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
300+累计阅读
376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
像我这样优秀的人，就应该骂骂咧咧的过完2020年的最后一天!
2020年的最后一天，竟然是对接口跨的年！
2020年的最后一天，收到了十月的工资！
技术踩坑、认知博文59篇。
技术踩坑、认知博文大概50~60篇的样子。jeecg-boot。scott发的中秋福利，在这里再次感谢scott！JEECG开源团队在2021年更上一层楼，开源软件收获更多star。
汽车只能承载躯壳，机车才能驾驭灵魂。
实“鼠”不易，“牛”转乾坤。
淦！2021加油！！！
MagicDraw-需求图
MagicDraw学习笔记
2020，实“鼠”不易
牛年大年初一，闲暇之余，回顾鼠年点滴，记录下人生轨迹，以后回过头来浏览，也能有一丝成长印记
UWB灵犀遥控器方案介绍
UWB灵犀指向遥控器的技术原理和方案介绍
总是在设计程序，我们可以“设计人生”吗？
大家好，我是老马。作为一名程序员，我常常思考产品设计、版本迭代、用户体验、高可用架构、MVP模型……这些名词我们熟得不能再熟。但回头看看自己的生活，却总觉得被困在某种循环里：每天重复敲代码、开会、修 Bug、迭代，连思考“我想要什么样的人生”都变得奢侈。有没有想过，我们既然能设计出好用的 App、稳定的系统，为什么不能？最近我无意间刷到了一场来自斯坦福大学的演讲，名字就叫《今天想在这里记录一些自己的思考，分享给同样困惑的你。
IAR许可证Generation 18代际不匹配问题解析与解决
IAR Embedded Workbench 的许可证机制采用‘代际（Generation）’模型，而非简单版本号匹配——这是一种基于数字签名算法、加密协议和硬件绑定策略演进的授权安全体系。Generation 18 是 v9.30 及以上版本强制要求的许可代际标准，对应 ECDSA 签名与增强型硬件指纹校验，旨在提升防破解能力与平台适配性。当旧版许可证（如 Generation 16/17）被用于新 IDE 时，启动器会在本地完成代际校验并直接拦截，导致‘The generation feature is
从图像处理到AI：手把手教你用Halcon DL Tool完成第一个缺陷检测项目
本文详细介绍了如何使用Halcon深度学习工具（DL Tool）完成金属表面缺陷检测项目。从环境准备、数据采集标注到模型训练与部署，手把手指导工程师快速构建AI质检系统，显著提升工业缺陷检测效率。特别针对金属反光等难点问题提供实用解决方案。
生于越南，“开源改变了我的人生！”
注：本文精选自《》，欢迎。作者 | 王启隆责编 | 唐小引出品 | 《》编辑部随着人工智能浪潮的席卷，开源不再仅仅是计算机领域的一个话题，而是成为推动技术创新、促进协作的重要引擎。我们可以经常看到类似于“”这样的头条新闻，“大人物”们的一举一动都在影响整个技术界。但是，在这场庞大的风云之下，技术界有一群不同领域背景的个体正在努力工作，他们是开源世界中的“小人物”，是推动这场技术革命的重要一环。
python监听海康威视报警服务器
因为我使用海康威视摄像头是自带热成像的所以事件报警会上报两张图片，一张是RGB图像、另一张是热成像图像，因此使用。拿到的就是第一张RGB图像。可以点击测试，会显示。
人生K线小程序
根据题目的作答情况，算法会评估一个它认为合理的分数，并针对具体的选择，给出性格特质、事业运势、财富运势、婚姻感情、健康状况、六亲关系的一些分析评价。完整版的48道题目，很多题目相对没有特别明显的绝对正确，反而有一定的参（科）考（学）价（依）值（据），毕竟老话讲的是「选择决定命运」。AI生成的题目类型，涉及的主题比较多，包括人生抉择、对待挫折的态度、社会关系的角色、对待风险的态度、感情问题的处理方式等等。第二个阶段，敬畏命。路在那里，也能够看到前行的方向，我似乎能做点儿什么，努力让它有一些向好的改变。
知识图谱初步学习（一）——本体+Protege新手学习
文章目录前言（本体详解）1.本体概念2.本体分类3.本体组成4.本体构建方法一、protege简介二、软件使用步骤1.安装2.使用三、问题解决方案汇总 前言（本体详解） 在开始学习知识图谱的过程中，首先就是要了解什么是本体（ontology）。 1.本体概念 本体的概念最初源自于哲学领域，在哲学中的定义为“对世界上客观事物的系统描述，即存在论”。哲学中的本体关心的是客观现实的抽象本质。而在计算机领域，本体是可以在语义的层次上来对知识进行描述，可以看做是某一个领域知识的通用模型。 本体是从客观世界中抽象出来
神经形态芯片：IBM TrueNorth技术详解以及应用案例
2018年的一项演示中，机器人使用TrueNorth处理了复杂的路径规划，功耗仅为传统系统的1/10。它通过模仿人脑的结构，解决了传统芯片在功耗和并行性上的痛点，并在图像识别、物联网和机器人等领域展现了强大潜力。：不同于传统芯片的时钟驱动，TrueNorth是事件驱动的。例如，工厂中的振动传感器使用TrueNorth检测设备故障的早期迹象，实现了更高效的维护策略，避免了停机时间。：在医疗领域，TrueNorth可以用于可穿戴设备，比如一个智能助听器，它能过滤噪音并增强特定声音，功耗低到可以用纽扣电池供电。
PHP程序员应该如何利用 ”自我人生目标体系“ 来提升自己？底层原理是什么？
明确核心价值观：通过内在动机确保行为与个人价值观一致，增强满足感和持久动力。设定长期愿景：通过远见卓识为短期决策提供方向感，帮助克服途中的障碍。分解短期目标：通过SMART原则将大目标拆解成易于管理的小步骤，便于追踪进展。定期回顾与调整：通过反馈循环不断评估现状与预期之间的差距，及时调整方向。培养终身学习习惯：通过成长型思维模式适应挑战并取得进步。通过理解和实践这些原理，PHP程序员不仅能在上述建议中找到提升自我的方法，还能从中受益，最终实现更好的职业发展和个人成长。
CGAL 网格等高线计算
CGAL 网格等高线计算
高考之后，未来的路决定好了？来看看python为何能带你牛转乾坤！
高考即将到来，面对这一人生的这第一场大战，很多人已经有备无患了。这场大战将会觉得未来的路要怎么走，因此，它才至关重要。当然，人生也不会完全由高考决定，还有很多路来等待着我们去发现。现在的社会拥有一项技能至关重要。而现在对编程语言的需求量，随着科技时代的到来，越来越高。编程语言中入门容易的非python莫属了。 相较于Java和C这样的语言，python更注重的是效率，这使得python在开发者中倍受欢迎。当然注重效率肯定不会是python的唯一优点，python的优点有很多，如果你感兴趣的话请接着往下面看
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
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")
雷军：我的程序人生路
今天有朋友发给我一篇我在20年前在BBS上写的帖子。那还是1996年，我们通过电话线拨号连接到西点BBS上飙帖子玩的年代。那是一个互联网混沌初开的年代，那是一个BBS和Email几乎主宰了全部互联网的年代，那是一个青春的理想和热血沸腾的年代。我是一个程序员，一个软件工程师。到今天，我也依然是一个程序员，一个软件工程师。本文是20年前我对程序人生的一点看法。20年后的今天，重读之后，这依然是我对程序人生的态度。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
程序人生
1、假如编程易懂得，那么程序员就不会热情地写出注释，也不会有得到编程的快乐。 2、调试的错误就是编程给你最好的东西，因为在每个错误上面都标志着前进的一步。 3、程序员之所以犯错误，不是因为他们不懂，而是因为他们自以为什么都懂。 4、代码是最为耐心、最能忍耐和最令人愉快的伙伴，在任何艰难困苦的时刻，它都不会抛弃你。 5、编程是一种美德，是促使一个人不断向上发展的一种原动力。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
从爆火的《逆袭人生》到“地表最强”AI程序员Genie, 如何破局?
嗨, 大家好。最近发生的两件事, 让我感触很多, 也不由得产生了一丝焦虑. 我相信对深处职场的每一个人, 都会有影响。接下来分享一下作为“滋生”程序员的我的一些感受, 以及如何破局。从《逆袭人生》爆火开始相信大家最近都有看过(或者刷到过)《逆袭人生》这部电影.它讲的是曾经意气风发的高志垒（徐峥饰, 剧里是一位资深算法负责人）在生活的重压下，中年失业被裁, 在家庭和生活的重压下，被迫选择成为一名...
PHP程序员应该如何利用 ”人生感恩清单“ 来提升自己？底层原理是什么？
培养积极心态：通过正向心理学专注于个人的优势和积极经历。增强人际关系：通过社会支持理论建立强大的社交网络。提升自我效能感：通过自我效能理论相信自己有能力克服困难。改善情绪调节：通过认知行为疗法改变负面思维模式。促进职业发展：通过动机一致性确保目标与内在动机一致。通过理解和实践这些原理，PHP程序员不仅能在上述建议中找到提升自我的方法，还能从中受益，最终实现更好的职业发展和个人成长。此外，这也是一种更加积极主动的生活态度，符合现代社会追求全面发展和内心和谐的趋势。
PHP程序员应该如何利用 ”人生遗愿清单“ 来提升自己？底层原理是什么？
激发内在动机：通过自我决定理论激发内在的兴趣和价值驱动。促进全面成长：通过多元智能理论拓宽视野和个人发展。增强时间管理：通过优先级法则确保最重要的目标得到优先考虑。提高解决问题的能力：通过问题解决与创造力锻炼思维方式和技术水平。保持生活平衡：通过工作-生活平衡确保身心健康和个人生活的充实。通过理解和实践这些原理，PHP程序员不仅能在上述建议中找到提升自我的方法，还能从中受益，最终实现更好的职业发展和个人成长。此外，这也是一种更加积极主动的生活态度，符合现代社会追求全面发展和内心和谐的趋势。
PHP程序员应该如何利用 ”人生梦想清单“ 来提升自己？底层原理是什么？
明确长期愿景：通过远见卓识为短期决策提供方向感，帮助克服途中的障碍。激发内在动机：通过自我决定理论激发内在的兴趣和价值驱动。促进全面成长：通过多元智能理论拓宽视野和个人发展。增强时间管理：通过优先级法则确保最重要的目标得到优先考虑。提高解决问题的能力：通过问题解决与创造力锻炼思维方式和技术水平。保持生活平衡：通过工作-生活平衡确保身心健康和个人生活的充实。通过理解和实践这些原理，PHP程序员不仅能在上述建议中找到提升自我的方法，还能从中受益，最终实现更好的职业发展和个人成长。
“命”是常量，“运”是变量
“命”是常量，“运”是变量 在你的人生中，“命”是常量，“运”是变量。 “命”是先天注定、恒定不变的；“运”是后天培养、跌宕起伏的。 比如你是一棵小草，这是你的“命”，就不要非去改命当大树；但你可以通过你的行为改变你的“运”，即你的行为决定你是在长在大草原上还是臭水沟边的小草。 所以说，人不能不服“命”，但可以跟“运”斗。 你不要纠结你的种族、国籍、出身、原生家庭、先天性格与禀赋等属于“命”的因素，而应将力气用在知识、经验、情商、眼界等属于“运”的 因素，通过后天的努力刻苦和严格自律，朝着自己的人生目标不断
程序人生，中秋共享
让我们一起分享我们的程序人生，一起欣赏明月，一起感恩我们的生活。让我们一起，用心感受这个世界的美好，用心体验这个人生的丰富。
2024年1024程序人生总结
大家的日子都难熬的时候，就希望把对方先熬死，这样可以靠着吸对方的血过日子，这就是竞争的残酷之处，非我族类其心必异，不存在相濡以沫，只存在“死道友，不死贫道”，这就是残酷的经济搏杀。中美的经济博弈，谁输谁赢还很难讲，毕竟大洋彼岸曾经的奢华已不复往昔，罢工的罢工，停产的停产，铁锈带继续生锈，老百姓的日子很难过，所以才有了越来越普遍的零元购。现在的经济从通胀变成通缩，这代表经济不活跃了，就业机会少了，大家没了工资收入，创业又难上加难，这导致大家都不敢消费了，就怕哪天失业了却没有存款。为什么喜欢Bevy呢？
破茧成蝶！从躺平 “咸鱼” 到人生赢家，“志” 是他逆袭的唯一通关密码！
志不立，天下无可成之事”，这句话如同一座明亮的灯塔，穿越了历史的漫长岁月，始终散发着智慧的光芒，照亮我们前行的道路。从个人的成长发展，到社会的进步繁荣，志向都发挥着无可替代的关键作用。它是我们内心深处的动力源泉，赋予我们勇气和力量，让我们在面对生活的重重挑战时，能够坚定不移地朝着目标奋勇前进。在当今这个充满机遇与挑战的时代，虽然我们面临着各种诱惑和困难，但这也正是我们树立志向、实现自我价值的最佳时机。无论你是刚刚踏上人生旅途的年轻人，还是在人生道路上历经风雨的奋斗者，都不应忘记给自己树立一个明确的志向。
还在为副业焦虑？程序员的 “日志分析法”，帮你定位人生问题
程序员阿哲的副业屡屡失败，反映出许多技术从业者在跨界创业时的通病——习惯于代码世界的确定性，却在充满变数的副业中迷失方向。文章提出“日志分析法”，建议将查bug的思维迁移到人生规划中：1）全量记录关键细节，对抗记忆的选择性遗忘；2）筛选核心问题，剔除干扰因素；3）用5Why分析法追溯失败根源。通过案例展示，结构化记录能帮助发现“看似运气差，实则有迹可循”的真相，将失控感转化为可操作的改进点。文末建议立即开始用三行日志记录每日行动、反馈和思考，让模糊的失败
把程序作为人生，把人生当作程序
你的父母把你生下来，你的身体就是一台计算机，而上面运行的软件就是你的思想，这个软件版本高低功能的强弱，就看你的思想境界。思想软件需要你自己慢慢地去编写，可能父母教给了你最基本的语言，但是其他的高级语言和技能需要你长大以后要自己去学习，你能精通几门语言是你的本事。 第一步，随着你渐渐的长大，你开始有了需求，各种各样的需求，一开始你只是想要一块巧克力糖，一个新书包，一件新衣服，
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4134
扫一扫
