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
1.1k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
1. Android-常用的颜色代码值 https://blog.youkuaiyun.com/u014616515/article/details/53292965
2.安卓开发中常见的RGB颜色表 https://blog.youkuaiyun.com/weixin_36431280/article/details/53307495
3.Android颜色对照表 https://blog.youkuaiyun.com/lm_zp/article/details/51381355
4. android中所有颜色代码 https://www.cnblogs.com/elleniou/archive/2012/04/25/2469676.html
【自动驾驶学习笔记——Prescan和Simulink 学习笔记和问题记录（1）】
主要记录一些Prescan/Simulink 联合仿真出现的问题。
【html】做设计需要熟悉的一个颜色值列表
在做设计的时候，常用到不同的颜色值，颜色值可多了，现通过表格来记录一下常用的颜色，方便以后查找，同时也科普一下颜色知识，人眼能看见的光，在可见的光范围内，以不同颜色来区分。
几何修复_ANSYS流体分析：几何前处理
建模及几何处理工具非常多，选择起来让人眼花缭乱。对于仿真而言，高效的对几何进行清理及生成符合仿真要求的几何至关重要。ANSYS SpaceClaim Direct Modeler是基于直接建模思想的新一代3D高效率建模和几何编辑修补软件。SCDM提供了当今最快速、最富有创意的直接建模解决方案。由于它的直接建模能力即使对于导入的其它3D模型(如catia、proe、solid works创建的几何)...
一些颜色的RGB值
1 白色 #FFFFFF 2 红色 #FF0000 3 绿色 #00FF00 4 蓝色 #0000FF 5 牡丹红 #FF00FF 6 青色 #00FFFF 7 黄色 #FFFF00 8 黑色 #000000 9 海蓝 #70DB93 10 巧克力色 #5C3317 11 蓝紫色 #9F5F9F 12 黄铜色 #B5A642 13 亮金色 #D9D919 14 棕色 #A67D3D
图像质量评估：使用 SSIM 计算图像相似性
在图像处理领域，衡量两幅图像之间相似性的一种常见方法是使用结构相似性指数（SSIM）。SSIM 是一种全参考的图像质量评估指标，它不仅考虑了图像的亮度、对比度，还考虑了结构信息。在本文中，我们将介绍一个使用 Python 和 OpenCV 实现的 SSIM 计算脚本，并使用该脚本评估两幅图像的相似性。
手机拍视频就能训练机器人？SpatialLM开源模型实战指南（附HuggingFace部署教程）
本文详细介绍了如何利用开源模型SpatialLM通过手机视频训练机器人理解3D空间结构。从HuggingFace部署、视频预处理到模型推理和结果可视化，提供完整的实战指南，特别适合具身智能领域的开发者快速上手。
Android中的颜色值
Android中颜色值是通过红(Red)、绿(Green)、蓝 (Blue)三原色，以及一个透明度(Alpha)值来表示的，颜色值总是以井号(#)开头，接下来就是Alpha-Red-Green-Blue的形 式。其中Alpha值可以省略，如果省略了Alpha的值，那么该颜色默认是完全不透明的。 Android的颜色值支持常见的四种形式如下所示： #RGB:分别指定红、绿、蓝三原色的值
Linux CentOS7文件系统（/dev/var）的容量扩充
原因是之前安装docker后，再想安装Nessus，系统说home、var文件系统的内存都不够。
android按键色彩搭配,界面配色就靠它们，UI设计师必装的手机配色参考APP
作为一名专业的UI设计师，在自己手机上肯定会安装几个跟配色相关的APP。在闲暇之余可以快速找到合适项目的配色参考方案。或者是给出最正确的产品配色值。今天就跟大家分享四款UI设计师手机上必装的几款配色参考APP。分别为2款ios 和 2款安卓的配色参考APP。1、RealHex — 拾色器还可以这么用！(iOS)RealHex 作为一个拾取颜色并记录颜色参数值的应用，不仅仅是设计师，画家，摄影师的专...
opencv实践项目-图片拼接之缝合线算法
opencv 图片缝合线算法
Open3D 点云数学形态学滤波（Python版本）
Open3D 点云数学形态学滤波（Python版本）
android颜色对应的xml配置值,颜色表
转自：http://aichixihongshi.iteye.com/blog/1181834 Java代码 "1.0" encoding="utf-8" ?> "white">#FFFFFF "ivory">#FF
Qt C++ 的虚拟演播室系统
**数据流转**：OpenCV 处理的图像格式通常是 `cv::Mat`，而 Qt 3D 渲染需要 `QImage` 或 `QTexture2D`。// 临时用颜色代替。// 前景在背景前面。#### 3.3 主窗口与 Qt 3D 集成 (`mainwindow.h` / `.cpp` / `.ui`)* **更复杂的 3D 场景**：加载 3D 模型（.obj, .gltf 等）作为背景和道具。1. **构建项目**：确保 `.pro` 文件中的 OpenCV 路径配置正确，然后构建项目。
Android中显示文本最合适的控件是,Android TextView中文字通过SpannableString来设置超链接、颜色、字体等属性 在Android中，TextView是我们最常用的用来显...
packagecom.snowdream;importjava.io.IOException;importorg.xmlpull.v1.XmlPullParserException;importandroid.app.Activity;importandroid.content.res.ColorStateList;importandroid.content.res.XmlResour...
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
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")
Android TextView中文字通过SpannableString来设置超链接、颜色、字体等属性 在Android中，TextView是我们最常用的用来显示文本的控件。...
一般情况下，TextView中的文本都是一个样式。那么如何对于TextView中各个部分的文本来设置字体，大小，颜色，样式，以及超级链接等属性呢？下面我们通过SpannableString的具体实例操作来演示一下。 [java]view plaincopy packagecom.snowdream; importja...
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
android 的a标签颜色设置颜色设置,Android TextView 中文字通过 SpannableString 来设置超链接、颜色、字体等属性 - snowdream QQ:273247606...
在Android中，TextView是我们最常用的用来显示文本的控件。一般情况下，TextView中的文本都是一个样式。那么如何对于TextView中各个部分的文本来设置字体，大小，颜色，样式，以及超级链接等属性呢？下面我们通过SpannableString的具体实例操作来演示一下。res-layout-main.xml复制代码res-color-color.xmlres-color-linkco...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
android textview 常用属性id,Android TextView常用属性
【说明】TextView是用来显示文本的组件。以下介绍的是XML代码中的属性，在java代码中同样可通过 ”组件名.setXXX()方法设置。如，tv.setTextColor();【属性一】android:textColor="#000"表示文字的颜色。【提示】颜色可以随便写一个“#000”形式的属性值，再通过点击左边显示行号旁边的颜色显示方块，弹出来颜色选择器对颜色进行选择。当设置的颜色为系...
Android TextView常用属性
【说明】TextView是用来显示文本的组件。以下介绍的是XML代码中的属性，在java代码中同样可通过 ”组件名.setXXX()方法设置。如，tv.setTextColor(); 【属性一】 android:textColor="#000"表示文字的颜色。【提示】颜色可以随便写一个“#000”形式的属性值，再通过点击左边显示行号旁边的颜色显示方块，弹出来颜色选择器对颜色进...
android:textalignment 参数解释,Android笔记 | TextView的常用属性和方法
颜色可以随便写一个“#000”形式的属性值，再通过点击左边显示行号旁边的颜色显示方块，弹出来颜色选择器对颜色进行选择。在Android手机中是可以通过系统设置调整字体的大小，sp会随着手机设置字体的大小变化而变化，而dp不会变。通过android studio生成的int值并不是真正的颜色值，必须通过getResources().getColor将真正的16进制颜色值取得到才可以。设置文本只显示一行，未显示的文本以 "..." 代替，不过该属性以过期，可以设置一下属性代替该效果。
Android系统中自带的图标&一些预定义样式&参考颜色值
Android系统中自带了很多图标，我们的程序可以方便使用。 Android™ 1.5 android.R.drawable Icon Resources http://since2006.com/android/1.5-drawables.php Android™ 1.6 android.R.drawable Icon Resources http://since2006
Android开发之SpannableString具体解释
在实际的应用开发过程中常常会遇到。在文本的不同部分显示一些不同的字体风格的信息如：文本的字体、大小、颜色、样式、以及超级链接等。普通情况下，TextView中的文本都是一个样式。对于类似的情况。能够借助SpannableString或SpannableStringBuilder对象来实现以上设置。 SpannableString与SpannableStringBuil...
颜色选择标本
android颜色对应的xml配置值,颜色表 转载▼ 网页设计常用色彩搭配表 - 配色表 http://c7sky.com/tool/webcolor/ 网上找的一些颜色值
Android TextView常用属性介绍Android:drawableEnd
//TextView所呈现的文字 android:text="我爱Java" //文字颜色 android:textColor="#f00" //文字尺寸 android:textSize="20pt" //文本框结尾处绘制图片 android:drawableEnd="@drawable/ic_launcher" ...
Android:TextView属性
今天晚上学习了一下TextView的属性,参考了资料，总结了这些。在Android中大部分控件直接或间接的继承了TextView，继承了它，TextView有的属性，它就可以使用。 android:text 设置文本内容 android:textSize 设置文字大小，推荐度量单位sp，如“18sp” android:textColor
Android TextView
一、属性设置方法 TextView的属性设置方法可以通过在配置文件当中进行配置，也可以在java代码中通过set方法进行设置。如下介绍一些常用的属性设置。 二、常用属性 序号 属性 说明 1 android:textColor="#09023" 文字颜色的设置，通常来讲有两种设置方式，一种是直接采用#234234颜色形式，另一种是采用android中...
常用文本控件
版权声明：本文为博主原创文章，未经博主允许不得转载。 一、文本控件 TextView（显示文本的控件）： Android:text 设置文本框的文本内容 android:autoLink 是否将符合指定格式的文本转换为可单击的超链接形式 取值范围： none|web|email|phone|map|all android:singleLine 为tr
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1465
扫一扫
