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
2.4k累计阅读
2.5k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
AI摘要
博客介绍了几款画图工具。VISIO需付费，大家多改用其他工具。Processon支持在线和chrome插件，但非无限免费；drawio开源，支持多种方式，离线使用方便；亿图图示是国产工程类工具，基础功能基本免费，云盘服务和高级模板收费。
VISIO虽然是画图工具的天花板，但是大多需要付费版本也挺麻烦的，基本大家都改用其他方式替代该工具
常用工具如下
| 开源 | 离线 | 在线使用 | 在线共享协作 | 自定义存储第三方 | |
|---|---|---|---|---|---|
| Processon | Y | Y | |||
| drawio | Y | Y | Y | Y | |
| 亿图 | Y | Y | Y |
drawio 默认不支持在线共享协作，除非你自定义存储到第三方云盘或者git上共享
支持：在线版本，chrome插件，需要联网登录
在线使用：https://www.processon.com/
Chrome的插件gliffy
一个在线画图网站，界面比较友好。然而它并不是无限免费的
支持多种方式：在线版本，离线客户端（支持mac,win），自己部署web；免登录；这是个开源的玩意儿，非常好用，样式可能要差点
在线直接使用：https://app.diagrams.net
离线客户端：https://github.com/jgraph/drawio-desktop/re
建议放弃了ProcessOn! 我找到了免费且比他更强大的替代品
集在线思维导图、在线流程图、项目管理、任务分发、即时通讯（IM）、文件管理于一体
三大免费Visio替代工具：ProcessOn、drawio与亿图图示深度对比
本文深度对比了三大免费Visio替代工具：ProcessOn、drawio与亿图图示。ProcessOn以实时在线协作为核心，适合团队快速对齐；drawio作为开源瑞士军刀，功能强大且完全免费，支持离线使用；亿图图示则提供类似Visio的工程化文件管理与海量精美模板。文章结合具体场景，帮助用户根据协作需求、使用习惯和图表复杂度选择最趁手的绘图工具。
三大免费Visio替代工具：ProcessOn、drawio与亿图图示全解析
本文全面解析三大免费Visio替代工具：ProcessOn、drawio与亿图图示，帮助用户根据需求选择最佳方案。ProcessOn适合在线协作，drawio以开源离线为优势，亿图图示擅长复杂工程管理。文章详细对比了各工具的核心功能、特色场景及适用环境，为个人用户和小团队提供高效、经济的绘图解决方案。
Drawio深度体验：一个开源工具如何做到比ProcessOn还好用？
本文深度评测了开源绘图工具Drawio，对比商业工具ProcessOn，在技术团队中的实际应用优势。Drawio凭借开源特性、隐私保护、开发者友好集成和细节处理，展现出更高的灵活性和效率，成为技术团队的首选工具。
告别Visio和draw.io：三类场景画图工具的替代方案与迁移指南
在软件工程与产品协作中，架构图、流程图、时序图是传递技术逻辑的核心载体。传统桌面绘图工具如Visio虽功能强大，但安装激活繁琐、跨平台协作困难，复杂图形下卡顿频发；而draw.io虽免费开源，却在视觉呈现、实时协作和版本管理上存在明显短板。随着AI辅助设计与代码化绘图理念的普及，以Mermaid、PlantUML、D2为代表的文本化绘图语言正成为技术文档与代码仓库中的主流选择——它们将图形逻辑沉淀为纯文本，天然支持Git版本管理与多人协作。同时，Excalidraw、tldraw满足快速构思场景，Proce
高效绘图工具盘点：drawio与ProcessOn的UML设计实战对比
本文对比了drawio与ProcessOn两款高效UML绘图工具的核心优势与适用场景。drawio凭借完全免费、工程师友好的操作逻辑和多平台无缝衔接，成为技术团队的首选；而ProcessOn则以实时协作和中文生态见长，更适合跨部门协作。通过电商系统类图的实战对比，帮助读者根据需求选择最佳工具。
全网最详细的下载、安装和使用绘图神器draw.io(drawio)，它比visio,processon,wps，亿图图示等更好用，最重要的是它免费
全网最详细的下载、安装和使用绘图神器draw.io(drawio)，它比visio,processon,wps，亿图图示等更好用，最重要的是它免费。
FFmpeg魔改指南：让RTMP协议完美兼容H265的三种方法（含SRS适配技巧）
本文详细介绍了三种让RTMP协议兼容H265编码的FFmpeg魔改方案，包括基于官方补丁的标准改造、Intel的SVT-HEVC集成方案以及金山云的自定义扩展方案。文章重点解析了各方案的实现原理与适配技巧，并提供了在SRS 6.0服务器上进行深度配置和性能调优的完整实战指南，帮助开发者解决H265推流至传统RTMP服务器的兼容性问题。
微信自动化进阶：Python识别特定消息并自动回复（基于win32api控件操作）
本文详细介绍了如何使用Python和win32api实现微信消息的智能监控与自动回复。通过精准识别聊天记录中的特定关键词，结合多级匹配策略和性能优化技巧，构建稳定高效的自动化回复系统，适用于企业客服、个人助手等场景。
CCD 技术介绍（基于innovus引擎CCOpt）
CCD：全称是，并行优化clock和data path。CCOpt：全称是Clock的timing分为两种模式，和。preCTS并没有clock,因此需要建立一个，从clock端口到寄存器CK端的来自sdc中的设置；postCTSupdateIO latency，clock就会自动的转换成propagatedclock，这时就是实际时钟互连线网络的delay。在实际设计中，clock起始于ideal。
基于STM32的智能浇花系统毕业设计（全部资料）
摘要：本文设计了一种基于STM32单片机的智能浇花系统，集成了环境温湿度检测、土壤温湿度监测、LCD显示、Wi-Fi联网及手机APP远程控制等功能。系统通过传感器实时采集环境参数，自动控制水泵工作实现智能灌溉，同时支持用户通过手机APP远程监控和调节。论文详细阐述了硬件选型、软件设计及系统测试过程，验证了系统的稳定性和实用性。该设计为家庭园艺提供了智能化解决方案，具有节水高效、操作便捷等特点。关键词：STM32；智能灌溉；远程控制；环境监测；Wi-Fi通信。
uniapp - 微信授权登录报错 errMsg“:“login:fail send“ | “code“:-100 | “innerCode“:-6，解决uni-app调用微信登录时没有响应且返回错误
uni-app，微信登录，微信登录报错，微信小程序，支付宝小程序，安卓app，苹果ios，nvue，H5网页网站，uniapp苹果安卓app，微信授权登录，uniAppAPP端微信登录报错，微信确认登录界面后点击登录报错，"errMsg":"login:failsend","errCode":-100,"code":-100,"innerCode":-6，都配置好了还是报错怎么办，uniapp微信授权登录报错，UniApph5对接微信登录出现错误，appid，应用签名，微信登陆,code:-100
【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part6基于图谱的问答实现
前序文章：本部分则是整个项目的核心内容——基于图谱的问答。需要实现的是对于“简单问题”进行解析，然后从图谱数据库中查询与该人员及其相关人员信息，返回到前端并显示该人员的基本信息。除此之外，用户可以点击返回的结果人员节点，页面能够显示该用户的个人基本信息。那么现在就开始吧。根据源码实现问答形式，其实是比较简单的。原代码中使用ltp对问题进行分词，选取具有名次词性的关键词进行处理。 ltp配置稍许麻烦，我使用jieba分词工具对问题进行分词，然后再按照原文提取问句中人物及关系，然后构建cypher neo4j查
基于 Mask R-CNN 的实例分割：从零开始构建一个强大的分割模型
在本文中，我们将介绍如何使用 Mask R-CNN（Region-based Convolutional Networks with Masks）实现实例分割。实例分割是计算机视觉中的一种任务，旨在识别并分割图像中的各个对象。我们将讨论如何准备数据集、配置 Mask R-CNN 模型并在自定义数据集上进行训练。
YOLO26改进策略【卷积层】| CVPR 2024 可变形卷积 v4（DCNv4）无界权重提表达 + 线程合并降冗余，强化模型收敛速度
DCNv4（Deformable Convolution v4）是一种专为广泛视觉应用设计的高效算子，它对DCNv3进行了关键改进，有效解决了DCNv3存在的速度慢和表达能力受限等问题。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
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")
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1190
扫一扫
