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
1.3k累计阅读
1.4k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
最近这段时间特别黑，什么事情都不顺利。
团购对讲机，结果早上刚拿到，就发现有问题，下午给帮忙给退回去。第二次寄来用了一晚才发现显示屏跟机身没粘好，有条裂缝。不过拿给哈哈垄拆开后粘好了。
给我妹买了个USB冰箱作生日礼物，结果邮寄来打开来一看外壳在快递过程中摔裂了，还好卖家态度不错，看了相片后同意换一台新的。
某天早上刮胡子，不知道怎么弄的让刀片把手指给划了一个口子，不过还好不严重。
上个礼拜日去溯溪，返程途中下起暴雨，河水突涨。在河岸行走过程中，脚底石头没踩稳，加上石头表面光滑，整个人摔到河里，直接损失对讲机一部，手机进水。还好相机当时放在相机包内，没受影响，算是不幸中的万幸了。
回程途中想打个电话，拿出手机卡装到宇宙的机子里，居然提示余额不足，我晕……
……
总之最近我是黑仔，从头黑到脚，从白天黑到晚上，什么时候我才能转运啊！！
还好一直都有朋友相助：团购对讲机一直是宇宙在帮忙；修对讲机、手机是哈哈垄在帮忙，多谢两位啦！！
希望这种日子快点熬到头吧……
ShardingSphere-jdbc 5.5.0 + spring boot 基础配置 - 实战篇
shardingsphere 5.5.0移除了sm4算法，自己加上即可。增加spi扩展org.apache.shardingsphere.encrypt.spi.EncryptAlgorithm增加以下代码：SM4算法代码/***/static {@Getter@Overrideif (!
《重振球风》观后感
原本以为《重振球风》也是一部普通的剧情片，我看中的是其中的男主角“肖恩”，以前看过他演的《惩罚者》，感觉还不错，所以想当然这部片子应该也不会太差。而且在记忆中似乎这部片子还上过北美排行榜前5名，所以下载下来。当我悠闲的品味着这部电影的时候，我发现这部片子虽然没有华丽的火爆场面，也没有令人眼花缭乱的特技效果，但是其中的剧情却吸引了我。肖恩是一名青少年犯罪收容中心的管理员，面对着是一群未成年却因犯
别再为Word转PDF表格变形发愁了！Aspose.Words for Java 19.5 保姆级避坑指南
本文详细介绍了使用Aspose.Words for Java 19.5解决Word转PDF时表格变形问题的完整方案。从格式转换原理到实战技巧，涵盖固定表格宽度、禁用自动调整、强制文本换行等核心方法，并提供高级场景应对策略和性能优化建议，帮助开发者高效处理复杂文档转换需求。
js中~~和 | 的使用
~~的用法 ~~它代表双非按位取反运算符，如果你想使用比Math.floor()更快的方法，那就是它了。需要注意，对于正数，它向下取整；对于负数，向上取整；非数字取值为0，它具体的表现形式为： ~~null; // => 0 ~~undefined; // => 0 ~~Infinity; // => 0 --NaN; // => 0 ~~0; ...
阿里平头哥与华为芯片的比较
阿里平头哥与华为芯片代表了中国AI芯片领域的两种典型发展路径：平头哥通过兼容CUDA生态快速切入市场，以较低成本提供接近国际水平的AI算力；华为则坚持全栈自研路线，构建从芯片到框架的完整技术体系，更注重供应链安全和自主可控。从短期来看，平头哥PPU在单卡性能参数上全面超越昇腾910B，接近英伟达H20水平，且成本优势明显，有望在云服务和互联网应用领域取得更大市场份额。而华为昇腾则凭借全栈自研和端边云协同优势，在政企市场和科研领域更具竞争力。
①电子产品拆解分析-暖手宝
电子产品拆解分析-暖手宝 ①按键三档调温暖手； ②长按进入氛围呼吸灯； ③安卓接口充电以及支持USB输出；
js 中的 ~~ 随好用但好丑
你有在代码中用过~~吗？今天来普及一下它。举例：例1：let a = 10~a 最终结果为-11；~~a 最终结果为 10；对数字使用 ~ 时，结果为-(N+1)例2：let n...
nvidia jetson orin调试 MAX96712 serdes相机（SG2-AR0233C-GMSL2）
背景：想了解一下关于nvidia orin camera相关的模块，基于Drive Orin demo板的话，没有合适的相机，用 nvsipl框架点亮 GMSL相机不知如何下手，那么基于nvidia Jetson orin的话，目前国内有对应的转接板以及GMSL相机可以参考，基于此，那么本文详细记录一下关于nvidia orin的相关踩坑记录；需要Nvidia Jetson Orin开发板一个，MIPI转接板一个，MIPI转GMSL转接板一个，GMSL线束（fakra单线束），GMSL摄像头一个。
JS按位非运算符(~)及双非(~~)的使用
JS按位非运算符(~)及双非(~~)的使用
MFC实现图书管理系统(附完整源码）
MFC实现图书管理系统(附完整源码）
X-AnyLabeling-main标注YOLO关键点POSE
同一物体的框和点的 群组编号 要相同。代表这些点和方框是同一物体上的。标注方框之后记得把后面的。顺序要和你标注的顺序一致。写入1，而且之后的点的。配置导出文件.yaml。
js 中的~~含义
js 中的~~含义 ~是js里的按位取反操作符 ， ~~ 就是执行两次按位取反，其实就是保持原值，但是注意虽然是原值，但是对布尔型变量执行这个操作，会转化成相应的数值型变量，也就是 ~~true === 1，~~false === 0。 ~~"" == 0 ~~[] == 0 ...
【CAD】【手把手带你写一个DXF&JAVA解析框架】02——整理DXF元数据实体类，涵盖重要属性与对照组码
本文系统梳理了DXF文件解析中的核心元数据类，重点分析了Tables段（图层、块记录）、Blocks段和Entities段的关键数据结构。通过详细的组码说明和对照代码实现，阐述了图层定义（DXFLayer）、块记录（DXFBlockRecord）、应用程序标识（DXFAppId）等表对象的属性构成；同时解析了直线（DXFLine）、多段线（DXFLwPolyLine）、圆弧（DXFArc）、文字（DXFText）等实体类的几何特征与属性定义。文章还构建了顶点（Vertex）、基类（DXFEntity、DXF
~~运算
<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>~~运算符</title> </head> <body> </body> <script> // 数字类型的字符串可以转化为纯数字 ...
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
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")
js ~~运算符作用 以及**运算符
刷力扣题 整数反转 发现自己写的很麻烦 再然后看了官方解析 里面用到了~~运算符 于是记录一下 1.~ 是按位非 也就是按位取反 那么2个~~就是2次取反 粗略的说是保持原值 但是~后面如果跟的值不是int类型 会被强制转换为int类型 所以~~可以将字符串转换成数值 并且在有小数点的情况下取整当然直接是数值的情况下~~遇到小数点也是转换init类型 取整 ~~"123" // 123 ~~"123.4" // 123 ~~123 // 123 ~~123.4 // 123 2.~~后面如果跟Bo
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
javascripts ~~运算符是什么意思，js ~~ 的含义，js !! 代表什么，js **代表什么
运算符只能对整数进行计算，如果~后面如果跟的值不是int类型，将会被强制转换为int类型。如果~后面跟字符串，浮点数，布尔值，都会转化为整数。!!是两次布尔取反，用于将数值，字符串、null转黄为boolean值true或者false。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
php中运算符的作用,在php中,双反位运算符(~~)(也称为“双颚化符”)的作用是什么?...
应该是!!(它将值转换为布尔值)但根本不需要它。我想原来的编码员搞错了~对于!然后他们又补充说(bool)为了达到预期的效果(因为,正如你在问题中注意到的,~~是不允许的)。这个boolean value属于$field->req与的相同!! $field->req和(bool) ~~$field->req(和(bool)$field->req顺便说一句)。我会把(bool...
黑基开发注册~~
黑基开放注册啦~~~ 想注册的抓紧唠..... 转载于:https://blog.51cto.com/datarecovery/154222
入了啊！！笑死你~~
某位电台DJ的朋友学某个医疗节目?康主任讲解乙肝，超搞笑啊！以下是他们的电话录音 <br /><br />喂？ <br />喂！ <br />喂！ <br />喂！?啊 <br />你??位啊？ <br />?啊 <br />你坐班?咩？ <br />??，??，死??佬啊 <br />?晚有??啊？ <br />吊，?唔到?？ <br />?解唔?? <br />有咩？ <br />梗?有啦！11?啊！ <br />唔似你????？ <br />……哼，?咪一?老坑先 <br />……啊哈哈 <br />
JS ~~
~~js数字操作
JavaScript 的 ～～ 运算和floor 的性能差异
在JavaScript中，~~（双波浪号）和都可以用于向下取整，但它们在行为和性能上有一些差异。要测试这两者之间的性能差异，你可以使用JavaScript的方法来进行基准测试。
javascript中的取反再取反~~
操作符~， 是按位取反的意思，表面上~~（取反再取反）没有意义，实际上在JS中可以将浮点数变成整数。 var myArray = new Array(); myArray.push("a"); myArray.push("b"); myArray.push("c"); myArray.push("d"); //现在要随机从数组中取出一个元素 var random = myArray[~
js运算符 ~~ 是什么意思？
开发过程中，我们经常会用运算符： + -==!= && || 等等，但今天翻看项目源码的时候发现了一个奇特的写法 ： ~~ 因为比较少见，所以在此记录一下： 其实就是将后面的变量转化为数字类型，但只能判断可等价转换的类型。例如： console.log(~~true) // 结果为1 console.log(~~false) // 结果为0 console.log(~~null) // 结果为0 consol...
js中~~和 | 的妙用
~~的用法 ~~它代表双非按位取反运算符，如果你想使用比Math.floor()更快的方法，那就是它了。需要注意，对于正数，它向下取整；对于负数，向上取整；非数字取值为0，它具体的表现形式为： ~~null; // => 0 ~~undefined; // => 0 ~~Infinity; // => 0 --NaN; // => 0 ~~0; ...
惊诧！！～～
会员：MikeDogSong 日点击量：0 您的原创文章：1 月点击量：6 您的转载文章：0 您的翻译文章：0 总点击量：25 隔了半年再来看我的blog，没想到总点击量竟然有25个呢！！！惊诧！！～～真的不能不佩服：长尾理论！！ 写这些文字的时候，已经是我第二次下定决心写自己的blog了。上次是我的开张。今天去tw笔试,一看题就傻了,又是"逻辑题",有12个Box,把1+2的结果方到第三个,
typescript的~~和双感叹号符号使用
（标题不给用“!”）
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4742
扫一扫
