社区
非技术区
帖子详情
哪里可以下到Dawamish?
incool
2006-02-13 10:17:29
谁可以给个地址呢,google上找了下没有
...全文
88
4
打赏
收藏
哪里可以下到Dawamish?
谁可以给个地址呢,google上找了下没有
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
4 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
Overriding
2006-02-13
打赏
举报
回复
这个东西就不用网上找了吧!:)
hedonister
2006-02-13
打赏
举报
回复
安装了VS2003就有,上面正确
JzeroBiao
2006-02-13
打赏
举报
回复
http://download.microsoft.com/download/visualstudio.netenta/smpDCS/7.0/NT5XP/EN-US/Duwamish7-CS.cab
------------------------
PS:VS.NET下自带
hedongfu
2006-02-13
打赏
举报
回复
好像安装了VS2003就有吧,在安装目录下找找看
分析
个人总结: PetShop采用的是最常见的三层应用结构,分别为表示层,中间层和数据层。而Duwamish则采用的是一个四层应用结构,并使用不同的项目分隔开,分别为表示层,业务外观层,业务规则层和数据层。 Duwamish书店,它采用的是DataAdapter和DataSet配合的数据存储模式Duwamish采用的是以DataSet为核心,所以整个应用的数据传输,数据格式定义,数据校
对比.NET PetShop和Duwamish来探讨Ado.NET的数据库编程模式
个人总结: PetShop采用的是最常见的三层应用结构,分别为表示层,中间层和数据层。而Duwamish则采用的是一个四层应用结构,并使用不同的项目分隔开,分别为表示层,业务外观层,业务规则层和数据层。 Duwamish书店,它采用的是DataAdapter和DataSet配合的数据存储模式Duwamish采用的是以DataSet为核心,所以整个应用的数据传输,数据格式定义,数据校
NET学习经典例子:.NET PetShop和Duwamish简单介绍
.NET PetShop和Duwamish简单介绍 相信大家一定听说过有名的"宠物店大战",没错,本文的主角之一就是获胜方.NET PetShop,微软号称以27倍的速度和1/4的代码量遥遥领先于基于J2EE的PetStore宠物商店。虽然SUN也曾对此抱怨过不满,指责此"大战"有水分,不过无论如何,.NET PetShop绝对是一个经典的.NET实例教程,至少为我们提供了一条赶超J2EE的“捷...
Model-Card-License-Drift-Rollback-Proof-v1.0-原创源码与文档.zip
100个独立原创工程工具中的单项资源,具体功能以资源文件名及README为准。每个压缩包均包含可运行源码、可复现合成示例、3项自动化测试、离线HTML/JSON/SVG报告、1080×720真实运行截图、运行说明、MIT License和原创与授权声明。Node.js 18+可直接运行,不包含榜单项目源码、模型权重、品牌Logo、官方截图、论文、生产日志或其他受限素材,适合开发者学习、工程预检和二次扩展。
【可再生能源场景生成】使用生成对抗性网络的数据驱动场景生成方法研究(该方法基于两个互连的深度神经网络与基于概率模型的现有方法相比)(Python代码实现)
内容概要:本文研究了一种基于生成对抗网络(GAN)的数据驱动可再生能源场景生成方法,通过构建两个互连的深度神经网络——生成器与判别器,实现对风电与光伏发电出力时间序列的高效建模。该方法克服了传统基于概率统计模型在刻画非线性、强波动性风光数据分布时的局限性,能够有效捕捉复杂的时空相关性与多模态特征,显著提升生成场景的真实性、多样性与时序一致性。研究重点采用Wasserstein GAN(W-GAN)架构,并结合Python编程实现模型训练与验证,展示了其在新能源功率预测、不确定性量化及电力系统优化调度中的应用潜力,配套提供了完整的代码资源以支持复现与拓展。; 适合人群:具备一定机器学习与深度学习基础,从事新能源发电预测、电力系统规划、微电网优化或不确定性建模等相关领域的科研人员、研究生及工程技术开发者;熟悉Python编程并希望将前沿深度学习模型应用于能源时间序列建模的专业人士。; 使用场景及目标:①应对风光发电强随机性与间歇性带来的建模挑战;②生成高质量、多样化的典型出力场景用于鲁棒优化、随机规划与机会约束调度;③支撑储能配置、电力市场仿真、需求响应等决策分析;④探索W-GAN在多变量时间序列生成中的结构设计与训练稳定性优化策略; 阅读建议:此资源强调理论与实践深度融合,建议读者在掌握GAN与Wasserstein距离基本原理的基础上,结合所提供的Python代码进行逐模块调试与实验分析,重点关注损失函数设计、梯度惩罚机制、模型收敛性判断及生成结果评估指标(如分布相似度、自相关性保持等),并可进一步迁移至其他高不确定性的能源数据生成任务中。
非技术区
7,776
社区成员
63,111
社区内容
发帖
与我相关
我的任务
非技术区
.NET技术 非技术区
复制链接
扫一扫
分享
社区描述
.NET技术 非技术区
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章