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
2.4w累计阅读
2.5w+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
修改~/.Xdefaults文件
! English font
xterm*faceName: DejaVu Sans Mono:antialias=True:pixelsize=24
! Chinese font
xterm*faceNameDoublesize:WenQuanYi Zen Hei Mono:antialias=True:pixelsize=2
更改pixelsize即可更改字体大小
修改颜色：
! colos
XTerm*background: black
XTerm*foreground: lightgreen
xrdb ~/.Xdefaults
告别版本过低提示！微信3.9登录修复与聊天记录无缝迁移全攻略
本文详细解析了微信3.9版本过低提示的根源，并提供了完整的修复方案和聊天记录迁移指南。通过专用修复工具绕过版本检测，以及新旧版本聊天记录目录对比，帮助用户实现无缝迁移。特别提醒备份重要数据，确保操作安全。
如何使Xterm字体变大
参考文章：https://qastack.cn/ubuntu/161652/how-to-change-the-default-font-size-of-xterm 第一步：在Home目录下新建./Xresources文件（如果没有的话）： 第二步：在该文件下添加以下内容： ! Use a truetype font and size. xterm*faceName: Monospace xterm*faceSize: 14 其中字体样式和字体大小都可以自己设置。 第三步：在终端运行如下命令： x
C# WinForm项目目录结构详解：从入门到精通（附常见问题解决方案）
本文详细解析了C# WinForm项目目录结构，从解决方案与项目基础结构到核心文件功能，再到关键目录解析，帮助开发者快速掌握WinForm项目组织方式。文章还提供了常见问题解决方案，如引用丢失、配置文件不生效等，是WinForm开发从入门到精通的实用指南。
linux中xterm窗口怎么调整字体大小
在home目录下搞一个设置文件 .Xresource，里面内容如下。然后把设置文件添加到 .tcshrc 文件中生效。这样重新打开的xterm字体就比较大了。
VCSA 6.7证书更新全流程指南：从故障诊断到完整替换
本文详细介绍了VCSA 6.7证书更新的全流程，包括故障诊断、证书替换操作步骤及常见问题解决方案。通过使用官方脚本和证书管理器，帮助管理员快速解决证书过期问题，确保vCenter系统的稳定运行。特别强调了STS证书修复和全量证书重置的关键步骤，适用于vcsa6.7环境下的证书管理需求。
air780e stm32标准库发送英文短信，如何实现？(附相关源码，仅供参考)
🏆 本文收录于《全栈Bug调优(实战版)》专栏，致力于分享我在项目实战过程中遇到的各类Bug及其原因，并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者，本文将为你指引出一条更高效的Bug修复之路，助你早日登顶，迈向财富自由的梦想🚀！同时，欢迎大家关注、收藏、订阅本专栏，更多精彩内容正在持续更新中。让我们一起进步，Up！Up！Up！ 备注： 部分问题/难题源自互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验总结所得，数条可行方案供所需之人参考。
linux 修改Xterm的默认大小
一种治标不治本的方法，鼠标放在xterm窗口内，按住ctrl+鼠标右键，会出现选项栏，里面可以有small medium large huge等选项，选大的就行，但是每次都要这样操作，很烦。再打开xterm就发现大功告成啦，字体已经大了许多，如果你嫌还不够大，就把文件中的size改的更大一点嘛。由于电脑屏幕分辨率高，加上本身xterm的默认窗口和字体大小就很小，所以看上去非常困难。随后使用touch命令，在home文件夹中创建Xresources文件，首先home文件夹下，鼠标右键，打开终端。
【问题解决】Python 运行报错 `ModuleNotFoundError` 全网最全解决方案，一文搞定所有导包问题
本文全面解析Python中常见的ModuleNotFoundError和ImportError问题，提供从基础到高级的解决方案。文章首先分析问题原因，包括模块未安装、环境不一致、路径问题等，然后给出7种解决方案：安装缺失模块、检查Python环境、使用虚拟环境、添加搜索路径、相对导入、setup.py安装本地包和使用__init__.py。针对Jupyter Notebook、Docker容器等常见场景提供专门解决方案，并推荐使用requirements.txt、pipenv等预防措施。最后分享调试技巧，帮
Ubuntu的XTerm字体太小处理方法
Ctrl+鼠标Right Click。可以看到菜单，然后调整。
Open3D (C++)球旋转算法（BPA）三维建模
球旋转算法用于点云三维建模的C++代码实现。
VS Code下载安装与使用教程
VSCode下载安装与使用教程
Mobaxterm调整软件以及终端字体大小
选择一个session，右键选择Edit session，然后在terminal settings中选择Terminal font setting修改即可。在Settings中找到Display，然后在最下方“Graphical interface elements size”里选择即可。
人工智能在软件测试中的广泛应用领域
人工智能在软件测试中的应用领域涵盖了自动化测试、缺陷预测和缺陷检测、智能化测试报告生成等方面。以上提供的示例代码只是其中的一小部分，实际上，人工智能在软件测试中还有许多其他的应用。通过结合人工智能和软件测试，可以提高测试效率和质量，减少测试工作的人力成本，并帮助开发人员更好地理解和改进软件产品。人工智能（Artificial Intelligence，简称AI）在软件测试领域的应用越来越广泛。下面将介绍几个人工智能在软件测试中的主要应用领域，并提供一些相关的源代码示例。
vnc 字体设置_Xterm字体大小的设置
建议你直接用 gnome-terminal，这个修改更智能简单。[root@station2 .vnc]# vi ~/.Xresources! % xrdb -load ~/.Xresources! % xrdb -query! % xrdb -symbol! % xrdb -merge ~/.Xresources! XTerm configXTerm*locale: trueXTerm*font...
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。
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")
XTERM相关
XTERM行数限制 $vi /etc/X11/app-defaults/XTerm *saveLines: 1024 1024改为65535，太大会内存分配失败 复制 鼠标左键选中要复制的内容，鼠标中键复制 字体大小 *faceSize:12 管理员在2
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
彻底解决 Xterm 的中文显示问题
2019独角兽企业重金招聘Python工程师标准>>> ...
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
linxu Xterm设置
Linux下xterm字体设置 [root@station2 .vnc]# vi ~/.Xresources ! % xrdb -load ~/.Xresources ! % xrdb -query ! % xrdb -symbol ! % xrdb -merge ~/.Xresources ! XTerm config XTerm*locale: true XTerm*
debian xterm configuration
2019独角兽企业重金招聘Python工程师标准>>> ...
linux如何打开xterm的密码,Linux：xterm基本配置
bash >> gedit ~/.Xresources加入以下内容：--英文字体xterm*faceName:DejaVu Sans Mono:antialias=True:pixelsize=14--中文字体xterm*faceNameDoublesize:WenQuanYi Micro Hei:antialias=True:pixelsize=14Xterm*locale:zh_...
xstart更改界面格式
xstart界面文字显示太小，更改该配置可提高观感
ubuntu 11.10 下XTerm的配置（可显示和输入中文）
2019独角兽企业重金招聘Python工程师标准>>> ...
MobaXterm常用设置
一、切换小标签（tab） Ctrl+Tab键：向右切换 Ctrl+Shift+Tab键：向左切换 二、设置字体大小
如何让xterm正确显示中文
<br />原理就是，给xterm选择一个比较全的字体文件，比如 iso10646-1 。<br /> <br /> <br />默认安装好Xorg的xterm后，如果使用默认的配置很多中文的显示都是小方框，也就是无法显示。有2个方法可以暂时解决这个问题，不过都不是特别完美，只不过通过修改配置，或者改变了字号。估计是默认的点阵字体不全的原因，只有默写字号有比较全的字体。<br /><br /> 方法1：<br /> 修改：/etc/X11/app-defaults/XTerm 中：<br /> *VT
tools-centos-配置xterm
1.创建文件 sudo gedit .Xresources 输入内容： Xft.dpi: 96 xpdf.title: PDF XTerm*locale: true XTerm*utf8Title: true XTerm*fontMenu*fontdefault*Label: Default XTerm*faceName: Lucida Console XTerm*faceNameDoublesize: LiHei Pro XTerm*faceSize: 10 XTerm*faceSize1: 10 X
Linux入门(15)——Ubuntu16.04安装codeblocks搭建C/C++的IDE环境
安装codeblocks： sudo add-apt-repository ppa:damien-moore/codeblocks-stable sudo apt-get update sudo apt-get install codeblocks 安装之后打开codeblocks，感觉比windows下的codeblocks高大上好多，界面字体各方面都挺满意。 但
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3109
扫一扫
