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
1.5k累计阅读
1.6k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
那个时候，我刚接触计算机。
那个时候，Internet不流行，偶尔上次网，那叫冲浪。
那个时候，流行打字复印。
几乎所有的机关，就是现在流行的考公务员所期望的地方，
都有打字复印。
满街头的打字复印店，就像理发店一样多。
那个时候，流行打字排版比赛，
字，打的当然是5千年的方块字，
排版用的是WPS。
WPS啊，
那个时候，我打开它，
看到一个人的名字：求伯君，
求伯君啊，你是一个传奇，
求伯君啊，你是中国IT的一个摸不去的记忆。
求伯君啊，
你第一次让我看到，
中国人做的软件，
也可以在全中国流行。
那个时候，流行WPS，
我在WPS上看到了求伯君的名字。
求伯君啊，
你是中国IT行业中的一个传奇，
你就是不灭的神话。
STC51单片机串口多字节数据接收的优化策略
本文深入探讨了STC51单片机串口多字节数据接收的优化策略。针对数据丢包、粘包等常见痛点，核心思路是采用“缓冲队列+定时器超时”模式，将实时处理转变为“先收纳，后处理”。文章详细讲解了硬件初始化、中断服务程序优化（快速入队与激活超时裁判）以及主循环的非阻塞设计，并进阶介绍了环形缓冲区实现与错误处理，旨在构建稳定可靠的串口通信系统。
wps是用python语言开发的吗_wps是用什么语言开发的
WPS第一版是求伯君用汇编写出来的 (推荐学习：phpstorm)2002年，雷军向求伯君建议，做出了对于金山WPS来说，最具有历史性的决定，之后金山将WPS代码全部推倒重写2012年起，WPS开始使用Qt框架进行开发，成为全球首个能跨平台的办公软件，支持Windows、Linux、Android、IOS所有主流平台。WPS Of...
Ubuntu双系统开机黑屏？3分钟搞定NVIDIA显卡驱动冲突（18.04/20.04实测有效）
本文详细解决Ubuntu双系统开机黑屏问题，特别是由NVIDIA显卡驱动冲突引起的故障。提供从临时进入系统到永久安装专有驱动的完整方案，适用于Ubuntu18.04/20.04用户，帮助快速恢复系统并优化显卡性能。
wps是用python语言开发的吗_为什么有些人不用Word而用Python？Python或会取代wps？...
一般来说,一组wps办公软件安装在默认情况下在我们的电脑。虽然这组wps软件不是和办公室一样强大,很紧凑,易于使用。因此,wps一直公职的选择。为什么有些人选择使用python的wps单词?事实上,python是更方便比wps词做批处理。使用python处理word文档主要是做一些重复性的,简单的和机械操作,有一定的规则。如果它是一个细致、精确的和漂亮的排版,使用python显然是不合适的。在这个...
LTR-390UV-01对比VEML6075：5个真实项目中的选型避坑指南
本文对比了LTR-390UV-01和VEML6075两款环境光传感器在5个真实项目中的表现，提供了选型避坑指南。通过智能手环、农业温室、紫外线消毒柜等场景的实测数据，分析了动态范围、抗干扰性、温度稳定性等关键差异，帮助开发者在成本与性能间做出最优选择。
【AI Infra】Perfetto性能分析工具指南
Perfetto是一款开源性能分析工具，提供系统级和应用级的活动数据追踪功能。其界面分为四个区域：左侧操作区（包含Trace查看、SQL查询、预置分析等功能）、上方信息区、中间图形化展示区以及下方详细信息区。工具支持快捷键操作（w/s缩放、a/d移动、m标记等），并能高效处理大体积Trace文件。通过Timeline分析可发现性能瓶颈，如案例中update_actor耗时过高的问题，最终定位到CPU offloading导致的MemcpyH2D操作耗时过长，提出了优化方案。Perfetto相比Systrac
求伯君—— 一个你必须知道的程序员
你认识求伯君吗？ 好像听说吧，但不是很熟悉！ 求伯君，你都不认识？ 金山的大老板，雷军还是给他打工的，这都不知道？ 据说不认识求伯君的都不是第一批触网者 认识求伯君的差不多都已经40了？ 今天小新就给大家分享一个大人物——求伯君！ 关于求伯君 求伯君，1964年出生于浙江新昌县，毕业于中国人民解放军国防科技大学。199
PCIe Crosslink
PCIe Crosslink（交叉连接）是一种特殊的PCIe链路连接方式，允许两个PCIe设备（通常是Root Complex或Endpoint）是指两个PCIe设备（如两个CPU、两个FPGA或两个GPU）通过PCIe链路直接连接，形成点对点（P2P）通信通道。：两个Intel/AMD CPU通过PCIe Crosslink直接通信（替代UPI/Infinity Fabric）。：主板需提供PCIe Crosslink连接（如特定插槽支持x16/x8 Crosslink）。
IT风云15年的那些人、那些事(二)
程序员的英雄群体 在2000年之前，IT业最耀眼的明星不是柳传志和马云，而是王志东、求伯君、严援朝和朱崇君们。数以十万计的程序员，构成了产业的主体。他们身上的技术情结，至今仍然闪耀着光芒。但在商业世界的水土不服，也在他们身上无不应验。尤其是1997年。这一年，基于DOS的中国第一代程序英雄基本上都完成了自己的历史使命。1997年之后，也很少再出现新成名的程序员。 1997年，WPS97首发，求
机器学习参数寻优：方法、实例与分析
机器学习模型的性能很大程度上依赖于其参数的选择。参数寻优（Hyperparameter Tuning）是提升模型表现的关键步骤之一。本文将详细介绍主流的参数寻优方法，包括网格搜索（Grid Search）、随机搜索（Random Search）、贝叶斯优化（Bayesian Optimization）、和超参数优化库（如Optuna和Hyperopt）等，并探讨它们的优缺点及适用场景。
《网络信息制作与发布》实训全流程：从专题策划、网站构建到前端实现与上线发布
本文详细介绍了WEB设计专题网站从策划到发布的全流程。主要内容包括：1.网络专题设计（确定主题、编写策划方案、素材搜集整理）；2.网站结构构建（设计二级栏目、绘制布局图）；3.艺术设计（配色方案、版式设计）；4.网页制作（使用Dreamweaver进行标准化布局）；5.信息发布（通过Dreamweaver和CuteFTP上传文件、网站维护与备份）。以"学习WEB设计"专题为例，采用框架结构，包含20余个栏目，使用深灰和蓝色为主色调。文章提供了完整的操作步骤和技术要点，适用于网站开发学习者
马云退休当老师：盘点IT大佬们退休后的现状
点击上方“程序人生”，选择“置顶公众号”第一时间关注程序猿（媛）身边的故事作者五五白天搬砖，晚上砌梦想。相信每个人有故事，程序员更是有许多事故，书写最接地气的程序员故事。...
26版SPSS操作教程（高级教程第二十一章）
#专注方能成事 #本期内容：信度分析 #由于导师最近布置了学习SPSS这款软件的任务，因此想来平台和大家一起交流下学习经验，这期推送内容接上一次高级教程第二十章的学习笔记，希望能得到一些指正和帮助~
传奇人物——求伯君
大浪淘沙，在这个软件工业飞速发展的时代里，出现了许多高手，但是，他们中的绝大多数人并不为人所知。像吴晓军、鲍岳桥、周志农、刘旭、朱崇君、求伯君、王江民、王志东、梁肇新等等为大众所熟悉的高手，这么多年来也就这么一二十来位。他们个人奋斗的酸甜苦辣同中国软件地的发展起落同步。国内接触过计算机的人都使用过或仍然使用着他们用智慧和心血凝结而成的程序。也许他们中的有些人会随着时间的流逝而失去昔日的光
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
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")
苦难是人生最大的财富
苦难是人生最大的财富 ——少 年 求 伯 君 求伯君，这个响亮的名字，现在早已经被全国少年电脑迷所熟知，一大批有志于IT业发展的莘莘学子，暗中以他的成功经历为楷模，渴望像他那样创业，用少年英雄的大手笔，为中国电脑软件业增添一道亮丽的风景线。称求伯君为“少年英雄”毫不为过：——1986年，他完成自己的处女作“西山打印系统”，毅然辞职“下海”时，年仅22岁。——1989年，WPS横空出世，继而风靡全国，迅
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。
金山系风云再起，前有WPS与Offic旧战，今有Eversheet和微软新争
金山软件被誉为IT届的黄埔军校，输出一批又一批的国内“大牛”引领着国产软件的发展方向，例如，小米的雷军，盛大游戏的吴裔敏，甜瓜在线的朱勇，51wan的刘阳。他们的事迹说不完，金山软件的故事道不尽，让人跌宕起伏，在众多故事中，唯独这一件我们不能忘记，值得反复深思。wps与office长达30年的旧战如今，WPS与Offic作为常用的办公软件，由于相似的功能，经常被调侃“哪个才是先出来的老大？”其实，WPS与Offic的市场争夺战，早在30年前已经开始。80年代国内缺乏文字编辑软件，电脑文字处理异常复杂，为解决
IT英雄排行榜
IT英雄排行榜
推荐——《梦想金山》
微波炉热晚饭的时候顺便到公司的书架逛下，最近新书里有本《梦想金山》，随手翻看，原来是本记录金山软件公司的书，从1988年求伯君研发WPS，金山已经走过了20多年了，作为国内形成规模且上市的软件公司，其过程艰辛可想而知。如今，金山软件已经涵盖办公软件，杀毒软件（从大学购买49元的金山毒霸2003起，我已经使用金山毒霸8年了），词霸／快译，游戏等， 当然也有一些未成功的产品如金山影霸。中国软件业的发展...
中国人奇强：十大最成功国产软件排行(图)
[精华]中国人奇强：十大最成功国产软件排行(图) shiyjru 发表于 2005-12-6 22:12 1楼 注册时间：2005-3-19[个人文集]--> [加为好友] [发短消息] shiyjru 当前离线 <!-- --> --> 头 衔：论坛新兵 威 望：0 红网币：170 魅 力：0 发帖数：10
中国软件20年，向金山和中国软件英雄致敬！
原文题目：中国软件20年，向金山和不能忘却的中国软件英雄致敬！ 12日，“中国软件20年，知识英雄再聚首”高峰论坛于在北京召开。此次活动原本是由金山软件发起组织，是金山20周年庆典活动的重要组成部分。但是活动的意义却远远超过了金山一家公司的庆典本身。 金山的20年，原本就是中国软件产业的20年，还记得王码吗？还记得晓军213吗？还记得cced吗？还记得一张软盘的kv100...
他被称为“中国杀毒软件之父”，没想到身患残疾，38岁才接触电脑！
△Hollis, 一个对Coding有着独特追求的人△这是Hollis的第306篇原创分享作者 l Hollis来源 l Hollis（ID：hollischuang）从幼时的小儿麻...
浅析“作坊式”开发
发表于软件工程专家网 转载系统分析之窗等浅析“作坊式”开发老单2003-11-20“作坊式”开发虽然只是对软件开发形式的一种比喻的说法，但深究起来却还真是一个不小的话题。在此我粗浅地探讨一下作坊式开发被广泛采用的一些原因，不谈所谓“作坊式的企业”之类大的话题，只就“开发方式”层面上的相关思路理一理，对工程化管理内容也不再赘述。所述之言为个人观点，观者仁者见仁、智者见智。这里讲
转:浅析“作坊式”软件开发
作者:老单授权时间:2004-01-06出处:51cmm责任编辑:方舟[文章导读]本文探讨了作坊式开发被广泛采用的一些原因，并就“开发方式”的思路进行了整理“作坊式”开发虽然只是对软件开发形式的一种比喻的说法，但深究起来却还真是一个不小的话题。在此我粗浅地
浅析“作坊式”开发（转）
“作坊式”开发虽然只是对软件开发形式的一种比喻的说法，但深究起来却还真是一个不小的话题。在此我粗浅地探讨一下作坊式开发被广泛采用的一些原因，不谈所谓“作坊式的企业”之类大的话题，只就“开发方式”层面上的相关思路理一理，对工程化管理内容也不再赘述。所述之言为个人观点，观者仁者见仁、智者见智。 这里讲到“作坊式”，主要是指传统手工作坊的生产模式而言的。所谓作坊式生产模式大同小异，一般情形是：...
代码传奇 | 身价10亿的程序员 雷军当年也为他打工——WPS之父 求伯君
如果你和我说，有个小孩儿 3 岁话没说利索的时候就会背九九乘法表；5岁还没上小学围棋就达到业余五段水准，我的第一反应会认为这一定是个“虚构人物”。 但这位“虚构人物”不止于此，他还有很多实实在在的夺目经历： 小学数学满分概率几乎是100%，有他在教室，数学老师都感到很紧脏； 高中连续三年参加县数学竞赛，毫无悬念，次次第一； 1980年高考数学满分，直接进
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
375
扫一扫
