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
3.7k累计阅读
3.7k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
“ 也许人们都看到了马云的成功，但并不一定都知道他们是怎么成功的，他的成功又给我们多少启示。因为在马云创业的7年中，人们看到的马云都是隐藏在马云制造的媒体背影中的：人们仅仅看到的是一个说大话的马云、一个会忽悠人的马云，而没有真正认识马云的商业智慧。 ”
马云在互联网中的商业智慧就如同浙江那些传统的生意人一般，你永远琢磨不透，却对你充满着吸引力，即使你非常非常不喜欢他……
全书记录了马云这些年来的经历，基本上是媒体报道的拼凑，读起来倒是畅快!
几个观点：
1.马云创业前非常深厚的积淀；
2.坚强的意志力,他有梦想，并坚持自己的梦想；
3.永不消逝的激情
链接：
AMD MI50 Linux ROCm 6.4 手动编译与大模型推理实战
GPU加速计算是现代AI推理的核心基础，其性能依赖于硬件架构、驱动栈与运行时环境的深度协同。ROCm作为AMD开源GPU计算平台，采用‘自下而上’的Linux生态集成路径，强调对上游内核、编译器与固件的强耦合。MI50基于Vega 20（gfx900）架构，虽具备32GB HBM2高带宽显存与14.7 TFLOPS FP16算力，但因ROCm官方支持策略转向CDNA架构，自6.5版本起被移出支持列表，仅ROCm 6.4仍提供实验性兼容——这使其成为Linux下部署私有大模型的关键‘最后一班船’。本文围绕MI
马云是今天最大的赢家吗？
双11.毫无疑问，最大的赢家就是马云童鞋了
Proteus课设原理图及报告
1. I/O 口:32 个可编程 I/O 引脚，分成 4 个并行 I/O 端口 (P0, P1, P2, P3)，P0 功能段选 a、b、c、d、e、f、g、dp 使其中部分点亮，P2 功能为位选 1、2、4.按键操作分析：P3.0-设置时钟的时间，P3.1-确定更改的时钟时间，P3.2-对。时钟设置标志 0 不设置，1 设置时，2 设置分，3 设置秒。P3.0 按下的次数对应 不设置，设置时，设置分，
马云打造千亿社会化平台
一向不走寻常路的马云又在物流体系模式上做起了文章。 1月23日，阿里巴巴集团董事局主席马云在杭州总部召开了一次闭门会议，会议通过了“1000亿元投资建设物流网”的决议。因为马云强大的行业影响力，这次会议吸引了业内外多方机构参加。据本刊记者了解，除阿里巴巴外，还包括银泰、复星、富春等有合作意愿的集团公司，物流业内则来了“四通一达”（申通、圆通、汇通、中通及韵达快递）以及顺丰物流等企业。此外，还
思科模拟器CIsco Packet Tracer利用三层交换机实现VLAN间路由
版权声明：如果对大家有帮助，大家可以自行转载的。 １.技术原理： 三层交换机具备网络层的功能，实现 VLAN 相互访问的原理是：利用三层交换机的路由功能，通过识别数据包的 IP 地址，查找路由表进行选路转发，三层交换机利用直连路由可以实现不同 VLAN 之间的相互访问。三层交换机给接口配置 IP 地址。采用 SVI（交换虚拟接口）的方式实现 VLAN 间互连。SVI 是指为交换机中的VLAN 创建...
【Rcode】生存分析： KM & COX回归& 随机森林& nomogram
本文使用了R——survival包下的lung数据进行方法测试： 1）KM 2) Cox回归：多因素 3）随机森林因子（根据cox回归结果） 4）nomogram （ 根据cox回归结果，建立了中位生存时间，1年5年生存率的概率计算） -------------------????????♀️本文只有干货，非常干！????----------------------------- 一、数据加载 #生存分析 library("survival") library("survminer") data("
传统消费将被销巴生活全返消费颠覆
销巴生活全返消费模式可能会颠覆传统消费模式。销巴生活全返消费模式，帮助商家推广，理应该获得佣金，这是十分合理的。而非天上掉馅饼，更不是一种骗局。
手把手教你配置UFS的PSA状态机：WRITE/UNMAP命令实战与LBA映射避雷
本文详细解析了UFS PSA状态机的配置流程，重点探讨了在Pre-soldering状态下WRITE命令的原子性操作原则与单次写入LBA的重要性。通过实战代码示例，指导开发者如何正确初始化PSA环境、切换状态机，并深入剖析了使用UNMAP命令清理LBA映射时的常见陷阱与避雷指南，确保量产数据安全与良率。
# 昂永（上海）科技非标件自动核价系统落地无锡先导，助力制造核价数字化
近日，昂永（上海）科技自研非标件自动核价系统正式在无锡先导落地应用。针对非标零部件核价痛点，双方协同完成方案适配与上线，依托图纸智能特征解析、自动工艺识别、成本模型计算等核心能力，将过去过于依赖资深工程师经验的人工核价模式，升级为标准化、系统化数字化流程，为企业内部核价、成本评估、跨部门报价协同提供有力支撑。
基于Blender软件对Matterport3D数据集场景可视化
使用Blender软件对 Matterport3D 中的室内场景进行可视化。
k8s篇之underlay网络和overlay区别
underlay和overlay
喜讯 | 顺力智能获评“东莞制造质量品牌引领型企业”
《南方日报》发布《2026年东莞制造质量品牌价值评价研究》，顺力智能凭借从“单一货架制造商”到“全栈方案提供商”的三次转型升级，入选“东莞制造质量品牌引领型企业”。依托五维评价体系，50家标杆企业共同探索质量品牌价值转化路径。顺力智能通过技术迭代与品牌创新，实现从“卖产品”到“交工程”再到“提方案”的跨越，并以工业美学传播新表达，助力东莞制造迈向高质量发展新阶段。
块存储：AIO的直接写流程注释
提交io流程中aio_write之前函数的注释，可参考“块存储：AIO的直接读流程注释”。
制造企业如何落地 QMS：全星质量管理QMS软件系统架构与集成实践
典型部署为 B/S 架构，前端 Vue / React，后端 Spring 体系，流程引擎基于工作流标准（如 BPMN）实现。在离散制造和流程制造现场，质量管理长期面临三座大山：质量数据散落在 MES、ERP、纸质记录与工程师电脑中，形成数据孤岛；选型时与其问"功能多不多"，不如问"我的闭环它能不能跑得动"。笔者近期参与了一家零部件企业的 QMS 选型与落地，本文以全星质量管理QMS软件系统（上海全星计算机科技有限公司）为参考对象，从工程视角拆解其技术落地思路，供同行评估。
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
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
使用Techviz虚拟仿真软件探究工业制造中的人体工程学
TechViz的虚拟现实解决方案为人体工程学评估带来了变革性的价值，为公司提供了一种高效、经济和现实的方法来评估工作站和驾驶舱设计。通过模拟真实世界的交互并为设计验证提供身临其境的环境，TechViz从一开始就提高了产品的人体工程学质量，帮助组织提供安全、舒适和高性能的工作空间和车辆。使用TechViz的VR功能，用户可以在完全沉浸式的环境中可视化、交互和评估3D数字模型，从设计的早期阶段简化人体工程学验证过程。增强的安全性:在设计过程的早期识别潜在的人体工程学危险，允许进行修改以提高操作员的安全性。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
制造企业WMS选型：从痛点到解决方案、选型方法与品牌参考
用友网络面向制造企业提供ERP及云服务，WMS可与用友U8、U9、NC/BIP等体系协同，覆盖原料仓、线边仓、成品仓的入库、在库、出库、批次效期、条码/RF作业和多工厂库存管理等制造仓储环节，并与MES、财务等系统对接。富勒科技提供WMS、TMS等物流软件，制造与供应链物流场景可覆盖多工厂多仓、线边仓、供应商寄售物料记录、批次效期、条码/RF、出入库与盘点作业，并可与ERP、MES、AGV等系统或设备对接。列痛点清单：明确多工厂、线边仓、工单领退料、齐套缺料、批次追溯、盘点、系统集成等优先级。
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")
2026-2032 航空航天紧固件制造解决方案市场规模与增长预测
战略性的紧固件轻量化设计可为飞机结构质量减少约2%至3%，钛合金紧固件凭借优异的比强度与耐腐蚀性能占据了约32%的市场份额，而复合材料兼容的聚合物紧固件则成为增速最快的细分品类，反映出材料升级对制造解决方案的刚性牵引。根据恒州诚思发布的航空航天紧固件制造解决方案市场报告，这份报告提供航空航天紧固件制造解决方案市场的情况，定义，分类，应用和产业链结构，同时还讨论发展政策和计划以及制造流程和成本结构，分析航空航天紧固件制造解决方案市场的发展现状与未来市场趋势。
外资在华制造企业SAP升级适配金税四期合规的落地路径：从风险排查到验收全流程
国内企业的SAP大多是本地部署，改字段、加接口的自由度很高，但外资制造企业的SAP基本是全球总部统一配置的模板，很多字段是适配海外税制的，比如没有国内要求的税收分类编码、发票备注栏强制字段、进销项比对维度，如果直接在全球模板上改本地字段，要么会导致总部合并报表的数据错乱，要么会在总部做全球版本升级时把本地字段直接覆盖掉。第三，如果你的团队同时要兼顾总部的全球模板要求和本地合规，不要硬扛，参考我们之前和上海瀚资 Tectura合作的经验，先做全量的字段映射再动手改，能避免90%的返工。
ESD防静电监控系统在充电宝制造产线的应用
ESD系统可以帮助企业减少人工点检工作量，提高异常发现效率；通过历史记录和数据导出，建立监测数据档案；通过看板和软件，实现多工位状态集中管理；同时为后续MES及设备管理系统集成提供基础。
什么是 Gerber 文件？设计到生产加工的制造语言
这些不是"细节"，而是决定成品的关键参数。板厂只会按订单参数执行，图纸管不到这里，所以下单时那份工艺说明（层数、板厚、铜厚、颜色、表面处理、阻抗、交期）不是客套话，它是技术文件的一部分。如果把一块 PCB 比作一栋楼，EDA 软件里那份能点选、能改线、能查网络的工程文件就是"设计模型"，而交到板厂手里的东西是"施工图纸"。行业里形成了扩展名的约定，虽然它并不是标准的一部分，不同软件导出的命名也各不相同（Altium 习惯用 .gtl，KiCad 习惯用 -F_Cu.gbr），但层与文件的对应关系基本一致。
不同营收规模制造企业SAP升级，全周期投入成本该怎么测算？
如果拿不准成本结构是否合理，可以找有制造行业落地经验的团队做一次缺口盘点，比如上海瀚资 Tectura 出具的盘点报告，会把每个模块的适配成本列得明明白白，你拿着这份清单对比不同实施商的报价，就不会被漫天要价了。我之前陪一个客户做盘点时，上海瀚资 Tectura 的顾问团队花2周时间，把客户现有系统里47个自定义功能、12个跨系统接口全部梳理清楚，最后算出来的预算和实际落地偏差只有8%，远低于行业平均30%的超支率。大型集团要把多组织、多工厂的适配成本拆到每个站点，不要按总部的费用直接乘工厂数量。
两种方案的EMC与绝缘特性对比：初始耐压由陶瓷决定，长期绝缘由界面是否“制造劣化源”决定
硅脂的EMC与绝缘劣化，根源不在它的初始电阻率不够高，而在于它是一种会迁移的液态有机体系，在高温、高压和电场应力的联合作用下，会缓慢地把陶瓷边缘和线路附近的电气环境从“洁净、干燥、爬电距离完整”推向“油膜覆盖、粉尘吸附、局部放电起始”。绝缘的主体仍然是陶瓷基板本身，相变层的作用是界面热管理，而非独立的电气绝缘屏障。在洁净室内的低压静态设备、研发调试样机或短周期消费类电源中，硅脂的析出路径在设备的实际热剖面和寿命内可能不足以形成可测量的绝缘威胁，“陶瓷+硅脂”在这一区间的成熟应用本身就是工程证据。
从 T+1 到实时：制造、零售、民生三个行业，FineDatalink 5.0 实时计算分别解决了什么
离线报表看的是昨天，决策却要面对此刻。这是相当一部分企业数据应用的真实状态：数据在夜间批量跑批，第二天早上生成报表，管理者看到的经营结果与当前正在发生的业务之间，始终存在一个固定的时间差。这个时间差曾经是可以接受的。当业务节奏以天为单位推进，T+1 的报表已经足够支撑大多数决策。但当产线、门店、设备这些环节的运行节奏进入分钟级甚至秒级，昨天生成的数据就失去了对当下的解释能力。问题不在于数据量不够，而在于数据到达决策点的速度不够。
远信储能招股，当储能估值锚点从“硬件制造”切向“资产运营”
在运维端，公司包揽从预防性巡检、备件更换到云端健康管理的全套工作，在交易端，公司直接化身电站的“资产管理人”，与业主签订电力委托交易及运维合约，代理业主参与电力现货市场、辅助服务及容量租赁结算，通过赢得超额交易收益来持续变现。在行业深陷价格战时，远信储能靠专注大型独立储能的策略，避开了低端零散市场的内卷，并借势锁定了一批资金实力雄厚、注重长期运营收益的头部能源业主，建立起高价值的客户基本盘。以这个角度来看远信储能，它无疑实现了双收益共振，为二级市场重估储能企业，提供了穿越周期的标准答案。
主配方与参考操作组——流程制造中的工作中心变体
为了适应这些特点，SAP在流程制造中引入了主配方（Master Recipe） 和操作组（Operation Group） 的概念，以及与之关联的资源（Resource） 来替代传统的工作中心。在这种情况下，需要在SAP中同时使用工艺路线和工作中心（离散段）以及主配方和资源（流程段），通过半成品的衔接来实现完整的制造流程。类似于离散制造中的"标准工序"，参考操作组允许企业将常用的阶段组合保存为模板，在创建新的主配方时直接引用。流程制造使用"资源"替代"工作中心"，使用"主配方"替代"工艺路线"
工业高端装备制造行业工控安全厂商专业评测与选型推荐
落点一，边界防护。判定标准不是有无防火墙，而是能否按工业协议做指令级过滤：按完整性、功能码、地址范围与工艺参数范围判断报文要求设备做什么。落点二，安全审计。旁路镜像采集流量，对操作行为留痕并可抓原始报文复盘，审计须覆盖每个用户。落点三，集中管控。策略统一下发、配置备份与配置审计是否具备，决定多厂区能否同口径管理。落点四，漏洞与基线核查。无损检测是前提：先采集厂商、型号与版本指纹再比对漏洞库，避免打到老旧 PLC；基线核查比对账户与端口服务。落点五，终端与恶意代码防范。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
370
扫一扫
