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
700+累计阅读
702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
近日，看到一篇文章讲的挺好，这样的现实状况我感觉很平常也很正常。当然，如若我们善于学习掌握技能/能力（知识——>实践——>能力），内心足够强大、心智成熟稳重、怀揣万分感恩之心阳光开朗、够拼和开心快乐地生活着，就知足了。
往往当别人很客气或和和气气地和我们说话时，说不定就是：因为我们在他们那里还有重大利用价值或者是急于有求于我们，往往大部分人前提为的是“利益”，当然，这点分析得比较功利，但现实情况就是如此。即便如此，我们还是要想方设法地愉悦自我快乐自己整理自己的消极情绪，坦然微笑地去接受。仍记得这样一句话：读书，是为了我们能心平气和地和傻逼说话；锻炼身体，是为了让傻逼能心平气和地和我们说话。人善被人欺，往往误以为你的辛苦付出是理所当然的（还免费的廉价劳动力看待）。细想，觉得颇有些道理！
【文章】
金融波动预测：GARCH模型实战解析与ARIMA对比
本文深入解析GARCH模型在金融波动预测中的实战应用，并与传统ARIMA模型进行对比。通过沪深300指数日收益率数据的案例分析，展示GARCH模型如何有效捕捉波动聚集效应，提升极端波动预测准确率。文章包含Python代码实现、参数解读及模型选择指南，为量化交易者提供实用的波动率建模解决方案。
【转载】分析Http和Https的区别
https是什么？ https, 全称Hyper Text Transfer Protocol Secure，相比http，多了一个secure，这一个secure是怎么来的呢？这是由TLS（SSL）提供的，这个又是什么呢？估计你也不想知道。大概就是一个叫openSSL的library提供的。https和http都属于application layer，基于TCP（以及UDP）协议，但是又完全不一
CANOCO5.0实现冗余分析（RDA）最详细步骤
在地理及生态领域会常使用RDA分析，RDA的实现路径也有很多，今天介绍一下CANOCO软件的实现方法。1.不同样点和环境因子之间夹角是锐角 是正相关，是钝角是负相关。2.夹角越大 说明相关性较小，夹角越小，相关性越大。得有不同的物种或者样点数值，再加上环境因子数据。3.箭头越长 相关性越大。时间调整到2010年。
程序员，如何延长自己的职业生涯，不被沦为工具？
loonggg读完需要4分钟速读仅需 2 分钟今天在知乎上看到这么一个问题：程序员，如何延长自己的职业生涯，不被沦为工具？理论上来讲，每个职场人，不管从事什么行业，在什么岗位上工作，都是...
cs188Inference in Bayes Nets（贝叶斯网络的推理）
cs188Inference in Bayes Nets贝叶斯网络的推理Question1（3 points）：Bayes Net StructureQuestion2（1 points）：Bayes Net ProbabilitiesQuestion 3（5 points）：Join FactorsQuestion4（4 points）：EliminateQuestion5（4 points）：NormalizeQuestion 6（4 points）：Variable EliminationQuesti
一文解读DeepSeek训练数据集
本文重点以DeepSeek为例，详细介绍预训练数据集相关内容。大语言模型LLM（如DeepSeek、ChatGPT、文心一言等）的“智慧”源于它们学习的海量数据集。简单来说，数据集就是模型的“知识库”，通常由互联网公开的文本、图片、视频等。这些数据需满足两个特点：规模大和多样性。规模大是指数据量可达千亿级词汇，让模型学习复杂规律；多样性则涵盖多领域（如科技、文学）、多语言、多形式（对话、新闻），帮助模型适应不同场景。例如，训练数据中既有百科知识，也有日常对话，模型才能既解答专业问题，又能闲聊。
大一_计算机专业_职业生涯规划书(可拷贝在自己空间)
我一直相信我们自己的未来不是梦，因为我选择了我喜欢的计算机科学与技术（师范类）的专业，我录到了我喜欢的专业我觉得的梦想就能够更容易实现。每一位大学生今天规划好自己的明天，我们必须告诫自己:我不能被别人淘汰。而有一份长期稳定的规划是有必要的。首先，职业生涯规划是协助柔弱个体对抗变幻莫测的世界的一-种不变的工具。中国人讲究以“不变应万变”，所以需要有一份稳定的职业生涯规划了。那么对于在校大学生该怎样规划自己的职业生涯呢?对于在校大学生，首先要对自己有一个清醒的理解，知晓自己的优点、缺点等等自己生上的东西。
谐振电路原理与应用场景全解析
本文全面解析了谐振电路的原理、类型及其核心应用。详细阐述了串联谐振与并联谐振的工作特性，并重点介绍了其在无线通信调谐、音频处理分频以及电力系统滤波与无功补偿等关键场景中的实际作用。通过公式推导与实例分析，帮助读者深入理解LC谐振的选频与能量交换机制。
那些中国式家庭的小烦恼，我看用AI来解决就“都挺好” | 技术头条
戳蓝字“优快云云计算”关注我们哦！技术头条：干货、简洁、多维全面。更多云计算精华知识尽在眼前，get要点、solve难题，统统不在话下！转自：趣味科技v今天，又是《都挺...
【生产实践】PostgreSQL高可用Patroni安装（超详细已踩坑）
一 安装Patroni 0 Patroni 对Python的版本要求 我安装的是Patroni最新版本 ：4.0.3，Patroni 对Python 版本有要求，没有具体的版本矩阵，但是根据每个版本发布信息可以得到以下信息 Patroni 4.0 需要 Python 3.8 以上（可以根据下面发布版本信息推理出） Version 3.0.2 Version 3.0.2 dropped support of Python older than 3.6. 版本3.0.2不再支持3.6版本以下的P
【考研复试】西安电子科技大学上机题
【考研复试】西安电子科技大学上机题
程序员如何延长自己的职业生涯，不被沦为工具？
理论上来讲，每个职场人，不管从事什么行业，在什么岗位上工作，都是工具。 你就是资本家雇佣的一个去解决问题的工具，如果放大了来讲，资本家，老板也是这个社会的工具，因为他们是社会发展的一个工具。 或者这么讲，人人都是工具。 其实，你从延长职业生涯的角度来讲就挺好的，因为这个角度范围够大，可以聊的东西很多。 有的人说：你写出来的代码，只能你来维护，只有你能够看懂。这个理解就很狭隘，狭隘到什么地步了？他狭隘到一个公司的角度来讲了，如何让你的工作具有不可替代性，公司不敢辞退你，所以，让你的老板感觉离不开你，一旦你走了
【RT-DETR多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化RT-DETR，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
做网管还是挺好的
自从我在博客中发表了一篇名为《是什么造成了网管员的低工资》一文后，许多现在正在做网管，或者以前打算做网管的朋友似乎一下子多虑起来了，认为做网管没前途。其实这不是我写那篇博文的本意，更不是我自己对网管这一职业的看法。我的观点仍是“做网管员挺好的”。 我是做网管出身，应该算是最早的一批网管，也有着比较长的职业生涯，可以说是看着网管这一行业的成长与发展，亲身体验了网管从未正式职业到国家认定的专
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
她们不止“都挺好”自带”苏明玉“光环的美联人
她们不止“都挺好” 随着电视剧《都挺好》的热播，苏明玉的女强人形象也圈了一大波粉，从身世经历到日常穿搭，她的浑身上下都为网友们所津津乐道。 在伴随着社会和经济的发展，带动着女性权利意识的觉醒，火苗正在以势不可挡的姿态逐渐燃烧起来。那些精神和物质双重独立的人物形象，成为当代女性追逐的范本。 在女王出身，自带”苏明玉“光环的美联人，也就在我们身边；她们独立、自信、大气、拼博；有着自己热爱终生的事业；有...
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
投资理财-木兰也挺好
读书时学《木兰辞》，最喜欢这一句“阿爷无大儿，木兰无长兄，愿为市鞍马，从此替爷征。”感慨世事无奈，却终成木兰的大义。 我不是女权主义者，关于两性关系的启蒙也来自于我母亲。在我结婚前，我母亲曾彻夜与我长谈，告诉过我一段好的婚姻都是在相互理解、支持与忍耐之中长长久久。我无意与男性在这个世上一争高下，只是为维系一段长久的婚姻，用自己专业所长让自己的家庭更加幸福美满。 我是一个非常普通的女性金融从业人员，我身边的女性都是年复一年，日复一日，在清晨6点左右起床，化职业妆，穿专业制服，踩着恨天高，穿梭于金融
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")
35岁就是程序员职业生涯的分水岭？
35岁才不是最大的分水岭，最佳工作年龄段期间获得的积累才是你最大的分水岭
别人的理解挺好的
信息技术的更新速度是惊人的，程序员的职业生涯则是一个要求不断学习的过程，永远不能固步自封。本人在工作期间曾看见过很多程序员只要有闲暇时间就浏览一些没有太大作用的网页，在网上聊天，打游戏，浪费了大量的时间，十分不可取。而另外一种情况是，IT技术的日新月异使很多程序员眼花缭乱，什么都想学，却又不知从何学起，今天看看这个，明天学学那个，贪多不熟。 虽然IT技术发展迅速，但很多技术都是有规律可循，一
本来挺好的事,怎么弄成现在这种样子
http://blog.sciencenet.cn/blog-281238-776129.html “伤不起”的年轻美女科学家 精选 已有 9899 次阅读 2014-3-15 13:30 |个人分类:名人轶事|系统分类:人物纪事|关键词:小保方晴子，Felisa Wolfe-Simon 年轻，还是美女，更是“一朝成名”
职业生涯畅想
犹豫了很久是否要发表这篇文章，最终还是决定来发表这篇文章。权当以后面试的时候，少被质疑吧。至少不能质疑我是一个老油条吧。哈哈。 1：论当今35岁被淘汰的场景 个人认为有如下几个原因 1：人力过剩。因为做这行的太多了，导致35岁以上 的兄弟姐妹不得不被淘汰。 2：产业价值率低。虽然你个人年龄在增长，但你在位置上的产出和毕业没多久的产出是一样的。这里要分两种情况判断，第一种本身岗位就是这样的。就像车间工人一样，不能让你有更多的提升了。 第二种，个人不太愿意学习，导致一直在一个岗位上，个人能力也无法提升。但薪资却
从老穆的倒下看程序员的职业生涯
当看着新浪上那副惨不忍睹的照片时，我心中不寒而栗。不得不佩服他，竟然敢跟一帮小伙子扛大个，还挺到今天，也算他厉害了，但是人总是抗不过自然规律的，更何况是在这样一个恨不得天天都得问自己“你丫力大吗”的NBA赛场。抵抗是有条件的，在季前赛低调的给弟兄们以精神上的支持，已经干的不错了，非得要搞到今天这个地步，那不是很傻很天真是什么？ 其实，看到那个庞大的身躯轰然倒下的时候，只会给人带来震撼和伤感...
上一家公司挺好的，但我不愿再回去
大学毕业我进入到了一家创业公司，公司职能部门人数不多，所以每个人都身兼数职，虽说有固定的休息时间，但往往休息时比正常上班还要忙碌。即便我已经离开2年， 每当焦虑时，我还是会大概率梦见公司的口号。 “成就彼此，不负青春”——我会立刻惊醒，旋即欣慰发现，哦，幸好只是一场梦…… 初入公司，工资按时发放加各项福利，我还是很欣喜的，觉得自己找到了一家正规的大公司，比我的同学幸运的多。 但...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
189
扫一扫
