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
1.2k累计阅读
1.2k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
拍立得诞生于 1948 年，由美国发明家埃德温·兰德推出第一台即时成像相机——兰德相机。它的出现，让人们在拍摄后只需等待约一分钟，就能获得冲洗完成的照片。
这一灵感来自 1943 年兰德女儿的一句话：“为什么拍完照不能马上看到照片？”兰德设计了同时包含负片和正片的胶片结构，让成像与显影在相机内一次完成。1948 年，宝丽来公司推出首批 57 台兰德相机，当天售罄。
此后，兰德带领团队在 1963 年又推出彩色即时成像胶片，将拍立得从黑白时代带入全彩时代。他一生拥有 535 项美国专利，并获得总统自由勋章等多项荣誉，被誉为即时摄影的开创者。
以下榜单来自：https://www.toutiao.com/article/7534935115395334665/?upstream_biz=doubao&source=m_redirect
Office Tool Plus：正版Office干净部署指南
Office部署是Windows新机配置的关键环节，涉及版本选择、架构匹配、语言支持与合规激活等基础技术问题。其核心原理基于微软官方Office Deployment Tool（ODT）的声明式XML配置机制，通过标准化流程确保安装可复现、可审计、无第三方捆绑。技术价值在于规避官网安装器的版本锁定、架构误配和语言缺失等常见风险，提升部署稳定性与安全性。典型应用场景包括企业批量部署、IT运维标准化、隐私敏感型用户自主安装。本文以Office Tool Plus为实践载体，深入解析ODT底层逻辑、XML配置规范
多次拿下移动集团技术发明大奖，TA是怎么做到的？
对数据和信息的掌控能力是运营商数字化转型的重要基础，AI技术的蓬勃发展为运营商数字化转型带来了新的可能。2021年底，为解决众多哑资源管理时手段贫乏和交维验收时存在的诸多问题，浩鲸科技助力移动集团下属某省公司研发的“拍立得”应用，拿下了中国移动集团多项大奖。到光交哑资源全生命周期管理中，嵌入现场核心生产环节，实现光交端子数量及位置、施工工艺规范性的智能识别录入，为解决哑资源管理困境发挥重要作用，也实现了浩鲸科技在“哑资源”方面的技术突破。我们将走进获奖背后的故事，为大家介绍其中的技术。......
Versal - 从零构建Petalinux 2024.2 AI边缘计算平台（VD100+SDT+JupyterLab实战）
本文详细介绍了如何从零开始，基于AMD Versal VD100开发板和Petalinux 2024.2构建AI边缘计算平台。内容涵盖开发环境搭建、Petalinux工程创建与配置、SDT新流程实战、启动SD卡制作，并最终集成JupyterLab与Conda，打造出开箱即用的交互式AI开发环境，帮助开发者快速进行算法验证与部署。
专利保护期限是多久？
请注意，专利保护期限的计算方式可能因国家/地区而异，有的从申请日起算，有的从授权日起算。此外，专利权人需要定期支付年费以维持专利的有效性，未按时支付年费可能导致专利权失效。不同国家/地区的专利法规可能会有所变化，建议在申请专利时咨询当地的专利律师或专利局以获取最新的信息。专利保护期限因专利类型和国家/地区的不同而有所差异。
Exchange 2013/2016/2019修改附件大小限制
Exchange 2013/2016/2019邮件大小限制 可以在三个位置上配置Exchange上的默认邮件大小限制： 组织传输设置 发送/接收连接器设置 用户邮箱设置 1.打开Exchange Management Shell 使用命令查看默认限制 get-transportconfig | ft maxsendsize, maxreceivesize get-receiveconnector | ft name, maxmessagesize get-sendconnector | ft
【推荐算法】召回模型总结
【推荐算法】召回模型总结
光学相机市场格局：中国光学相机市场评估及未来发展趋势研究报告
同期，无反相机作为微单相机的代表类别，其市场扩张尤为突出，销量与销售额分别大幅增长了16.8%和11.6%，增速远高于行业标准，进一步印证了无反相机正逐步接过单反相机的接力棒，引领摄影装备的潮流趋势。光学相机的技术发展已趋于成熟，创新的空间越来越小，而每次技术的小幅改进都需要巨大的研发投入，这增加了企业的经营风险。例如，通过提升相机的数字化性能，增加与计算机和移动设备的兼容性，以及开发更高级的图像处理软件，可以增强光学相机的吸引力。这一政策的实施，有效保障了光学相机行业的创新成果，激发了企业的创新活力。
Protege新手入门：5分钟搞定本体建模基础（附实战案例）
本文为Protege本体建模新手提供了一份快速入门指南。通过构建一个关于“披萨”的实战案例，详细讲解了从环境准备、定义核心类（Classes）、建立对象属性（Object Properties）到设置数据属性（Data Properties）和创建个体的完整流程。文章旨在帮助读者绕过复杂理论，在5分钟内直观掌握本体建模的基础操作，快速建立知识图谱构建的信心。
Pola是什么？
Pola是什么？ Pola是即拍即现，一次成像相机。1947年，美国人发明了一次成像胶片，并由宝丽来公司生产出一次成像的拍立得相机。这一发明，使得旅游者的摄影变得非常方便，而不用受当时还非常不普及的冲洗服务的影响。 这种照相机用特种胶片，拍摄后立即自动冲洗。在拍摄后从相机中拉出或自动弹出的已经是冲洗好的照片。拍摄者即拍即现可以看到刚拍摄的效果。 ...
蓝牙协议栈详解(3)——BTstack
BTstack是一个轻量级蓝牙协议栈，支持经典蓝牙(BR/EDR)和低功耗蓝牙(BLE)。它采用事件驱动模型，可运行在MCU/CPU上，通过HCI接口与蓝牙控制器通信。协议栈包含完整的蓝牙协议层支持，如L2CAP、RFCOMM、ATT/GATT等，并提供丰富的示例代码。 主要特点包括模块化设计、开源授权、支持多种HCI传输方式(UART/USB)和操作系统适配。开发时需要关注事件驱动编程模型、内存配置优化、HCI传输稳定性等问题。典型应用场景包括SPP串口通信、BLE外设开发等。 使用建议从最小示例开始，逐
SAP Group Reporting入门指南（8）--业务操作
关于资产负债表类的匹配，系统预设了SGR01和SGR02两个方法，主要区别在于数据的来源范围，SGR01取自ACDOCA和ACDOCU，如果是0F类型的就会直接显示日记账分录（期间是000的除外，这类凭证是年结结转的，系统不再跨年追溯），如果是其他类型就显示合并分录。这里是我觉得SAP还需要优化的地方。基于ICMR的抵消任务中通常将抵销差异细分为交易差异、货币换算差异和其他差异，这在基于重分类抵消任务是无法实现的，基于重分类抵消只知道一个差异总额，很难从合并抵消凭证看出差异的来源，也没有审计线索可言。
相机的发展与计算摄影
手机的计算摄影，同样经历了几个阶段，早期的手机运算能力较弱，只能实现一些简单的图像处理算法，所以早期的手机摄影，可以看到明显的粗糙感，和美学是完全没有关系的，随着手机芯片制程的提升，从十几纳米，到十纳米，现在最好的手机芯片可以到 5 纳米，甚至 3 纳米，这意味着手机的运算能力有了质的飞跃，很多复杂的图像处理算法都可以支持了，这个时候，计算摄影才是真正的爆发了。从标准镜头，到广角，到长焦；人类经过漫长的进化，发展出一套神奇的视觉系统，可以感受色彩，可以适应暗光，通过调节瞳孔的大小，还能控制进光量；
OpenClaw与传统AI助手区别，为什么要本地部署
OpenClaw是一款本地部署的开源AI助手框架，与ChatGPT等云端服务相比具有显著优势。它支持完全离线运行，数据隐私性高，所有信息都存储在本地设备上，避免了云端服务的隐私风险。OpenClaw采用模块化设计，可自由定制功能，且无需支付订阅费用，只需一次性硬件投入。推荐在树莓派、迷你主机等设备上部署，最低配置仅需1核CPU和1GB内存。安装过程包含系统初始化、依赖安装、配置设置等步骤，支持通过systemd服务实现开机自启和后台运行。特别适合注重数据安全、需要离线使用或预算有限的用户群体。
addbatch executebatch
在批量更新SQL操作的时候建议使用addBatch，这样效率是高些，数据量越大越能体现出来 Statement接口里有两个方法： void addBatch(String sql) 将给定的 SQL 命令添加到此 Statement 对象的当前命令列表中。通过调用方法 executeBatch 可以批量执行此列表中的命令。 int[] executeBatch()
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
用init.d与记忆碎片对抗AI编码代理20万token上下文压缩失忆
在大语言模型应用中，上下文窗口限制常导致长会话记忆丢失，影响AI编码代理的连贯性。通过持久化状态锚点和自动重建机制，可有效管理代理记忆，提升任务完成率。这一方法借鉴Unix init.d的进程管理思路，结合碎片化记忆结构，确保代理在压缩后快速恢复关键约束和工具接口。适用于长会话编码、多轮迭代等场景，能显著减少失忆问题，提高开发效率。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
计算机硬件历史摘要,计算机硬件的发展历史以及.doc
文档介绍：计算机硬件的发展历史以及.doc计算机硬件的发展历史以及计算机的现状和发展趋势李晨雨(上海交通大学安泰经济与管理学院F0812003班)摘要:本文主要介绍了计算机硬件的发展历史以及计算机的现状和发展趋势,指出了计算机的众多类别及其用途。介绍了计算机硬件设备的发展历史以及计算机在现实社会中的具体应用范围,并且指出计算机自发明以来在人类社会中的地位逐步提高,并且将不断提高。最后阐释...
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")
拒不修图的拍摄软件，这一刻APP能否在美图时代生存？
摄影术的发明不过180年，图片的数量却呈指数级爆炸增长。 手机普及之后，成像越发简洁，胶片机和拍立得却成了令人追捧的潮流与风格。美图软件之间的竞争逐渐演变成滤镜大战，似乎大家集体忽略了图片被拍摄时最原始的状态。 拒不修图的拍摄软件，试图在美图时代生存?乍一听，这个问题好像在痴人说梦，登登动媒科技的郁然带领她的团队却给出了实际的证明。 这一刻：猝不及防的真实感带来轻松自在的拍摄体验 这一...
最坏也是最好的时代｜与陆奇，阿里VP，英伟达VP等重磅嘉宾相约道创峰会
先行者2020年10月24日，道创峰会DECODE携手陆奇，阿里巴巴AI副总裁，英伟达人工智能副总裁，蚂蚁金服副总裁，VMware首席运营官，Y Combinator的CEO，可汗学...
AI编码代理失忆怎么办？用init.d和记忆碎片思路构建外部记忆锚点系统
在大模型应用中，上下文窗口限制常导致AI编码代理在长会话中丢失关键决策与约定，影响任务连续性。通过外置文件系统实现幂等的记忆恢复机制，代理可定期读取核心约定、决策日志和接口定义，从而在上下文压缩后快速恢复工作状态。这种轻量级方案无需向量数据库，具备零依赖、低延迟和可调试性优势，适用于长时间连续编码、多代理协作等场景。本文分享的init.d与《记忆碎片》启发下的记忆锚点系统，正是为解决代理失忆问题而设计的工程实践。
何恺明团队突破：单步直接像素生成技术解析
图像生成技术是计算机视觉领域的核心研究方向，传统扩散模型通过多步迭代在潜空间逐步优化图像，虽然效果出色但存在计算成本高、推理速度慢等瓶颈。最新研究突破表明，通过混合密度预测网络和空间自适应归一化等创新架构，模型可以直接在像素空间完成高质量图像生成。这种单步直接生成技术大幅提升了推理效率，使实时图像编辑和移动端部署成为可能。何恺明团队提出的新方法在ImageNet测试中FID指标达到2.87，推理时间仅需0.8秒，为Stable Diffusion等传统扩散模型提供了极具潜力的替代方案。该技术在视频生成和交互
OSChina 周六乱弹 —— 先帝创业未半而花光预算
2019独角兽企业重金招聘Python工程师标准>>> ...
GPT-Image-2 提示词实战：社区对比实验与电影级分镜工作流——awesome-gpt-image-2-API-and-Prompts 比较与社区案例全解析
本指南以仓库 [cases/comparison_ru.md](https://link.gitcode.com/i/1124a61a20cff008b288f3fb140a70be)（俄语版）与 [cases/comparison.md](https://link.gitcode.com/i/5cf643fbc541606a7b055a36a8c2ef2f)（英文源版）为核心骨架，系统拆解「比较
《CSS3使用指南》读书笔记
一、CSS3的来龙去脉 1.CSS3的新特性： 1）不依赖图片的视觉效果 2）盒容器变形 3）独一无二的字体 4）强大的选择器 5）过渡与动画 6）媒体信息查询 7）多列布局 2.CSS标准发布分5个阶段，所有特性的目前所处阶段可以在这里查看：www.w3.org/Style/CSS/current-work，一般处于第3阶段时，我们就可以使...
Ventoy使用教程：无需格式化U盘的多系统启动盘指南
你抽屉里是不是也躺着好几根U盘？一根贴着"Win10安装"，一根写着"Ubuntu"，还有一根是"WinPE急救"。每次要重装系统，先翻半天标签，再祈祷别拿错盘；每次换了系统版本，还得把对应U盘重新格式化一遍——数据清空、重新写入，循环往复。 如果告诉你，这件事可以一次性终结呢？一根16GB的U盘，同时装下Windows、Ubuntu、WinPE、CentOS等十几个系统镜像，开机像点菜一样选一
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1183
扫一扫
