2012年4月16日

手把手教你用Arduino和开源电路DIY一个手机连接的电化学传感器(附GitHub源码) 本文详细介绍了如何利用Arduino和开源电路DIY一个手机连接的电化学传感器,成本不到300元即可复现价值数千元的专业设备。从硬件选型、电路搭建到固件开发和手机应用实现,手把手教你完成整个项目,特别适合科研人员、环境监测爱好者和理工科学生。附GitHub源码,方便快速上手和扩展功能。 阅读详情
    今天在试着以"单元测试"为驱动,进行开发的方式;发现效果还不错,经过不断在工作列表中添加内容,编写代码,通过测试,重构,再通过测试的循环,我发现确实能够让我更准确的把握where I am, 并且明显的减少bug存在的可能性。

    今天遇到了坑爹的问题,在实验WebServices的时候,Soap得消息post和反馈都能够正常进行,但是就是不能获得正确的服务计算值;原因是相关服务的operation根本就没有运行,我排查了很多东西,不过主要都集中在对访问代码上,结果最后竟然是在服务代码中,对于namespace的定义少了个斜杠!!我发誓再也不手写服务类了...IDE有时候还真是个好东西...

    今天钥匙疑似掉在办公室里了,希望明天能找到。。。最后一把车钥匙啊,祖先保佑~

    另外,嘉欣啦~发bonus拉,呜啦~

PyCharm中Pyvips配置避坑指南:为什么pip安装后import还是报错? 本文详细解析了在PyCharm中配置Pyvips时,即使pip安装成功,import仍报错的根本原因。核心在于Pyvips依赖的libvips原生库未正确配置环境变量。文章提供了从下载libvips、配置Windows系统PATH到PyCharm项目级设置的完整避坑指南,并对比了三种配置策略,帮助开发者彻底解决DLL加载失败问题。 阅读详情

相关推荐

基本模型 PINNs : Physics Informed Neural Networks

系列最开始当然要提到很经典的文章 —— Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations 。 这篇文章是布朗大学的助理教授Maziar Rais...

waitingwinter的博客 3万+

2012年4月16日 周一 join hint

LEADING ORDERED USE_NL and NO_USE_NL USE_NL_WITH_INDEX USE_MERGE and NO_USE_MERGE USE_HASH and NO_USE_HASH NO_USE_HASH USE_NL 这个hint比较重要的一点是要知道,可以通过LEADING来指定哪个表为外表,哪个表

BHR_kramer的专栏 363

python音频信号分析

声音以具有诸如频率、带宽、分贝等参数的音频信号的形式表示,典型的音频信号可以表示为幅度和时间的函数

MAY的博客 2789

Google Oracle Android试用期最终定为2012年4月16日

好吧,看来我们终于要去法庭了。 昨天,Alsup法官将期待已久的Android侵权案件的最终开庭日期定为4月16日,接受了Oracle提出的撤回三项专利的提议,以换取Spring开庭日期。 原定于2011年10月31日举行会议,Oracle和Google之间关于损害报告和索赔有效性的争夺将在下个月举行会议时终止,按照订单所述,大约持续8周。 课程的第一天将是陪审团的选择和开幕式。 从星...

134

在线绘制富集分析多组气泡图和单细胞分析marker基因矩阵气泡图

常规的GO或者KEGG通路富集分析结果通常以气泡图的形式展示,然而这个气泡图仅仅是一个比较的结果,如果想在一张图上展示多个比较的结果,就需要用到多组气泡图(图1,左侧)。 单细胞RNA-seq分析结果中,矩阵形式的气泡图可以很好地展示marker基因(X轴)在不同cluster(Y轴)中的表达情况(图1,右侧)。

微生信 3667

大模型训练显存瘦身全记录:从ZeRO-3参数分区到CPU Offload的硬件协奏曲

本文详细解析了如何通过ZeRO-3参数分区与CPU/NVMe卸载技术优化大模型训练的显存使用。结合bf16混合精度与梯度累积等策略,实现在消费级GPU上高效训练百亿参数模型,显著提升硬件利用率与训练效率。

weixin_29051245的博客 435

[转载]投资类入门书籍推荐(不断更新中—2012年4月16日

原文地址:投资类入门书籍推荐(不断更新中—2012年4月16日版本)作者: 逍遥刘强 刚刚给学生们推荐了一些投资类的书籍,基本是由浅入深的顺序,每天给自己一小时的读书时间,你的投资人生会因此改变!记住,贵在坚持! 1、 股票作手回忆录 2、 期货市场技术分析 3、 日本蜡烛图分析 4、 道德经 5、 庄子 6、 心经 7、 孙子兵法 8、 穷查理宝典 9、 华尔街幽灵...

henry_dx的专栏 182

软考「系统规划与管理师(第2版)」抱佛脚|案例分析预测

规划类(系统/数据/云)+ 服务过程找错改进 + 风险应急终止三大块各备一套成熟模板,术语统一按第2版新教材口径,案例分析 45 分线的希望就大很多。

软件行业技术文化交流。 75

2012年4月微软MVP申请开始!

2012年4月微软MVP申请开始了!   优快云与微软合作,长期为用户提供申请“微软最有价值专家”的平台,希望有兴趣、资历的朋友以及正在朝这个方向努力的朋友能够积极参与。    申请微软MVP的朋友请下载申请表格:http://community.youkuaiyun.com/bbs/2012mvp.rar(点击下载) 填写好相关内容后把申请表格发送到...

weixin_30730151的博客 89

搭建ROS小车真的难吗?

搭建ROS小车真的难吗?不难 1.引言 本着为大家谋福利的心态,根据自己以往的开发经验,打算写一个从零开始制作一个可以实现地图构建和导航的ROS小车。目前某宝上面有很多现成产品,但是我个人认为,一个好的移动机器人开发工程师,应该对机器人的整个流程都能具备维护的能力,然后再深入研究其中一个方向即可。看到网上很少有整个系列的开发教程,看到同学们大多东拼西凑,浪费了不少时间。我就想着利用空余时间,将我本人的开发过程输出给大家。有基础理论、有实际工程代码、有丰富的学习资料,尽最大努力帮大家进入移动机器人的大门。 国

「小白学移动机器人」一个专注分享移动机器人相关知识的公众号! 1万+

Docker Desktop 从 C 盘迁移到 D 盘的正确方法

本文介绍了三种将Docker数据目录从C盘迁移到D盘的方案。方案1针对WSL2用户,通过导出/导入虚拟磁盘实现迁移;方案2采用软链接方式,适合所有Docker模式;方案3则建议重装Docker到D盘。其中WSL2迁移方案(方案1)最为稳定可靠,推荐使用。文章详细说明了各方案的操作步骤及注意事项,并提供了迁移后常见问题的解决方法,帮助用户彻底解决Docker占用C盘空间的问题。

sg_knight的专栏 2178

2012年7月微软MVP申请开始啦

2012年7月微软MVP申请开始啦

qq_43667070的博客 206

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")

OBC与DCDC为何成国产车规电源芯片首选试验田

车规级电源管理芯片需同时满足AEC-Q100有源器件认证与AEC-Q200无源器件要求,而OBC(车载充电机)和DCDC(直流变换器)作为高压-低压能量枢纽,天然具备电气、热、机械、EMC四重耦合验证能力。其‘带病运行’容错特性允许分阶段导入——从辅助电源LDO到栅极驱动器,再到数字PFC控制器,为国产芯片提供可分割、可复现、可迭代的可靠性验证路径。相比ADAS域控或BMS主控,OBC/DCDC对功能安全失效容忍度更高,却对结温控制、ESD鲁棒性、PSRR噪声抑制等底层指标提出严苛要求,正成为国产车规芯片突

weixin_34025151的博客 351

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。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

4月上旬我国域名总量新增近4万个 环比减少56.7%

根据域名统计机构WebHosting.info公布的最新数据显示,截至2012年4月16日,我国域名总量达到了4,810,897个,域名增长较为平缓。下面,IDC评述网与大家一起关注4月上旬我国域名域名注册量最新情况。 (图1)中国域名注册量分布图(03/12/12-04/16/12) 如图1所示,在4月上旬期间,国内域名注册量分布情况稳定,域名增长...

weixin_33845477的博客 103

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

2012年7月微软MVP申请开始啦!

2012年7月微软MVP申请开始了!   优快云与微软合作,长期为用户提供申请“微软最有价值专家”的平台,希望有兴趣、资历的朋友以及正在朝这个方向努力的朋友能够积极参与。    申请微软MVP的朋友请下载此新版申请表格:http://community.youkuaiyun.com/bbs/2012mvp.rar 填写好相关内容后把申请表格发送到邮箱admin...

weixin_30483495的博客 64

[论文收集] WWW2012相关论文

WWW 2012于4月16日-4月20日在法国里昂召开,本届共收到投稿885篇full paper,录用了108篇,录用率为12%。各Track收到的论文数和接收数如下: http://www2012.wwwconference.org/proceedings/html/proceedings.html 本届还专门有一个Crowdsourcing的session: Session:...

weixin_34375233的博客 240

需要统计的数据

项目名称 合作方PM 合作方TC 语言 规划迭代次数 单次迭代周期长度(天) 当前第几次迭代 项目开 始日期 计划发 布日前 实际发布日期 代码规模(KLOC) ICP-构建成功率(%) ICP-圈复杂度 ICP-代码相似度 代码检查CheckStyle FindBugs问题数 PCLint问题数 MI ICP-DT覆盖率

陕西小伙伴网络科技有限公司-技术博客 467

发烧友labviEW随手练小试牛刀,精美奖品轻松拿,期待你的参与

活动主题:【菜鸟蜕变季】labviEW随手练第一期 活动时间:2012-4-16日 至 2012-5-12 活动地址:http://bbs.elecfans.com/jishu_224868_1_1.html 发烧友的labviEW小程序活动终于姗姗来迟了,希望大家多多支持! 考虑到大家平常时间有限,我们也根据大家综合原因考虑,将小程序题目难度和范围尽量压缩在很短的时间

ASsingle的专栏 681

网站中如何定制文章发布日期的格式?

在网站建设中经常会遇到文章的发布日期显示问题,如何定制该日期的显示格式,如显示为:2012年04月08日 12:16,或2012-04-08 12:16,这样简单的问题经常使一些初学者困惑,比如月份和日期小于10时数字前面要加0。在之前我解决这个问题时,经常会写一个公共类,然后写一个AddZero(int num)的静态方法,对传入的数字进行判断是否大于9,如果大于9则返回原值,否则在原值前加0后

老白干的zone 1363

老域名挖掘软件使用记录

2021年4月4日08:34:05 今天用翼龙老域名扫描软件挖了28322个老域名,历史快照干净的411个。反链10个以上的 3354个。 挖掘形式:关键词挖掘 > 大棚 服务器:windows 2012 16核 8g 50M宽带 线程200 地区:南昌 备注:目前我最高记录日挖4万+ 等待突破。 转载来自:http://www.yilong789.com/post/5.html ...

haohack12138的博客 678

汇率波幅扩大 人民币单边升值或终结(图)

汇率波幅扩大 人民币单边升值或终结(图) 正文 我来说两句(100人参与) 2012年04月16日02:30 来源:新京报 打印 字号   “由于人民币汇率的波动幅度有限,又基本是升值趋势,之前买卖外汇没有太大的技术含量,不过现在可能不行了,波动变大,分秒之间可

岁月从容2012的专栏 2781

netForensics启动IPO

美国时间2012年4月16日,NetForensics公司向SEC提交了s-1文件,正式启动了IPO进程,拟在Nasdaq上市。这个老牌的SIEM公司(跟ArcSight一样老)终于开启了上市之路。有趣的是,公司为了上市,改名为“blackStratus”(黑云),并将自己包装为一个云安全公司,主营业务是Security as a Service。几年前,nf已经开始向SECaaS方面转型了。作为...

weixin_34405332的博客 115

编写一个应用程序可以将源程序文件转换为html的网页文件,面向对象程序设计课程设计任务说明...

《面向对象程序设计》课程设计说明一、课程设计指导安排专业年级指导教师联系方式2012级软件工程1-3班2012级计算机4-6班彭红星 135********xyphx@http://www.doczj.com/doc/99b1830e767f5acfa1c7cded.html二、课程设计安排说明1.分组选题说明本次课程设计采用3人1组(不能整除时可以2人一组)方式进行,每组必须为本班学生。每组由1...

weixin_30444625的博客 118
上一篇: 2012年4月15日
下一篇: 2012年4月23日
ProgramRookie
博客等级 码龄18年 26粉丝 72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