MOD8ID加密芯片手册-MOD8ID加密芯片可完美替代ATECC608A,ATECC508A系列。集成起来非常方便。如果之前使用过ATECC608,基本无需做任何改动。 MOD8ID 加密芯片,全面支持TLS,secureboot,密钥协商,通讯加密,证书与密钥存储等功能,应用于物联网终端安全认证,蓝牙,WIFI加密,传感器数据加密认证保护,区块链设备认证,LORA/NB-IOT加密与认证等。应用于车载安全,智融家居,联网工控,智能监控,网关设备等各领域
2022-05-31 22:00:06 514KB 文档资料 ATECC608A ATECC608B MOD8ID
1
找资料做WINFORM来嵌入一个浏览器来开发,CS和BS想结合来,开会的程序有CS的性能,也有BS的灵活,因为内容来自服务器端,C#自带的WEBBROWSE,对很多网页的新的技术不太友好, 现手上接了一个项目,通过WINFORM程序能嵌入POWERBI的报表,POWERBI做好的报表可以引用一个URL连接,而这个连接可以在浏览器里运行,不过不是每个浏览器都可以运行,要支持才可以,自带的WEBBROWSE就不行了,改成EDAGE内核也不行,经过研究 发现了 谷歌出品的 Chrome 浏览器插件CefSharp, 完美支持C# VB.NET。 我的例子,还支持打开多页 TABS (像CHROM浏览器一样) 支持 SESSION 共享 (可以多个页面共享一个登录的SESSION) 并写下一步步代码和教程。 由于插件比较大,所以下载的包就没有上传,只留下代码部分 不过我教程里已经写下怎样下载,相信按一步步操作,肯定可以成功的。
2022-05-23 19:01:05 1.52MB C# WebBrowse 多页 Chrome
1
纺织包装 免费和开源的 TexturePacker 替代品 目前的特点: 最小和最大纹理尺寸 非二次幂纹理大小 “架子”和“堆栈”布局 遮罩、修剪、填充和挤出精灵 自动旋转精灵 在 MIT 许可下发布。 有关条款,请参阅许可证文件。
2022-05-20 10:39:10 776KB Python
1
支持各种文件内容检索,文本,word,excel,js,java等,只能检索文件里的内容,和win7的索引功能几乎一致,速度还要更快一些,但不能像evertthing那样检索文件名。模糊匹配是一个字一个字的匹配,不太好用,但精确匹配相当的好用。适用场景:非win7系统,索引工具不好用的地方,能用索引还是推荐索引,用过的都说香。如果你没有积分,直接度娘搜索找资源下载也可以的,有积分支持一下就更好。文件有一个过期时间,过期之后,卸载重装就可以继续用,作者貌似都已经找不到了,所以解不到锁的。
2022-05-16 20:03:32 30.69MB 搜索神器 索引替代 win7索引替代工具
1
MultiscaleTopOpt:使用晶格微尺度响应的替代模型的3D多态拓扑优化代码
2022-05-16 15:26:31 8KB matlab math-physics MATLABMATLAB
1
在本教程中,我正在研究在代码中使用millis函数。 描述它与使用延迟功能相比具有的优势。
2022-05-16 15:22:07 265KB delay millis multitasking
1
链路概率模型 (LPM) 可用作指数随机图模型 (ERGM) 的替代方法来模拟网络数据。 LPM 根据基于历史频率的链接概率来表征网络。 在本文中,LPM 与 ERGM 进行了比较和对比。 通过将这两种方法应用于四个纵向数据集来检查这两种方法的相对效用。 描述了这两种方法在数据需求、可扩展性和假设方面的相对优势和劣势。
2022-05-13 09:54:57 180KB Exponential random graph models;
1
使用redisson替代jedis中的的对应方法,以及对应的redis的命令在这三方中对应查询及操作,
2022-04-30 22:28:03 129KB redisson jedis
1
WebView2兼容VUE ,替代Electron/CefSharp的放哪(自定义浏览器内核)
2022-04-28 17:10:21 7.41MB 浏览器
1
调谐斯克莱恩 Tune-sklearn是Scikit-Learn的模型选择模块(GridSearchCV,RandomizedSearchCV)的替代品,它具有尖端的超参数调整技术。 产品特点 以下是tune-sklearn提供的功能: 与Scikit-Learn API的一致性:在标准Scikit-Learn脚本中更改少于5行即可使用API​​ []。 现代调整技术:tune-sklearn使您可以通过简单地切换几个参数来轻松利用贝叶斯优化,HyperBand,BOHB和其他优化技术。 框架支持:tune-sklearn主要用于调整Scikit-Learn模型,但它也支持并提供了许多其他带有Scikit-Learn包装器的框架的示例,例如Skorch(Pytorch)[ ],KerasClassifier(Keras)[ ],和XGBoostClassifier(XGBoost)[]。 向上扩展:Tune-sklearn利用 (一个用于分布式超参数调整的库)在不更改代码的情况下并行化多个核甚至多个机器上的交叉验证。 查看我们的和(针对master分支)。 安装 依存关
1