点，Borland默认只有单词做为光标停留点。快捷键包括：Ctrl+Left/RightHomeEndCtrl+Delete/BackspaceDeleteShift+C
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")
ShadowStar CodeFast V0.5 支持HTML格式拷贝输出
Release Version 0.5.10.39＋：Ctrl+C - 保留原有的标记并拷贝的功能，增加将选中的代码块做为TEXT和HTML两种格式拷贝到剪贴板 HTML保持原有的语法高亮设置＋：Ctrl+Alt+Shift+S - 按当前的语法高亮设置导出当前文件为HTML、RTF或文本格式＋：Alt+F12 - 在光标处插入当前的日期时间＋：Alt+Space - 调用代码自动完成功能
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
ShadowStar CodeFast 1.0 多输入点自动代码模板
Release Version 1.0.15.98＊：修正0.9版Tab缩进后取消选中状态的问题＊：彻底解决了HTML拷贝有时候会出现乱码的问题＊：菜单分级：以为一级菜单最快，其实按分类的多级菜单更快，而且用常了都用快捷键了＊：整理了使用说明：以前是加一个功能就在后面加一条，现在重新按分类整理了一下，看起来舒服多了＊：重新支持Delphi 6，可能不太稳定，大家用用看＋：Ctrl+Alt+Sp
ShadowStar CodeFast 0.6 添加了IDE菜单
Release Version 0.6.11.56＋：添加了IDE菜单，没想到一口气写了这么多功能，自己都有点记不住了，加个菜单，方便操作，还可以简单配置。＋：Ctrl+- - 浏览当前文件目录＋：Ctrl+= - 浏览工程目录＋：Ctrl+/ - 浏览输出目录＋：自动保存所有的文件， 如果有新文件弹出请求用户保存的对话框，则等待用户确认。 默认是5分钟保存一次，可以在配置里更改或禁用。＋：支
ShadowStar CodeFast V0.3 反转代码块行注释
Release Version 0.3.5.11先把名字改了：FastEditor -> CodeFast*:Ctrl+Delete - 修正有时会多删一个符号的问题+:Ctrl+Insert - 反向注释当前行或选中的代码块；单行注释后跳到下一行 +:Alt+Insert - 注释当前行或选中的代码块+:Alt+Delete - 注释当前行或选中的代码块*:Ctrl+C - 当前有代码块被选
ShadowStar Fast Editor Version: 0.2 查找选中文本
Version: 0.2.0.6LastUpdate: 2004-11-30 3:23=:支持Delphi 7+:支持Delphi 2005-:由于C++Builder 6的ToolsAPI版本较低，所以不能支持-:根据上一条判断Delphi 6也不用考虑了*:Ctrl+F5是Add Watch的快捷键，改为Ctrl+Alt+F5+:又增加了几个新功能：F3 - 如果代码块在一行之
ShadowStar CodeFast 0.4 换行缩进，单词交换
Release Version 0.4.9.24＊：Shift+F5/Alt+F5/Ctrl+Alt+F5 - 调整代码大小写时，如果没有选中代码块标记附近的单词，但不改变大小写。＋：Enter - 简单可配置的换行缩进，配置文件为*.bpl对应的*.ini，可添加或删除Indents的单词，以“,”隔开＋：Alt+Left - 光标右侧单词或选中部分与光标左侧单词交换，如果左侧没有单词则移动
训练数据示例
针对“规格书生成测试用例脚本”的任务，在 LLaMA-Factory 中使用即可。关键是把“规格书内容”放进input字段，把“期望的脚本输出”放进output字段。
从瀑布到流水线：DevOps 入门与 GitLab + Jenkins + Docker 落地实践
先看清软件开发生命周期（SDLC）的全貌，再对比瀑布模型与敏捷开发，随后进入持续集成与 CI/CD 的机制内核；最后落到实操——在 GitLab、Jenkins、Docker 组成的四机实验环境里，走完源码托管、自动化构建、镜像封装与远程部署，直到参数化构建与版本回滚。概念与命令并重，既是入门地图，也是操作手册。
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
DNS 不是把域名翻译成 IP：递归解析、TTL 缓存、CNAME 与报文排错实战
本文通过离线Python实验，拆解DNS递归解析、缓存机制与报文结构，揭示“DNS不是全局映射表”的本质。重点解析递归器角色、TTL衰减、CNAME链处理、负缓存隔离及修改记录延迟生效等核心问题，结合实战排错案例，阐明缓存层级、事务匹配、截断处理与安全边界，强调从应用到权威的逐层排查逻辑，实现可复现、可验证的DNS教学系统。
密码存储不是 MD5 加盐：PBKDF2、scrypt、参数升级与安全验证实战
本文通过实战演示密码存储的正确做法：摒弃MD5加盐，采用PBKDF2与scrypt等高成本密钥派生函数，结合随机盐、版本化记录与严格解析，确保离线破解成本可控。模块实现安全验证、参数校验、透明升级与统一错误处理，强调算法选择需兼顾安全性与可维护性，提供教学级密码存储方案，助力构建可迁移、可审计的认证边界。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
267
扫一扫
