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
1.8k累计阅读
1.8k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
点关注，不迷路；持续更新Java架构相关技术及资讯热文！！！
眼尖的朋友可能还看见了此博客页面左上角还有惊喜哟
【1】三次握手
【2】当我想提前下班，但是在门口遇到了老板
【3】程序员的真实工作状态
【4】当我测试刚写完的代码
【5】程序员设计的版本号，写错就尴尬了
【6】程序员的工作 VS 程序员的工资
愿世界待我温柔啊
【7】没点真材实料怎么当好外卖小哥？
【8】程序员和黑客的区别
其实丢石子是喝不到水的
【9】程序员是世界上最适合谈恋爱的人了
【10】有人曾经问过，“HTML CSS 和 JavaScript有什么区别”
Java知识体系图.xmind
总结的Java知识体系图,包揽了当前Java的技术体系,以便学习时更为直观
嵌入式工程师的工位爆改，哪个惊艳
关注、星标公众号，直达精彩内容先来看看纯软件程序员的工位最最常见的普通版：升级版：算不得体贴版：升级体贴版：舒适版：“土拨鼠”版：独立版：高级版：友谊版：高级程序员版：干净的其他普通版：一位程序员的暑期办公室：再看一下大佬的工位！↓↓↓扎克·伯格：史蒂夫·乔布斯：比尔·盖茨：史蒂夫·鲍尔默：杰夫·贝佐斯：马克斯·莱文奇恩：迈克尔·戴尔：再看看搞硬件大佬的工位先看比较整洁的下面几个工位比较具有代表性...
如何编写 Skill 实现自动化用例生成
Skill 本质上是一组结构化的指令和工具定义，它告诉 AI 模型在特定场景下应该遵循什么流程、调用哪些工具、输出什么格式的内容。元信息：名称、描述、版本等。指令（Instructions）：定义 AI 的行为准则和任务流程。工具（Tools）：AI 可以调用的外部能力，如文件读写、代码执行、API 请求等。上下文（Context）：预设的输入输出格式或示例。编写一个用于自动生成测试用例的 Skill，核心在于定义清晰的指令流程和输出规范。
程序员才懂的58张图片，哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈
导读：春节快到了！你的假期都安排上了吗？今天我们就用这些程序员才懂的幽默，给你拜个早年吧！来源：程序员最幽默（ID：humor1024）编译配字01 Java VS C+...
LinuxCNC开发实战：从安装到EtherCAT配置全解析
本文详细解析LinuxCNC开发实战，从系统安装到EtherCAT总线配置全流程。涵盖实时内核优化、伺服驱动器PDO映射、HAL配置及自定义运动学开发，帮助开发者快速搭建工业级数控系统，提升运动控制精度与稳定性。
测试 Wi-Fi、蓝牙性能
前几天去原厂测试了 Wi-Fi 和蓝牙的性能，现在把了解到的知识总结一下 RF通路新理解 RF通路一般分为两部分：芯片端、天线端 芯片端 芯片端包括芯片+芯片出来的RF匹配电路，是来调芯片的阻抗匹配的。 天线端 天线前一般也会有一段天线匹配电路，是留给天线调天线的阻抗匹配的。 调试的时候是两部分分开调试的，下面调试的就是芯片端。 测试“阻抗匹配”用网络分析仪看史密斯圆图 测试...
17张程序员搞笑图片
一点点程序员搞笑图片
YOLO-FastestV2从零部署到移动端推理实战手册
本文详细介绍了YOLO-FastestV2从零开始的完整部署流程，涵盖环境搭建、模型训练、格式转换及移动端部署。通过实战步骤，指导开发者将这一轻量级目标检测模型成功部署到Android设备，实现实时推理。文章重点解析了PyTorch到NCNN的模型转换与优化，助力移动端AI应用开发。
搞笑动图：这些痛，只有程序员懂…
“代码上线后又追加了新特性” “在生产环境做 hotfix” “刚调稳定的系统，公司叕空降了一位架构师，叕要重构现有系统…… ” “当程序员听客户说还在用 IE 时” “当黑客拿到 root 权限之后” “代码进入循环分支后” “项目交接，客
vscode+keil嵌入式软件开发全流程
vscode+keil嵌入式软件开发全流程
华为OD机考双机位C卷 - 天然蓄水库（Java & Python& JS & C/C++ & GO ）
华为OD机考双机位C卷 - 天然蓄水库（OD上机考试双机位C卷）。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解，并提供完整思路讲解。
20张程序员才懂的搞笑图！保准你笑出猪叫......
温馨提示，请勿在以下场景食用本文：吃饭时挤电梯时路过精神病院时......❶HTML的4种黑法扫地阿姨：HTML确实是一门编程语言啊！扫地阿姨：所以HTML程序员不能称自...
18、动态系统响应分析
本文系统地介绍了动态系统响应的分析方法，涵盖传递函数建模、特殊输入下的响应特性（如脉冲和阶跃响应）、终值与初值定理的应用、系统直流增益的计算，并深入探讨了一阶和二阶系统的时域特性。通过实例分析与MATLAB仿真，展示了不同参数对系统行为的影响。文章还总结了系统响应在控制设计与故障诊断中的实际应用，并展望了多变量、非线性及实时响应分析的未来研究方向。配合流程图，提供了清晰的系统分析与设计路径。
程序员地铁上写代码被抓拍，网友：这也太装了
一提起程序员，很多人就会联想到写代码。有业内人士戏言，程序员忙起来，不分场合，不分时间地点，拿起电脑就开始写代码，这才是真正的程序员风范。这不，一名在地铁上写代码的程序员小哥就被网友抓拍并将其照片发布到了网络上，引起了围观网友的讨论与热议。 从图片上看，这名程序员大哥正在笔记本上敲着让外行人费解的代码，可谓是对工作充满了热爱。仔细观察其穿着打扮，一个黑色的电脑包垫在双腿上作为临时办公台，包...
机器人学（三）：手眼标定
主要讲了eye-to-hand的手眼标定求解算法，包括AX=XB和AX=YB两种情况，包含SVD法、Tsai-Lenz法、最小二乘法等，从原理到解法再到算法代码实现，包括matlab代码、C++代码、库的使用等，简单明了，容易在实际项目中进行应用
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
有人准备直播程序员写代码，相互出题PK，网友：想得太简单了！
见过程序员之间技术PK的么？这样的场景似乎不太多吧，我能想到的也就是技术面试了，当然，这完全算不是PK,从角色上来说面试官只是出题，而应聘者只是答题，他们之间是考察与被考察的关系，不存在PK, 更算不上竞技，在一些主流的综艺节目中最强大脑，王牌对王牌什么的，都看不到有程序员PK的这类节目，针对这样的背景，有名程序员网友就脑洞大开，他产生了这样一个想法。 据这名程序员网友所说，他准备打算开发个视频...
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")
程序员工作三年晒出工资条，直言加班太累了，网友评论炸锅
点击上方 "编程技术圈"关注,星标或置顶一起成长后台回复“大礼包”有惊喜礼包！每日英文You must be strong now. You must never giv...
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
46岁程序员被互联网公司辞退，说出真实原因，网友：太现实了
不知道你们发现没有，在很多互联网公司基本上都是80后，90后居多，很少还有超过40岁的程序员。可能很多人心里都有一个疑问，那就是这些40多岁的程序员都干嘛去了呢？创业显然只是极少数的人，至于管理岗，一个公司也不过几个人而已，更多的人显然已经不再从事这个行业了，难道真的只能提前退休了吗？ 最近在职场论坛上看到这样一个帖子：46岁程序员在公司干了8年，临退休时被老板辞退，原因太现实了！这是怎么回事呢？ 原来这个帖子是公司一个年轻的程序员发出来的，他是看到同事被辞退的经历后发表了这样的感慨：现在的互联网公司真的
看懂这些代码，我哭着笑了
今天是10月24日，一年一度的程序员日，目测今天网友们又要开启对程序员们的花式吐槽大赛了，把这一天强行过成所有人的节日。比如今天你大概会频繁看到如下内容：发量堪忧，多数人...
码农：工作多年的程序员大概分为这2类！网友：第二类太讨厌！
作为软件研发工程师，到底是不是一个“吃青春饭”的工作，一直是一个比较争议的话题，那么真的是程序员越老越不吃香了么？有的人甚至还说老教师，老中医是褒义的称呼，而老程序员则是贬义的称呼，那么到底其他程序员都是怎么认为的呢？特别是那些工作多年的老程序员们都是怎么认为的呢，他们是什么样的一种心态，他们怎么看待自己，他们又是如何一种处事的态度，关于这个问题，近期一名网友总结出了一些他自己的看法与观点。 这...
程序员：上班第一天就让改bug！网友：攒一堆了，就等你了！
作为一名技术人员，新到一个公司都要先熟悉一下公司所在的平台，然后才能开展后续的工作，毕竟每个公司使用的技术框架不太一样，开发的规范，各项操作流程都有一定的差异，这也是普遍的现象，不过有的公司在这方面相对简单一点，用的是开源框架，入职的新人也很容易上手，没有什么繁琐的流程可以学习，总之这还是要看具体情况，近期，一名程序员网友就发帖诉说了自己的一些情况。 据这名程序员网友说，他是刚上班第一天，就被安...
世界只有两种程序员，一种…… 一种……
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）身边的故事昨天，阿里云在南京开云栖大会，秀出这么一段话。“中国只有两种云，一种是拿来主义的云，一种是自主可...
月薪8K的程序员代码写成这样？网友：看不下去了
现在IT互联网行业高速发展，对程序员的要求越来越高。「写代码」作为一种技能，入门并不是很难。但是要像高手那样优雅地「写好代码」并不是一件容易的事。 近日，某平台上出现这样一条帖子，一位网友发帖吐槽「一个月薪8000的程序员写的代码，你们觉得值这个价吗？」并且上传了两张代码截图。 帖子发出后，迅速引来了不少程序员网友们的围观。 原帖内容： 放上两张高清图片，看看这是什么代码！ 看完这两张代码，有网友评论说，这是实习生吧？感觉月薪8000不太值。也有网友说，差不多刚入门水平，注意下代码规范就行。 也有
李彦宏：程序员将不复存在！ 周鸿祎回怼！网友：先把百度程序员都开除了！
AI工具可以极大提高编程效率，比如AI工具可以自动完成繁琐的重复性任务，如代码生成、调试和错误修复，从而节省程序员的时间和精力，让程序员能够更专注于一些复杂问题的解决和创新。就像我们的父辈，需要“跟上时代”而去学习使用移动支付学习使用微信一样，不只在 AI 时代，未来也将会有很多新的技术出现，这些都需要我们持续的学习才能不被时代所淘汰。针对此观点，网友们也是各执一词，有的表示认同，认为大模型的出现已经降低了程序员门槛，以后编程、写代码的难度肯定会越来越低，同样程序员这个岗位也不会因为AI技术的普及而消失。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
854
扫一扫
