[转] 能不吃最好别吃:一个食品专业本科生的自白

2027年新疆职业院校技能大赛“网络系统管理”A模块网络构建真题 2027年新疆职业院校技能大赛“网络系统管理”A模块——网络构建真题,仅供学习使用。 阅读详情

想当初系主任展望我们专业的美好前景的时候,曾说"中国的食品行业还是有很大发展空间的" !现在终于知道什么是"发展空间"了

套用师兄的话"中国的很多东西还真不是做给人吃的"。从"阜阳大头娃娃"到现在的"三鹿事件",从苏丹红到肝炎病毒矿泉水。

 

我们的食品安全课从来不缺素材。

几乎每一天上课的时候老师都在爆料,有些是大家都知道的,有些是我们专业的黑幕。当大家还考虑是买脑白金还是纽崔莱的时候,

你是否想过你今天的午饭可能就是你若干年后各种各样怪病的罪魁祸首。

中国现在的食品行业根本就不是什么营养健康的问题,而是安全卫生的问题。所以我现在特别想把我们上课说的那些食品问题贴出来。

也许大家会觉得:吃了这么多年了也没什么事,或者是疑神疑鬼的什么都不能吃活着也没什么乐趣。

 

但是我想说,有害食品实际上是个概率问题,就跟抽烟一样。都知道抽烟对什么身体不好会导致这病那病,但也有些老烟民活得好好的。

但是从统计数字来看,抽烟还是会挂得更快一点。

ok 我开始贴吧,以下是我们系教授说的,有什么不对的  牛人可以指出来。

吃鱼的话

最好吃本地产的

新鲜鱼常温下高密度运输的存活时间是8小时。跨地域运输的时间少说要3小时,鱼市早上开市至少也得卖一天吧,怎么算都无法控制在8小时之内。

消费者是不会去买死鱼的。怎么办呢只能加孔雀石绿。孔雀石绿是种工业染料,还可以用来炼铜,杀菌效果很好,又便宜。但对人体有致癌作用。

这个东西基本上是行业的潜规则,没办法的。所以最好吃本地的鱼,越近越好。外地的水产品还是买冰鲜的吧。

少吃青蛙和黄鳝
少吃青蛙是因为现在农药使用得太厉害了,青蛙食量很大,体内富集的农药相应的也比其他动物多一些。体内很少有不残留的。

黄鳝用避孕药催熟大家肯定都知道。上次有个厂家找到我们系主任说要一起研究"避孕药催熟的代用方法" 汗啊避孕药催熟现在俨然成为养殖工艺流程的一部分了


大排档用的肯定是潲水油,只是比例多少问题
现在物价涨的这么厉害,大排档只能在价格上有点优势听我们系的老师说基本上用的都是潲水油,而且有很完善的分销网络。

有负责收的负责运的买的负责打点检验部门的检验部门的人自己私下都说,要查都有,谁让你自己去吃的。


蔬菜上的农药残留用水是泡不掉的
我妈以前老是觉得菜上有农药的话,买回来泡一泡就没事了。事实上使用最广泛的有机磷农药,根本就不是水溶性的,是脂溶性的。

怎么可能泡一泡就没了呢~~


有这种事,农民兄弟吃了自己的种的菜中毒的,原因是农村普遍认识,觉得喷了农药以后,下点雨,打点露水,农药就失效了,然后继续喷。

导致蔬菜上农药严重超标,因为农药像油一样粘在叶片上,很难洗掉的。然后就有人在一场大雨后把昨天才喷完农药的菜,拿来自己吃或者去卖。

然后中毒,去灌肠。

 

那么怎么洗呢,有人说用盐水。我觉得效果应该不好,没听说过氯化钠能增加有机磷在水中的溶解度。

教授他自己是用洗碗精,只要一点就好。可能有人会觉得洗碗精会残留在菜里,吃了不好。

一滴洗碗精洗菜最后残留的真的只有痕迹量的成分,每天洗碗残留在碗上的绝对是这个的数量级。

洗碗精的成分就是十二烷基磺酸钠,没有文献显示它对人体有什么毒害作用,只要你不把它当泡泡果奶喝。


贝类在海鲜中最应该少吃的
原来广州流行吃生蚝(先在也还蛮流行的)放在几十年年前,这是没有什么大问题。

 

现在不一样了,江河湖海都受到了不同程度的污染,重金属元素是就是其中之一。

什么汞啊,镍啊,铬啊。贝类大部分长在大陆架上,以水和泥沙中的浮游动植物为食。而那些重金属就全部沉在泥沙里。

外加一些乱七八糟的微生物(包括病原微生物)贝类在加工过程中因为壳的缘故很难食品安全要求的温度。

餐馆里大多随便颠两下就出锅了,吃了不仅可能拉肚子,搞不好吃进了不少重金属毒素。所以吃海鲜最好少吃贝类(口味上我也觉得螃蟹什么的比较好吃)


点心最好买不带奶油的,一定要吃奶油的话,就舍得点去买个用天然奶油的吧
我这里说的不是会不会长胖的问题。而是人造奶油对人身体的影响。人造奶油学名是氢化植物油。

这个名字听上去蛮健康的(我妈就这么想的,只要有"植物""天然"这样的字眼她就觉得蛮健康的)其它就是反式脂肪的一种。

油炸食品被诟病为垃圾食品的主要原因之一就是它。

这里我直接引用文献好了:

研究显示反式脂肪含量高的饮食和诸如心脏动脉疾病以及动脉硬化等疾病有关联性每天摄入反式脂肪5g,心脏病的发病几率会增加25%"
美国为什么得血管病的那么多,跟他们的饮食习惯肯定有关系的。以前还没有这个概念,现在越来越多的蛋糕店以使用天然奶油为荣了。

2007年7月,纽约市规定所有的速食店,都不可以再使用反式脂肪,否则将被罚款。

国内现在出了极个别的高级品牌连锁店(不要跟我说麦波啊)如breadtalk之类,有贵的要死的天然奶油蛋糕(其实也不值那个价)

其他的一律都是氢化奶油做的。所以老人过生日,别再弄两块硕大无比的奶油蛋糕给他吃。要吃的话,把奶油刮了吧~~


远离反式脂肪绝对不是不吃奶油这么简单


接着刚才的话题,反式脂肪现在已经渗透到食品的各个角落,油炸食品,蛋糕,甜甜圈,饼干几乎都是用的反式脂肪。

因为它便宜啊,而且烹调特性,又好起酥又不容易变质。于是你用我用大家用。少吃点没关系,每天坚持不懈的吃的话...呵呵呵


说到坚持不懈,现在上班族喝咖啡就挺坚持不懈的。我马上就要工作了,估计到时也差不多吧。咖啡是跟伴侣在一起的,袋装的配好了,瓶装的自己配。

伴侣可以使咖啡变得细滑香浓,但很少人去探究伴侣到底使什么?是什么呢?椰丝?我在没上专业课之前也一直使这么想的。

多像啊,白白的,香香的。事实上伴侣是油,去看那些小得不能再小的标签吧,成分那一栏写着"氢化植物油"

伴侣的生产过程就是把氢化植物油喷雾,小液滴在空气中被裹上一层膜,然后干燥。每天一小匙,咖啡伴侣,就是一小匙反式脂肪。

还不算上你蛋糕饼干油饼里的那些。记住每天5g反式脂肪,心脏病的发病几率会增加25%哦


最后说下保健品吧
从来没见过我们系的老师逢年过节送过什么保健品的。老师帮企业做项目,企业除了给米米之外,也送会点产品过来意思一下。

做枣子的送点枣子啦,做酒的送点酒啦。但保健品场除外,就给钱,给很多钱。绝对不会弄两箱口服液给老师家送,那太讽刺了。

"我还不知道你这里头是什么,你还不如直接送点鸡蛋好" 现在中国的保健品市场,基本停留在买概念的阶段。marketing绝对比r&d来钱来得快。


随便说几个吧

脑白金

吃过的人知道,一盒里头两大瓶水加几板胶囊。有效成分其实只有胶囊里的褪黑素,但几百块钱就几颗丸子,消费者不会买啦。太贵了。

加上两瓶主要成分比王老吉多一味药(山楂)的"纯天然制剂"大家就觉得划得来了。赶上优惠大酬宾,再多给你一瓶"纯天然制剂"就"物超所值"了

就"过节不收礼,只收脑白金"了。回过头看褪黑素是什么.原来是美国空中乘务人员,倒时差用的药品。没什么害处,但也没什么神奇的效果。

20刀一大瓶,一百粒。每一粒可以做两粒脑白金胶囊。自己算算他的利润吧

黄金搭档
脑白金的姐妹产品,一样□□的广告。一样的铺天盖地。把一块二一瓶的维生素买到一百二。牛!

他的诉求点是:中国人磷、铜超标,再补会有副作用。黄金搭档的营养成分都经过严格搭配,所以就值这个价。

 

学过营养的人都知道这根本就是扯淡嘛


广告上说的那些"面色红润有光泽,个子长高不生病"没错是维生素的效果,维生素是重要,要不怎么叫维生素呢。

但那是缺维生素的人吃了维生素以后的由亚健康转为健康的表现。换句话说,你如果不缺,甚至是不是严重缺乏的话,是没有明显效果的。有也是心理作用。

你想你心情一好了自然就面色红润有光泽了跟他nnd 黄金搭档有什么关系啊。


还有所谓的严格搭配跟更可笑。维生素又不是激素,多吃一克会死人。水溶性的维生素,如vc 吃多了就随尿液排除体外了

(还有理论说超量服用vc可以防癌,是据牛逼无比的泡林说的,他自己就是实践着,拿了诺贝尔奖,提出泡林不相容原理还活了90多岁,有兴趣可以google 一下)

脂溶性维生素吃多了倒是会对身体不好

但那是得怎么个吃法行啊,每天用鱼肝油炒菜?

安利的纤维素、蛋白粉

安利的东西都知道海贵了。他还喜欢一套套的让你买,他说的那些纯度啊什么的也都是真的。老外的工艺还是没得说。

 

但是...我们真的需要99%的蛋白粉吗?


来我们来看看他的生产流程吧


拿最常见的番茄为例。

安利有很多番茄系列的产品又是番茄红素又是果胶又纤维素,把番茄买来,皮归皮,肉归肉,皮里绝不带一点肉,肉里绝不带一丝皮,

然后皮去提取番茄红素,肉去做果胶、纤维素。再然后我们就有了高纯度的几百快一瓶的番茄红素、果胶和纤体纤维素。
安利的专业营养师会"建议你一起服用,效果更佳",于是你花几百块让失散了多年的果皮和果肉团聚在一起,

我花几块钱买个西红柿享受跟你相差无几的服务也许口味还更好点

不喝乳饮料,基本是水兑出来的,乳饮料一定会在标签上面标出来,尽管饮料两个字可能印刷得很小
尽量吃比较干的食品或者糖度比较高易保存的。如果含水量高,货架期又长的不要买,全是靠防腐剂,而不是低水分活度保存的


有些产品会用复合防腐剂
就是几种联合抗腐败的,这种少吃。


光明的乳制品比其他国企的都要好


香精有天然来源的也有化工合成的,建议少吃,适量也无所谓

很多香精公司直接接触香精的调香师,应用工程师普遍过早出现白头发,就是频繁接触香精的结果


不要喝除了纯鲜奶之外的任何产品 uht的不要喝

有些奶香──奶味香精,浓──增稠剂,淀粉或胶体

酸奶:有条件的话,注意一下标签,买配料表里没有"复原乳、奶粉"字样的

冷冻的水饺之类
首先

一定不能买散装的,很可能是混有过期的解冻的坏包的拆开来卖的

第二包装上的生产日期如果是黑色打印的,最好也不要买,要买就要买是凹凸版的

第三解过冻的最明显的就是粘连,皮上有白霜,最简单的区分方法是皮上没白霜

一个一个独立的是一直保持在温度要求的,汤圆碎开的裂开的就是解冻过的,丸子上有霜也是解冻过的

鱼饺由于机器问题所以最后一道工序都是手工弯的,一定要买大品牌


湾仔码头是美国通用磨房的产品,对肉类的控制比较好


99%的蟹肉棒是香精+淀粉+色素+蛋白做的


超市里散装的冷冻食品其实污染也不小的


康师傅方便面

防腐剂肯定有,但是要买原厂的就是杭州厂的,不要买其他厂的东西,看包装上的日期是黑色还是凹凸版的

如果有黑有凹凸就买凹凸的,所有包装食品都一样的啊


大桶的正广和水

你一定要跟正广和订而不是送水站,如果你能不喝桶装水更好因为桶装水的桶是反复使用的,怕消毒不够
而且要尽快喝完时间久了会有细菌


罐装王老吉,难办喝喝ok 因为是凉茶所以里面有中草药成分,所以多喝了对人体不好


靖江的猪肉浦

大包的肯定有问题,因为猪肉的位置不好,也就是我们说的下脚料

要买就要买双鱼的独立小包装,这个肉比较好,而且一定要注意生产日期,还有这个东西添加剂不会少少吃点


百威暂时没问题
酒原是美国过来的而且要喝就喝听装和小瓶装,700cc供应外面饭店的少喝为妙。所有品牌哦

但是最近朝日的原料污染不要喝了

雪花是国内的酒料但是要看厂

以前我做采购的时候不喝的


反正,同志们

我现在所有零食基本不吃

幺么就吃销售量最大的当季吃

过了季节就不吃了还有蜜饯大家不要吃了

生产过程太脏了,真的


简单的说

从我们日常来看,能做到的是尽量吃热的食物,营养损失不谈,饭菜之类从冰箱拿出来之后先热一下,冰箱里的污染通常被忽略


小店的东西尽量少吃,如果你参与过饭店卫生检查,你会非常震惊的


有些东西怀疑,要坏掉了就不要吃,尤其是肉类,因为可怕的不是微生物,而是肉类常见菌的产物:毒素,轻者腹泻,重者死亡


没持续打乙肝疫苗的tx赶紧去补,我国是乙肝大国


大家不要忽略卫生,以为拉拉肚子就没事了,对你肠道系统免疫系统的伤害是会累积的,

马口铁和罐头食品一般不含防腐剂,罐头的工艺已经非常非常成熟了

杀菌后有的可以保存很多年,不考虑营养问题,可以买哦


马口铁罐装,防腐剂少,但罐头食品的营养其实是比较少了,卫生问题,只要看不鼓起,应该是没啥问题。

 

午餐肉主要问题是亚硝盐的问题,亚硝盐有致癌作用,越少吃越好。唉,我也爱吃,只能偶尔吃吃,解馋

冷饮推荐和路雪


烟熏的东西尽量少吃

还有肠类,有些肠为了颜色好看

除了色素问题

还有硝酸盐超标问题


饭店里的海鲜问题也很多

最简单的就是福尔马林泡了

看起来新鲜肉质又好又筋道


记得无锡有三白的特产

其中的银鱼,有些饭店里吃到的颜色好看到透明,都是泡出来的


我再爆一个外面饭店红烧肉的问题

红烧肉出锅前,加入乙基麦芽酚,加热后产生有光泽的铁锈红,并且会增加红烧肉醇厚的香气...

至于加热后乙基麦芽酚是否会产生有毒物质,我不了解。。。反正饭店里红烧肉烧得比我老妈烧得好吃的,我就尽量克制不吃...

果汁

货架上的所有果汁除了盒装的其他的都表买

透明包装的、瓶装的都防腐剂,而且很多因为果汁的特殊性,见光就开始变质,所以要喝好果汁就要买利乐包装的,

而且一定要买100%的稍微好点,防腐剂肯定有,如果有条件自己榨果汁吃,苹果生梨洗洗干净去皮去核

说到西红柿

不要买那种屁股突出来的,是打激素的,也不要买畸形的很大的原理和草莓一样


做妈妈的

不要给小孩吃果冻了


所有菜水果都买当季的,有句老话,水果要吃中间上市的,蔬菜要吃新鲜上市额,太早和太晚或者反季节的,最好不要买

蔬菜上有点虫不要紧,拿回来洗干净就好了,蔬菜上有洞洞眼多泡泡,没洞洞眼穷炮

能买到本地人自己提着篮子的蔬菜最好,很可能是自留地里多出来的


不要吃翅尖

记得学医的老师曾经告诉我,鸡从小到大打过的激素之类不会完全代谢掉,一般会在肢体末端累积就是鸡翅尖~


冷饮能不吃就不吃

1。冷链可能有漏洞当然大品牌的自己送货还可以

2。热量高

3。对肠胃有刺激

4。营养难说,看一下营养成分表就知道啦


还有巧克力

不是越甜越好,是要吃纯的

在瑞士意大利

最值钱的巧克力叫黑薄片

最差的巧克力是果仁


中国已经把全麦的概念毁掉了

国外的全麦是真的whole wheat面粉本身在加工的时候保留了一部分麸磨出的面粉发暗但是营养全面

这种产品价格也不便宜

国内很多偷换概念

所谓全麦就是普通产品加上点看得见的麸皮之类就叫全麦了价格也低很多


有钱的话

就买贵的。。。价格是王道


海苔要看原料来源的

哎

否则色素和淀粉填充物也很多


讲到葡萄

我来八一下吧

尽管也是听别人说的我老爸的死党 xx市环保局局长

如今退休自己承包果园了

他曾经对我说过

吃什么都不要吃葡萄

那个打的农药实在太多了
.
旁友说,葡萄的确是要打很多农药的,从一开始种藤起,就要打驱虫药水啊,否则藤都要死光了.

打药水的时候,他家都是用环保纸袋套牢的,以免药水和葡萄接触.有些黑心果农,为了提早让葡萄上市,就要打催熟针.

要果子大,就要打膨大剂(尤其是乒乓和巨峰),一直打到上市前几天才歇手 .

我旁友家有四亩果园,就她公公一个人在忙,所以除了驱虫外,根本来不及做那些手脚,就算是驱虫药水,在葡萄上市前一个多月就要停止打了.

所以她家的葡萄都要比外面上市的慢起码大半个月,而且个子和卖相也明显有些逊色,但是好歹人吃了放心呢.
朋友说,好的葡萄,刚采下来,哪怕不放冰箱放了外面,两天也不会变质.

如果码子大的葡萄摸上去皮软软的,么有光泽和弹性的,很有可能是注射了膨大剂,那个经不住放的.有白霜的都是打过农药的。。洗完还有的。。用纸巾擦擦

葡萄,橘子最恶心,不知道要打多少的农药


蔬菜

就吃颜色深额蔬菜比如,踏库菜,叶子颜色越深越好越排毒

不过爆难吃

有条件最好吃有机产品
.
水果当中农药含量最高的: 苹果, 生梨, 桃子, 葡萄, 草莓
...
水果当中农药含量较底的; 香焦, 菠罗, 弥猴桃
...
绿叶蔬菜相对而言, 农药的含量都老高的
.


还有一个非常值得重视大家也都知道的

控制钠摄入量

饼干之类的

尤其是苏打

不要给父母吃

里面钠太多了

钠的控制其实是个养身过程

中国人普遍钠摄入超标
~

火腿就肯定有亚硝酸类

不超标就可以

这类食品要经常注意的是

第一表多吃少吃点可以

第二买颜色不好看的,你要好看就表健康,要健康就表好看

第三要买新鲜销量好的品牌


香草精和香草粉都是化学合成,以尽量少用为好,可以买干的香草叶来用。


泡打粉是小苏打(碳酸氢钠)和硫酸铝,淀粉的混合物,其中铝对儿童大脑发育不利。


烧烤不好的原因是糖,蛋白质烧焦致癌,自己烧一样会焦。尽量不要焦,但口味肯定是略焦的好。


康师傅的老板说的表喝他们的东西,他自己都不会喝


脉动,维体等,都是功能性饮料,补充体液的,如果不运动的时候喝会增加肾脏负担,减分不加分哦!!


我以前在kfc打过工,他们用的不是我们平时见到的桶装油......是一种类似黄油一样的物质,.经过温度熔化形成的.........

!!!!!!!!!!! 是棕榈油,本身熔点高,常温下是固态。但是氢化植物油最常用原料是棕榈油

露露的杏仁露和椰树的椰奶可以放心吃吃

肯定没问题的

我老早就是做这个采购的,而且只有椰树和露露,这两个牌子过关 ok 但是露露没有椰树好


蛋白粉这种东西还是不要吃得好,早两年就听说有人吃蛋白粉吃出问题了


吃果冻和粉丝。。就是在吃马夹袋

新手必看!Unity中Tag和Layer的7个实际应用场景(含MOBA案例) 本文深入探讨Unity中Tag和Layer的7个实际应用场景,特别以MOBA游戏开发为例,详细解析如何利用LayerMask进行高效场景管理和碰撞检测优化。从双相机方案到射线检测的精准控制,帮助开发者掌握这些基础功能的进阶用法,提升游戏性能和开发效率。 阅读详情

相关推荐

用Keil5给CH552G编程:手把手配置8051开发环境+LED闪烁实战

本文详细介绍了如何使用Keil5为CH552G单片机配置8051开发环境,并完成LED闪烁实战。从获取必要软件、安装WCH器件库到创建工程、编写程序及烧录,手把手指导开发者避开常见陷阱,特别适合从STC转向CH552G的开发者。

weixin_30733003的博客 538

能不吃最好别吃:一个食品专业本科生的自白(转)

想当初系主任展望我们专业的美好前景的时候曾说"中国的食品行业还是有很大发展空间的" 现在终于知道什么是"发展空间"了套用师兄的话"中国的很多东西还真不是做给人吃的"。从"阜阳大头娃娃"到现在的"三鹿事件",从苏丹红到肝炎病毒矿泉水。我们的食品安全课从来不缺素材。 几乎每一天上课的时候老师都在爆料,有些是大家都知道的,有些是我们专业的黑幕。当大家还考虑是买脑白金还是纽崔莱...

weixin_33805743的博客 254

西门子S7-1200与S7-200SMART的PROFINET通讯实战:从GSD文件生成到数据监控

本文详细解析了西门子S7-1200与S7-200SMART之间实现PROFINET通讯的完整实战流程。核心内容包括将S7-200SMART配置为智能IO设备、生成并安装GSD文件、在TIA Portal中进行网络组态与地址映射,最终实现双向数据交换与监控。该方案为整合新旧设备、构建灵活高效的工业自动化系统提供了可靠路径。

weixin_29271263的博客 245

能不吃最好别吃:一个食品专业本科生的自白

想当初系主任展望我们专业的美好前景的时候,曾说”中国的食品行业还是有很大发展空间的” !现在终于知道什么是”发展空间”了套用师兄的话”中国的很多东西还真不是做给人吃的”。从”阜阳大头娃娃”到现在的”三鹿事件”,从苏丹红到肝炎病毒矿泉水。我们的食品安全课从来不缺素材。几乎每一天上课

资源备忘 5588

Apollo和autoware规划算法代码ros移植-路径规划可跑工程分享

Apollo6.0规划核心代码移植到Ros工程,可编译移植分享

weixin_39735688的博客 8508

维护测试监控LLM应用

LangFuse: 开源 + SaaS(免费/付费),LangSmith 平替,可集成 LangChain 也可直接对接 OpenAI API;LangSmith: LangChain 的官方平台,SaaS 服务(免费/付费),非开源,企业版支持私有部署;调试 Prompt 的 Playground测试/验证系统的相关指标数据集管理各种指标监控与统计:访问量、响应时长、Token 费等等。

SunnyRivers 1780

一个食品专业本科生的自白:能不吃最好别吃

核心提示:想当初系主任展望我们专业的美好前景的时候,曾说“中国的食品行业还是有很大发展空间的”!现在终于知道什么是“发展空间”了。 想当初系主任展望我们专业的美好前景的时候,曾说"中国的食品行业还是有很大发展空间的"!现在终于知道什么是"发展空间"了。 套用师兄的话"中国的很多东西还真不是做给人吃的"。从"阜阳大头娃娃"到现在的"三鹿事件",从苏丹红到肝炎...

weixin_34119545的博客 463

华为云物联网系统开发(纯云端)外包方案及项目需求说明书

提供一个详细的需求文档(SRS,Software Requirements Specification),用于指导完全零基础的非专业负责人外包兼职专业技术人员开发一款基于华为云物联网平台、Astro低代码平台和Astro Canvas大屏设计的物联网系统,纯软件实现并支持下载部署。文档涵盖详细的软硬件组成清单(聚焦软件和云服务)、技术文档要求等,确保非专业人员在移交后能够复用、扩展和操作该系统。本文档简洁、全面,适合非技术背景的管理者使用,并基于华为云生态的内部实施部署。

hy行者勇哥的博客 618

四路 CAN 转 4G 网关

SG‑CAN‑4G‑410 为**四路隔离 CAN 转 4G 工业网关**,把 CAN2.0A/B 报文封装成 TCP/UDP 报文,通过 4G 无线网络实现 CAN 总线远程监控、远程控制。四路 CAN 相互独立;以太网仅用于本地配置,不做业务数据传输;支持移动 / 联通 / 电信 4G 网络。

S2003120416的博客 160

【unity知识】最新的虚拟相机Cinemachine3简单使用介绍

本文介绍了Unity中Cinemachine 3虚拟相机系统的使用方法。相比旧版本,新版功能更强大且参数分类更直观。文章详细讲解了摄像机镜头参数、旋转控制(包括None、目标跟随、样条线推拉、旋转追随等6种模式)和位置控制(跟随、样条轨道、硬锁定等5种模式)。重点演示了样条轨道摄像机的创建与配置,以及如何实现第一人称和第三人称视角。通过丰富的GIF图示,展示了各种模式的运行效果,帮助用户快速掌握Cinemachine 3的核心功能。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 866

作物生长模型Oryza V3实战9:控制文件参数详解

control.dat是ORYZA水稻模型的核心配置文件,主要包含三部分:1)基础参数设置与模拟时间定义;2)关键文件路径配置,包括土壤参数文件(soil.sol)、作物参数文件(cultivar.crp)、田间管理文件(manage.exp)及气象数据目录,同时指定输出结果文件(res.dat)和运行日志(model.log);3)可选参数和输出控制选项。该文件通过关联各类输入数据(气象、土壤、品种特性等)和输出结果,实现模型运行的全流程控制,支持参数调整后继续模拟和中断恢复功能。

219

【计算机网络】断点续传是怎么做到的:从 Range 请求到分片上传的完整机制

断点续传在下载侧靠的是 HTTP 现成的 Range 协议,Content-Range 保证偏移对得上,If-Range 防止文件变更导致的错误拼接;上传侧没有标准,需要自己设计 init/part/complete 三段式交互,核心是让服务端记住“哪些块已经收下”,从而把失败粒度从整个文件降到单个分片。 这套机制可以迁移到任何长耗时操作的设计上。判断方法很简单:先问失败粒度是多少。如果一次操作失败就得从头再来,那它迟早会在生产环境里出问题——传输、批量导入、数据迁移、长事务,都是同一个道理。把大操作切成

2503_94545876的博客 516

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

汽车电子标定与测量的核心基石XCP协议

控制逻辑(算法)与标定参数(数据)。如果每次优化参数都要修改源码、重新编译并刷写Flash,整个研发周期的效率将趋近于零。标定(Calibration)技术正是为了解决这一痛点而生。它允许工程师在ECU运行过程中,动态观察内部变量(测量,Measurement),并在不中断运行的前提下实时修改控制变量(标定,Calibration)。在这一领域,XCP(Universal Measurement and Calibration Protocol,通用测量与标定协议)是公认的行业标准与核心基石。

diansandaosilaodanan的博客 375

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Linux 服务器性能排查手册(2026):CPU、内存、磁盘IO、网络四大瓶颈定位

iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级,避坑改了防火墙把自己挡在服务器外面的翻车事故。

2502_91473995的博客 293

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。

SD-WAN 与传统企业组网方式有什么区别?六个维度分析技术差异与适用场景

SD-WAN 与传统组网区别,主要体现在网络管理模式、链路调度能力、可视化水平以及多站点扩展方式上。传统组网技术成熟、架构灵活,对于站点较少、业务简单、网络结构稳定的企业来说,仍然具有较高的实用价值。SD-WAN 则通过软件定义和集中化管理,为多站点网络管理、链路质量监测和业务流量调度提供了另一种技术实现方式。两者并不存在绝对的替代关系。在实际网络建设中,也可以根据不同业务和网络区域采用混合架构。

ESDWAN的博客 791

【Linux网络】TCP 服务器并发处理多客户端:从 fork 分发到双重 fork 彻底消灭僵尸进程

拆解 TCP 服务器并发演进链:fork 分发连接、SIGCHLD 循环回收僵尸、双重 fork 交孙进程给 init 收养,并给出模型选型与线上排错对照。

2301_78967866的博客 415

网口ps端--基础知识--调试(1)--deepseek

你现在卡住,是因为这每一层(硬件、驱动、lwIP 协议、IP 地址)中,只要有一层不对,网口就不通。物理层:看灯。灯亮说明线没问题,PHY 没死。MAC 驱动层:看串口打印。有没有打印出Link Speed?如果卡在自协商,说明你的 PHY 驱动还没配好。lwIP 协议层:如果底层通了,IP 也配对了,你调用udp_recv注册了回调函数,当电脑发来 UDP 包时,lwIP 会自动把数据包拆开,送到你的回调函数里。你之前一直在改,就是一直在死磕第 1 层和第 2 层。

AlibabaApple的博客 96

Windows syslog日志服务器搭建与模拟器对接

二 HCL 华三模拟器连接HOST直接让路由器接口UP。1.下载visualsyslog 日志服务器软件。4.7 日志服务器可以看到年份为2026年。2.2 华三路由器配置并执行日志服务器。2.4 华三路由器可以与日志服务器互通。3.2 日志服务器可以实时查看日志。3.4 日志服务器可以实时看到日志。4.6 路由器配置日志显示年份。五 日志服务器查看日志存放位置。4.5 日志服务器查看到日志。2.3 华三路由器接口UP。4.3 日志服务器清掉日志。路由器本地日志显示年份成功。4.在桌面生成快捷方式。

huainingning的博客 248

HTTP、SSE、WebSocket、Socket.IO:实时通信方案深度对比与选型指南

HTTP 是基础,是整个 Web 的底座;SSE 是单向推送的轻量最优解;WebSocket 是高性能双向实时通信的底层标准;Socket.IO 是一套降低开发门槛、抹平环境差异的上层框架。技术选型永远不是“哪个技术更酷”,而是匹配业务的实时性、交互方向、网络环境、团队维护成本。简单需求优先轻方案,复杂双向实时再上 WebSocket;如果追求快速落地、兼容各种奇葩网络,Socket.IO 是很好的选择。

changshuaihua001的博客 336

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。

wuwangzhiduoshao的博客 299

Linux网络编程:TCP多线程远程命令执行与线程池改造

前面已经实现了 TCP Echo Server,并且通过多进程和多线程解决了多个客户端连接的问题。不过目前服务器的业务还是比较简单,客户端发送什么,服务器就返回什么。这次在原来的多线程服务器上继续做一些改动,实现一个简单的远程命令执行功能。这次主要学习了两个内容。第一个是多线程远程命令执行。通过 Command 类封装命令的接收、检查、执行和结果返回,并使用 set 对允许执行的命令进行限制。第二个是线程池版本的 TCP Echo Server。通过和std::bind。

2501_93388101的博客 355

物联网通信协议全景梳理

本文系统梳理物联网通信协议体系,按分层架构(接入、网络、传输、应用层)解析主流协议特性与选型逻辑。核心观点:接入层决定连接方式,应用层决定数据交互模式,两者可灵活组合。关键建议:资源受限用CoAP+BLE/Zigbee;大规模云接入选MQTT+WiFi/NB-IoT;长距离低功耗用LoRa/NB-IoT;智能家居优先Matter over Thread/WiFi;实时交互用WebSocket;安全通信优选DTLS/QUIC。最终实现“按需选型,协同高效”的物联网通信设计。

weixin_67448099的博客 460

python如何编通讯程序

通讯程序需要处理IP地址和端口。IP地址用于标识网络上的设备,端口用于标识设备上的服务。编写通讯程序时,需要选择合适的端口号并确保它不与其他服务冲突。此外

2601_96798011的博客 176

五个压测工具简介

本文对比五款主流性能测试工具:JMeter(开源全能,适合接口与复杂业务压测)、sysbench(数据库基准调优标杆,轻量高效)、ab(极简HTTP压测,快速摸底)、LoadRunner(商业企业级,支持复杂场景与特殊协议)、mysqlslap(MySQL内置,快速验证并发能力)。各具优势,适用于不同场景,开发者可根据需求选择。

呆萌很的博客 178

reqrio协议指纹库ja3 ja4

HTTP 层的行为参数看起来琐碎,但每一条都是可比对的信号:Header 的名称大小写与排列顺序、Cookie 的存储与携带策略、重定向的跟随层数与跨域处理、压缩算法的支持范围(gzip、Deflate、Brotli、Zstd)、请求体的编码方式(表单、JSON、文本、二进制、Base64、十六进制、URL 编码)。更进一步的是流式模型——把 HTTP/1.1、HTTP/2、HTTP/3 的处理统一成同一种“流”,可以同时发出多个请求,再按需接收响应,这对需要精细控制时序的采集场景很有价值。

2603_96485347的博客 267

财务共享中心与每刻档案:从集中处理到资料统一利用

采购付款的链路通常更长,可能涉及合同、订单、验收、发票、付款申请、银行回单和会计凭证。因此,档案建设不能只把文件导出到同一个目录,还应根据可靠的业务编号和会计信息,保留申请、审批、原始资料、付款和凭证之间的联系。企业可以先选择业务量大、资料来源较稳定的费用报销或采购付款场景,梳理单据、凭证和原始资料的对应关系,再逐步覆盖更多法人、业务类型和资料来源。对形成时间不同的资料,应规划接收、补充和关联方式。费用报销中,员工提交申请和电子发票,业务负责人审批,共享中心审核并进行会计处理,付款后还可能产生银行资料。

yuyijun222的博客 137
上一篇: 大话西游:十年前你笑了,十年后你哭了……
下一篇: 不是不想恋爱,而是不想随便恋爱。写的太棒了。(转)
Open9i
博客等级 码龄16年 14粉丝 43原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值