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
1.4k累计阅读
1.5k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. 关键链法（CCM） vs 关键路径法（CPM）
| 对比维度 | 关键路径法（CPM） | 关键链法（CCM） |
|---|---|---|
| 核心逻辑 | 基于任务依赖关系识别最长路径 | 在CPM基础上增加资源约束与缓冲区管理 |
| 关注点 | 时间逻辑关系 | 资源冲突与不确定性风险 |
| 缓冲类型 | 无 | 项目缓冲（保护关键链）、汇入缓冲（保护非关键链） |
| 适用场景 | 资源充足且风险较低的传统项目 | 资源受限或风险较高的复杂项目 |
实战案例：某软件开发项目使用关键链法，在集成测试阶段设置项目缓冲5天，成功应对需求变更导致的延迟，避免整体延期。
| 技术 |
|---|
PMP/高项 05-项目进度管理
定义活动：是识别和记录为完成项目可交付成果而需采取的具体行动的过程。主要作用是，将工作包分解为活动，作为对项目工作进行估算、进度规划、执行、监督和控制的基础。创建WBS过程已经识别出WBS中最低层的可交付成果，即工作包，而工作包通常还应进一步细分为更小的组成部分，即“活动”，代表着为完成工作包所需的工作投入。通过对项目工作分解结构的进一步分析和细化，识别和界定为实现项目目标所必须开展的各种项目具体活动，并定义那些为生成项目产出物及其各组成部分而必须完成的具体任务或必须开展的具体活动，其内涵是什么。
【吐血整理-历时两个月，长达万字】FDTD Solutions学习笔记
原教学视频来自于Ansys-Lumerical官方的FDTD100，所看视频来自B站大佬UP主 【Nestor_呐等】 的幸苦翻译，本文内容粘贴自我个人在学习FDTD100时，通过字幕和一些个人理解总结的一份word。整理不易，强烈建议收藏!...
51单片机AHT20-21源代码
传感器输出经过 标定的数字信号，标准 I 2 C 格式。AHT20 配有一个全新设计的 ASIC专用芯片、一 个经过改进的MEMS半导体电容式湿度传感元件和一个标准的片上温度传感元件，其 性能已经大大提升甚至超出了前一代传感器的可靠性水平，新一代温湿度传感器， 经过改进使其在恶劣环境下的性能更稳定。但是现在网上的大多数原码都是针对stm32等的这种多位单片机，而我们都知道51单片机是8位单片机，无法对浮点数进行运算，对32位的整数计算有时候也不是很准确，所以我对网上stm32的例程进行了修改。...
EBSD数据转ABAQUS的inp文件实操指南
晶体塑性有限元模拟中，如何将材料微观组织表征数据转化为可计算的有限元模型，是连接实验与仿真的关键环节。EBSD技术能够获取材料表面的晶体取向、晶粒形貌和晶界分布信息，但这类数据需要经过格式解析、欧拉角转换、网格生成等步骤，才能被ABAQUS等有限元软件读取。通过将扫描点坐标映射为节点、按像素邻域生成单元，并将Bunge约定欧拉角变换为局部坐标系方向余弦，用户可以准确构建包含真实微观结构的inp文件模型。这一流程广泛应用于金属材料形变、织构演化及应力集中分析等研究场景，有效提升仿真结果与实验的一致性。围绕数据
uniapp(vue3)：实现手机拍照或相册图片上传后给图片添加水印，uniapp实现多端图片上传、拍照上传自定义插入水印内容，调用手机摄像头打开相机并在周围悬挂自定义水印（支持文字水印/图片水印等）
uni-app，h5移动端网页，微信小程序，支付宝小程序，Android安卓，苹果ios，app，nvue，uni-app为图片添加自定义水印（解决生成图片不全问题），uniapp上传图片添加水印，uniapp H5实现手机拍照或相册上传图像并添加自定义水印，uniapp水印相机，uni-app为图片添加自定义水印，怎么在图片上加水印，图片水印，上传照片带水印，从相册选择图片加水印功能，拍完照片给图片加水印，添加照片水印，uniapp图片加水印，为图片添加自定义水印，uni-app上传图片并添加水印，上传图
【yolo】YOLOv8模型导出完全指南：从PT到ONNX及其他格式的完整实践
摘要：本文全面介绍了YOLOv8模型从PT格式导出为ONNX等部署格式的完整流程与最佳实践。重点解析了关键参数（如format、imgsz、simplify）的作用机制，特别强调输入尺寸imgsz会自动继承训练尺寸的特性，并提供了ONNX、TensorRT等格式的典型导出配置方案。文章还总结了常见问题解决办法，推荐使用simplify优化模型性能，同时分享了通过C#实现模型重命名的实用技巧。最后指出"训练决定能力，导出定义接口"的核心原则，帮助开发者高效完成模型部署转换。
YOLOv8 置信度阈值 (conf) 和 IoU 阈值 (iou) 详解：如何平衡漏检与误检？
摘要 本文深入探讨了YOLOv8目标检测模型中两个关键参数——置信度阈值(conf)和IoU阈值(iou)的核心作用。文章从目标检测的基础概念出发，解释了置信度分数反映模型预测可靠性，IoU衡量预测框重叠程度。重点剖析了非极大值抑制(NMS)机制如何通过这两个阈值进行预测框筛选：置信度阈值作为初筛门槛，IoU阈值决定重叠框的取舍。通过生动比喻和可视化图表，阐述了合理调节这两个参数能有效平衡误检与漏检问题，是优化YOLOv8模型实际表现的重要技巧。全文以实践为导向，帮助开发者掌握成为"调参大师&qu
在 Eclipse 中接入 DeepSeek：开启 Java 开发新效率
DeepSeek 能够根据自然语言描述，精准生成高质量的 Java 代码片段。无论是简单的方法编写，比如 “编写一个 Java 方法，用于计算两个整数的乘积”，还是复杂的类和功能模块创建，例如 “创建一个 Java 类，实现文件的读写操作，并包含异常处理机制”，它都能快速给出合理且可运行的代码示例。DeepSeek 生成的代码不仅实现了基本功能，还遵循 Java 的编码规范，添加了必要的注释，让代码更易于理解和维护，大大节省了开发者从头编写代码的时间和精力。
芯片原厂linux驱动开发的分享
大家好，我是XX，来自湖南XX学院，电子信息18级，也曾在创新基地控制组学习过两三年，毕业后就职于一家芯片原厂的解决方案部，担任驱动工程师的职位，算上实习期，我的工作时长已有两年。在此我想将这两年期间学习与积累到的一些经验输出出来，与大家一同分享。知识面有限，只能简单介绍一些驱动开发方向的一些经验，且由于经验尚浅，文中难免会有一些疏漏和错误之处，还请大家积极地批评指正。
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
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")
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
6824
扫一扫
