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
300+累计阅读
313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
目前internet explorer 8浏览器已可下载，但只对网站开发者发布。不过，微软浏览器部门最高负责人向记者透露，微软预定今夏发布ie 8第二个beta测试版时，会提供给更广大的群众试用。
尽管这一版ie8内含web slices这类可能令消费者感兴趣的功能，但hachamovitch说：目前的beta版其实是以开发人员为对象。
如同ie 7 beta版的情形，一旦安装测试版ie 8，目前的浏览器版本就会被取而代之。
hachamovitch宣称，微软设计ie8浏览器的主要目的，是设法提升相容性并扩增功能。就后者而言，他举一种称为活动(activities)的消费者功能为例。活动功能让使用者能标明所选择的一段文字，然后用dictionary.com查阅这段文字，也可用微软或google的地图服务来绘图。
一文搞懂 RC Correlation Scale Factor 的生成与应用
pre-route 用的是统计估算模型，post-route 用的是详细布线提取，signoff 用的是第三方 QRC 或 StarRC——三个工具，三套参数体系，结果自然天差地别。不同 RC corner（rc_worst/rc_best/rc_typical）对应不同的工艺角和温度环境，每个 corner 的 R/C 偏差比例不同，必须分别生成和应用各自的 scale factor。别被名字骗了，这个工具专门干一件事——统计拟合两组 SPEF 之间的偏差，自动推荐最优 scaling factor。
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。
AI报告撰写实战指南：从提示词工程到全流程优化的底层逻辑与实践突破
传统AI写作常被诟病为“信息拼贴”——模型虽能生成文本，却常出现逻辑断裂、数据矛盾、风格不符等问题。而“全流程优化”则是通过系统化设计，将报告生成拆解为需求解析→数据对齐→提示词设计→初稿生成→迭代优化→格式适配六大环节，每个环节均通过技术手段提升输出质量。提示词工程：本质是通过结构化指令（如角色设定、任务分解、格式约束、示例引导）精准控制模型输出方向，是连接用户需求与模型能力的“翻译器”。全流程优化。
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。
本地部署 Anything LLM+Ollama+DeepSeek R1 大模型并实现外部访问
DeepSeek 一经发布就引起社会的广泛的关注，因为 DeepSeek 的价格低廉，性能卓越，提供了多种使用方式，满足不同用户的需求和场景。本文将详细的介绍如何在本地 Windows 上安装部署 Anything LLM + Ollama 来实现用户和 DeepSeek-r1 对话的功能以及利用路由侠内网穿透实现外网访问。
计算机毕业设计springboot股票模拟交易系统的设计与实现u6m959【附源码+数据库+部署+LW】
选题背景： 随着互联网和金融科技的快速发展，股票市场成为了吸引人们关注和参与的重要领域之一。越来越多的人开始对股票投资感兴趣，希望通过交易股票来获取收益。然而，对于初学者来说，股票市场的复杂性和风险往往让他们望而却步。因此，设计和实现一个股票模拟交易系统，可以帮助初学者更好地理解和掌握股票交易的规则和技巧，提高他们的投资决策能力。 意义： 股票模拟交易系统的设计与实现具有以下几个重要意义： 提供实践机会：股票模拟交易系统为投资者提供了一个实践的平台，使他们能够在真实市场环境下进行模拟交易，了解股票市场的
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。
跨域问题 - 其他 method 都没有跨域问题,只有delete有跨域的问题
跨域的配置等一切正常,GETPOSTPUTOPTIONS都可以正常访问, 唯独有一个DELETE有跨域的问题, 经过排查发现这个DELETE请求有body, 经过一系列排查, 发现头部有一个不太正常的值是为了避免浏览器的影响, 直接在 postman 中新建一个请求, 竟然也有跨域的问题, 后来把的值改成了请求就可以正常调用了.
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）
波分复用技术原理
波分复用原理 把不同波长的光信号复用到同一根光纤中进行传送，这种方式我们把它叫做波分复用（ Wavelength Division Multiplexing ） 一根光纤被划分为多个波道，多个波长以一定的间隔隔开，在光纤中独立传输。 波分复用应用演示 如果将WDM系统看作交通系统，光纤可以看作是多个车道的公用道路。 各种类型的业务就像货物一样，被打包装载到车辆中。 车辆按照分配的车道行驶至目的地，完成货物的运输。 想要提高波分复用系统的传输容量，就要增加波道数量或是提升单波传...
SOC、SOH、OCV
1）放电实验法的测量SOH结果最为准确，但是深度放电会对影响电池的寿命;2）电阻折算法仅将电阻作为评价SOH的依据，但电池老化时电阻的变化范围较小，因此该方法的误差较大;3）电阻折算法需要对电池进行大量的实验，绘制成Map图，但是该方法有一定的局限性，针对不同的电池需要绘制不同的Map图;4）阻抗分析法是目前最为前沿的方法，可以根据阻抗谱较为直观的分析SOH的变化，但是该方法需要的成本较高，每台设备约为5万美元。
【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。
基于YOLOv10的微小目标检测，多头检测器提升小目标检测精度
引入多头检测器助力YOLOv10，暴力提升小目标检测性能
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。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
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。
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")
【鸿蒙专题与实战】测试体系：单元测试、组件测试与 UI 测试
本文系统讲解鸿蒙开发中的三层测试实践：底层单元测试（用Hypium框架，优先覆盖纯函数、边界与异常）、中层ViewModel逻辑、顶层仅测3-5条关键UI路径。强调测试应“越往下写得越多”，因单元测试快且成本低，而UI测试慢易出错。通过实例说明断言拆分提升定位效率，结合覆盖率报告（hvigorwtest --coverage）发现盲区，核心是“用覆盖率找漏测，而非追求数字”。附五步落地清单：建测试文件、按优先级补用例、精简UI测试、生成报告、定位未覆盖行。下一篇将开启实战项目：从需求到上架全流程。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
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。
大型高复杂度互联网项目管理经验心得
复杂项目，管理的核心不是管人，而是管理依赖和变更简单项目重点是排任务、盯进度；多端多关联系统的大型项目，大部分延期、故障根源都来自依赖失控、变更失控。项目经理首要工作是把看不见的依赖显性化，把随意变更变成受控变更，而不是单纯催开发进度。分批上线不是降低标准，而是拆分风险，小步可控很多人觉得分批上线麻烦，希望攒到一起发布。但集中上线会把所有风险集中在同一个窗口，一旦出问题，排查范围巨大、影响面广。分批发布本质是风险隔离，每一批只承载有限的变更，出问题更容易定位、回滚、止损。
【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。
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”> |
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。
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
557
扫一扫
