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
500+累计阅读
529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
1. 定时器分析
2. 红黑树，最小堆，跳表实现比较分析
3. 时间轮实现
【Linux后端开发系列】多线程环境下海量定时任务的定时器设计丨时间轮实现丨红黑树，跳表分析
更多精彩内容包括:C/C++，Linux，Nginx，ZeroMQ，MySQL，Redis，MongoDB，ZK，流媒体，P2P，Linux内核，Docker，TCP/IP，协程，DPDK多个高级知识点分享。
点击：https://ke.qq.com/course/417774?flowToken=1013189
视频代码资料加音视频高级开发qun：720209036。 更多Linux服务器开发精彩内容关注VX公众号：Linux服务器
详解如何处理海量定时任务
一节课让你搞懂王者荣耀如何处理海量定时任务 1.定时器设计 2.如何高效检测连接？ 3.时间轮实现以及应用精讲 视频讲解如下，点击观看： 王者荣耀如何处理海量定时任务丨Linux服务器开发丨后端开发丨Linux后台开发丨多线程丨C/C++ C/C++Linux服务器开发精彩内容包括:C/C++，Linux，Nginx，ZeroMQ，MySQL，Redis，MongoDB，ZK，流媒体，P2P，音视频开发，Linux内核，Docker，TCP/IP，协程，DPDK多个高级知识点分享。 点击...
【信息科学与工程学】计算机科学与自动化——第八十一篇 Java分布式软件高并发/高可用算法01
4. 消息队列（如Kafka的Topic分区，本质是范围）。3. 若是ACCEPT事件，bossGroup线程接受连接，创建SocketChannel，并将其注册到workerGroup的一个EventLoop的Selector上，关注READ事件。1. 分布式缓存分片（如Redis Cluster）。4. 分布式文件存储（如Ceph CRUSH）。6. 调用栈的模拟（如协程）。3. 服务网格（如Istio）的基础。2. 本地缓存与集中式缓存（如Redis）的一致性维护。3. 静态数据（如配置）缓存。
Java高性能定时任务：时间轮算法工具与使用指南
时间轮(TimeWheel)是一种高效的定时任务调度算法，核心思想是将时间划分为一个个槽(slot)，每个槽代表一个时间段。通过循环遍历这些槽，实现定时任务的调度。时间轮可以形象地理解为钟表的指针在表盘上旋转，每到达一个刻度就执行对应槽中的任务。
【数据清洗】数据清洗流程及经验
预处理阶段 预处理阶段主要做两件事情： 一是将数据导入处理工具。 二是看数据。包含两个部分：一是看元数据，包括字段解释、数据来源、代码表等等一切描述数据的信息；二是抽取一部分数据，对数据本身有一个直观的了解，并且初步发现一些问题，为之后的处理做准备。 第一步：缺失值清洗 四个步骤： 1、确定缺失值范围：对每个字段都计算其缺失值比例，然后按照缺失比例和字段重要性，分别制定策略。 2、去除不需要的...
MATLAB实战：5步搞定GNSS单点定位解算（附完整代码）
本文提供了一份基于MATLAB的GNSS单点定位实战指南。通过5个核心步骤，详细讲解了如何从卫星坐标和伪距观测值出发，利用最小二乘迭代算法，构建并实现一个完整的单点定位解算器。文章附有完整代码，并涵盖精度评估与结果分析，适合GNSS初学者和MATLAB用户快速上手实践。
ML307A模组通过MQTT协议接入OneNET平台的AT指令全解析
本文详细解析了ML307A模组通过MQTT协议接入OneNET平台的完整AT指令流程。从平台侧的产品创建、设备添加，到核心难点连接密钥的计算方法，再到模组侧的基础网络附着、MQTT连接配置、数据收发及调试排错，提供了手把手的实战指南，帮助开发者快速实现物联网设备上云。
LabVIEW数据采集-数字I/O/计数器
labview 数据采集 数字I/O 计数器
实验记录 | 如何拆分scATAC-seq数据成为单个细胞？（1、解决barcode问题）
在师兄的帮助下，我得到了师兄筛选过的细胞的barcode的数据，那么接下来我想根据这些barcode，将来源于同一个barcode的细胞的reads提取出来，这个还是一个蛮有技术含量的事情的，因为上次我有使用过perl的脚本进行提取，最后的实验结果很糟糕，故而这件事情一直搁置到现在，没有继续去做（我的脚本的编写能力还是有待于加强，可能是刚刚喝了奶茶，和老妈弟弟聊了好多闲话，很开心，觉得在某种程度上休息够了，对于工作也是一种非常快乐和积极的状态了）。 0。前期失败尝试回顾 ...
别再瞎猜了！三角形接法PMSM的相电流到底怎么算？实测线电流转换公式与避坑指南
本文深入解析三角形接法永磁同步电机（PMSM）在FOC控制中的相电流计算误区，提供实测线电流转换公式与避坑指南。针对矢量控制系统中常见的√3换算错误，详细阐述正确的电流重构算法、硬件采样要点及软件优化技巧，帮助工程师实现精确控制并避免电机损坏。
大数据与宠物：健康监测数据分析
随着全球宠物市场规模的快速增长（2023年全球宠物产业规模已达3500亿美元），宠物健康管理需求呈现指数级上升。传统宠物医疗依赖定期体检和症状观察，存在滞后性和主观性缺陷。本文聚焦如何通过物联网（IoT）设备采集宠物生理数据（体温、心率、活动量等），利用大数据分析技术构建实时健康监测系统，实现宠物健康状态的动态评估、异常预警和疾病预测。研究范围涵盖数据采集技术、数据预处理方法、机器学习模型构建及实际应用场景落地。背景介绍：明确研究目的、目标读者及核心术语核心概念与联系。
Python分布式爬虫深度实战：反爬破解+数据清洗+性能优化全流程
分布式爬虫的核心是“调度中心化+执行分布式”，Scrapy-Redis是最易落地的框架，无需从零写调度逻辑；反爬破解要分级应对：基础反爬靠随机UA/限流，进阶反爬靠代理池，高级反爬靠第三方验证码API；数据清洗的关键是“批量处理+标准化”，避免内存溢出，核心字段去重和异常值过滤是必做步骤；性能优化不是单纯加节点，而是从架构（分片）、代码（批量写入）、服务器（索引/网络）三层协同优化，才能实现效率翻倍。
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")
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
878
扫一扫
