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
400+累计阅读
414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
PPPoE上网配置不求人：华为路由器命令行操作指南（2023最新版）
本文提供2023年最新的华为路由器PPPoE上网配置命令行操作指南。通过详细的步骤讲解，从连接设备、创建拨号接口、绑定PPPoE客户端到配置内网与NAT，手把手教你完成配置，并附有验证排错方法，助你轻松实现稳定上网。
Ubuntu中把窗口的菜单从顶部工具条挪回窗体本身，禁用全局菜单(global menu)
Ubuntu不知道从哪个版本开始，窗口的菜单统一跑到屏幕最上方的去了，叫做全局菜单。 这种方式对小显示器确实是挺好的，省了不少地方，但是对于大显示器，窗口不全屏的情况太多，这种方式对不全屏的窗口很不友好。 因为鼠标需要跑好远才能到菜单栏。 1.打开终端： sudo apt-get autoremove appmenu-gtk appmenu-gtk3 appmenu-qt 完
海量Embedding进行相似度查询和比较的方法
这个是在科研中的现实需求。例如每一个源代码文件，我们可以生成一个embedding，如果有超过5000万个embedding（例如用BERT生成5000万个embedding），怎么样有效地计算相似性呢（例如有5000个positive的embedding，想在5000万个中找到类似的）。 简单介绍一下我尝试的结果：如果直接用torch.cosine_similarity，我手里的数据估计至少要处理两个月。这时候就想到了用LSH -- Locality Sensitive Hashing，但是我之前并没怎
ubuntu 11.10 laucher和全局菜单不见的处理方式
最近win7系统实在太慢了，就装了ubuntu 11.10，初次进入，确实感觉比较的惊艳。主要就是laucher侧栏 ，软件中心等功能。为了体验下3D效果安装了compiz并且设置后悲剧了，立马 laucher和全局菜单不见了。想进入终端命令行也不行，抓狂呀。安装程序什么的也都没了。幸好通过打开文件的方式启动了 浏览器，查了一番，最终解决问题。谢天谢地。 进入终端 ctrl
Python数据分析案例——宏观经济指标与沪深指数实证研究分析
沪深300指数与宏观经济指标关联性研究：2015-2024实证分析 摘要：本文基于2015-2024年月度数据，采用多元回归方法分析宏观经济指标对沪深300指数的影响。研究发现，市场情绪（SEN）、美国利率（STY）、美元指数（DXY）、狭义货币供应量（M1）和CPI对指数具有显著解释力（P<0.05），而GDP、LPR等传统指标影响不显著。模型解释力达62%（R²=0.62），表明A股短期走势更受资金流动、投资者心理和国际金融条件驱动。研究为投资者提供了除基本面外的市场预判指标，建议关注M1增速、美
Windows Pychram部署Unet++过程
windows系统 在pycharm平台上配置并跑通Unet网络 这里我用的是B站课程里的资源《唐宇迪Unet图像分割语义分割实战》
Ubuntu20.4系统隐藏顶栏
它们都是gnome-shell-extensions的扩展模块，想要使用这个扩展模块，首先需要安装gnome-tweak-tool或者gnome-shell-extensions，安装完成这个扩展工具后，在安装模块。（注：20.4以上的版本到上一步就可以隐藏顶栏了，Ubuntu20.4的版本还需要如下设置，否则一些特殊情况仍然会出现顶栏，例如切换分辨率等操作）安装好autohidetopbar或者dash-to-panel后，在同时点击Alt+F2组合键，点击enter确认，模块加载成功。
DFX从芯片到系统：可制造性、可测试性与可靠性设计实战指南
DFX（Design for eXcellence）是一套面向产品全生命周期的设计方法论，涵盖可制造性（DFM）、可测试性（DFT）、可靠性（DFR）等维度。其核心原理是将制造、测试、维护等环节的约束前置到设计阶段，从而降低流片与量产风险。在芯片与系统硬件领域，DFX不仅是提升良率与测试效率的关键手段，更是保障车规、工控等严苛场景下长期稳定运行的基础。从芯片物理实现到PCB布局，再到系统级散热与维护设计，DFX的落地需要工具链、流程闸门与跨部门协作的体系化支撑。本文基于实际项目经验，分享DFX从设计决策到工
如何去除Ubuntu 11.X 的全局菜单
Ubuntu 11.X中的全局菜单是个很失败的设计，执行一个菜单命令需要3步：1.鼠标移到标题栏处，标题栏的标题变成菜单2.打开具体的菜单3.点击菜单项执行命令。特别是鼠标移到标题栏处，标题栏的标题变成菜单，无谓的时间浪费。去除全局菜单的办法：1. 查找全局菜单组件和使用全局菜单的补丁：#dpkg --list | grep appmenu2.删除之：#apt-get rem...
深度学习中的编码器-解码器架构
解码的作用：转换为人类可理解的形式，解码器的任务是将编码器生成的中间表示（上下文向量）转换回人类可理解的输出形式（如翻译后的文本、生成的图像描述等）。解码器通过逐步生成输出序列，使得最终的输出符合人类的理解和需求。编码的作用：转换为机器可理解的形式，编码器将输入数据（如文本、图像等）转换为一种机器更容易处理和理解的形式，即上下文向量或编码。在深度学习中，编码器（Encoder）解码器（Decoder）是常见的神经网络架构，通常用于处理序列到序列（seq2seq）任务，如机器翻译、文本摘要和图像描述等。
基于Dijkstra算法的共享单车调度优化系统设计与实现
根据最新统计数据，全球共享单车市场规模已超过300亿美元，中国作为最大的共享单车市场，日订单量超过5000万次。Dijkstra算法由荷兰计算机科学家Edsger W. Dijkstra于1956年提出，用于解决带权有向图中的单源最短路径问题。本文详细介绍了基于Dijkstra算法的共享单车调度优化系统的设计与实现。本文将详细介绍基于Dijkstra算法的共享单车调度优化系统的设计与实现，采用Java 17、Spring Boot 3.x等最新技术栈。
前置过滤器怎么选？从原理到品牌再到安装，一篇讲透
全屋净水的第一道关口，往往是从入户总管上的前置过滤器开始的。它的核心原理并不复杂：通过40微米级不锈钢滤网，拦截自来水在运输和二次供水环节混入的泥沙、铁锈、虫卵等颗粒杂质，为全屋水管、热水器、地暖、净水器提供物理级保护。真正拉开差距的，是反冲洗结构是否高效、滤网与铜体材质是否安全可靠、通量与水流压损是否平衡。在不同水质和户型条件下，前置过滤器的选型逻辑也会随之变化。读懂这些技术指标，再结合家庭实际用水场景，才能真正选对不花冤枉钱。本篇面向正在规划家庭净水方案的用户，梳理前置过滤器的核心原理、选购要点与安装维
三模冗余、纠错编码、单粒子翻转防护
本文探讨了高可靠性FPGA系统设计的三大关键技术：三模冗余（TMR）、纠错编码（ECC）和单粒子翻转（SEU）防护。TMR通过三个并行模块和表决器实现容错，但会增加硬件资源和功耗；ECC利用汉明码等编码方式检测和纠正数据错误，适用于存储器保护；SEU防护则针对高能粒子引发的位翻转问题，采用配置刷新、TMR和ECC等方法。文章还通过Verilog代码示例展示了这些技术的实现，并提出了一个综合应用案例，结合三种技术构建高可靠性控制系统。这些技术在航空航天、医疗设备等关键领域具有重要应用价值。
如何在Ubuntu 13.10中禁用全局菜单
The Global menu in Ubuntu was designed to provide more space for program windows. However, if you use a large monitor or multiple monitors, the Global menu can be an annoyance as the menus get further...
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。
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
Gnome 全局菜单
Gnome 全局菜单 项目地址：Fildem 本文章全部内容来自该项目，如果全看该项目效果更佳 注意，该插件对于一些应用是无效的，比如 IDEA 之类的软件 效果图 环境 首先，咱们先下载该项目 git clone https://github.com/gonzaarcr/Fildem 然后将项目里面的 fildemGMenu@gonza.com 文件夹放到 ~/.local/share/gnome-shell/extensions 目录下面 mv xxx/Fildem/fildemGMenu@go
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
在Ubuntu 11.04和11.10中禁用全局菜单（AppMenu）
As of Ubuntu 11.04, a new feature was added, called the Global Menu, which is a common menu bar shared by all applications (shown above). Most of us have been used to each application window having it...
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")
linux全局菜单程序,GNOME Shell的全局菜单扩展正在开发中
GNOME Shell中缺少全局菜单是一个缺陷，听到很多Unity用户在讨论Ubuntu切换回GNOME时这个问题将被解决。但是，由于新的第三方全局菜单GNOME扩展程序正在开发中，这个缺陷不久就会得到解决 – 现在它已经可以测试了。全局菜单GNOME扩展“GNOME Global AppMenu”是一个GNOME Shell扩展，将全局应用程序菜单集成到GNOME Shell顶栏中。虽然目前是b...
ubuntu中如何启用仓库_如何在Ubuntu中启用本地菜单
ubuntu中如何启用仓库The Global menu is a feature in Ubuntu that places the menu bar for each application on the bar at the top of the screen. If you don’t like the Global menu, you can move the menu bars bac...
强悍的 ubuntu —— 窗口界面管理与设置
1. 鼠标加速减速$ xset m default
Ubuntu16.04仿Mac主题
1. 安装unity-tweak-tool： 主题管理工具 sudo apt-get install unity-tweak-tool 2. 安装gnome-tweak-tool： 用来设置开机自启 sudo apt-get install gnome-tweak-tool 3. 安装MacOS主题： sudo add-apt-repository ppa:noobslab/macbu...
如何掌握Ubuntu的Unity桌面：您需要知道的8件事
Ubuntu’s Unity desktop is a change of pace, whether you’re coming from Windows or another Linux distribution with a more traditional interface. Unity has its own way of doing things, including powerfu...
Ubuntu 记录
1、取消和启用全局菜单栏（使用命令后需注销用户） 取消：sudo apt-getremoveindicator-appmenu appmenu-gtk 启用：sudo apt-get install indicator-appmenu appmenu-gtk
如何在Ubuntu 11.04中恢复Firefox默认菜单按钮
The new Ubuntu 11.04 Natty Narwhal uses a Global Menu which puts the applications menus (File, Edit ,View…) on the top panel. In Firefox, this also removes the Firefox menu button in the upper left co...
ubuntu桌面环境优化
开启图形用户界面 sudo /etc/init.d/gdm stop/start gdm的配置文件： /etc/X11/xorg.conf 把配置文件稍微改坏掉，图形界面就起不来了 。 安装ibus输入法 $ sudo add-apt-repository ppa:shawn-p-huang/ppa $ su...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
682
扫一扫
