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
2.9k累计阅读
2.9k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
突然发现BoUML在Portage树中被AMD64关键字Mask了，为了保险起见就安装了和StarUML类似的开源UML工具，直接emerge argouml，出现了点小问题：
一.安装后无法运行
无法运行，提示“ERROR: unable to get localhost information.”
意思是/etc/hosts中，找不到当前主机信息，例如我的是HewigOvens'Gentoo，而非默认大localhost
解决方法是添加一行，echo "127.0.0.1 HewigOvens'Gentoo" >>/etc/hosts
二.运行argouml菜单乱码
这实际上是jre中没有中文字体导致，解决方法如下：
mkdir $JAVA_HOME/jre/lib/fonts/fallback
增加一个字体文件软链接即可，例如我用的是仿宋
ln -s /usr/share/fonts/ttf/simsun.ttf / $JAVA_HOME/jre/lib/fonts/fallback
Linux Platform
argoUML(中文版)
argouml一款很好的开源uml工具 中文版的
ArgoUML安装及一些简单的配置(一)
下载 https://www.filehorse.com/download-argouml/download/ 安装 基本就是下一步，下面解决的是出现问题 1） jre环境问题 如上图所示， 直接安装一个32bit的jre环境即可， 如果你觉得你安装了， 就看下是否32bit， 如果确实安装了， 就百度网上配置jre的环境变量即可; 界面语言切换 配置成中文: Edit->Settings->Appearance->Language 参数为zh_CN(中文 中国) 配置成..
ArgoUML-0.34(MAC)
1.提示javaSE版本6.0的，到apple官网下载系统6.0兼容包； 2.提示安装包已损坏的，这是系统限制，“安全与隐私”-“任何来源”（没有显示的自行度娘）
ArgoUML与StarUML的安装
ArgoUML与StarUML的安装
MQTT（一）C#使用 MQTTnet 快速实现 MQTT 通信（文末有完整Demo下载）
目录 MQTT（一）C#使用 MQTTnet 快速实现 MQTT 通信（文末有完整Demo下载） MQTT（二）在windows64位上安装Python环境 MQTT（三）Python客户端+net客户端+net服务端 简单通信 MQTT（四）树莓派开机自动运行Python客户端 MQTT（五）EMQ开源MQTT消息服务器 1 什么是 MQTT ？ MQTT（Message Que...
Scratch离线版部署指南：解决资源缺失与页面显示异常问题
本文提供了一份详尽的Scratch离线版部署指南，旨在解决网络依赖导致的资源缺失与页面显示异常问题。通过从基础文件获取、自动化资源抓取到生产环境部署的完整流程，帮助教育工作者和开发者在无网络环境下搭建功能完整的本地Scratch编辑器，确保编程教学的顺利进行。
专业的java建模工具,Java平台建模工具ArgoUML怎么样 Java平台建模工具ArgoUML详情介绍...
ArgoUML是一款运行在Java平台的开源UML建模工具，UML建模工具ArgoUML,纯java实现！支持UMLL 1.4规范。但是目前不支持基于代码的逆向工程。很多小伙伴对此还不是很了解，下面就让小编为大家介绍一下Java平台建模工具ArgoUML详情，感兴趣的小伙伴一起来看看吧。Java平台建模工具ArgoUML怎么样 Java平台建模工具ArgoUML详情介绍支持英语，法语，德语，中文等...
域控制器迁移后NETLOGON共享丢失的修复指南
本文详细解析了在Windows域控制器迁移后NETLOGON共享丢失的故障现象与修复方法。通过使用Dcdiag工具诊断，定位注册表键值SysVolReady异常及SCRIPTS目录缺失等核心原因，并提供了修改注册表、创建目录、重启Netlogon服务等逐步修复指南，帮助管理员快速恢复域用户登录功能，确保业务连续性。
ArgoUML 的简单用法
今天下载了一个ArgoUML 软件，感觉还挺好用的，但是这个软件网上使用教程还是很少，官网上也是没写完的教程，所以简单介绍一下最基本的使用方法吧。1. 建立一个类下载安装ArgoUML软件，我的操作系统式mac （黑），安装后发现大部分是中文的，除了右下角的属性窗口是英文的。2.为类添加属性和方法添加完类的属性和方法后左边的工程树就会显示刚刚添加的属性和方法之后我们就可以点击...
如何在高版本的ubuntu系统里安装gcc4.1.2
1、下载安装包，一共五个http://archive.ubuntu.com/ubuntu/pool/universe/g/gcc-4.1/，根据计算机系统位数 进行下载，64位下载amd64结尾的。开头分别是cpp-4.1_4.1.2、g++-4.1_4.1.2、gcc-4.1-base_4.1.2、gcc- 4.1_4.1.2、libstdc++6-4.1 2、使用sudo d
从后端角度浅谈抗辐射设计----三模冗余(TMR)
三模冗余设计(TMR)，是最常用的一种容错技术，三个模块采取相同的操作，以多数相同的输出作为表决系统的正确输出，即3取2，因为三个模块是相互独立的，而其中两个模块同时出错的概率是极小的，因此便可保证系统输出的可信度。然而这个设计也会存在面积浪费，功耗的增加，而且由于是冗余的设计，在后续进行综合或者pr的时候会被工具优化，因此需要对模块进行don’t touch设置；通过增值表得到，逻辑关系表达式为：Q=(Q1&Q2)|(Q1&Q3)|(Q2&Q3)，通过工艺库的stdcell进行搭建，得到如下电路。
UML建模工具ArgoUML概述
ArgoUML是一款运行在Java平台的开源UML建模工具，支持UMLL 1.4规范。但是目前不支持基于代码的逆向工程。 1.官网http://argouml.tigris.org/ 2.许可证EPL 1.0 3.ArgoUML的使用 JRE 1.5及以上版本下载Windows的发布文件ArgoUML-0.34-setup.exe安装ArgoUML-0.34-setup.exe启动Ar
Tmux学习总结
Tmux 重要概念 使用 Tmux 的时候千万不要去背指令，所有的指令都可以在 .tmux.conf 配置文件中绑定自己顺手的快捷键，也可以配置开启鼠标。 这个是我的配置文件：https://github.com/zuorn/tmux.conf 在Tmux逻辑中，需要分清楚Server > Session > Window > Pane这个大小和层级顺序是极其重要的，直接关系到工作效率： Server：是整个tmux的后台服务。有时候更改配置不生效，就要使用tmux kill-
优秀UML制图开源工具--ArgoUML
一直就很羡慕开发Java的朋友们，有那么多称手的工具，为了能更好的进行软件项目管理，居然可以在用UML做好建模之后，就可以利用工具直接生成 Java代码，真正做到了设计与编码两不误，也不再需要在设计和编码两者之间权衡各自的时间了。尤其是在Eclipse下，各式各样的工具插件琳琅满目，让人目不暇给。可在PHP中就少得可怜了，好一点的多为商业软件，而且颇有很多自认为高手的大力推荐类似写字板的程序，以显...
这个AI工具可以把产品说明书转成演示视频，老板狂喜
回顾本文，我们从“传统视频制作的痛点”出发，拆解了AI将产品说明书转为视频的核心技术（NLP文本理解→CV画面生成→视频合成），并提供了3类工具实操方案（SaaS/开源/API）。推广成本降80%，制作效率提90%，产品迭代与推广终于能“同频”；摆脱对专业团队的依赖，自己就能快速产出高质量视频；对技术爱好者来说，这是一个“AI多模态融合”的绝佳实践案例（NLP+CV+语音合成的综合应用）。今天就找一份产品说明书，用HeyGen或Pictory试做一个视频。
Android Audio其他——数字音频接口（附）
数字音频接口 DAI，即 Digital Audio Interfaces，顾名思义，DAI 表示在板级或板间传输数字音频信号的方式。相比于模拟接口，数字音频接口抗干扰能力更强，硬件设计简单，DAI 在音频电路设计中得到越来越广泛的应用。
初识argoUML，UML自动生成代码
因为在学习由模型自动生成代码，所以先了解一下这个UML-->代码的自动化。在这里先试着使用了argoUML，感觉还挺方便的。 先下载这个软件 链接：https://pan.baidu.com/s/1XZIbqtgtIIYFosNcViOcGg 提取码：y6ne ...
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
ArgoUML
ArgoUML 是一款开源的 UML 建模工具, 支持所有 UML 1.4 的标准图形. 它可以运行在任何 Java 平台上, 并且支持 10 种语言 (地区语言而不是编程语言). ArgoUML 目前的最新版本是 0.26, 支持 Linux, BSD, Mac, Windows 等多种操作系统. 图形的显示方式有多种可选 (默认有 UML 1.4, Java 和 C++ 三种). 可生成...
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
开源UML建模工具：ArgoUML
ArgoUML(http://argouml.tigris.org/)是开源的UML建模工具，支持所有UML 1.4标准的图形。支持英语，法语，德语，中文等等10种语言。安装后可以在菜单Ｅdit⇒Settings中的Appearnce的language下拉框里面选择中文后重新启动就可以了。主要功能类别： ・Use Case Diagram ・Class Diagram ・
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")
解决Firefox无法打开问题，提示Couldn’d load XPCOM
最近通过emerge安装了Eclipse，结果把libjpeg.so也作为依赖更新了，后来打开firefox，半天没有反应，在shell中打开，提示Couldn’d load XPCOM。我又试了一下别的程序，Konqueror、Seamonkey、Galeon、Epiphany、Thunderbird、Webhttrack都无法打开了，Konqueror还好，有提示，说找不到libjpe
Gentoo中文step by step
安装好Gentoo Linux之后，显示中文是当务之急，其实gentoo的文档做的已经很好了，这里记一下，下次就能快速设置了。 Step1 设置locale 1>编辑/etc/locale.gen，在最后加入两行“zh_CN.UTF-8 UTF-8”和“zh_CN.GBK GBK”，如下 zh_CN.UTF-8 UTF-8zh_CN.G
安装Gentoo Livedvd到硬盘
Linux的重要性毋庸置疑，而之前也玩过不少发行版，最开始玩的是Fedora，后来为了寻找服务器版本又装过RHEL5，听说CentOS后，在RHEL5的基础上，替换掉了RedHat的Logo，通过yum更新成了CentOS5，至于桌面发行版的光刻盘就N张，用LiveCD也玩过不少Linux，有Ubuntu、openSuse、gOS、jolicloud、Mono。这一次打算迁移到Gentoo
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2764
扫一扫
