4. 网友提问：关于 SAP OData 服务支持业务数据批量创建与否的问题

网友向汪子熙发起咨询的 SAP OData 问题列表

本文记录了网友向 Jerry Wang 通过知乎咨询，CSDN 专栏订阅，知识星球和公众号私信等渠道发起咨询的问题列表和对应的解决方案，方便广大 SAP 从业者参考交流。

9. 添加了 @OData.publish 注解的 SAP CDS view 发布的 OData 服务，为何不支持修改和创建功能？

一个功能完备的 OData 服务实现，一般都支持对其底层数据模型的搜索和增删改查操作。使用 SEGW 开发工具，这些操作都必须手动实现。导入包含 @OData.publish: true 的注解的 CDS View，可以省去搜索和读取操作的实现，但修改和创建操作仍需手动实现。SAP 社区上除了我的博客外，也有其他从业者的分享文章，内容和我的文章大致一致，只是晚于笔者两年后发表。当然，笔者在 SAP 社区上的文章写于 8 年之前了。如果目前大家有更好的解决方案，欢迎分享。

SAP UI5 应用开发教程的学习目录 - 循序渐进，由浅入深，适合不同水平的 SAP UI5 开发人员

笔者在业余时间设计了这份 SAP UI5 学习教程，把开发一个完整的 SAP UI5 应用的流程，拆分成若干个步骤，力求每个步骤里，把涉及到的知识点都涵盖到。建议零基础或者对 SAP UI5 知之甚少的 SAP UI5 初学者，按照顺序从第一个步骤开始循序渐进地学习，把这些代码下载到本地，配合教程的文字讲解，自己动手，以加深理解。 对于已经有一定基础的 SAPUI5 开发人员，可以通过本文的目录，跳过前面一部分比较基础的章节，直接挑选对自己工作项目有关，或者包含某些知识点自己尚未掌握的章节来有针对性地学习。

ABAP 百科全书的阅读目录(2024版)

909 篇 ABAP 技术文章的目录

YOLO26算法室内家居椅子沙发目标检测+训练好的模型+689张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[椅子(Chair), 沙发(Sofa), 桌子(Table)] · 训练集：454 张 · 验证集：161 张 · 测试集：74 张 · 总计：689 张 该数据集聚焦室内家居场景中椅子与沙发的精准识别，为家居智能管理、家具电商商品识别等应用提供高质量标注数据，助力提升室内空间智能化管理水平。训练集454张、验证集161张、测试集74张的分配比例合理，充分覆盖不同材质、款式及光照条件下的椅子与沙发样本，确保模型训练、验证与测试环节的全面性与代表性。所有样本均采用严格标注规范，精准框定椅子与沙发的边界，标注一致性高，有效保障了模型训练的准确性与泛化能力... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 88 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9610** mAP50-95 | 0.8473 Precision | 0.8484 Recall | 0.9490 train/box_loss | 0.3764 train/cls_loss | 0.2789 val/box_loss | 0.5660 val/cls_loss | 0.3725 【训练过程分析】 训练过程分析的过程就像是在经历一场马拉松，每一步都充满挑战，尤其是在那个令人心潮澎湃的88个epoch的拐点。在训练初期，曲线走势平顺，模型在第10个epoch达到了一个小小... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。

NexIoT AI物联网平台 是一款基于Java 25 AI+创新的"真·零代码侵入"企业级物联网平台

基于Java 25 AI+创新的"真·零代码侵入"企业级物联网平台 | 开箱即用 | 设备驱动完全外置，一键导出即用 | 支持TCP、MQTT、Modbus、天翼物联等多协议多平台接入 | 基于浏览器的调试IDE、插件化和热部署 | 驱动生态共享，你对接的设备我可直接导入

commandlinetools-mac_x86_64-15859902_latest.zip

commandlinetools-mac_x86_64-15859902_latest

Delphi 13.2 nSoftware VCL 2026-10.rar

Delphi 13.2 nSoftware VCL 2026-10.rar

磁流变液：智能材料技术升级与汽车应用拓展推动市场稳步发展.docx

磁流变液：智能材料技术升级与汽车应用拓展推动市场稳步发展

高校技术转移办公室如何提升科研成果的市场化对接效率？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

科技中介服务机构如何借助平台实现服务流程标准化与智能化？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

336741fb98e51d81a9fe523a2d348835ec620835

336741fb98e51d81a9fe523a2d348835ec620835

妈妈杯A题（原文+最新数据）.rar

妈妈杯A题（原文+最新数据） 妈妈杯A题 原文+0-6分原始表分享 打 MathorCup 大数据 A 题的宝子注意 官方附件4只有 Z-score 标准化小数 赛题 Q1 要求的 0-6 分原始整数评分，官方没给很多人只能去猜仿射标定、正态截断…… 由于A题数据源自 Nature Communications 论文 发邮件咨询后原作者已补档 0-6 分原始数据至 Zenodo 公开库【已有11k次下载】 数据全貌（附件里可直接看） 250 款啤酒 × 16 位品评员 2197 次逐次品评，0-6 分整数评分 与附件4标准化数据相关性 0.9994 → 证明两者完全同构，真实 Ground Truth 直接公开 不用再猜标定方法了 ① Nature Communications 论文 ② 更新后的原始数据（Zenodo 新档）

产业园区运营负责人如何实现企业与高校的精准对接？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

国央企如何通过数智平台提升技术转化与创新管理的系统化水平？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

产业园区运营负责人需要哪些工具来精准匹配企业与科研机构的技术需求？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

MT-TSP在反海盗护航行动中，直升机巡逻可疑船只的移动目标旅行推销员问题研究（Matlab代码实现）

内容概要：本文针对反海盗护航行动中直升机对海上移动可疑船只的巡逻任务，研究了一类具有动态目标特性的旅行商问题，即移动目标旅行商问题（MT-TSP）。通过建立考虑船只动态移动的数学模型，设计并实现了相应的优化算法，旨在规划出能够以最短时间或最低能耗访问所有移动目标的高效直升机巡逻路径。研究采用Matlab进行算法编程与仿真验证，通过仿真实验分析了算法的有效性与实用性，为复杂动态环境下巡逻路径的优化提供了理论支持与技术方案。; 适合人群：具备运筹学、优化算法基础及Matlab编程能力的研究生、科研人员，以及从事海上安防、军事指挥、无人机/无人艇路径规划等相关领域的工程技术人员。; 使用场景及目标：① 解决海上移动目标的动态路径规划问题；② 掌握MT-TSP问题的建模方法与求解流程；③ 为反海盗巡逻、海上搜救、边境监控等实际军事与安全任务提供决策支持与技术参考。; 阅读建议：建议读者结合文中提供的Matlab代码进行动手实践，通过调整目标数量、移动速度、初始位置等参数，深入理解算法的运行机制与优化性能，并可在此基础上探索多直升机协同巡逻、避障约束、通信限制等更复杂的实战场景。

一阶倒立摆模糊PID控制与传统PID控制对比Simulink仿真系统设计

内容概要：本文设计并实现了用于一阶倒立摆控制系统的一套Simulink仿真系统，重点对比了模糊PID控制与传统PID控制两种策略的性能差异。通过Matlab/Simulink平台构建倒立摆的数学模型，分别搭建基于传统PID控制器和模糊PID控制器的闭环控制系统，开展动态响应、稳定性和抗干扰能力等方面的对比仿真。文中详细阐述了模糊PID控制器的设计过程，包括输入输出变量的模糊化、模糊规则库的建立以及解模糊化方法，并通过仿真实验验证其相较于传统PID在控制精度和鲁棒性方面的优势。; 适合人群：自动化、控制工程及相关专业的本科生、研究生及科研人员。; 使用场景及目标：①掌握倒立摆系统的建模与控制方法；②理解并实践模糊PID控制算法的设计与实现；③通过仿真对比分析不同控制策略的优劣，提升对先进控制理论的应用能力。; 阅读建议：建议读者结合Matlab/Simulink软件动手复现仿真模型，深入理解控制器参数调节对系统性能的影响，并尝试改进模糊规则或引入其他智能优化算法进一步提升控制效果。

有了网段为什么还要有VLAN？？？

近几日，在学习VLAN及VXLAN方面的知识，对于产生原因做一个总结及详解。 VLAN（Virtual Local Area Network，虚拟局域网），其主要用途是用来缩小广播域，即进行隔离。 先对广播域的一个概念做如下描绘：如下图，主机A、B、C、D均连接在交换机SW1上，其中A、C同网段为192.168.252网段，而B和D同网段，为192.168.250网段。 现，假如A与C第...

Comsol固体力学仿真﹣﹣受均匀内压的厚壁球壳弹塑性分析（加载卸载全流程）

COMSOL固体力学及结构力学仿真较少，故而查询了有关资料，才建立了如下模型。图4 加载卸载全历程中的冯米塞斯应力变化。该有限元模型是通过扫掠而得的结构化网格。图2 加载卸载全历程中的塑型区域变化。图3 加载卸载全历程中的位移应力变化。图6 关键节点第一，第三主应力分布。图5 关键节点应力场与塑性区分布。《弹塑性力学》大作业，记录一下。图1 球体的有限元网格模型。

《哥谭神话-工程篇》01.Palantir 平台架构解析-混乱数据如何转化唯一真相源？

Palantir 平台的架构哲学可以概括为将洞察落地为行动，其核心是将“获取唯一真相”能力深度嵌入现有的、复杂的工作流程中，成为提升运营效率和决策质量的倍增器。

FPGA与GPU异构计算：重塑嵌入式AI的算力边界与场景定义

本文深入探讨了FPGA与GPU异构计算如何突破嵌入式AI的算力瓶颈。通过分析工业视觉、智能交通及航天等场景，阐述了FPGA负责高速数据采集与预处理，GPU专注复杂AI推理的协同模式，有效解决了传统单一架构在算力、功耗、接口和实时性上的挑战，为嵌入式AI应用提供了高效能解决方案。

人形机器人_双足行走动力学：基于OpenSim平台的股骨模型与建模

摘要 本文系统解析了股骨模型的生物力学特性、建模方法及应用场景，并探讨了基于OpenSim平台的股骨与42块肌肉Hill-type建模的技术流程。股骨作为人体核心承重骨骼，其几何结构、力学性能及多尺度建模方法在医学仿真、假体设计和仿生机器人领域具有重要价值。OpenSim通过逆向动力学、肌肉力优化及多物理场耦合，为临床步态分析、手术规划及仿生系统开发提供量化工具。同时对比了Hill-type模型与其他肌肉模型的优劣，并展望AI驱动建模、智能材料集成等前沿方向。未来研究将聚焦个性化仿真、实时计算优化及生物-机

深入浅出之CSPBlock模块（YOLO）

YOLO CSPX模块是YOLO系列算法中的一个重要组成部分，它通过跨阶段部分连接的方式减少了计算量，同时保证了模型的准确率。在YOLOv4及后续版本中，CSPX模块被广泛应用于主干网络和Neck结构中，为模型提供了强大的特征提取和融合能力。

【Proteus仿真】基于AT89C51单片机的单片机双向通信

本文介绍了基于AT89C51单片机实现双向通信的系统设计。系统采用MAX232芯片实现TTL与RS-232电平转换，通过CONN-D9F接口建立串行通信连接。甲机程序通过按键控制发送不同指令字符，同时接收乙机数据驱动数码管显示；乙机程序根据接收指令控制LED显示状态，并可发送0-10数字至甲机。文中详细说明了MAX232电平转换原理、DB9接口定义，以及完整的单片机控制程序代码，包括串口初始化、数据收发处理等关键功能实现，为嵌入式系统串口通信开发提供了实用参考方案。

c++中，部署Ethercat IGH + PREEMPT_RT 环境，跑DC模式，如何实现？

🏆本文收录于 《全栈 Bug 调优（实战版）》 专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值 。

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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")

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示