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
1.4k累计阅读
1.5k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
依然做着那些自己认为应该做的事情，然后坚持着做以后可能做到的事`~~
GMAIL又打不开，学校的域名解析时常又出些问题，快疯了，我。
今天10节课，换句话说，除了午饭，晚饭可以不在教室，其他时间都窝在那里了。这就是我的大学~~
昨天相当赶忙地帮着别人搞那个创业大赛的所谓的单页HTML，我才知道原来网页也可以这样做。厚厚的一叠：分析啊，前景啊，预算啊等等。我很掏心地问了句，是真想做吗？“只是交论文”而已，OK，这就是创业什么大赛的。
昨晚还赴了个饭局，信管02的一位学姐请的。已考取本校研究生，想从事信息系统开发之类的。老乡+同专业=话特多，所以我可能话说得太多了，昨天。
课程设计还在做，其他的事情也还在做。
昨天，G帮我理了一下我最近的工作，哦，我才知道原来我还做得还有那么多。
第 18 章：ART 运行时
Android运行时（ART）是Android应用的执行环境，负责加载和执行DEX字节码。ART通过多层级编译策略（解释器、JIT、AOT）和并发垃圾回收（如CC和CMC收集器）优化性能。关键组件包括类链接器、dex2oat编译器、JIT编译器和内存管理系统。ART支持模块化更新，并通过配置文件引导优化（PGO）提升应用性能。调试能力基于JVMTI，提供断点、类重定义等功能。Android 17引入了多项改进，如分代标记-压缩GC、禁止反射修改static final字段、DEX容器格式V41等。ART架构
StringReader
<br />/* * @(#)StringReader.java 1.26 05/11/17 * * Copyright 2006 Sun Microsystems, Inc. All rights reserved. * SUN PROPRIETARY/CONFIDENTIAL. Use is subject to license terms. */ package java.io; /** * A character stream whose source is a st
视觉特征-自监督-掩码像素预测【2021-11】：SimMIM【一种用于掩码图像建模的简单框架】
¹ 清华大学²微软亚洲研究院⁸ 西安交通大学Abstract摘要本文提出了SimMIM，一个用于掩码图像建模的简单框架。我们简化了最近提出的相关方法，无需采用特殊设计，例如按块掩码以及通过离散VAE或聚类进行 tokenization。为了研究是什么使掩码图像建模任务能够学习到良好的表征，我们系统地研究了框架中的主要组件，并发现每个组件的简单设计都展现出非常强的表征学习性能：1)以适度较大的掩码 patch大小(例如32)对输入图像进行随机掩码，可构成一个强大的 pre-text 任务；
EVC获取当前工作路径
原文地址：http://blog.csdn.net/norains/archive/2006/05/17/742948.aspx//===========================================================//TITLE:// EVC获取当前工作路径//AUTHOR:// norains//DATE:// Wednesday
视觉特征-自监督-掩码特征预测【2024-10】：D-JEPA【生成模型：下一Token组自回归预测（组内并行去噪），自回归合成图像】【JEPA、Diffusion损失均针对Mask处Token计算】
Dengsheng Chen1 Jie Hu2 Xiaoming Wei1 Enhua Wu2∗1Meituan 2Key Laboratory of System Software (Chinese Academy of Sciences) and State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences {chendengsheng, weixiaoming}@meituan.
通过HTTP的方式克隆GitHub上的项目
通过HTTP的方式克隆GitHub上的项目 打开想要下载的项目的网页链接，点击Clone or download绿色的按钮，进行如下步骤实现通过HTP的方式下载项目。 点击红色框圈出的位置： 打开想要存放项目的文件夹，在空白处点击鼠标右键，选择Git Bash Here，打开命令行。 输入git clone 复制的下载地址，回车进行下载。 4.正在下载的界面 5.下载完成。 技多不压身 哦耶✌✌✌ ...
误操作怎么办？试试这个神器-Log Miner
LogMiner可以用来分析在线/redo日志，也可以用来分析离线日志文件/归档日志，是由一组PL/SQL包和一些动态视图组成，而且是免费的。参考了老杨的《Logminer：oracle人...
PCAN-Explorer5使用教程
在PCAN中新建工程，导入DBC文件（右键apply），导入采集的数据选择对应的CAN通道点击红框中的标记可选择想要查看的信号在plot界面跳出属性，可调整信号显示的样式和最大最小值调出cursor,选择需要观测的变量，选中右键style——Period 可显示间隔时间增加cursor，可观测多个变量。
code
http://homepage1.nifty.com/glass/tom_neko/web/web_03.html## EUC-JIS-2004 (JIS X 0213:2004 Appendix 3) vs Unicode mapping table## ## Date: 13 May 2006## License:## Copyright (C) 2001 earthian@
Abaqus 单元与全局刚度矩阵导出实战指南：从INP修改到结果解析
本文提供了Abaqus中导出单元刚度矩阵和全局刚度矩阵的完整实战指南。通过详细步骤讲解INP文件修改、关键指令插入及结果文件解析，帮助工程师、研究人员和二次开发者深入理解有限元软件内核，实现理论验证、二次开发与深度问题调试。
ENVI 5.3与IDL 8.5安装指南：从下载到激活的完整流程
本文提供了一份详细的ENVI 5.3与IDL 8.5安装教程，涵盖从获取安装包、运行主程序、安装许可证到关键文件替换的完整流程。指南重点解决了激活过程中的常见问题，并分享了个人实践经验，旨在帮助用户，特别是遥感图像处理初学者，一次性顺利完成软件部署，为后续的科研与开发工作奠定基础。
EVC实现拷贝文件夹下所有文件
//========================================================================//TITLE:// EVC实现拷贝文件夹下所有文件//AUTHOR:// norains//DATE:// Wednesday 17-May-2006//======================================...
DPABINet保姆级教程：零代码完成脑网络分析与图论计算
本文提供DPABINet的零代码脑网络分析全流程指南。该工具通过图形化界面集成时间序列提取、连接矩阵构建、图论指标计算及统计分析，大幅降低技术门槛。重点解析了阈值选择、二值化与小世界属性计算等关键步骤，帮助研究者快速掌握脑网络分析与图论计算，提升科研效率与可重复性。
llvm-gcc-compat补齐cc 编译命令实现鸿蒙PC安装第三方库gofakeit v6，玩转go语言模拟假数据生成库
gofakeit是 Go 语言超好用的模拟假数据生成库，专门批量生成各类测试虚拟数据，替代手动写死测试数据。
基于通义千问2.5-7B-Instruct的技术深度解析
通义千问2.5-7B-Instruct是一个基于Transformer架构的大型语言模型，具有70亿参数。它通过自注意力机制和前馈神经网络处理输入序列，能够捕捉长距离依赖关系，适用于多种NLP任务。微调是指在预训练模型的基础上，使用特定任务的数据进行进一步训练，以使模型更好地适应特定任务。微调可以显著提高模型在特定任务上的性能。通义千问2.5-7B-Instruct是一个强大的语言模型，适用于多种NLP任务。通过深入理解其架构、微调方法和核心代码，可以更好地应用于实际场景。
芒果YOLO11改进145：Loss损失函数KLD：即插即用 NeurIPS顶会论文，独家首发原创新颖｜通过 Kullback-Leibler 散度学习用于目标检测的高精度边界框
旋转检测Loss损失函数KLD：即插即用 NeurIPS顶会论文，独家首发原创新颖｜通过 Kullback-Leibler 散度学习用于目标检测的高精度边界框
实时法线贴图dxt压缩算法
JMP van Waveren id Software，Inc. NVIDIA公司IgnacioCastaño 2008年2月7日 ©2008，id Software，Inc. 抽象 原文下载地址 点击打开链接 注原文有代码，我觉得大部分读者不会看麻烦dxt压缩的代码，有需要可以看原文 使用今天的图形硬
华为OD机试 - 跳房子I（Java 双机位A卷 100分）
可行的两步组合有 [1, 2] (索引和 0+3=3)、[1, 2] (索引和 0+4=4)、[4, 2] (索引和 1+3=4)、[4, 2] (索引和 1+4=5)、[5, 2] (索引和 2+3=5)、[5, 2] (索引和 2+4=6)。此样例有多种组合满足两回合跳到最后，譬如[-1,9], [2,6]，其中[-1,9]的索引和为0+3=3, [2,6]的索引和为1+4=5, 所以索引和最小的步数组合为[-1,9].[3, 2] 和 [1, 4] 都满足和等于 5，且索引和均为 3。
工作中使用到的单词（软件开发）
１．エイリアス alias 别名 powershell使用 get-help 命令时，会得到与此命令 相关（别名）的命令 ２．プロキシ proxy 代 理 ３．プロモート promote 促进，提升 开发的系统新功能上线发布，有时会使用到这个词，比如 STプロモート 还有使用リリース这个词的。比如STリリース。个人认为两者含义相同。 ４．見逃し み................................................................
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
go: Publish/Subscribe Pattern
本文介绍了一个基于Go语言实现的发布-订阅模式(Publish/Subscribe Pattern)珠宝企业管理系统。该系统采用模块化设计，包含配置管理、日志记录、消息存储、消息代理等核心组件，支持本地内存和RabbitMQ两种消息代理方式。系统定义了珠宝业务流程中的6个主题（原材料采购、珠宝生产、质检、门店配送、销售和售后服务），并实现了各部门（仓库、财务、质检、销售、门店、客服、技术）的订阅处理逻辑。通过异步发布机制提高系统吞吐量，所有消息持久化存储并支持消费状态标记。代码展示了完整的珠宝业务生命周期消
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")
实时 DXT 压缩
实时DXt压缩算法 JMP van Waveren id Software，Inc. NVIDIA公司 2008年2月7日 ©2008，id Software，Inc. 翻译此文，我觉得对于理解Doom3和rage的dxt压缩算法，有很大的帮助，尽管翻译的地方有所失误， 原文下载地址，（注，原文写的更
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
硬件工程师全栈实战指南
《硬件工程师全栈手册》是一本涵盖硬件设计核心领域的实用指南，内容包含元器件选型、电路设计、PCB规范、信号完整性等关键知识点。
【信息科学与工程学】计算机科学与自动化——第二十篇 计算机体系架构 系列三 计算机体系结构03
编号类型领域问题详细的数学分析（几何／拓扑／数值分析／代数分析／图论/集合论／优化理论／数理／电-热-光-力-声-振动／其他）参数列表及每个参数的数学表达式及每个参数的数值范围及边界条件及测量方法关联知识1398分析量子计算量子傅里叶变换（QFT）的近似误差泛函界泛函分析 + 数值分析：近似QFT与精确QFT的算子范数误差 ∥UQFT−Uapprox∥≤N⋅2−m，其中 m为舍弃的旋转门位数。逐步推理：①精确QFT由 n(n+1)/2个受控旋转门组成；②舍弃小角度旋转门（Rk当 k>m）引入误差；③每
石首市乘风汽车零部件有限公司
说实话，还真不知道家乡那里有个这样公司，是不是太久没有回家，还是久不闻世事了。石首市乘风汽车零部件有限公司：http://www.hb-cfeng.com/还有这样一个：和建工作室http://whj123.ik8.com/高陵在线 http://www.wanghejian.ik8.com/index.htm市里改版，镇里开始，咱村是不是也搞个啊？（我们不说技术）这里并没有宣
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
280
扫一扫
