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
900+累计阅读
975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
关于这方面的材料，网上非常少，几乎没有系统的文章。
对于webservice，一开始使用了xfire通过wsdl自动生成代码，但是经常发送出错，后来在正确的位置设置了服务端的IP。
后来几次，服务器还是没应答，原来是xfire自身bug造成的，xfire多次与服务器握手，致使服务器不做应答。建议使用抓包工具SmartSniff，这款小巧实用，还是一款wireshark功能强大，但在这个项目来说，有点大材小用，前者就够用了。
再来是对自动生成后代码的消化，由于没有说明文档，必须自己去理解并调试。
最后是与数据库绑定的部分，采用hibernate。
建议使用xfire生成代码，它生成的客户端程序远比axis完善，之前尝试用axis1.4在dos下生成代码的方式，操作相对较简单，关键是下载到完整的jar包。
Project 编制进度计划【项目管理】
Project 项目管理编制进度计划详解。
总带着一本书-<启示录>-2012-05-27
启示录 打造用户喜爱的产品
Marvell车载以太网交换机芯片88Q5050
Marvell推出了四款车载用交换机芯片，88Q5050，88Q5050, 88Q5072和88Q6113。其中88Q5030有5 Port用于通信，88Q5050有8 Port用于通信，5072与6113有11 Port用于通信。由于项目中用到了88Q5050,所以本文中只涉及到88Q5050的内容。本文是对使用88Q5050的梳理和总结。
CRUD民工、牛人与天才
<br /> 随着这几年来的发展，IT业从朝阳行业向成熟行业发展，在这几十年中，出现很多奇迹，也出现很多的泡沫。这个行业，贫富差距很大，有世界首富的比尔盖茨，有处于蚁族的IT民工。。。。。。<br /> 关于IT民工，一般都是CRUD的程序员，他们的任务就是直接与代码打交道。一般需要1－3年的时期，属于技术员的职称。工作3年以上，一般称为工程师级别，可以是我们印象中的牛人级别。<br /> 有本书说，天才＝10000小时的训练，按每天8小时，一般5天的工作日来算，一年52周，5
Conformal LEC逻辑等价性检查介绍和参考脚本
分为三个产品：Conformal L、Conformal XL、Conformal GXL。L是功能性检查，XL支持复杂数据通路的综合和APR优化，GXL支持定制的stdcell和定制memory的检查。Cadence Conformal Equivalence Checker，就是常说的LEC，可以用来验证RTL、门级网表、甚至spice网表的逻辑等价性。在setup模式下，读入库、golden设计、有修改的设计，并指定一些option。对于简单的设计，通过GUI来做LEC也是可以的。
DASH 流媒体协议（Dynamic Adaptive Streaming over HTTP）概述——起源、MPD文件解析、相关项目
简单介绍DASH的起源与发展、MPD文件简要解析、相关项目，以及常见流媒体协议的比较
系统架构设计师认证ING!!!
<br /> 最后一天报名，匆匆准备一个月，边工作边准备，这种感觉真的很充实。<br /> 不过有时候觉得很疲劳，算是痛并快乐着吧。当初就想以考证的名义，来让自己的水平每天进步一点点，目前算是达到自己的预期的效果。<br /> 不管结果怎么样，如果以后能保持这样的状态，成为大牛的目标就不远了。<br />
量化投资之工具篇一：Backtrader从入门到精通（1）-手把手教你零基础实现一个策略案例
Backtrader是重要的量化框架，本文记录学习该框架的笔记，内容主要基于Backtrader的网站指导文档。虽然该框架目前用于量化投资领域，但是可以作为数据处理的基本架构，进行改造后用于各种数据的处理，尤其适用于对原始数据处理完成后应用一定的策略进行预测以及可视化处理。 1、简介 Backtrader的特点，就是两点： 1、易于使用； 2、参见第1条。 那么如何使用Backtrader呢？比把大象装进冰箱复杂点，一共4步： 创建一个Cerebro引擎： 加入一个Strategy...
留点时间给家人，留点时间给自己，，，，，，
<br /> Are you aware that if you die tomorrow,the company tha you are working for could easily replace you in a master of days.<br /> But the family you leave behind will feel the loss for the rest of their lives.<br /> And come to think of
Unity类银河战士恶魔城学习总结（P103之前 Enemy相关 , 骷髅战士，状态机，敌人状态，）
udemy的Alex银河战士恶魔城，记录我自己的学习，代码会逐渐每一p更新，仅供参考学习。
ESP32-BLE学习1-建立简单的server
start 学习之前，我想尝试使用ESP32的demo建立一个简单的server与手机接进行最基本的数据通信。 这里有BLE的简单讲解BLE资料 因为BLE的连接是具有主从机特性的，就像SPI，USB一些请求只能由主机端发起，连接也需要主机端发起。所以手机要想连上ESP32，就得将ESP32设置为从机模式。 从资料上可以看到，从机端通过Notify通知主机，所以从机就是GATT Server。 在进行ESP32 的demo学习之前，得大体看下ESP32的蓝牙组成，ESP32支持经典蓝牙和低功耗蓝牙4.2，
遇到困难时的SOP
<br /> 今天，被一个看似困难的问题所困扰着，整整折磨我一天，其实这个问题没有想像中的难，甚至以前也遇过类似的问题。以下几个原因，首先是自己思路受限，没有及时调整，使自己陷入死循环中，越去想，越想不出来，越想不出来，人越烦，越没状态。其次，昨晚几番通宵，今天的状态可想而知，，，，，，<br /> 今晚回到宿舍，抱着再试试的想法，打开音乐，边哼，边想，居然不费力气，就做出来了。<br /> 看来，真的是，无心插柳啊，，，，，，自己都哭笑不得了<br /> 下次，遇到
从 Integrated Configuration 到 Integration Flow，SAP PI/PO 老配置迁移的一次温和重构
很多还在运行 SAP PI/PO 的系统，Integration Directory 里都积累了不少 Integrated Configuration，也就是日常项目里常说的 ICO。它们可能稳定运行了多年，负责把采购订单、物料主数据、客户主数据、发票、发货通知从一个系统送到另一个系统。问题在于，ICO 这种对象很实用，却不够直观。
感谢你们！
<br /> 不管生活怎么样，人，其实不应该悲伤，至少不能消极。有时，你会发现，心情不好的时候，往往是一个人的时候。而心情变好的时候，往往是你跟家人、朋友在一起的时候，，，，，，<br /> 生活，简单、开心、舒适，就好！所以，我们应该感谢身边所有的人，，，，，，<br /> 。。。。。。。。。。。。。。。。。。。。。。<br /> 身为技术总监，依然保持着强烈的求知欲，强烈的工作欲望，，，，，，身为刚毕业的我们，是不是应该从中悟出什么，，，，，，<br /> 工作，做好了，才算做了
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
《Java程序员职场全攻略》 关于读书的事
<br /> 读书，你可以学到高人的经验，获得他们成功的经验，并避免一些不必要的错误，能使你从中找到自己的方向，不再迷茫。。。。。。<br /> 从当初的放弃保研，到选择生物考研，再到选择计算机考研，到如今从事IT工作，，，，，，这一切的一切，都历历在目，至今想来，真的，，，，，，<br /> 从当初的迷茫到后来进入行业，不管是家人还有朋友，都给予莫大的帮助，，，，，，那一阶段真的很，，，，，，<br /> 进入行业，然而，IT中又有许多的分支，并随着社会分工的明确，
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")
美工那些事儿
<br /> 在工作中，难免会有用到PS的时候，然而，真是叫，书到用时，方恨少。当你要把最后处理的结果分解为一个个具体的操作时，才知道，自己对工具是多么的生疏，，，，，， <br /> 因此，作为程序员，基本的图像操作是必须的。否则，就叫做没有两把刷子。<br /> 程序员遇到最多的应该是UI的事。首先，和编程同理，思想是关键。你必须有对整体设计的思路和把握，对空间布局的利用程度，说明你的成熟度。其次，是对颜色的搭配。大家去试试，不同的颜色下，界面呈现可能是完全不同的
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
关于基础的问题
<br /> 以前对于诸如数据结构、算法等不以为然，真是书到用时方恨少。<br /> 工作当中，一方面是自己生活不规律，精神状态不好，另一方面意识到是自己基础差。<br /> 今晚通过计数器的思想，解决一个小问题，在高兴之余，突然意识到很多东西，早被自己淡忘，实在不该。<br /> 今后，对设计模式等基础要花一定时间去研究。。。。。。<br /> 加油！路还长着呢！
2012-04-30
Wired创办人Kevin Kelly建议创业者： 1.学会独立思考：从大量阅读写作开始。 2.开个博客吧！或别的平台，给自己一个任务，每天都跟你的读者、朋友分享你阅读的收获。不到一年，你就会发现自己的转变。 3.宁愿雇一个在网络上活跃的意见领袖，而不要找一个连自己朋友都没办法影响的人。 因此，第1点，随时带着一本书 第2点，坚持写博客。让自己得到沉淀 第3点，永远为梦想努力
关于效率的问题
<br /> 初来乍到，总监这几天一直很忙，而我这边常被一些自认为很弱智的问题困扰。从而，没法空出时间去帮他分担事情。<br /> 另外，对于午休的事，觉得，晚上要早点休息，比如此时正在写博客，时间已经不晚，应该争取在十一点前睡，然后中午在公司休息半小时左右，其他时间用来充实自己，也算做个过渡。<br /> 希望，自己赶紧成长，克服目前一些瓶颈，早点独挡一面，，，，，，
IT认证的问题－－感想
<br /> 假如选择考证，SCJP或SCEA这两个应该是目前的首选；后面时间应该好好来研究下这两个认证具体的情况。<br /> 另外，软考方面，其实诱惑挺大的，关键它是和职称挂勾。因此，也属于考虑范围。<br /> 虽然，有部分人认为，经验才是最重要的，但个人认为，通过考证，能在一定程度上，提高自身。自己在大学阶段的几次考试，虽然在某些程度上属于应试，但从中学到蛮多东西。或者，说学到某种规范。<br /> 因此，挤出时间来准备认证的事！！！
关于新语言的学习
<br /> 今天，总监教我们几个怎么对新语言进行入门。个人总结出来有这么几点：<br />1、找到该程序自带的DEMO或下载合适的源码，作为实例。<br />2、以实例为基础，进行断点调试，做到单步调试，进而知道每个变量的值<br />3、进一步学习事件和语法<br />4、然后是布局、各控件的属性特点<br />。。。。。。<br />后面就是在具体的项目中学习。<br /> <br />注：目前正在寻找一本供自己职业生涯使用的指导书或说是工具说，以备以后使用，寻找答案，，，，，，望大家推荐哈<br
理解 Linux 动态库加载：LD_LIBRARY_PATH
flyfish
仿muduo实现高并发服务器——EchoServer完成
本文介绍了一个纯头文件实现的 Reactor 服务端骨架，核心结构从 Buffer（双下标缓冲区）出发，依次封装 Socket（RAII 封装 fd）、Channel（事件与回调绑定）、Poller（epoll 封装）、TimerTask/TimeWheel（秒级时间轮）、EventLoop（事件循环 + 任务队列 + eventfd 唤醒），并集成 LoopThread/Pool、Connection、Acceptor 与 TcpServer。通过 EchoServer 示例展示业务逻辑仅需绑定三个回调即
【Linux网络】TCP 服务器并发处理多客户端：从 fork 分发到双重 fork 彻底消灭僵尸进程
拆解 TCP 服务器并发演进链：fork 分发连接、SIGCHLD 循环回收僵尸、双重 fork 交孙进程给 init 收养，并给出模型选型与线上排错对照。
【Linux网络】TCP 服务器如何并发处理多个客户端？从 fork、僵尸进程到双重 fork
本文详解多进程TCP服务器的实现原理，从单进程并发瓶颈出发，通过fork分离连接接收与服务职责。重点解析文件描述符继承机制、僵尸进程问题及双重fork解决方案，最终构建高效、稳定的多进程服务器模型，并说明服务器重启时可能因端口未释放导致绑定失败的原因。
主从 Reactor 高并发服务器实战 (三)：服务器套接字Socket模块详解与实现
本文实现了一个封装完善的Socket模块，将socket→bind→listen→accept等复杂操作收敛为简洁的类接口。通过RAII机制自动管理文件描述符生命周期，避免资源泄漏；提供CreateServer等便捷函数简化服务端创建流程，并支持非阻塞模式与属性设置。模块设计注重安全性与易用性，有效解决样板代码重复、错误处理分散等问题，为后续网络通信模块奠定坚实基础。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5084
扫一扫
