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
445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
在阅读一个人的代码的时候，有的人是所谓的“狂草”风格。这要实现功能，想怎么写怎么写，代码的可读性极低。我多次看到有的程序员抱着极度不负责的态度，功能做完了就好。自测，线上回归神马滴，都是浮云。发现bug再说，反正有QA；更有甚者，”认为反正自己会离职，代码写的好坏，都有其他人接手，即使到最后发展到不可维护的地步，也不会是我来面对”。
除了代码风格，还有什么样的程序员会招人讨厌呢。
网友：Yajun
网友：路人甲
同志们，看来，代码风格，程序可读性，还有日常生活里，程序员真的是要注意很多呢，毕竟没人想被别人讨厌不是么？
学习C/C++编程，提升自己的编程能力，成为更加优秀的程序员，欢迎关注笔者的微信公众号“C语言编程学习基地”，一起来成长吧！
Vmware虚拟机克隆详解：固定ip + 修改uuid等内容
分两大步 设置固定ip 克隆后修改相关配置 本文引用的其他地方的图片。会附上链接 若侵权，删 一、设置静态ip 先进行虚拟网络的编辑 接下来的操作需要管理员权限。（给权限就完事了） 接下来设置网卡: 网络和共享中心→ 更改适配器设置→VMware Network Adapter VMnet8 -> 右键属性 修改TCP/Ipv4的配置，网上常见是这种，笔者是英文的...
你知道比程序员最讨厌的四件事，更严重的问题是什么吗？
【回复“1024”，送你一个特别推送】导语：一个成功的人的标志是什么？是坚持。一个非常成功的人的标志是什么？是面对自己最讨厌的事也能够一如既往的坚持，并且坚持到底，直至成功。我这个 尼古拉斯·涩郎·非著名程序员的心灵鸡汤，讲的不是坚持的力量，而是面对讨厌而抵制，并战胜讨厌的力量。我们其实大部分程序员都听过这个段子，程序员最讨厌的四件事，是哪四件事呢？写注释、写文档、别人不写注释、别人不写文档。其实
MOOS-ivp实战：从零搭建水下机器人通信系统（Ubuntu 22.04版）
本文详细介绍了在Ubuntu 22.04系统上从零开始搭建MOOS-ivp水下机器人通信系统的完整实战流程。内容涵盖环境准备、核心安装、MOOSDB通信模型解析、自定义应用节点开发、以及调试监控工具链的使用，旨在帮助开发者快速掌握这一分布式机器人系统框架，构建稳定可靠的水下机器人通信与控制系统。
你知道我为什么特别讨厌程序员吗？
点击上方“iOS开发”，选择“置顶公众号”关键时刻，第一时间送达！我有一个朋友，就是一个程序员，找他做事的时候，最让人讨厌了。1.不愿意帮我修电脑。我说电脑坏了，想让他看...
机器学习势能（MLPs） 第一章 基础理论与核心概念 第二章 数据生成与训练集构建
密度泛函理论（DFT）作为现代计算材料科学的基石，通过求解Kohn-Sham方程在电子结构层面提供可靠的势能面信息。然而，其计算复杂度随体系电子数呈O(N3) 至O(N4) 增长，对于包含数百个原子的体系，单点计算往往需消耗数小时至数天的计算资源。这一瓶颈严重限制了分子动力学模拟的时间尺度，传统DFT-MD通常仅能覆盖皮秒量级，远不足以观测扩散、相变等慢动力学过程。经验力场通过解析函数形式描述原子间相互作用，实现了经典力学的计算效率，但其参数化过程高度依赖物理直觉与经验调参。
【全网首发】2026华为OD双机位C卷 机考真题题库含考点说明以及在线OJ（OD上机考试双机位C卷）
【全网首发】2026华为OD机位C卷 机考真题题库含考点说明以及在线OJ（OD上机考试双机位C卷）
让程序员愤怒的10种事(转)
程序员是一个比较特殊的群体，他们因为长期和电脑打交道所养成的性格和脾气也是比较相近的。当然，既然是人，当然是会有性格的，也是会有脾气的。下面，让我来看看10种能把程序惹毛了的事情。一方面我们可以看看程序员的共性，另一方面我们也可以看看程序员的缺点。无论怎么样，我都希望他们对你的日
基于 FPGA Vivado 示波器设计（附源工程）
今天给大侠带来基于 FPGA Vivado 示波器设计，开发板实现使用的是Digilent basys 3，如有想要入手basys3开发板的，可以联系牛总：18511371833。话不多说，上货。 本篇掌握基于添加文件和IP的Vivado工程设计流程，掌握基于Tcl的Vivado工程设计流程，学习示波器的基本组成结构。获取本篇相关源工程代码，可在公众号内回复“示波器设计源工程”。 原理介绍 数字存储示波器能够将模拟信号进行采样、存储以及显示。本系统在DIGILENT ...
程序员反感（讨厌、不喜欢）什么？
原创文章，欢迎转载。转载请注明：转载自IT人故事会，谢谢！ 原文链接地址：程序员反感（讨厌、不喜欢）什么？ Debug的时候，在怪异再棘手的问题，只要可以稳定重现，都迟早可以解决。“稳定重现”的意思是只要按一定的步骤做下来，问题就可以重演。最讨厌的就是那种时有时没有，不知道什么时候出现的bug。改了代码不知道有没有效，也不知道是否引入了新问题。可以把码农逼...
使用Simulink对固定翼无人机的自动起飞与降落进行仿真
本文介绍了基于Simulink的固定翼无人机自动起飞与降落控制系统设计方法。系统包含飞行器动力学模型、控制系统、环境模拟等模块，通过简化动力学方程描述无人机运动特性。详细说明了从创建模型、设置动力学方程、设计PID控制器（包括自动起飞和降落控制策略）到添加环境模拟的完整仿真流程。重点阐述了升降舵和发动机推力的控制律设计，以及性能评估要点。本方法可有效验证控制系统设计，优化飞行稳定性和安全性参数，为无人机自主控制提供仿真支持。
GPU 运维实战：H100/H800/B300 换卡与压测
（烧多久、看什么、什么算合格）。文末还给了一个能直接跑的验收判定脚本，三个真实场景的裁决输出都在。
程序员，养生吧！
由于写作的原因，我认识了蛮多天南海北的朋友。空下来的时候，我就会主动找他们聊一聊，一呢，从他们那吸取成功的经验，开拓一下眼界；二呢，让自己的社交圈扩大一些，要知道，多一个朋友就多一条路；三呢，看看朋友们有没有自己可以帮得上的忙；四呢，保持年轻的心态，不至于落伍。 老读者都知道了，我在三线城市洛阳，虽然幸福感很足，但整体社交的圈子是有限的，只通过互联网，很难得到一些不便于公开的信息，和朋友们聊一聊，不仅能够加深感情，还能够让自己和一线城市保持同步。 昨天，我和一个非常优秀的年轻人聊天，他给我说，身体上出了一些
YOLO11改进|注意力机制篇|引入ELA注意力机制
YOLO11添加ELA注意力机制
转行程序员需要做好哪些准备？只有这种人能成功转行ǃ
当年在人生的十字路口，我一直都纠结的问题”“ 我害怕我会再一次选择错误”相信大家看了我的故事或者其他人的故事之后，看到网上的高薪之后，心中都有些蠢蠢欲动。想要尝试转行，从事计算机这个领域。因为从零开始入门这课程，需要至少学习半年的时间，而且还可能需要一笔培训费用，这对很多人来说是很大的时间成本与经济成本。所以在转之前，需要知己知彼，才不会走冤枉路。下面从硬条件和软条件来说明到底什么样的人适合转。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
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")
不建议女生做程序员？这句话到底是谁说的
本人就是女程序员～先简单分享一下自己的择业历程吧：作为一个曾经被老师灌输“女生学不好理科”、“女生逻辑思维不如男生，不要去学理工科”的学生，我差点走上学文科的道路。但我不希望；此外，讨厌死记硬背知识，对自然世界的规律更感兴趣。于是，我在高中选了理科，大学学了工科，最后也选择了当程序员。虽然刚开始我的理科并没有文科好，但通过合适的方法和努力，成功从高中班里倒数第一逆袭考上985~回过头来想，选择是正确的，因为理工科就业面广、程序员的薪资也相对更高。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
论程序员的戾气
古人曾经说过文人相轻，最近越来越发现，程序员其实也没有啥不同。戾气，鄙视链一点也不少。好久没更新了，就想谈谈我最近做项目里面的一些感受，关于程序员里面一些不好的心态。写这篇文章不是为了标榜我自己有多么清高，恰恰相反，而是为了自省。就在文章动笔之前，我才发现戾气是多么容易传播，自己也成了程序员内的害群之马。 就在上个周，我无意间发现掘金的一篇文章。 一看，是一篇关于java教程的文章，github博主宣传了一下自己的教程repo。当时还不自知，但是一瞬间一股酸意就蔓延我全身，觉得这种教程类的东西看的太多了，
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。
如何隐藏自己的程序员气息
程序员，你就像那漆黑夜里的萤火虫，一举一动都深深出卖了你。
程序员，如果性格内向要做些什么？
我是程序员，我一直在思考一个核心问题：我是一个内向的人吗？如果是，这样好不好？ 其他人对于我们这个群体其实所知甚少，一般就是所谓“格子衫”、“牛仔裤”、沉闷话少的那一类，按照普遍的观念，这个群体是内向的。 可我总觉得我不是啊，就如我喜爱牛仔裤，但我同时也超级讨厌格子衫。 所以，别人都评价我们是内向的那一类，那我们就是吗？ 为了这个答案，我先搜索内向的定义。 内向和外向 先看什么是内向。 艾森克个性问卷对典型的内向性格描述为：安静，离群，内省，喜欢独处而不喜欢接触人。保守，与人保持一定距离（除非挚友）。倾向
一个Java开发5年的程序员，讲述自己三年突破瓶颈的经验，注意到这些能少走弯路。
对于那些想改变自己的朋友们来说，还是需要看清楚一些东西，有一些经验也想和大家分享。同样是职场人士，我也有我的经验和感受。在打工的时候，我曾经创造了3年加薪7次的小小“战绩”（同时进入公司的员工，加薪不超过2次的员工大有人在），顺利地从员工做到了总监，是公司所有员工中成长最快的。我敢肯定，在看过这篇文章的人当中，肯定有人比我更优秀。但是对于那些更渴望得到帮助的朋友们来说，我还是希望把自己以往的成...
程序员的酒后真言，都不容易
????????关注后回复“进群”，拉你进程序员交流群????????平时工作累了，空(mo)闲(yu)时最喜欢逛的个人博客之一就是阮一峰老师的博客，昨天他的博客平台看到一篇文章(ht...
人毒大战
毒——难道非要用软件？（人毒大战的终级指南） 在下Creamdog，可以算是一名熟练的C++程序员了，从业六年。曾尝试过写杀毒软件，仅限于对某一种或几种类似病毒的专杀。我的主攻是三维引擎和仿真领域的数据结构和算法，对杀毒软件这种体力活并不在行，因此没有过多的研究，但对于其机理还是有一定了解的。对于琳琅满目的杀毒软件我一向是不屑一顾，因为他们不仅不能够有效的防范、查杀，自己有...
程序员脱光的文档整理
文章是写那些依然单身过光棍节的程序员朋友们的，很多内容都是从网上摘的，但是在亲身经历之后，发现有些东西说的还是很有道理的，这些内容看一遍基本知识看个笑话，需要亲自是去实践一下，才能体会其中的妙处，再尝试过程中，失败是在所难免的，所以推荐先看异常处理的部分，有备无患么，呵呵，收藏并广为分享吧！ 分析篇 - 首先是对问题和需求的分析 程序员单身性格分析 在程序员看来，是一就是一，是一就绝不...
C/C++新手看过来----讨厌的符号
新手经常用错符号而导致花费大量的时间而无法解决，本文整理问答中常见的符号相关问题
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
9070
扫一扫
