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
1.4k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
- 我们推荐使用Usergrid启动器（ https://usergrid.s3.amazonaws.com/usergrid-launcher-0.0.1-SNAPSHOT.jar ），来尝试运行在你自己本地的Usergrid实例。我们会慢慢地会为更多人提供在线的测试服务，但是再本地运行会让你更快的开始探索Usergrid。我们也将为您安装或者运行在亚马逊和其他托管服务提供商的情况再增加额外的文件和工具。
- 我们会在更新测试服务器的主要代码的同时定期擦除数据。
- 目前我们尚未实现细粒度的权限。我们会很快增加相关功能，但在此期间，你应该意识到这一部分暂时无法投入生产。
- 目前仍有操作还是在控制台下工作。这些并不因为是第一次发布就会ding该API仍然是对所有管理对象的首选机制。
Ecg信号QRS波峰检测：A Real-Time QRS Detection Algorithm (Pan-Tompkins法)
Pan-Tompkins法是R峰检测的经典方法，被引量高达6000+次。 Pan J, Tompkins W J. A real-time QRS detection algorithm[J]. IEEE transactions on biomedical engineering, 1985 (3): 230-236. 本文对论文流程进行了总结，并参考BioSigKit项目，复现了论文代码。 流程图： 代码如下： 第一部分是信号读入，这里使用MIT_BIH信号的100，读入10000个数据点 第二部分
训练数据示例
针对“规格书生成测试用例脚本”的任务，在 LLaMA-Factory 中使用即可。关键是把“规格书内容”放进input字段，把“期望的脚本输出”放进output字段。
从光猫到机顶盒：H10G-13融合网关双系统网络配置全解析（含超密获取技巧）
本文详细解析了中国移动H10G-13融合网关的双系统网络配置，涵盖光猫路由与安卓电视盒子的协同工作。通过晶晨S905L3芯片的优化，设备实现高效网络接入与安卓9.0系统的定制化应用，特别适合酒店和民宿行业的智能化改造。文章还提供了超密获取技巧和线刷固件包的实用指南。
从瀑布到流水线：DevOps 入门与 GitLab + Jenkins + Docker 落地实践
先看清软件开发生命周期（SDLC）的全貌，再对比瀑布模型与敏捷开发，随后进入持续集成与 CI/CD 的机制内核；最后落到实操——在 GitLab、Jenkins、Docker 组成的四机实验环境里，走完源码托管、自动化构建、镜像封装与远程部署，直到参数化构建与版本回滚。概念与命令并重，既是入门地图，也是操作手册。
STM32G0——USB虚拟串口
STM32G0用cubeMX配置实现USB虚拟串口
Cortex-M TrustZone实战：从硬件隔离到安全交互的嵌入式开发指南
在嵌入式系统开发中，硬件安全隔离是构建可信执行环境（TEE）的核心技术。其原理是通过处理器硬件机制，将系统资源划分为安全与非安全域，实现内存、外设和代码的强制访问控制。这项技术的核心价值在于，它能在单一芯片上为资源受限的物联网（IoT）设备、智能传感器等提供芯片级的安全基础，无需依赖外置安全元件，从而降低BOM成本并简化设计。典型的应用场景包括保护设备密钥、实现安全启动、构建安全服务（如加密、密钥管理）以供应用程序调用。本文聚焦于Arm Cortex-M系列微控制器上的TrustZone技术实现，针对开发中
DNS 不是把域名翻译成 IP：递归解析、TTL 缓存、CNAME 与报文排错实战
本文通过离线Python实验，拆解DNS递归解析、缓存机制与报文结构，揭示“DNS不是全局映射表”的本质。重点解析递归器角色、TTL衰减、CNAME链处理、负缓存隔离及修改记录延迟生效等核心问题，结合实战排错案例，阐明缓存层级、事务匹配、截断处理与安全边界，强调从应用到权威的逐层排查逻辑，实现可复现、可验证的DNS教学系统。
Qt Creator菜单栏消失的终极修复指南：从快捷键冲突到设置恢复
本文详细解析了Qt Creator菜单栏消失的常见原因及修复方法，包括快捷键冲突排查、配置文件重置和界面模式切换等解决方案。特别针对Qt开发者遇到的菜单栏显示问题，提供了从简单快捷键操作到深度配置修改的全方位指南，帮助用户快速恢复Qt Creator的正常使用。
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
基于simulink的预测电流控制策略的三相逆变器仿真
本文详细介绍了在Simulink中实现基于预测电流控制策略的三相逆变器仿真方法。主要内容包括：准备工作（安装必要软件及工具箱）、构建三相逆变器基础模型、设计预测电流控制器（包含状态空间建模和控制器设计）、实现控制逻辑、添加示波器观察输出、配置仿真参数以及运行仿真分析结果。通过MATLAB代码示例和Simulink模块说明，展示了如何选择最优开关状态来最小化电流误差。该仿真方法为研究快速响应、高精度的逆变器控制提供了实用工具，但需注意实际应用中可能需要的调试工作。
微信H5网页支付JSAPI部分用户报错：system:access_denied 的解决方案
JSAPI 支付仅支持微信内置浏览器调用。
【LTE L3 笔记 09】LTE物理信道-PRACH
课程来源：B站《【2022】华为HCIA-LTE无线工程师认证学习中级视频》笔记为个人整理，含课件截图，仅供学习交流。
Qt C++ HTTP 调用通义千问大模型 X 学术论文润色工具（SCI 格式适配）
请求地址：`https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation`；| Windows | 打包时携带 `Qt6Network.dll`/`libcrypto-1_1-x64.dll` 等依赖；| Linux | 安装 `libssl-dev` 和 `libcurl4-openssl-dev`；| API 调用失败 | 检查 API-KEY 是否有效；
密码存储不是 MD5 加盐：PBKDF2、scrypt、参数升级与安全验证实战
本文通过实战演示密码存储的正确做法：摒弃MD5加盐，采用PBKDF2与scrypt等高成本密钥派生函数，结合随机盐、版本化记录与严格解析，确保离线破解成本可控。模块实现安全验证、参数校验、透明升级与统一错误处理，强调算法选择需兼顾安全性与可维护性，提供教学级密码存储方案，助力构建可迁移、可审计的认证边界。
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")
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。
软件测试用例模板怎么写：从用例设计到执行记录的全套指南
测试用例是测试工作的核心产出，它决定测试覆盖了多少、漏掉了什么。但大多数人的测试用例写得像流水账——只有正常路径，没有异常场景；只有操作步骤，没有预期结果；只有功能测试，没有非功能测试。本文拆解测试用例的标准结构，说明每个字段的含义和写法，给出覆盖功能测试、性能测试、安全测试的完整用例范例，并列出测试用例设计的五个高频遗漏点。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
MCP实战06：传输实战、测试与部署
你的 MCP Server 写完了，怎么确认它真的能被宿主正确调用？这课给传输层实战三件套：MCP Inspector 可视化调试、协议级自动化测试（pytest 断言 JSON-RPC 报文结构）、stdio/HTTP 双传输部署。测试不是可选项——工具描述错一个字段宿主就调不对，你能给 Server 建起自己的回归测试。
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》。
【LTE L3 笔记 05】LTE同步信号
课程来源：B站《【2022】华为HCIA-LTE无线工程师认证学习中级视频》笔记为个人整理，含课件截图，仅供学习交流。
电芯串并联与BMS保护
串联升压、并联扩容，规则一句话，但整包能用多少由最弱的那节电芯说了算。这篇先算最弱电芯的账，再讲清三层保护，最后给对应的BMS测试用例：欠压、压差、均衡怎么测。BMS项目里有个常见场面：两台同配置的样车，电芯是同一批的，跑出来续航和限功率点却对不上。拆包量单体，一台里有一节电芯的容量比其他低了8%。整包表现被一节拖住，就是串并联的规矩在起作用。这篇先把规则和算例讲清，再讲保护分层，最后落到测试用例。
《C++ 项目：手写大模型接入 SDK》ChatGPT接口设计（中）：全量响应实现和测试
本文详细实现了ChatGPTProvider对接OpenAI ResponsesAPI的全量响应sendMessage接口，涵盖模型可用性校验、请求参数解析、JSON报文组装、HTTP客户端配置（含代理与超时）、网络请求发送及响应解析全流程。通过GTest编写测试用例，发现并修复了因Content-Type重复设置导致的400错误，揭示了不同厂商网关对请求头规范的宽容度差异，最终提出一套兼容多模型服务商的标准写法，提升了代码通用性与鲁棒性。
工作流 vs 自主 Agent：5 种设计模式与 3 种建模方式详解
本文基于 Anthropic《Building Effective Agents》指南，系统梳理了AI应用中的两类核心架构：Workflow（编排式）与Agent（自主智能体）。强调“能画流程图就不上Agent”，提出从简单提示链到复杂自主决策的5种可组合工作流模式，并给出选型口诀与工程实践建议。核心观点：优先用确定性、可审计的Workflow，仅在任务路径未知时启用Agent，避免盲目复杂化。
AI提效测试实践论
11、测试结束后，必须将任务过程中所有走了弯路，多次尝试的才成功操作的最终解决办法，按1、2、3...列点追加写入到当前文件的“特别注意要点”下（必须只记一行摘要，完整内容另存 [当前AGENTS.md文件所在的目录]\details\[序号].md）（如果新纪录的要点和历史要点存在冲突，必须直接对历史要点进行修正。`测试用例` 章节下必须按用例分层组织为 `冒烟集`、`主流程集`、`边界集`、`回归集` 四个子集，并在 `用例结果汇总` 中统计各分层集的用例数量。3、是否存在BUG；没有则写“无”> |
AI重构工业软件｜泛联新安亮相第四届工业软件创新发展学术会议
两天会议，从院士报告里的战略判断，到灯塔工厂的实战复盘，再到泛联新安总部的体系拆解，其实都在回答同一个问题：AI重构工业软件，怎么从“演示可用”走到“生产敢用”。没有合理的裁判体系为AI任务结果进行验收，人类工程师的精力最终会疲于为AI产出做确认和兜底。工业软件和关键装备行业的AI转型，缺的从来不是模型，而是让模型可以被信任的那套工程体系。这也是唐勇博士在主论坛报告里反复强调的结论。这个问题没有一次性答案，我们会持续把可信智能体的工程实践公开出来。
Python 100讲课程导航：第08篇《Python input 与类型转换：构建可靠的交互程序》
本文详解Python中input()的返回类型为字符串，强调必须通过int()、float()等函数进行类型转换。重点讲解了输入验证的重要性，结合try-except处理ValueError等异常，实现可靠的交互程序。通过购物预算计算器实战，演示如何防范非法输入、处理边界值，并推荐使用Decimal避免浮点精度问题，提升程序健壮性。
SpringBoot 的那些常用扩展点
JsonPropertySourceLoader，实现PropertySourceLoader接口@Override//这个方法表明这个类支持解析以json结尾的配置文件@Override//将文件内容读到 ByteBuffer 中//将读出来的字节转换成字符串// 将字符串转换成 JSONObject//将 json 的键值对读出来，放入到 map 中。
高远-无网环境智能化测试用例下发：让智驾测试在无网环境也能闭环跑通
智能驾驶测试常发生在地下车库、隧道、野外、沙漠等弱网或无网场景。用例在云端、现场断网打不开，缺陷只能纸笔记录、回网手工补录，耗时且易错。本文以 高远-无网环境智能化测试用例下发 为例，拆解一套"出发前下发用例、现场离线记录、回网一键回写"的闭环方案，并给出可直接落地的工程实现。
计算机毕业论文系统测试怎么写：从测试用例设计到对比实验，让“工作量“看得见
本文系统阐述计算机毕业论文中“系统测试”章节的撰写方法，涵盖功能测试用例设计（等价类、边界值、判定表）、性能测试压测方案与关键指标（平均响应时间、P99、吞吐量）、对比实验设计原则及评价指标选取。强调通过量化数据、阶梯加压曲线、瓶颈定位与多维度对比，真实展现研究工作量与技术深度，提供可直接套用的测试用例表与实验方案模板，助力论文脱颖而出。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
