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
1.5k累计阅读
1.5k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
自动代码模板提示：
查看所有书签：
CodeFast 历史文档
JSAPI微信支付(小程序)V3版本JAVA代码实战源码
1.1、商户通过JSAPI/小程序下单接口获取到发起支付的必要参数prepay_id后，再通过微信小程序调起微信支付收银台JSAPI/小程序下单_JSAPI支付|微信支付商户文档中心1.3、微信H5发起类似，结合文档，细微调整，前端返回类似，参考文档修改为微信内置浏览器调起支付即可。
乒乓buffer
module ping_pong_buffer( input clk, input rst_n, //external write interface input[7:0] i_data, input i_data_valid, //ping ram buffer interface output ping_ram_buffer_wclk, output ping_ram_
别再死磕RD算法了！用MATLAB手把手复现SAR后向投影(BP)成像（附完整代码与避坑点）
本文详细介绍了如何使用MATLAB实现合成孔径雷达（SAR）后向投影（BP）成像算法，突破传统RD算法在大斜视和复杂轨迹场景中的局限。通过完整的代码示例和避坑指南，帮助读者掌握BP算法的核心原理、内存优化策略和并行计算技巧，提升SAR成像精度与效率。
自动获取书签软件V0505+PdgCntEditor详解
今天，导师布置了一个任务，为PDF重新配置目录检索，以前没有接触过，经过一顿研究，终于完成了任务，话不多说，直接上步骤。 主要涉及工具有两个、还有一个网址： 书签获取软件V0505 PdgCntEditor 全国图书馆参考咨询联盟 1. 找到对应书籍的ss号 首先要登录全国图书馆参考咨询联盟（http://www.ucdrs.superlib.net/），这里是查找书籍ss号的地点。我们将需要这个ss号来获取对应制作好的书签。 为找到对应书籍进行检索 检索自己的书籍。这里有一个要注意的点：很多书籍经过了多
vivado 编译ADI AD9361 TCL脚本生成hdl工程
(4)输入"source ../../scripts/adi_make.tcl"命令(仅双引号内部命令，不包含双引号)，个人理解：该命令用来加载当前所需要编译工程所需要各功能模块的信息，因为每个工程需要不同的功能模块，比如有的需要gpio模块，有的不需要gpio模块，这些模块上前面路径的library也同样以TCL脚本形式存在，当有需要时才进行编译，怎么知道当前工程需要什么模块呢就是通过"source ../../scripts/adi_make.tcl"(仅双引号内部命令，不包含双引号)命令实现。
Flatten 层的深度理解与运用
Flatten 层的深度理解与运用
数据读写的乒乓操作
数据读写的乒乓操作 文中一部分从其他博客中学习到，加入了自己实际应用的过程。 在重要数据的解帧与处理过程中，为了确保数据的实时性与可靠性，我们一般对收到的数据存储到芯片的RAM或Flash（掉电数据恢复）中进行处理，一般对内存的读写采用乒乓的方式读写。 列如Flash中空闲的两块Flash或RAM中两个不同的地址存储关键帧信息， 针对Flash 两个Bank为BankA 、BankB B...
【论文解读--Xdog】新型电驱式四足机器人研制与测试
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、四足机器人体型大小和驱动方式的比较二、四足机器人设计一些重要的结论三、系统控制框架四、系统硬件框架五、力位混合控制（阻抗控制）六、侧向平衡控制（和VMC如出一辙）七、电机驱动系统研制（FOC磁场定向控制）总结 前言 认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！ 本文先对新型电驱式四足机器人研制与测试做个简单的介绍，具体内容后续再更，其他模块可以参
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
虚拟机VMware Horizon Client与主机之间建立共享文件夹
因经常需要在虚拟机和主机之间传递一些日常文件，所以建立共享文件夹。 虚拟机中安装的系统为win10，主机中的系统为win10。 步骤： 第一步：先在虚拟机win10中新建文件夹（我重命名为“共享文件夹”），然后右键属性->共享->共享 进去之后点击自己的账户名 然后点共享。操作完成后，再返回属性界面就能看到该文件夹已经共享而且出现了共享链接，记下此链接。 第二步：回到主机桌面->此电脑->最上面计算机->添加一个网络位置- 点击下一步 然后自定义网络位置，下一步，如下图
CodeQL查询时遇到报错：A fatal error occurred: Could not process query metadata for...如何解决？
🏆本文收录于 《全栈Bug调优(实战版)》 专栏，该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因，并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者，还是拥有多年项目经验的资深工程师，本专栏都将为你提供一条系统化、高质量的问题排查与优化路径，助力你加速成长，攻克技术壁垒，迈向技术价值最大化与职业发展的更高峰🚀！
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
车载以太网：PHY（物理层）介绍
本文以TJA1101芯片为实例介绍了车载以太网PHY（物理层）组成。
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/========================
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")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
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
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。
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
ShadowStar CodeFast 0.8 自动备份代码
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
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 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。＊：
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。
【LTE L3 笔记 09】LTE物理信道-PRACH
课程来源：B站《【2022】华为HCIA-LTE无线工程师认证学习中级视频》笔记为个人整理，含课件截图，仅供学习交流。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
705
扫一扫
