現在の開発と導入計画


IOCPオーバーラップ/IOネットワークモデルの鍵割り当て


他のパソコンでキーボードで入力したものはすべて私のパソコンで見ることができます!
これはまだ足りない.一度に複数のパソコンをコントロールできる~@!
  • は、複数のクライアント
  • を調整することができる.
  • 英語区別大文字と小文字
  • 特殊鍵(スイッチキー、スペースキー、ロック、タブ)
  • を表示できます.
  • ハングルか
  • かは自分で判断できません.

    現在進行中です.
    まだ初期段階ですが、
    いくつかのデザインをしたいです.
    今は上の写真のようですが、気兼ねなく値切るだけです.
    その後、簡潔にロードしたい場合はウィンドウが表示されるコンソールも設計されました.
    あるいは、クライアントのウィンドウのみを管理...このように区分されます.

    Pythonの結果値をdllを使用せずにC/C++に読み込むプログラム


    #最近、深度学習について学んでいます.「Pythonで動作するマシン/深度学習の結果値をc/c++から取得できますか?」開発開始
    #Pythonで深さ学習で実行した結果値をc/c++に移動します.なぜなら、C/C++では、Python実行の深さ学習が実行時にロードされるからです.
    原理はとても簡単です.サブプロセスでPython Interplierを作成し、I/Oパイプラインインポートを開きます.
  • Pythonプログラムに特化していますが、すべてのプロセスに適用できます.
  • (当たり前)Pythonとその関連モジュールをインストールしてから正常に動作します!

  • 前に示したように、Pythonがスクリプト形式でロードされているわけではありません.
    実際、これはc++で作成されたプログラムで実行時にロードされたコンテンツをキャプチャした写真です.
    これも完全に開発初期の段階であり,設計を適用せず,テストのためにどのようにロードされるかを確認するだけである.
    これからはデザインをして、いろいろな形で配布するつもりです.
    ここで用いるpython符号は一般的な線形回帰符号である.
    混同する人々のためにもう一度言いますが、
    C/C++でdllのない運転時にPythonコードを実行し出力結果をロードするプログラムです.
    import tensorflow.compat.v1 as tf
    tf.disable_v2_behavior()
    
    xData = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
    yData = [1100, 2200, 3300, 4400, 5500, 6600, 7700, 8800, 9900, 11000]
    
    W = tf.Variable(tf.random_uniform([1], -100, 100))
    b = tf.Variable(tf.random_uniform([1], -100, 100))
    X = tf.placeholder(tf.float32)
    Y = tf.placeholder(tf.float32)
    H = W * X + b
    cost = tf.reduce_mean(tf.square(H - Y))
    a = tf.Variable(0.01)
    optimizer = tf.train.GradientDescentOptimizer(a)
    train = optimizer.minimize(cost)
    init = tf.global_variables_initializer()
    sess = tf.Session()
    sess.run(init)
    
    for i in range(5001):
        sess.run(train, feed_dict={X: xData, Y: yData})
    
        if i % 500 == 0:
            print(i, sess.run(W), sess.run(b), sess.run(cost, feed_dict={X: xData, Y: yData}))
    
    print(sess.run(H, feed_dict={X: [11]}))