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
475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
生成对抗网络（GAN、DCGAN、ACGAN）-----学习笔记
生成对抗网络学习笔记 生成对抗网络有两个关键结构：生成模型、判别模型。 生成模型：输入是一个服从正态分布的N维向量，利用这个N维向量生成一张图片。 判别模型：对于生成模型输出的图像判别它是不是真的图像。 生成模型和判别模型的博弈关系在于：生成模型的目的是生成让判别模型无法判别真伪的图像，而判别模型的目的是判断输入图像的真伪。 结合代码来看生成对抗网络中，生成器和判别器的训练过程： 判别模型的训...
如何接手一个JavaWeb项目
我们大部分时间都在阅读维护别人的代码，进入新公司后，如果不是进行新项目的开发（需要搭建架构等工作），而是接手维护一个已有的老项目，有文档的话肯定要先读文档，然后再主要从下面三大方面入手。 源代码。数据库。服务器。 1.源代码。 一般说来，源代码+注释如果搭配得好，也可以取代文档。版本控制软件是SVN还是Git。项目构建工具是Ant还是Maven。梳理项目目录/包的组织结构。重点关注...
离线AI实战指南：本地部署大模型处理PDF/Word/Excel
离线AI是指在无网络、不上传数据前提下，于个人设备运行大语言模型并完成文档理解、多轮对话与代码辅助等任务的技术方案。其核心依赖本地模型推理、文档解析向量化和轻量级对话调度三大能力。随着Phi-3、Qwen2、Llama3等轻量化开源模型普及，以及Ollama、LM Studio等易用工具成熟，普通用户已可在主流笔记本上实现PDF摘要、合同比对、代码注释等真实办公场景。本文聚焦离线AI的硬件适配、模型选型、文件处理链路与知识库构建，尤其强调中文OCR支持、结构化文档提取与CPU/GPU混合推理优化，助力非开发
Web开发&创建项目连接数据库
web学习过程中，操作数据库是经常性的，一般只开发小型的项目，用mysql就可以完成功能，如果开发大型项目，一般借助oracle。这里示例myeclipse来连接mysql。首先确保电脑安装了mysql数据库。我用的是mysql5.6版本。 mysql连接web项目使用的jar包 1，新建名为mobile的web项目，下载mysql连接java的jar包，将jar包直接放在web项目lib目录下
IC设计新手必看：如何正确使用去耦电容（decap）避免电源噪声？
本文深入探讨了IC设计中去耦电容（decap）的应用技巧，从核心原理到布局实现，帮助新手工程师有效抑制电源噪声。文章详细解析了MIM、MOM等电容类型的特性与选择策略，并提供了先进的布局技巧和验证方法，特别适用于28nm以下先进工艺的电路设计挑战。
SQL2000在Win10上安装完整指南：兼容模式、SP4补丁与远程连接配置
数据库兼容性是老系统迁移与运维中绕不开的难题。当历史遗留的SQL Server 2000遭遇全新的Windows 10环境，安装程序常因系统版本检测失败而拒绝运行，这背后是旧版安装程序与NT内核版本间的识别错位。通过兼容模式模拟旧系统环境、以管理员身份运行安装程序，并处理注册表挂起与杀毒软件干扰，即可突破基础安装障碍。安装后的SP4补丁与TCP/IP端口配置，则是保障服务稳定与远程连接的关键。这一技术路径广泛适用于制造企业MES、进销存系统及医院HIS等仍依赖老旧数据库的场景，为IT运维与数据迁移测试提供了
web项目前后端开发过程和体会
概述 小学期中主要学习了spring mvc作为框架来开发后台接口，能有效地通过本地ip（localhost）+映射的方法名字来访问接口，但其主要着重点在于后台的开发和部分前台并行的开发。因为是java web项目，用的都是jsp的文件，jsp中包含了html和js一块来写，并在其中搭建接口的spring mvc框架，并没有做到完全前后端分离的开发模式。所以我利用这次暑假学习了前后台...
YOLOv8安防监控实战：跌倒/闯入/徘徊实时检测（附TensorRT加速+声光报警部署代码）
精准性：针对跌倒/闯入/徘徊的行为特征优化，准确率达89.3%，误报率低于5次/天；实时性：TensorRT加速到50+FPS，报警延迟<1秒，满足安防“黄金响应时间”；低成本：无需专用AI芯片，RTX 3060或Jetson Orin就能跑，硬件成本比传统方案低60%；易部署：代码全开源，提供从模型训练到硬件联动的完整流程，2天即可搭起原型系统。如果你的安防监控还在“漏报误报”“响应慢”，建议先从跌倒检测的姿态过滤改起——用100张样本测试，再集成TensorRT加速，90%能看到明显改善。
Android程序员接私活完整攻略
接私活对程序员这个圈子来说是一个既公开又隐私的话题，不说全部，应该大多数程序员都有过想要接私活的想法，当然，也有部分得道成仙的不主张接私活。但是很少有人在公开场合讨论私活的问题，似乎都在避嫌。就跟有人下班后跑滴滴一样，程序员私有时间接点活挣点钱不也很正常么，不过不要在上班时间就行，就跟你上班期间出去跑滴滴一样。 当你竭尽全力想要去接私活的时候一定做过这样的事，百度搜索“程序员如何接私活”或者...
Open3d (C++) RANSAC拟合圆柱（详细过程版）
实现了一种基于RANSAC算法的圆柱拟合方法。
【Kubernetes】Kubernetes 安全沙箱深度对比：gVisor vs Kata Containers
Kubernetes安全沙箱深度对比：gVisor和Kata Containers在架构、性能与安全性方面各有特点。gVisor通过用户态内核(Sentry)实现软件隔离，启动快(毫秒级)但CPU开销大(20-30%)，适合Web服务等场景。Kata Containers采用轻量级虚拟机提供硬件级隔离，启动较慢(1-2秒)但兼容性更好，适合金融等高安全需求。测试显示gVisor在动态请求下性能下降33%，而Kata性能接近原生。建议根据场景选择：多租户/快速启动用gVisor，敏感数据/极致安全用Kata，
【web++_第四阶段_聊天室】
【web++_第四阶段_聊天室】 http://download.youkuaiyun.com/detail/u011295538/7380109 http://download.youkuaiyun.com/detail/lizhen416/4130620 http://download.youkuaiyun.com/detail/zhu1988renhui/4620055 http://download.youkuaiyun.com
Multisim14使用教程详尽版--(2025最新版)
摘要：本文详细介绍了Multisim14电路仿真软件的功能和使用方法。主要内容包括：1)主流电路仿真软件比较，突出Multisim在教学、竞赛设计中的优势；2)软件界面说明，涵盖菜单栏、工具栏、元器件库和仪器仪表；3)18类元器件分类详解及其使用操作；4)15种仪器仪表的原理和应用场景；5)电路原理图设计与仿真流程；6)基本电路分析方法（直流静态工作点分析、交流分析等）。文章还提供了硬件工程师笔试面试相关资源链接，涵盖电阻、电容、三极管等器件知识及AD软件操作指南。通过系统讲解，帮助用户掌握Multisim
书城项目第四阶段：图书模块
书城项目第四阶段：图书模块4.1MVC的概念4.2图书模块的实现4.2.1编写图书模块的数据库表4.2.2编写图书模块的 JavaBean4.2.3编写图书模块的 Dao 和测试 Dao4.2.4编写图书模块的 Service 和测试 Service4.3编写图书模块的 Web 层，和页面联调测试4.3.1图书列表功能的实现4.3.1.1图解列表功能流程4.3.1.2BookServlet 程序中添加 list 方法4.3.1.3修改【图书管理】请求地址4.3.1.4修改 pages/manager/boo
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
Xournal++ Mobile 项目推荐
Xournal++ Mobile 项目推荐 项目基础介绍和主要编程语言 Xournal++ Mobile 是一个开源项目，旨在将 Xournal++ 的核心功能移植到移动平台和 Web 上。Xournal++ 是一个功能强大的笔记和绘图应用程序，而 Xournal++ Mobile 则致力于将其无缝扩展到移动设备上。该项目主要使用 Dart 语言进行开发，并结合了 Flutter 框架，以实现跨平...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
开源项目推荐：C++ Web/Http Server/Rest开发框架（请重点关注Oat++和搜狗workflow）
找了一些C++的Web开发框架，看样子不少，有许多是基于Qt的，似乎第一个CppCMS这个名字比较大些。 1. CppCMShttp://cppcms.com/wikipp/en/page/main 以高性能著称，MVC，内容较全，包括数据库、会话等管理，内置http server 2. TreeFroghttp://www.treefrogframework.org/ 以Qt为基础开发的，MVC......
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")
【web++_第四阶段_添加支付功能.支付宝】
【web++_第四阶段_添加支付功能.支付宝】 http://blog.youkuaiyun.com/jazywoo123/article/details/9198893 http://blog.youkuaiyun.com/BiologyPianoProgram/article/details/5567236 http://blog.youkuaiyun.com/yiyuwangluo/article/details/115
Oat++ 示例项目教程
Oat++ 示例项目教程 1. 项目介绍 Oat++ 是一个基于 C++ 的高性能 Web 框架，适用于构建可扩展的网络应用和服务。本项目是 Oat++ 的示例项目集合，包含了多种应用案例，旨在帮助开发者快速上手和理解 Oat++ 框架的使用方法。 2. 项目快速启动 环境准备 在开始之前，请确保您的系统中已经安装了以下依赖： C++ 编译器（如 GCC 或 Clang） Oat++ 框架（从官...
FastCGI++ 项目常见问题解决方案
FastCGI++ 项目常见问题解决方案 1. 项目基础介绍和主要编程语言 FastCGI++ 是一个用 C++ 编写的开源项目，旨在提供一个高效、易于使用的 C++20 API 用于 Web 开发。它允许应用程序通过 FastCGI 协议与 Web 服务器进行通信，管理环境数据、字符编码，并允许请求有效地共享 CPU 时间。FastCGI++ 特别适合需要高性能和高效率的 Web 应用程序开发。...
Active Scan++ 开源项目最佳实践教程
Active Scan++ 开源项目最佳实践教程 1、项目介绍 Active Scan++ 是一个基于 Burp Suite 的被动扫描插件，它能够对Web应用程序进行自动化的安全检查。该插件通过分析HTTP请求和响应，识别潜在的安全隐患，并给出修复建议。作为PortSwigger Web Security公司的一个开源项目，Active Scan++ 拥有强大的社区支持，并且持续更新以保持其检测...
推荐开源项目：AirDC++ Web 客户端
推荐开源项目：AirDC++ Web 客户端 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 AirDC++ Web 客户端是一个本地安装的应用程序，专为在局域网或互联网上灵活地分享文件和目录而设计。该守护进程应用程序可在各种系统类型上安装，如文件服务器和NAS设备。它基于先进的直接连接（Advanced Direct Connect）协议，使您能够创建拥有数千用户的...
探索Web世界的钥匙 —— MiniWoB++ 开源项目推荐
探索Web世界的钥匙 —— MiniWoB++ 开源项目推荐 项目介绍 MiniWoB++ 是一个强大的开源库，集合了超过100个网页交互环境，旨在推动网络环境下的自动交互与学习。通过结合JavaScript和Python接口，它提供了一种程序化的方式来与这些环境进行互动，特别适合于强化学习、自动化测试以及网页操作的研究与开发。基于广受认可的OpenAI MiniWoB基准，MiniWoB++不仅...
【亲测免费】 Oat++ 项目安装与配置指南
Oat++ 是一个现代的 C++ Web 框架，专为高性能和资源高效的应用程序设计。它完全模块化，包含所有必要的组件，适用于生产级别的开发。Oat++ 的主要编程语言是 C++，它提供了轻量级和高性能的解决方案，适用于各种应用场景，包括嵌入式设备、微服务和高负载的云应用。 ## 2. 项目使用的关键技术和框架 Oat++ 使用了一系列关键技术和框架来实现其高性能和资源高效的特点： - **C
Oat++ 项目推荐
Oat++ 是一个现代的 C++ Web 框架，专为高性能和资源高效型 Web 应用程序设计。它完全独立，不依赖于任何外部库，易于移植。Oat++ 的核心目标是提供一个轻量级且功能强大的框架，适用于从嵌入式设备到云端微服务的各种应用场景。 ## 2. 项目的核心功能 Oat++ 提供了丰富的功能模块，包括但不限于： - **REST API 支持**：轻松构建和文档化 RESTful API
基于Oat++的C++语言项目开发。
2、找到新增CMakeList.txt项目配置文件，将项目中关于demo项目的配置去掉，以及修改项目名。1、切换到arch-cpp架构，打开oa-cpp目录。1\后端收到前端的时候（ENDPOINT（API_M_GGET）），解析参数，1、使用oa-cpp下的copy-resources.bat创建自己的模块。1.ENDPOINT（请求方式，域名，函数名（小驼峰命名），给一些参数）（2）控制访问器，puiblic方法，构造函数，设置默认连接器。8、中文词典，zh-dict.yaml里写，然后直接使用、、
高性能Web开发利器：fastcgi++
高性能Web开发利器：fastcgi++ 项目介绍 fastcgi++ 是一个专为高性能Web开发而设计的C++20库。它通过FastCGI协议实现应用程序与Web服务器之间的通信，能够高效地处理环境数据、管理字符编码，并允许多个请求共享CPU时间。该项目由Eddie Carle开发，目前最新版本为3.1alpha，支持PostgreSQL数据库功能，并已进入测试阶段，期待社区的反馈。 项目技术分...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5489
扫一扫
