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
800+累计阅读
800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
今天读完了上册，第一感受是，作者的知识面很广。行文流畅，通俗易懂，可以感受到作者查阅了大量的资料，并且有自己的见解，读完自己也有不少的收获。
上册的收获概括一下：
从D触发器到8位SAR ADC：Cadence Virtuoso完整设计仿真指南
逐次逼近寄存器型模数转换器（SAR ADC）是混合信号集成电路中的基础架构，其核心是一个由D触发器构成的时序状态机。在数字电路设计中，D触发器常用于数据锁存、移位寄存和时钟分频，而在SAR ADC中，它恰好承担了节拍发生与结果寄存的双重角色。理解D触发器的工作机制，是掌握逐次逼近逻辑的关键前提。工程实践中，借助Cadence Virtuoso平台，可以从门级搭建SAR逻辑，并结合动态比较器与电荷重分配电容DAC，完成从原理图到瞬态仿真的全流程验证。通过FFT分析计算SNDR与ENOB，能够量化评估ADC的动
《文明之光》读书笔记
最近在读吴军老师的《文明之光》，一些观点醍醐灌顶，所以写下读阅过程中的理解，以做记录。有错误之处，欢迎斧正，不胜感激！一年与半小时： 宇宙大爆炸，形成一片星云，星云在万有引力的作用下，逐步收缩，足够近的距离碰撞聚变，释放光和热并对外膨胀，收缩和膨胀持平，是以形成恒星。所以恒星内部是一个【动态平衡】的过程，当然一切都是过程，包括恒星的形成，运转和终结。恒星终结的时候，发生【超新星...
更新3ds时和用读卡器读取传输文件操作不当导致的tf卡损坏无法读取需要格式化时出现的问题以及不想丢失文件并且修复的详细解决方法
前言： 不小心按了同意更新而且tf/sd卡损坏导致了3ds打开后都是出现 Anerror has occurred:（红色的） Failed to apply 1 FIRM patch(es). Press any button to shotdown 这样的画面，按了任意键后就关机，我找了很多资料和大佬的回答解决了这些问题，现在记录一下。 一.不小心按了更新导致上述的画面 原因：是因为系统升级了，但是里面的Luma3DS还没有更新，属于是更新了但没有完全更新的状态。 **修复方法** 1.首先请按
推荐吴军的著作《文明之光》
在读完《浪潮之巅》之后深深地被吴军先生的眼界和见识所震撼，带着更强烈的好奇心打开了吴军的又一著作《文明之光》又被惊到了，序言是王石先生和张首晟教授所做，算是推荐吧。强烈推荐习惯历史的理工科的程序员们阅读，全书层层递进，逻辑清晰，思维开阔…… 困了，睡觉???? ...
Meta-World环境实战解析：pick-place-v2中的状态观测与动作控制
本文深入解析了Meta-World中pick-place-v2环境的强化学习实战要点。文章详细拆解了39维状态观测向量的构成与意义，包括机械臂末端、物体位置及目标坐标，并揭示了默认部分可观测设置的潜在影响。同时，阐述了4维动作空间的控制逻辑与奖励函数的分阶段设计，为训练高效稳定的抓放策略提供了核心指导与实用调优技巧。
PrimeTime low power-多电压设计流程（2）
get_power_switches`、`get_supply_nets` 和 `get_supply_ports` 命令的操作方式类似，并具有类似的命令选项。PrimeTime 根据 UPF 命令构建电源供应网络，包括 create_power_domain、create_supply_net、create_supply_set、create_supply_port、set_domain_supply_net 和 connect_supply_net。电源集句柄是为电源域隐式创建的一个抽象电源集。
读《文明之光》第三册 吴军
还记得《未来简史》的大思维导图 这本书讲艺术的内容多一点，兴趣不大，准备写个思维导图来让自己多个任务目标。 可惜图片上传 BLOG 不方便。 同类书集中写的比较好的。语句通顺（这样说是因为我刚说一本不通顺的。）。 故事，人物，逻辑性强。让人说起来好舒服。 推荐 4 星
漏洞挖掘之工具配置
本文主要讲解burp工具的插件安装。
《文明之光》第七章读书笔记
第七章——一个家族的奇迹——文艺复兴综述：美第奇家族曾是这个世界上最富有，最具影响力的家族，他们控制着欧洲的金融，与皇室联姻，左右着教皇的任命。虽然这个家族随着它的最后一位成员的去世而终结，可我们现在依旧可以看到他们的影子，那就是文艺复兴和欧洲的近代化。第一节——佛罗伦萨的往昔中世纪的欧洲，罗马占据着重要地位，人们络绎不绝赶往那里，通常会在托斯卡纳地区的一个小镇停留，稍作休息，兑换货币，这里就是佛...
QPrintPreviewDialog 打印预览使用实例
qt打印机预览实用demo
互联网的发展简史—web
互联网是我现在生活所离不开的一个东西，但是你知道互联网的前世今生吗？本文将讲解互联网的发展史，以及很火的元宇宙概念。
我读经典(6)：读《文明之光》有感
什么是文明？如果突然问大家这个问题，那么你可能会不知如何回答，感觉这是一个只可意会但不可言传的概念。 在新书《文明之光》中，吴军老师为我们带来了答案。继《浪潮之巅》和《数学之美》之后，吴军老师又出力作《文明之光》，将世界各地的主要文明为我们一一呈现和讲解。整套书现在出了第一册和第二册，加起来一共有16章。在这16章中，作者基本按照时间的顺序，从最古老的古埃及文明讲起，一直到美苏在航天方面的竞
【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)
【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)
品读吴军"之"系列
品读吴军"之"系列 这一两年，阅读吴军老师(微博,知乎专栏)的书占了我相当多的时间。 读吴军老师(微博,知乎专栏)的书，会让你心生敬佩，不禁想问“为什么有的作者有如此丰富的素材和宽广的知识面？”；读吴军老师(微博,知乎专栏)也会让你感到有些羞愧，作为IT从业人员，那么多该知道的东西都不知道，还要继续努力学习。如果早知道了，有那么多可以讲的故事，作为老师，自己上课的趣味性就会增加很多。 《大学之路》...
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
《文明之光》第三章读书笔记
第三章——垄耕种植法和科举综述：中国在工业革命之前统治世界的原因有四：物质生产，科技水平，生活水平，政治体制是否利于文明发展第一节——水利、垄耕种植法和农具1.首先想要种好粮食，灌溉是第一步。中国从战国开始兴修水利工程为农业发展打下基础，最伟大的水利工程——都江堰，使得自然条件极差的四川成为后来的天府之国。2.接着聪明的中国农民发明了垄耕种植法，简单来说就是将庄稼种在一排一排的垄上，垄与垄之间有沟...
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
吴军《智能时代》读书笔记
作者写这本书的时候时刻透露出自己对于人类文明的了解，和深深的人文情怀！ 在第一章里首先吴军从历史角度讲述了人类使用数据的实例，得出结论人类认识自然和科学实践的过程中总是伴随着数据的使用，获得和利用数据的水平反映出文明的水平。数据将成为下一次技术革命和社会变革的核心动力。 第二章大数据和机器智能 人工智能的算法从70年代就被发明，但是由于数据规模的局限性，机器表现的智能程度具有很大的局限性。当
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")
《数学之美》吴军-读书笔记
信息的冗余是信息安全的保障。 早起数字并没有书写的形式，而是掰指头，这就是我们今天使用十进制的原因。 1970年以后统计语言学的出现使得自然语言处理重获新生，并取得了今天的非凡成就。 一个句子是否合理，就看它的可能性大小如何。至于可能性，就用概率来衡量。 事实证明，统计语言模型比任何已知的借助某种规则的解决方法更有效。 词是表达语义的最小单位。 最好的一种分词方法应该保证分完词后这个句子出现的概率最大。 任何方法都有它的局限性，虽然利用统计语言模型进行分词，可以取得比人工更好的结果，但是也不.
吴军《智能时代-大数据与智能革命重新定义未来》读书笔记
吴军《智能时代-大数据与智能革命重新定义未来》读书笔记 1. 原有产业+新技术=新产业 原有产业+蒸汽机=新产业 (机械化) 原有产业+电=新产业 (自动化) 原有产业+摩尔定律=新产业 (信息化) 原有产业+大数据/机器智能=新产业 (智能化) 2. 使用数据的标准流程 获取数据 -> 分析数据 -> 建立模型 -> 预测未知 3. 机器智能 ...
吴军《数学之美》-读书笔记
《数学之美》读书笔记前言第一章-文字和语言 vs 数字和信息 前言 本来想把题目写作读后有感或者叫什么心得体会，但是斟酌之后又觉得好像不太是那么一回事，这篇博客的用意本身在于记录而非感悟，因此，叫做笔记似乎更为合适。不论是看到的一些我认为值得把它记下来的，或者是觉得有趣的，都把他记录下来，如果有心情的话再大言不惭的发表几句感想，也未尝不可。不在乎形式，不在乎精美与否，不在乎对错，只在乎记录，在乎分享美妙。希望感兴趣的读者去买一本来或者借一本细细品味，而非听我在这胡言乱语。 第一章-文字和语言 vs 数字和信
《数学之美》（吴军 著）读书笔记：第1章 文字和语言 vs 数字和信息
第1章有4个小节，以及前言。 前言 1、信息 2、文字和数字 3、文字和语言背后的数学 4、小结 下面我一一展开，让我们看看每一节都说了什么。 前言 语言和数字都是信息传播的载体，他们之间其实存在着天然的联系。而长久以来，数学的发展只是和一些科学研究和生产活动联系在一起，如物理学、经济学、工程学、建筑学等。但是很少有人把它和语言文字联系在一起，又听说过数学家成为建筑
《数学之美读书笔记1》
《数学之美》读书笔记1 有幸能够来到常熟理工学院来上学，应离散数学老师的要求，其实也不算要求，我也想将吴军博士的《数学之美》读完，做一个读书笔记。 以前在专科的时候，在我接触到人工智能与机器学习的领域的时候，就听说了吴军博士的《数学之美》特别好，我记得豆瓣评分特别高。吴军博士在google的时候，研究方向为nlp，在当今深度学习的潮流之下，nlp与cv是计算机领
读书笔记1
恩，读书还是应该要记笔记的。（之前豆瓣上的一些，恩，以后要严肃些。。。） 1.文明之光第一册 本来打算写一个读书笔记，但因为读完才有了此想法，，，整理起来发现，哎，太多的知识点了！朋友说吴军老师的书就像是整理的百度百科，某种意义上说，是的。但是吴军老师的“百度百科”是用简洁而富有逻辑的语言贯穿起来的，所以读来并不觉得枯燥无味。看完第一册《文明之光》，合上这本书，你若问我记住了多少，我只能惭愧的...
读书笔记之《元智慧》：人生少走弯路的6个方法
畅销书作家，著有《吴军阅读与写作讲义》《吴军数学通识讲义》《浪潮之巅》《数学之美》《文明之光》《硅谷之谜》《见识》《格局》《态度》等十余部畅销书，作品多次获得包括文津图书奖、中国好书奖、中华优秀出版物在内的图书大奖。元智慧是指那些最基本的、对人生非常重要的智慧，它们是每个人都需要了解和掌握的。元智慧不同于一般的知识，它更多地涉及到生活的智慧、为人处世的原则以及面对各种人生挑战时的应对策略。这些元智慧是作者根据个人经验和观察总结出来的，旨在帮助读者在复杂的社会环境中找到正确的生活和职业发展路径。
我在2017年春节期间所读的书及总结的读书笔记
我在2017年春节期间所读的书及总结的读书笔记。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
285
扫一扫
