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
1.2k累计阅读
1.2k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
NSArray *objs = [[NSBundle mainBundle] loadNibNamed:@”CZAppView" owner:nil options:nil];
这个方法会创建xib中的所有对象，并且将对象按顺序放到objs数组中
（如果xib如右图所示，那么objs数组中依次会有3个对象：1个UIView、1个UIButton、1个UISwitch）
bundle参数可以为nil，默认就是mainbundle
UINib *nib = [UINib nibWithNibName:@”CZAppView" bundle:[NSBundle mainBundle]];
NSArray *objs = [nib instantiateWithOwner:nil options:nil];
XLib-GUI：Linux环境下的GUI开发指南
XLib-GUI 项目是利用XLib库开发Linux平台图形用户界面（GUI）的综合性工程。该项目旨在提供一套简单易用的接口，帮助开发者快速构建美观、高效的桌面应用。XLib，即X Window System Library，是X Window系统的基础库，它为X Window系统提供了底层的通信协议实现以及核心的图形操作接口。XLib允许开发者直接与X服务器交互，执行包括创建窗口、绘制图形、处理输入设备（如键盘和鼠标）等操作。
iOS组件化中xib转nib
有的小姐姐小哥哥比较喜欢用xib，或者当我们的业务状态非常多的时候，可以利用xib+UIStackView来迅速开发，都知道大量的xib会非常的耗性能，但是偶尔一两个也是可以的。 我是一个偏向于代码布局的，灵活性高，易于维护，虽然有时候一些初始化代码及布局代码可能会达到三百多行，但是还是喜欢用代码来布局。 如果我们用组件化开发的话，再组件化中怎么将xib文件转为nib。奉上简便的脚本文件，来解放你...
xlib:xlib javascript 库
动机。 强调 Web 开发中以数据为中心的方面。 这个想法是利用 JSON 格式和客户端 HTML 数据绑定来分离 Web 上的内容和数据的开发。
XLib编程----标准头文件
标准头文件 以下包含的文件是Xlib标准的一部分: < X11 / Xlib.h > 这是Xlib的主头文件。大多数的Xlib符号都是通过包含这个文件来声明的。该文件还包含预处理器符号XlibSpecificationRelease。这个符号被定义为6。(Xlib的Release 5首次引入这个符号) < X11 / X.h > 该文件为应用程序使用的X协议声明类型和常量。...
xlib文档手册，xlib开发
xlib开发参考手册，将官方文档编译为chm文件供大家参考
XLIB库API参考
目前比较全面描述linux下底层开发API，所有的gtk、qt都是基于xlib进行开发的，类似于win32的api参考
ios 将Xib 编为 Nib文件
打包静态库时，xib不会被编译成nib，而如果你直接在主项目中使用xib，编译的时候就会把xib编程nib。因此需要我们手动把xib编程nib。指令如下：ibtool --errors --warnings --output-format human-readable-text --compile /Users/Chenfy/Desktop/cc.zip/CCViewController.nib /
Delphi 应用 Xlib 库自定义窗口控件
kylix 应用 Xlib 库，自定义窗口控件，包括按钮、菜单、文本编辑等；彩色按钮；支持中文黏贴操作；实现软键盘输入；还有类似 windows 运行命令，全代码实现 JPG 图片在弹出窗口上显示，附带完整 pas 单元文件。
【亲测免费】 Python XLib 教程及使用指南
Python XLib 教程及使用指南 1. 项目介绍 Python XLib 是一个纯 Python 实现的 X 客户端库，旨在提供给 Python 程序员全面的功能以便与 X Window System 进行交互。它不依赖于底层的 C 语言实现（如传统的 X 扩展或 plxlib），而是完全在 Python 中编写，这使得 XLib 更加易于理解和使用。该项目支持 Python 2 和 3，是...
python-xlib:纯Python中的XLib（兼容Py2Py3）
Python X库 | 版权 该代码的主要部分是 Copyright (C) 2000-2002 Peter Liljenberg 一些贡献的代码是由版权的，在这些情况下是在相关的源文件指示。 Python X库在LGPL v2.1或更高版本（自2016年起）下发布，有关详细信息，请参阅文件LICENSE。 0.15rc1和更低版本已根据GPL v2发布。 要求 Python X库需要Python 2.7或更高版本。 已使用Python 2.7和3.3至3.6对它进行了不同程度的测试。 安装 Python Xlib使用标准的setuptools软件包进行安装，请运行以下命令： python setup.py install 有关详细信息，请参见命令帮助： python setup.py install -h 。 或者，您可以从分发目录运行程序，或更改程序中的模块路径。 有一个简
Zynq7020实战：ARM Cortex-A9降频避坑指南（附温度对比测试）
本文详细介绍了如何在Zynq7020平台上对ARM Cortex-A9处理器进行降频优化，以降低功耗并提升系统稳定性。通过分析时钟架构、提供实战操作步骤和温度对比测试数据，帮助开发者有效避免降频过程中的常见问题，实现嵌入式系统的高效能耗管理。
Linux xlib 编译,Linux下编译安装XLib库
新装好的redhat7.3，在安装qt的时候，有时会出现Basic XLib functionality test failed!You might need to modify the include and library search paths by editingQMAKE_INCDIR_X11 and QMAKE_LIBDIR_X11 in /home/zhu/Qt/qt-x11-op...
给爸妈买的红米12C想装个老年桌面？先别急，解锁BL和Root前你得知道这些
本文详细解析了红米12C解锁BL和Root的利弊，为想要为长辈简化手机操作的用户提供全面指南。文章对比了BL解锁与Root的技术差异，推荐优先使用MIUI内置的极简模式等官方功能，并评估了Root的实际必要性。若必须Root，提供了安全操作流程和长期维护建议，帮助用户做出明智选择。
xrdp上运行vscode出错
Xlib: extension "XInputExtension" missing on display ":10.0". Xlib: extension "XInputExtension" missing on display ":10.0". 参考github上提供的解决方案 # make a copy of the relevant library mkdir ~/lib cp /usr/...
地下管网巡检机器人：基于YOLOv8与UI界面的智能化系统设计与实现
通过YOLOv8模型的目标检测功能结合实时视频流，我们能够实现对地下管网巡检机器人的智能化控制。系统通过图像识别技术帮助巡检人员快速识别管道中的各种缺陷和障碍物，从而提高巡检效率和准确性。未来，我们可以继续优化模型，增加更多的目标类别，并通过强化学习等方法提高机器人的自主巡检能力。此外，随着硬件技术的发展，未来的巡检机器人可能会具备更强的感知能力和更高的智能水平。
libVLC 视频抓图
libVLC 中通过libvlc_video_take_snapshot核心接口来截图。以下是VLC播放器中使用的截图界面，我们仿照这个做一个界面。首先，你需要初始化 libVLC 实例和媒体播放器对象。1. 初始化 libVLC 和媒体播放器。菜单添加action，并响应槽函数。生成目录下snap.png。
x11 draw-pixmap
xlib 主要就是图像展示效果，这个时候就可以体现出 pixmap 的作用了。 创建 pixmap 类型的 bitmap int rc = XReadBitmapFile(display, win, "icon.bmp", &bitmap_width, &bitmap_height, &bitmap,
Transformer-LSTM预测 | 基于Transformer-LSTM的多变量单步时间序列预测（Matlab）
Transformer-LSTM预测 | 基于Transformer-LSTM的多变量单步时间序列预测（Matlab）
X Window Bitmaps And Pixmaps
xlib-programming-Basic Graphics Programming With The Xlib Library 目录 What Is An X Bitmap? An X Pixmap? Loading A Bitmap From A File Drawing A Bitmap In A Window Creating A Pixmap Drawing A Pixma...
Simulink开发项1000例实战专栏--实例161：基于Simulink实现电动汽车电机驱动系统的建模与仿真
通过上述步骤，我们成功实现了基于Simulink的电动汽车电机驱动系统的建模与仿真。该系统能够全面评估电机驱动系统的性能，验证控制策略的有效性，并通过优化设计提高车辆的动力性和效率。引入智能预测：结合人工智能技术，实现更智能的控制策略。扩展功能：增加对多种电机类型的支持，提升系统通用性。实验验证：将仿真模型应用于实际硬件，进行实验验证，评估其在实际工况下的表现。
大厂面经：大疆嵌入式面试题及参考答案（4万字长文：持续更新）
目录 Linux 系统调用的过程，中间发生了什么？ 表格总结 Linux 中断流程，谈谈你对中断上下文的理解 中断流程 中断上下文理解 Linuxschedule()函数的原理和调用的时机 schedule()函数原理 调用时机 页表实现机制，分页的缺点？ 页表机制 分页的缺点 介绍操作系统的多级反馈调度策略，时间片轮转，在项目中如何指定优先级来调度进程完成快速响应（nice命令） 多级反馈队列调度 时间片轮转 使用nice命令 聊内存分配，进程内存分配，段页式存
ORACLE的sqlcxt,Oracle 10g的常见错误解决办法
1、在ORACLE 10g 安装准备的过程中：缺少libXp.so.6依赖上网搜过不少文章，但是都不是很好的解决我自己摸索出一个解决方法：在RHEL5的安装盘中找到libXp-1.0.0-8.i386.rpm，进行安装后，便可解决。2、在ORACLE 10g 安装过程中Xlib: connection to ":0.0" refused by serverXlib: connection to "...
高通开发系列 - Camera之摄像头调试记录
记录一些调试内容
Python-XLib 开源项目教程
Python-XLib 开源项目教程 1. 项目目录结构及介绍 Python-XLib 是一个纯 Python 实现的 XLib 库，它提供了与 C 语言的 Xlib 相似的接口，但兼容 Python 2 和 3。项目的目录结构如下： src - 包含所有核心库的源代码文件。 display.py - 用于连接到显示服务器的核心类。 xobject - 里面包含了各种 X11 对象的 Pyth...
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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。
使用xlib改变窗口属性
xlib编程相关的头文件如下：#include #include #include #include #include 将xlib函数与gtk应用程序相结合。通常在xlib函数中需要指定特定的Display以及相应widget的Window(xwindow id)。为了在Gtk应用中使用xlib相关函数，我们需要找到在gtk与xlib之间的桥梁。Gtk是在G
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")
五、xlib绘制按钮控件
本文简单介绍了在linux操作系统如何不使用qt、gtk库的情况下，创建GUI程序，并在窗口中绘制按钮控件。xlib没有提供控件这类高级概念，我们可以通过直接在主窗口中绘制，或是子窗口的方式实现按钮控件绘制；直接绘制和子窗口方式绘制本质上没有区别，只是对于事件处理逻辑不同。这种绘制控件的思想与具体操作系统、或界面库无关，只要提供基本绘图元素和鼠标事件处理接口，我们可以在任意操作系统下，使用任意UI绘制控件。通过按钮控件的绘制我们提示了gtk、QT这样的UI库事件循环、高级控件的基本原理。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
967
扫一扫
