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
400+累计阅读
472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
忘记从什么时候开始，进入最近的学习阶段，不想让自己的努力被自己遗忘在脑后，记录一下。
1.看完了阿里出的Sophix的热修复书籍，大体有了一点了解
2.学习了之前计划很久RecyclerView 发现也没有想象中的那么困难，只不过是对于未知的东西的一种恐惧和抗拒，迟迟没有完成计划（给自己加分，用了MVVM来写RecyclerView的所有功能，顺便也熟悉了MVVM的架构模式）
3.OkHttp,Retrofit,MVVM完成新项目的基础知识的学习，为了更好的开始完美版盒伙人，了解但不深入
这是以上已经进行完的学习。
接下来，我要做理财方面的学习，暂时还是在看穷爸爸富爸爸，初步对于自己的观念有一些改变，希望之后学习更多的理财知识。
技术方面：
1.kotlin我觉得还是需要去学习一下
2.RxJava还没有进行过系统的学习，这是一个难啃的技术
3.surfaceView之前都没有听说过，应该是进阶用的控件，准备去学习一下
4.搭建一个工程的架构（学习春南的一些案例，去自己试着做一下）
个人随笔记录-写给自己的博客
HID报告描述符实战解析：从Usage到Item的完整设计流程
本文深入解析了HID报告描述符的设计流程，从核心概念Usage（用途定义）入手，详细阐述了如何通过Item（条目）的三种角色——全局、局部与主干，构建出能被系统正确识别的设备“说明书”。文章以标准USB鼠标和键盘为例进行实战拆解，并介绍了使用Report ID与自定义设备等进阶设计方法，帮助开发者掌握这一实现USB设备即插即用的关键技术。
近况记录
工作近况 2017年的7月底到8月中旬是我进入公司以来最最忙碌的时候，我看了自己的工时，8月第一周我的工时是66小时，每天都加班到十点，这样的工作持续了两周。 七月底，接到了优化项目的要求，花了三天时间熟悉整个系统，但是恨不得每分每秒都想如何优化，想出改进方案。那个周末，一躺下脑子里就全都是优化的思路和想法。后来，我分析为什么会那么急切的想要做出方案。可能有几个原因， 1.进入公司一年半，
如何在软件复位后保留指定RAM区域的数据
本文主要介绍S32K144的RAM retention功能
2018.08.11_近况&将来
2018.08.11_近况&将来 一篇博文，仅当留念。 近况 ; 1.1 笔记本方面 新笔记本电脑买回来已经快两个月了，感觉各个方面都蛮好的。笔记本嘛，一看CPU、内存，二看显卡，三看HDD、SSD。 我笔记本大概I5，没什么大想法；N卡1050Ti，没记错的话。 好好说说第三个方面，三星SSD 128GB，这个不是很满意，想在SSD上装Win10和Ubuntu双...
cut&tag学习笔记
上图是我得到的结果，下图是教程的结果，比对结果有一些差异，我也不知道具体原因是啥。谷歌了一下，发现原因可能是因为环境变量的问题，系统不知道picard的具体位置，需要设置全局环境变量，遂查了一下picard的位置。我发现我做出来的结果测序深度一致，但是比对的结果有一点差异，不知道是我的操作问题，还是参考基因组更新了导致比对结果出现了些许不同。上图是我得到的结果，下图是教程的结果，除了IgG_rep1外比对结果一致。上图是我的结果，下图是教程的结果，结果不太一致，不知道是具体的原因是什么。
单细胞分析实战：用R语言绘制带连线的堆叠柱状图（附完整代码）
本文详细介绍了如何使用R语言绘制带连线的堆叠柱状图进行单细胞转录组数据分析，特别适用于展示细胞比例变化趋势。通过完整代码示例和实战技巧，帮助研究者优化多组别比较的可视化效果，提升科研图表质量。
2017年中秋前记录
昨天徒步回来路上，遇到之前公司的同事，真好他下班，邀请我去他家做客，特别不好意思。去了他的两个宝贝女儿，活泼开朗，逗得我也很开心，讨论了下孩子的成长，大家的近况，我还带着最近的问题，咨询了下他，他给我提了几个新东西，记录一下 1.ETL 提取转换下载 2.工具KETTLE 3.springData 融合了jpa 消息队列
STM32F103C8T6实战：从零搭建三相SPWM逆变器（附MATLAB仿真、PCB、源码）
本文详细介绍了如何使用STM32F103C8T6单片机从零搭建三相SPWM逆变器，涵盖硬件选型、PCB设计、SPWM算法实现及MATLAB仿真。项目提供完整的工程文件，包括源码、PCB设计和仿真模型，适合电子工程师和学生进行实践学习。通过本教程，读者可以掌握逆变器设计的核心技术和调试方法。
2016-2017，盖个时间戳
每年一次的个人小结，雷打不动，虽然晚了几天，还是要写给自己。 先回顾一下之前的小结，一晃这篇已经是第十年写小结： 2007总结 2008展望（可惜msn的space已经死了） 2008年小结，我想，我就从这里开始 2010年1月2日晚：我的2009 新年快乐，2010年小结 2011的最后一天 2012过去了 我的2013 2014完（个人年终小结） 2015小结，2016，继续向前 2...
lgv20刷twrp_LG港版v20 root
这是LG港版v20 root，整理了一下有关LG港版v20的官方固件包了，有没有需要的呢，这里把固件包整理一下也是方便大家以后好下载了，因此有一些机友还是不知道在哪里下载官方的rom包，在这里说的固件rom包也就是原版的系统包了，大家可以放心的使用，这些系统包也都是支持线刷的，大家下载下来解压出来根据里面的相关教程来操作就可以了，很简单的，如果你也需要的话就一起来看看吧。软件提示注意!! 此过程会...
不会路由器叠加多条宽带？看这个就够了，能让你的局域网速度更快！
通常我们在企业网络或实际项目中，随着用户的增加，一条或者几条带宽不能满足正常使用，便可以对带宽进行叠加，便于网络带度更快；通常家里有可能有两条带宽的，联通或移动的，可能都是充话费送的，但网速都不怎么样，不用可惜，用之委屈，那怎么办呢？如在迅雷上开启下载，多个资源同时下载，此时总带宽可以达到120M，也就是WAN口带宽可以叠加。多wan口路由器， 一般是有2个wan口，分别为wan1与wan2。当然也有更多的wan口的。[1] 对整个局域网来说，出口带宽数量多了，相当于总带宽上升，这样是可以起到叠加效果。
拥抱变化-记我的2017
2017 年，对于我和家人来说，都是变化很大的一年。这一年，我们举家从北京搬到了深圳，在一家新公司，开始了全新的工作和生活，担负起全新的责任。 2017 年初，我还在北京，Face++，从事计算机视觉，具体说是人脸识别相关的开发工作。那时候，整天忙着人脸识别技术的研究和落地，憧憬着人工智能的美好未来，憧憬着人脸识别在各行各业的广泛应用，仿佛一些都与人脸有关。我们组开发的人脸识别、人脸关键点检测、人...
微信公众号 - 超详细 H5 网页接入微信支付功能，开发网站微信支付最详细的教程示例代码（微信公众号前端支付 JS-SDK / JSAPI 微信H5授权登录支付，唤起微信支付）最新超级详细教程
H5页面接入微信支付功能，前端网页端怎么做微信JSAPI支付，vue网站接入微信JSSDK支付，vueH5项目如何做使用微信支付，端h5调用微信支付jsapi方法，前端vue开发的H5网站怎么微信支付最详细的教程示例代码，vue怎么调取微信支付流程，将H5接入微信支付退款，vue网站怎么搞微信支付，H5前端开发网站在微信环境内H5调起微信支付，react项目h5如何调用微信支付的方法，nuxt.js项目vueH5集成微信JS支付，网站怎么做出H5微信公众号支付，请问vue.js这个框
笑面的学校日常（14）最近一次更新2017 04 06
未完待续…… 14：卡贴 我的卡贴做好了！！ 我做了200张，只有两三张有点模糊，海狗日天他们俩每人做了个二三十张，结果只有两三张清楚，哈哈哈哈…… 班里有好多男生说杀生丸是女的！！！这怎么能忍？还有没有童年了？？？？ 燕禽兽竟然指着说这是女的！Ｏ(≧口≦)Ｏ怎么可以这样！！！！！ Ｏ(≧口≦)Ｏ(ノω<。)ノ))☆.。 13：好悲催 自从我调了班...
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
物联网成全球热点 七大看点全面呈现行业近况
随着互联网的不断发展，我们的生活也在逐渐与网络产生关联。物联网是互联网发展的产物，这是一个基于互联网、传统电信网等信息承载体，让所有能够被独立寻址的普通物理对象实现互联互通的网络。其具有：智能、先进、互联的三个重要特征。物联网发展在全球来说，都已经成了热点，下面让小编带你一起细数那些物联网中的看点。 一、物联网之智能制造、机器人 1、德国日本侧目!国产首...
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")
【年终总结】个人的2017年年终总结
时光荏苒，岁月如梭今年注定是不平凡的一年今年的大事记 1季度仍然是奋战在空铁开发一线，完成各项杂七杂八的业务需求，不过这时候的节奏已然放慢许多，主要是规范了各种流程，正式需求走邮件，留下证据，避免了很多产品不假思索的提完需求之后改了又改的情况，比上一年那种动不动就熬夜升级的状态，有很大的好转。 4月份异动到技术部，空铁团队虽然名义上还在，但实际上已经宣告解散了，这个时候的控制权已经不是自己，各...
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
软件工程实践2017-结对项目第一次作业
制作人: A同学 : 031502610 B同学 : 031502609 工具: - 墨刀原型设计 风格: - 无配合 - 无组织 - 无纪律 目录: 一. 需求分析 ( N ) * 1.1 情景 * 1.2 存在问题 * 1.2.1 学生端 * 1.2.2 部门端 二. 软件设计 ( A ) * 2.1 逻辑图 * 2.2 功能设计 * 2.2.1 学生 * 2.2.2 部...
让0球平局怎么算_利物浦或留力战热刺，本轮战富勒姆需抢开局，有平局的可能...
英超第12轮有三场比赛是在周一凌晨开战，这其中就有利物浦对阵富勒姆的比赛，因为红军目前和热刺同积24分钟排名第一和第二位，所以球队如果爆冷失分的话，则可能被对手拉开差距。富勒姆本赛季表现很低迷，目前排名第14位，比降级区的伯恩利多一分，也可以说本轮输球就可能滑入降级区，这对于球队来说也是无法接受的，所以这场比赛富勒姆是力拼。因为周六的比赛中切尔西0比1不敌埃弗顿爆冷输球，所以利物浦更需要全力以赴。...
80后打工人天花板，从普通员工到总裁的开挂人生
普通大学毕业，从小米跳槽到OPPO，6年时间从一位普通的职员晋升为OPPO集团副总裁的沈义人，最近又有了新动态。 先把时针拨回两年前，2020年4月20日，OPPO副总裁沈义人在微博以“朋友们，后会有期”正式从OPPO离任。原因则是个人健康问题，原OPPO总裁刘列接任，从而直接戳破了那些外界所谓的“阴谋论”。 再2年后的今天，4月23日，沈义人在微博以长文形式自曝过去及近况。首先，他再次强调自己是因身体原因才选择离开，彼时的他身体健康问题已经严重影响到日常生活与工作。办理离职手续的时间是2021年3月22
伪造keep跑步截图_运动不止，烧钱不息，融资5亿难解keep困局
文/覃静5月19日，Keep对外宣布已于年初完成8000万美元E轮融资，时代资本领投，GGV纪源资本、腾讯、晨兴资本和贝塔斯曼亚洲投资基金等原有股东跟投。此轮融资后，keep估计超10亿。众多明星资本站台，但keep的近况却不如表面那么光鲜。5月24日，香颂资本董事沈萌在接受某媒体采访时说到："Keep只是产业细分中的一环，不具备整合产业链形成生态的能力。"Keep可谓是近年来国内健身科技领域的明...
安川机器人报错代码_今日 IPO｜对标库卡机器人的先惠技术上市 近八成收入靠上汽...
面对全球金融体系的重构，与中国资本市场的变革。「晚点」希望从小处入手，以每日 IPO 公司的快速报道，记录这个时代的变化。通过「晚点早知道」，我们希望可以让读者只需要花几分钟时间，就可以了解到当天上市公司里，最重要的是哪几个，它们都是一家怎样的公司，未来可以有怎样的期待。在需求放缓、补贴退潮等诸多因素影响下，中国工业机器人行业开始降速。文 | 万珮编辑 | 宋玮8 月 11 日，汽车自动化设备生产...
Prometheus（普罗米修斯）用户档案：动态化特性加速weaveworks云原生程序的发展
有些时候，两件东西搭配起来的效果太好了，以至于你都纳闷，为很么一开始人们为什么会把它们分开， 就像花生酱跟巧克力合在一起做成的Reese的纸杯花生巧克力（一种北美很流行的零食）。而考虑到kubernetes同Prometheus的结合体，这也让我自然而然的想到了waveworkers，一个对容器和微服务的网络，监控以及管理的实现。 Weaveworks的技术负责人Tom Wilkie，最近在他的...
（全）Word Embedding
原文链接：https://blog.csdn.net/L_R_H000/article/details/81320286 最近做完UNIT一个小项目后，结合同时期看KBQA的文章，对NLP/NLU方向产生了比较大的兴趣，想深入学习一下，结合一篇综述Recent Trends in Deep Learning Based Natural Language Processing（参考文献[5]为其阅读笔记）的阐述顺序，
为何会见证电子/电气（E/E）架构的演进
为何会见证电子/电气（E/E）架构的演进
汽车电子入门 --- 汽车上看不见的软件系统
汽车电子入门 --- 汽车上看不见的软件系统
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
282
扫一扫
