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
491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
2、有一个基于数据库的通知发布系统，需要能够灵活配置通知生效的时间：
b)可以设置在一周的某几天发布，如可以设置周六、周日生效
d)可以设置某一月的奇数日或者偶数日生效，如1、3、5号生效
3、为某图书馆开发在线浏览系统，使用户可以通过自定义的图书别名浏览相关联的图书内容。假设该图书馆有1000万注册用户，馆藏图书1000万部。在线浏览系统允许用户自定义分类名称，每个分类可以包含若干部书籍。用户可以添加、删除分类，修改分类的名称(同一用户不允许有名称相同的分类)，可以在分类下添加、删除书籍，修改书籍的别名(同一分类下不允许有名称相同的别名)。现在设定每个用户最多可以自定义100个分类，每个分类最多可以包含100部书籍。
Cadence Virtuoso VIVA波形分析：从背景色修改到线宽调整的完整指南
本文详细介绍了Cadence Virtuoso VIVA波形分析工具的核心使用技巧，包括背景色修改、线宽调整等高级功能。通过具体操作步骤和配置方法，帮助工程师优化波形显示效果，提升工作效率。特别强调了与Calculator组件的配合使用，以及专业波形图的输出技巧。
12/11/17 百度PHP笔试题目整理
为什么80%的码农都做不了架构师？>>> ...
基于单片机的自动喷淋系统设计【毕业设计】
随着人民生活质量提高与生活节奏的加快，城市居民对于花草绿植的家庭培养与装饰需求增加，随之因浇灌植物的需要，智能浇花系统的市场逐渐扩大。现有自动浇花系统大部分只能通过设置固定浇水时间而难以实现适时、适量浇水，或在植物环境土壤含水量低时进行报警而并不能实际补水。为克服局限性而设计以单片机为控制中心的自动浇花系统。通过湿度传感器检测目标植物环境土壤湿度数据，再经ADCO832将其放大转换为数字量，由单片机读取输出向LCD1602 显示屏显示并通过比对键盘向单片机所设置的湿度范围而利用中断服务程序进行补水需求判断。
百度开源文心5.5 Flash Base：280B MoE 只激活 14B，4 步部署 + 3 个坑，微调还是等指令版
百度开源文心 5.5 Flash 基座权重：280B MoE 每 token 激活 14B，1M 上下文，同尺寸开源 Base 30 项基准多数领先。4 步部署（vLLM/SGLang completions 链路）+ 3 个高频坑 + 动手前 6 点核对清单，并给出微调 Base 还是等指令版的判断线。
AD20/Altium designer——如何进行DRC检查、冲突的错误如何改正
对于一个画完的PCB，我们常常需要进行DRC检查，确保板子的电器连接及制作工艺在设定规则的范围内，本篇将介绍如何对PCB进行后期DRC检查处理，确保电路板出现不必要错误。 1.DRC检查入口 2.DRC设置 3.错误分析 对于错误的内容，依据个人实际情况不同，其出现的原因都是因为与设计规则中的设定标准冲突，这里按遇到的错误进行修改讲解，其他错误同理。 4.常见错误分析及解决方法 (1) 解决方法：将未连接网络连接(...
IPsec （主模式，野蛮模式）
IPsec vpn的主模式和野蛮模式
百度 ERNIE Evolve 自动研究系统：NanoGPT 速通 38.9 秒，P800 推理速度达基线 623.6%
百度文心团队 11 月 9 日在技术博客发布《ERNIE Evolve：让自动研究走进真实 AI 研发》，介绍一套自动研究系统：给它一个真实代码仓库、一个优化目标和一套评测标准，它自己提出研究方向，在隔离环境里改代码、跑实验，靠独立评测决定哪些改动留下，再把每轮的发现存成后续可复用的经验。百度把这件事放在“递归自我迭代”（RSI）的框架里讲，也就是让自动研究去改进做 AI 研发的系统本身。 文章先在三项公开任务上检验它，分别对应训练算法、训练速度和 GPU 算子；随后把它接进还在开发中的 ERNIE 5.5
Linux下科大讯飞离线语音识别SDK从下载到实战（附常见问题解决）
本文详细介绍了在Linux系统下，如何从科大讯飞开放平台获取离线语音识别SDK，完成环境准备、编译部署到实战开发的完整流程。文章重点解析了SDK目录结构、语法词典定制、示例代码修改，并针对开发中常见的“词典加载失败”、音频格式、交叉编译及性能优化等问题提供了深度解决方案，助力嵌入式与IoT开发者快速实现稳定可靠的离线命令识别功能。
产业现场治理之困，百度智能云的“智能组织”解法
我们认为AI时代的相机，它的本质不再是给人看，主要是先给AI看，让AI先看懂现场，然后把有价值的数据推给人，产生管理价值。当下全球的巨头与管理精英都在讨论AI时代的组织：微软的Frontier Firm关心组织应该长成什么样，麦肯锡的Agentic Organization关心怎样设计组织，而百度更关注的是一个智能组织怎样自己长出来，并持续进化。百度一见6.0的升级和推出，也是对这一需求的回应——让AI不只看懂现场，更参与现场治理，把分散在门店和工厂里的管理标准，转化为组织能够持续执行的能力。
jetson agx orin开箱及接口介绍
jetson agx orin开箱及接口介绍
ABAP CDS Time Functions 全面解析：用 TIMS_IS_VALID 护航时刻字段的正确性
摘要：本文深入解析ABAP CDS时间函数TIMS_IS_VALID的应用，重点介绍其在企业系统时间字段校验中的关键作用。文章指出无效时间数据会导致业务流程混乱，而CDS层校验能有效减少重复逻辑。详细说明TIMS类型格式要求、空值处理规则，并提供两种工程实现方案：在CDS视图中直接派生校验列，或通过ABAP SQL在内存表中批量验证。最后给出可直接运行的代码示例，包括一个ABAP报表演示内存表验证，以及一个CDS View Entity实现系统时间自动映射与校验，帮助开发者在业务场景中快速落地时间校验功能。
【百度拥抱开源】ERNIE-5.5-Flash-Base 重磅开源：280B-A14B 稀疏 MoE，1M 上下文，多项基准超越同级对手
ERNIE-5.5-Flash-Base 是百度推出的280B参数稀疏MoE语言模型，每token激活14B参数，支持最大128K训练上下文及1M微调/推理上下文。基于33.5T tokens预训练，采用高效架构设计如HCA+MLA注意力、Multi-Router MoE、VHA与ECHO机制，结合流形约束残差与MultiMax输出头，在知识、推理、代码、多语言及长文本任务中表现优异。提供FP8与BF16版本，可于Hugging Face与ModelScope获取，适用于领域适配与智能体开发。
华为OD机试 - 压缩日志查询（Python/JS/C/C++ 双机位C卷 100分）
本专栏收录于《华为OD机试真题（Python/JS/C/C++）》。刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景，发现新题目，随时更新。某设备需要记录每分钟检测到的指标值。为了节约存储空间，将连续相同指标值的记录合并。压缩之前：202411231000,11 202411231001,11 202411231002,12 202411231003,12 202411231004,
科技云报到：大模型狂奔三年，百度词元所重新定义AI生意
过去人们关心谁能训练出最强大的模型，而今天企业开始认真计算AI投入产出比，未来随着智能体逐渐进入办公、客服、研发、生产和经营管理等环节，企业对模型服务的要求将不再停留于“能够调用”。一家企业准备上线AI客服系统，市场上有几十款模型可以选择，有的推理能力突出、有的响应速度更快、有的价格便宜、有的支持更长的上下文。B模型收费8元，却拥有更高的任务完成率、更短的处理时间。企业购买一款高性能模型，是为了获得特定能力、性能和服务水平，如果模型身份无法验证，后续的性能评估、成本比较乃至商业合同，都可能失去可靠基础。
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")
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。
百度文心（容易被忽略的好用AI）使用方式
本文梳理百度文心的三种使用方式——普通用户直接通过文心 APP / 官网体验，开发者则可通过百度智能云千帆平台或百度 AI Studio 调用 API。文中重点推荐千帆平台的 OpenAI 兼容模式，给出环境准备、凭证获取、核心配置与 Python 调用示例，并对比千帆与 AI Studio 在接入门槛、计费方式、模型范围、OpenAI SDK 兼容性和适用场景上的差异，最后补充文生图调用与密钥安全等注意事项，帮助读者快速选型并跑通第一个调用。百度文心目前主要通过三种方式使用：面向普通用户的。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
谷歌 Hydrogen 全量上线、百度开词元所、Stripe 买下 OpenRouter｜AI 新闻日报 11-13
这一周的动向分成两条线，都在往「谁承担成本」上收。第一条是执行层被单独定价。Hydrogen 把 100 万上下文压到 1.50/7.50 美元，且不分段计价，配合 Antigravity 的 Orchestrator 把「大模型规划、小模型执行」变成平台默认；Stripe 买下 OpenRouter，则是在分发侧握住同一件事——一次请求该落到哪个模型。两者合起来说明，模型能力的边际差异正在被路由与单价替代，团队的成本结构会比能力清单更早发生变化。第二条是能力开放从「给权重」走向「给完整链路」。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
百度给大模型办了个“交易所”
据公开报道，有服务商将FP8精度模型降级为INT4精度部署，报价单上的关键指标“跟原厂模型长得一样”，精度信息不写入其中，缺少评测能力的购买者根本不知道自己买的不是原版。词元所补的正是这两道：当统一计量口径、可核验质量、可追溯履约成为平台的基础设施，有服务能力但没品牌的供给方，才有可能把自己的算力挂到一个公开市场上被比价、被选择、被结算。据公开信息，百度智能云服务了80%的央企客户，既懂大客户对可用性、合规、可追责的苛刻要求，也接得住中小企业和开发者的长尾需求。套壳换皮，标称的是一个模型，跑的是另一个；
算法竞赛入门（icpc，ccpc，百度之星，天梯赛，码蹄杯，蓝桥杯）
省一进入决赛，近年来省赛获奖比例大致为 10%、15%、25%，国赛为 10%、25%、40%，具体以当届通知为准。难度分为青铜、白银、黄金、钻石、星耀、王者。近年来省赛获奖比例大致为 10%、20%、20%，国赛为 10%、20%、30%，具体仍以当届通知为准。还有一条更偏实战的路线：掌握 C++ 语法、STL、模拟、枚举和贪心后，直接去参加比赛，遇到一个算法就学一个。蓝桥杯采用 OI 赛制，和高考有些相似：做对多少拿多少分，按测试点给分，不能实时看到反馈，以最后一次提交为准，也不会提供大样例。
177.Agent-LangGraph-MCP的构成说明
MCP架构通过MCP主机、客户端与服务器的协同，实现工具、资源与提示词的统一管理。MCP服务器提供Tools、Resources、Prompts能力，MCP客户端则负责发现、调用与读取，使Agent可按需获取上下文。其核心在于将工具从Agent中抽离，封装为可复用的服务，提升灵活性与可维护性，推动AI应用高效协作。
Docker Compose：搭建本地多服务开发环境
从一个 Java API、PostgreSQL 和 Redis 开始，配置服务名、端口、环境变量、健康检查、数据卷和依赖关系。理解 Compose 文件如何被解析、项目如何隔离，以及哪些数据不能依赖“重建容器”保留，能够把个人开发环境整理成团队可复用的启动入口。
AI全栈实战 | 3.9-01 爬虫入门：requests 加 BeautifulSoup 三分钟跑通，但 90% 的人栽在这 4 个“礼貌“问题上
⚠️：本文内容仅用于。请遵守目标站点的服务条款与相关法律法规，不得对目标服务造成负担，不得采集、传播个人隐私数据。技术是中性的，边界在你手里。爬虫的入门技术（requests 发请求 + BeautifulSoup 解析）三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的，是这篇我们跑通"请求→解析→存储"的最小闭环，然后重点把"合规与礼貌"这根弦给你绷上。
【基于 WebSocket 的多用户网页五子棋】—— 数据管理模块
但行好事，莫问前程
OpenClaw 深度调查：把 AI 助手做成你自己的控制平面
对 openclaw/openclaw 的完整技术尽调：Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图，全部数字标注口径，数据截至 2026-10-31。
IDEA 简介：从零认识 IntelliJ IDEA
IDEA 全称，是由 JetBrains 公司开发的一款主流 Java 集成开发环境（IDE）。它集代码编辑、编译、调试、测试、版本控制、构建管理等功能于一体，被大量 Java 开发者视为日常开发的首选工具。所谓 IDE（Integrated Development Environment，集成开发环境），就是把写代码所需的各类工具整合到同一个界面中。相比只用文本编辑器加命令行编译，IDE 能显著减少重复操作，让开发者把精力集中在业务逻辑上。
TransactionInactiveError：await 之后事务已经不活跃了
TransactionInactiveError 出现于 IndexedDB 事务已结束（非 active 状态）时调用 put、get 等操作。常见于 await 后或 setTimeout 中执行请求，因任务已完成，事务已提交或进入 finished 状态。请求必须在创建事务的同一任务中挂起，否则无效。解决方法：在 onsuccess 回调内同步发起后续操作，或提前将所有请求挂入事务。避免在异步上下文中使用事务操作，确保请求在事务活跃期内完成。
Docker部署linkding：HTTPS与数据备份
部署私人书签库，除了让页面能够打开，还需要考虑几个实际问题：重建容器后数据是否保留、登录和保存是否正常、升级前怎样备份，以及出现 502 或 CSRF 错误时从哪里检查。本文使用 Docker Compose 部署 linkding，采用默认 SQLite 数据库，通过 Caddy 提供 HTTPS，并完成账户创建、数据持久化验证和备份。如果重建后账户或书签消失，应先检查是否换了项目目录、改了挂载路径，或者启动了另一套实例，不要急着重新初始化。遇到权限问题，应根据日志确认具体目录和运行用户，再调整权限。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
623
扫一扫
