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
电视节目查询
接口说明
| 计费模式 | 每日免费 | 每次消耗 | 每日限制 | 每次间隔 |
|---|---|---|---|---|
| 仅付费会员 | 20次 | 0点(0元) | 30000次 | 0秒 |
请求地址
(https://)http://www.maitanbang.com/apis/mtbtvinfo/
调试 报错请求方法
GET与POST
请求参数
| 参数名 | 说明 |
|---|---|
| key | 获取KEY |
| date | 日期 例如：2022-08-23 不填表示今日节目 |
| tvid | 电视频道ID 用这个接口获取https://www.maitanbang.com/user/doc?id=381 |
返回参数
| 参数名 | 说明 |
|---|---|
| code | 状态码 200 成功 400错误 |
| msg | 信息提示 |
| data | 返回数据 |
| debug | 无意义 |
| exec_time | 消耗时间 |
| user_ip | 用户IP |
正常返回实例
{ "tvid": "5246", "name": "焦点访谈", "starttime": "03:44", "date": "2022-08-23" }
电视频道接口 查询电视频道列表
电视频道接口根据电视分类ID:pId查询该分类下的电视频道列表。 接口名称：电视频道接口 接口平台：api接口 接口地址：http://japi.juhe.cn/tv/getChannel 支持格式：json 请求方式：get/post 请求示例：http://japi.juhe.cn/tv/getChannel?pId=1&key=您申请的KEY 接口备注：根据电视分类ID:pId
电视节目频道ID api数据接口查询
电视节目频道ID 电视节目频道ID查询 接口说明 更新时间：2022-09-14 01:26:36接口状态：正常 计费模式 每日免费 每次消耗 每日限制 每次间隔 仅付费会员 20次 0点(0元) 30000次 0秒 请求地址 (https://)http://www.maitanbang.com/apis/mtbtvchannel/ 调试报错 请求方法 GET与POST 请求参数 参数名
Python之aew-api包语法、参数和实际应用案例
aew-api 是 Python 生态中用于 AEW（All Elite Wrestling，全精英摔跤）官方数据接口 的第三方封装库，核心作用是简化开发者对 AEW 官方数据的获取与交互。
TVbox系列数据源接口地址汇总，TVbox影视仓电视盒子接口分享超多地址整理(20230716)
/=============开源多仓更新日期2023/07/15=============——————————2023/07/16更新 各路影视盒子下载——————————————————2023/07/14更新 各路影视盒子下载——————————————————2023/07/14更新 其他地址源 ——————————————————2023/07/16更新——————————————————2023/07/14更新——————————————————2023/07/14更新————————
基于FFmpeg与Nginx的大华摄像头实时视频Web接入方案
本文详细介绍了一种基于FFmpeg与Nginx的大华摄像头实时视频Web接入方案。该方案通过FFmpeg将摄像头RTSP协议流转换为浏览器友好的HLS格式，并利用Nginx进行高效分发，最终结合Video.js构建前端播放页面，实现无需插件的跨平台实时监控。方案具有免费、轻量、稳定、易于部署的特点，适合中小企业、个人开发者快速搭建内部监控或展示系统。
全国各省份影像下载地址（11级别）
cesium中使用urltemplate加载，leaflet中使用tile加载，具体加载有问题可以给我留言。
免费的WebService接口和API
天气预报Web服务，数据来源于中国气象局 Endpoint http://www.webxml.com.cn/WebServices/WeatherWebService.asmx Disco http://www.webxml.com.cn/WebServices/WeatherWebService.asmx?disco WSDL http://www.webxml.com.cn/WebServices/WeatherWebService.asmx?wsdl IP地址来源搜索 WEB...
移植 lwip，在 windows 内核构建一个 TCPIP 协议栈
移植 lwip，在 windows 内核构建一个 TCPIP 协议栈 亲，当你点开看这篇文章，就说明你知道我想要干什么事情，或者说，你知道在 Windows 的内核种绕开它的网络协议，再独立构建一个网络协议栈的意义。如果你要问我有 windows 系统的网络协议栈不用，移植 lwip 有什么意义，那么你可以关闭链接走人了，因为这篇文章不适合你，它不是讲 lwip 移植原理的。 经常关注我的博客的朋...
各种免费的API，手工整理，免费API
好东西是要大家一起分享的！ 数据来自：图灵聊天机器人、百度开放平台、eolinker的API Shop、非思丸…… 一、图灵聊天机器人 http://doc.tuling123.com/openapi2/263611 二、百度地图开放平台 http://lbsyun.baidu.com/index.php?title=webapi 三、eolinker - API Shop 生活常用 常见疾病查询...
硬件工程师入门进阶，一文搞懂，看这篇就对了
每家公司的datasheet都有严格的规范，及独特的风格，有时候还会穿插一些原理性的介绍，比如ADI公司的一些ADC/DAC器件资料里面，还会包含AD/DA转换的原理性讲解内容，Datasheet既可以是我们设计上的好帮手，也是学习的好资料。在出货量大的产品中，尽量减少物料种类，比如开头说的，1%的电阻不得不用，那么5%的替换成1%的，物料种类就减少一种，量就大了，能不能争取更优的价格呢？如果说前面学的是内功，那这一关，是招式、是工具的使用，原理图和PCB设计都有对应的工具，教程也很多，且比较容易上手。
快手did did_gt edid的注册过程
接口 https://gdfp.ksapisrv.com/rest/infra/gdfp/report/kuaishou/android did 是本地生成的16进制 或者 获取的 android_id did_gt 是did生成时间戳 1595073601970 public static final Random f16237a = new Random(System.currentTimeMillis()); public static long m19668a() { &n
php采集节目单,基于PHP的电视节目预告示例代码-六派数据
示例代码本代码示例是基于PHP的六派数据接口进行数据请求API服务请求的代码示例，使用前你需要：以下是完整代码示例：require_once("curl.func.php");$method = "POST";$url = "http://open.liupai.net/tv/query";$headers = NULL;$params = array("appkey" => "yourap...
新手入门：从零开始学习PCB飞针测试全流程（附常见问题解答）
本文详细介绍了PCB飞针测试的全流程，从核心原理、设备解析到实操步骤和常见问题解答，帮助新手快速掌握这一电子制造领域的关键质检技术。内容涵盖测试资料准备、参数设置、设备操作技巧以及故障排查方法，特别适合小批量PCB生产的质量检测需求。
API 接口合集
api接口总结
Ubuntu 20.04 server 安装
Ubuntu 20.04 server 安装 前面我们介绍了 Ubuntu Desktop 版本的安装，今天我们来看看 Ubuntu server 版本的安装。Ubuntu Server 版本的安装和 Desktop 有很大的区别，并且全程不能使用鼠标，只能通过键盘。 从光盘或 U 盘启动到 Welcome 界面，选择语言，一般都是使用 English，所以保保持默认，直接按回车即可； 系统检测到了新的版本，问你是否是否更新，这里我们不需要安装新的版本，所以选项 Continue without upda
东北大学计算机预推免（双非友好）
东北大学，个人觉得在985里面对双非比较友好，而且学校的计算机专业实力也比较强，上岸难度不算很大，可以重点关注一下。学校复试审核的时间比较早，拿到复试资格之后，一定要留意报名系统首页中计算机学院的信息，学校也会在全国各地不同时间安排面试，可以根据自己的情况选择一个合适的时间前去面试，并且有对应面试场次的QQ群，信息会在群里面发布。面试成绩会在预推免系统中直接公布，但是是否拟录取不会公布，需要考生自行判断，今年计算机学院录取线定在了86分左右，最终递补下来，好像录取到了84分左右。
免费API
各类免费的API，好东西是要大家一起分享的！ 数据来自：图灵聊天机器人、百度开放平台、eolinker的API Shop、Face++…… 一、图灵聊天机器人 http://doc.tuling123.com/openapi2/263611 二、百度地图开放平台 http://lbsyun.baidu.com/index.php?title=webapi 三、eolinker - AP...
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
5分钟上手tmdbsimple：Python电影数据API调用入门教程
tmdbsimple是一个用Python编写的The Movie Database (TMDb) API v3包装器，通过调用tmdbsimple中可用的函数，你可以简化代码并轻松访问大量电影、电视和演员数据。无论是开发电影推荐系统、分析影视数据还是构建影视资讯应用，tmdbsimple都能帮你快速实现与TMDb API的交互。 ## 快速安装tmdbsimple的两种方法 tmdbsimpl
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")
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
public-api-lists分类详解：从动物API到视频API，满足你所有开发需求
public-api-lists是一个免费API的集合列表，专为软件和Web开发提供丰富的接口资源。无论是寻找动物图片API、视频数据接口，还是金融、天气等各类API，这里都能满足你的开发需求。 ## 为什么选择public-api-lists？ 在开发过程中，找到可靠且免费的API往往是项目成功的关键一步。public-api-lists项目汇集了来自全球的各类免费API，涵盖从动物、艺术到
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。
实用的API各类接口
API各类接口 股票数据API接口:https://wwwjuhe.cn/docs/api/id/21 全国WIFI接口:https://wwwjuhe.cn/docs/api/id/18 星座运势接口:https://wwwjuhe.cn/docs/api/id/58 黄金数据接口:https://www.juhe.cyc/id/29 语音识别接口:https://wwwjuhe.cn/docs/api/id/134 天气预报API接口:https://wwwjuhe.cn/docs/api/
常用的wsdl地址
WEB服务地址使用 http://www.webxml.com.cn/zh_cn/web_services.aspx http://www.webxml.com.cn/WebServices/WeatherWebService.asmx 天气预报Web Service，数据来源于中国气象局 Endpoint Disco WSDL IP地址来源搜索Web Serv...
tmdbsimple源码解析：TMDB API接口封装的设计与实现
tmdbsimple是一个轻量级的Python库，专为TMDB（The Movie Database）API v3提供简洁封装。通过该库，开发者可以轻松实现电影、电视节目、演员等影视数据的查询与管理，无需深入处理API请求细节。本文将从架构设计、核心实现和使用场景三个维度，解析tmdbsimple如何优雅地封装TMDB API。 ## 一、核心架构：面向资源的模块化设计 tmdbsimple采
几个好用的webservice
天气预报webservicehttp://webservice.webxml.com.cn/WebServices/WeatherWS.asmx http://www.weather.com.cn/static/html/weather_cj.shtml ============================================ 天气预报Web服务，数据来源于中国...
互联网 公开的Webservice
备注：以下所有的来自 互联网，版权归原作者所有 股票行情数据 WEB 服务（支持香港、深圳、上海基金、债券和股票；支持多股票同时查询） Endpoint: http://webservice.webxml.com.cn/WebServices/StockInfoWS.asmx 复制 Endpoint Disco: http://webservice.webxml.com.cn/WebSe...
测试必须了解的20个免费webservice接口
本转载为https://www.cnblogs.com/JiYF/p/6169349.html 天气预报Web服务，数据来源于中国气象局 Endpoint http://www.webxml.com.cn/WebServices/WeatherWebService.asmx Disco http://www.webxml.com.cn/WebServices/WeatherWebS...
【转】网上常用免费WebService地址
网上常用免费WebServices集合 天气预报Web服务，数据来源于中国气象局 公用事业http://www.webxml.com.cn/WebServices/WeatherWebService.asmx 中国股票行情分时走势预览缩略图 http://www.webxml.com.cn/webservices/ChinaStockSmallImageWS.asmx 中国股票行...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
6806
扫一扫
