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
200+累计阅读
213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
什么是 容器沙箱?
什么是 容器沙箱?
如果你想知道什么是容器沙箱的话～
快来报名我就带你研究～
先和我一起看看之前 SOFAMeetup 活动的现场吧！
????????????
视频看完是不是看到了活动现场的热闹气氛～
本次 SOFAMeetup#5 上海站活动
在5月22日（本周六）在上海市浦东新区蚂蚁 S 空间南泉北路 447 号 201举行～
在活动现场不仅仅可以和讲师面对面交流，
还有精美礼品????发放，快来现场吧～
SOFAMeetup#5 上海站倒计时 2 天！点击下方“阅读原文”立刻报名～
SOFAMeetup#5 上海站倒计时 2 天！点击下方“阅读原文”立刻报名～
SOFAMeetup#5 上海站倒计时 2 天！点击下方“阅读原文”立刻报名～
主题：SOFAMeetup#5 上海站 容器沙箱专场
时间：2021 年 05 月 22 日 14:00-17:00
地点：上海市浦东新区蚂蚁 S 空间 南泉北路 447 号 201
报名方式：点击“阅读原文”，即可报名
LabVIEW与三菱PLC通讯实战：ActiveX控件在FX5U上的应用技巧
本文深入探讨了如何利用三菱MX Component中的ActiveX控件，在LabVIEW中实现与FX5U系列PLC的高效、稳定通讯。文章从环境配置、ActiveX控件生命周期管理、数据读写性能优化及容错机制等实战角度，分享了构建工业级健壮通讯程序的核心技巧与架构设计思路。
黑客松Demo: Kata 的下一代镜像系统
在12月15日的第十届中国开源黑客松上，蚂蚁金服和阿里巴巴的开发者彭涛、关尔昱 Demo 了他们为未来 Kata 2.0 设计的一套他们命名为 Nydus 的镜像系统。Nydus 利用 ...
IDEA系列(四)：IDEA导入Maven工程项目并配置Tomcat启动
本片文章主要介绍如何导入一个存在的maven项目并配置Tomcat启动项目，方便自己使用，也分享出来，希望可以帮助到其他人。
【倒计时1天】SOFAMeetup#5 上海站！一起聊聊 Kata，Nydus 和 Wasm 吧～
容器沙箱～Biu～感觉心跳加速～????Biu～感觉天翻地覆～????Biu～Biu～Biu～是不是看着就不自觉的唱了起来跳了起来～这是因为SOFAMeetup#5 上海站-容器沙箱专场向...
贝塞尔曲线原理--曲线生成--路径规划--matlab代码
贝塞尔曲线有着很多特殊的性质, 在图形设计和路径规划中应用都非常广泛, 在路径规划中贝塞尔曲线完全由其控制点决定其形状, ｎ个控制点对应着ｎ－１阶的贝塞尔曲线，并且可以通过递归的方式来绘制.
不只是烧录：深入理解英飞凌Aurix MCU的HSM安全模块与UDE Memtool解锁操作
本文深入探讨了英飞凌Aurix MCU的HSM安全模块设计与UDE Memtool解锁操作，揭示了硬件安全模块的架构、安全启动链机制及调试接口的安全特性。通过分析UDE Memtool的解锁逻辑和量产环境下的最佳实践，帮助工程师更好地应对MCU锁定问题，提升汽车电子和工业控制领域的安全烧录效率。
CSS 盒子模型与背景渐变、文字渐变实战
content（内容区）：文字、图片等实际内容占据的区域padding（内边距）：内容与边框之间的空白border（边框）：盒子的边界margin（外边距）：盒子与其他盒子之间的间距fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;margin 外边距border 边框padding 内边距content 内容区。
RL调参侠之BipedalWalker BipedalWalkerHardcore SAC
前几天用PPO训练了个很一般的agent： RL调参侠之BipedalWalker PPO 我看SpinningUp上面说PPO和SAC是两个领域里各自的State_of_the_art的方法，所以就打算跑SAC试试看，之前因为Open AI Five的原因，一直感觉PPO很牛掰，实际上现在很多自动驾驶的算法也是用PPO在跑，毕竟有一个“必定能够提升期望”的理论保证在这里，我理解这对做项目很大的诱惑。 不过我跑出来的结果明显是SAC更好。 调参侠时间 策略熵的权重alpha用的0.2，我一开始没有看SAC的
CSS 弹性盒布局：子项目 flex 伸缩与 gap 间隙详解
flex-grow决定剩余空间如何分配，决定空间不足时如何压缩，flex-basis决定伸缩基准；日常优先使用flex简写，理解flex: 1与flex: auto的差异；项目间距优先使用gap，避免margin带来的首尾处理问题；注意与这两个高频细节。
SAP MM委外加工保姆级教程：从BOM配置到MIGO发货的完整避坑指南
本文提供SAP MM模块中委外加工的完整操作指南，涵盖从BOM配置到MIGO发货的全流程。详细解析委外采购和工序委外两种模式，包括主数据配置、采购订单创建及物料移动等关键步骤，帮助用户规避常见错误，提升供应链管理效率。特别适合制造业企业实施SAP外包业务参考。
Open3D (C++)球旋转算法（BPA）三维建模
球旋转算法用于点云三维建模的C++代码实现。
CSS 定位布局：相对定位与绝对定位详解
父元素 relative + 子元素 absolute」是 CSS 中最常用的定位组合，几乎所有的角标、下拉菜单、tooltip 都基于它实现。它决定了元素在页面中的定位方式，也是实现悬浮按钮、下拉菜单、遮罩层、角标等常见 UI 效果的核心手段。的偏移只是视觉位移，不会改变元素在文档流中的占位，因此不会引起其他元素重排。在视觉上向右移动 30px、向下移动 20px，但它原本占据的空间依然保留，后面的元素不会补上来。再大也无法跳出父元素的层级。，不再占据原来的空间，其他元素会像它不存在一样重新排列。
【100分】【等和子数组最小和】
逆序排序，这样能够使得在分组时优先选取较大的元素，以便将元素分配到较小的子集中，从而使得每个子集的和相对均衡。给定一个数组nums，将元素分为若干个组，使得每组和相等，求出满足条件的所有分组中，组内元素和的最小值。分成若干个组，使得每组的和相等，并求出满足条件的所有分组中，组内元素和的最小值。在递归的过程中，我们需要注意一个优化点，即避免将相同和的桶重复计算。4 个子集（5），（1,4），（2,3），（2,3）2 个子集（5, 1, 4），（2,3, 2,3）个子集，则返回子集和的最小值，如果不能，则将。
CSS 轮播图：让内容盒子垂直居中的几种做法
做轮播图时，最常见的结构是「外层容器固定高度 + 内层内容盒子（图片、标题、按钮组）」。轮播图内容盒子的垂直居中，本质是「容器有高度 + 子元素有居中规则」。轮播容器用 Flex，内层盒子自动在两个方向居中，代码最少、兼容性最好（现代浏览器全支持）。下面按「从简单到通用」的顺序，给出几种在轮播图中真正好用的垂直居中方案。，水平居中了，但垂直方向总是贴着顶部，或者被拉伸变形。，这是不依赖 Flex/Grid 的经典写法。新项目不建议使用，仅在维护老代码时能看懂即可。是 Flex 两个属性的简写，写法更短。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
【Web Development】02 CSS
CSS（层叠样式表 Cascading Style Sheets）。CSS 全称 Cascading Style Sheets 层叠样式表CSS 语法基础：颜色写法：直接写在 HTML 标签的属性里面。 特点：只作用于当前这一个标签。在 HTML 文档的标签中放置标签，内部写 CSS 规则。 特点：仅对当前这一个 HTML 页面生效。把全部 CSS 写在独立文件；在 HTML 用标签引入。 HTML 部分： mystyle.css 文件： 特点：多个网页可以共用同一个 css 文件，大型项目
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
CSS2DObject 名称标签最小示例
在三维场景中实现随模型移动的名称标签，纯 DOM + CSS2DObject 方案兼具低实现成本、高样式与交互灵活性及良好性能。通过 document.createElement 组装带图标和文字的标签，利用 CSS2DObject 挂载并跟随模型，配合命名约定与 removeLabel 精准管理生命周期，支持点击、悬停、省略号等原生行为，避免内存泄漏，是中等规模标签场景的理想选择。
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")
CSS 三种引入方式与选择器全解
div p。
CSS 仿写页面
拿到设计稿先别写代码。这篇文章先讲「怎么把一张图拆成 DOM 结构」，再把颜色表示、五种尺寸单位、background的六个子属性、文字排版属性逐个落地，最后说明opacity和rgba到底差在哪。
css注意事项一
button {}踩坑场景：你写的分页按钮 hover 变色不生效，大概率是别的选择器优先级更高，把你的样式覆盖了。规避：不要随便写!important，实在要提升优先级，叠加 class，比如。不要东写一条宽、下面突然写颜色、再回头写 padding，乱序后期改样式头大。
CSS 元素类型、盒模型与 Flex 布局
想让单独设置的某条边生效，必须写在通用。
使用HTML+CSS+JavaScript实现文件上传弹窗
使用HTML+CSS+JavaScript实现文件上传弹窗
【CSS实战范例】悬停炫光
这同时解决了「两端提前露头」：扫光层必须比图形大，否则光带两端会在图形内部被裁断，看起来像扫到一半就断了。，方向才会严格是 45°。这也是扫光层必须做成正方形的第二个原因——不只是为了覆盖，更是为了方向。扫光层直接不渲染，外发光也去掉，只留 8% 的亮度变化——反馈还在，但没有任何位移。后，光带推进到两端时正方形的四条边都还在字形之外，两种宽高比实测都没有截断。把「发光」和「扫光」分给两个不同元素，是后面很多问题的解法，第八节会展开。光带是跨越整个扫光层的一条斜带，所以扫光层在这个方向上的跨度必须不小于。
CSS 背景复合写法与视差滚动实战
视差滚动（Parallax Scrolling）指的是：页面滚动时，背景的移动速度与前景内容不同，从而产生纵深感。注意背景色只能写在最后一层，且多背景层时建议每层单独换行，便于阅读。属性既支持拆分成多个子属性单独设置，也支持用一行复合写法一次性声明。掌握这行写法，再注意移动端降级与性能控制，就能在大多数项目中稳定使用视差滚动效果。在网页视觉设计中，背景往往是最容易被忽视、却最能拉开质感差距的一环。复合写法的语法讲起，逐步过渡到视差滚动的实现原理与完整案例。，就能用极少的代码实现经典的视差滚动效果。
CSS 弹性盒布局：改变主轴方向 flex-direction
默认情况下，主轴是水平方向，项目从左到右排列。用于指定弹性容器（flex container）中主轴的方向，从而决定弹性项目的排列方向。是 Flexbox 中最基础也最常用的属性之一，理解它对于掌握弹性布局至关重要。主轴变为垂直方向，项目从上到下排列。理解主轴与交叉轴的关系，是灵活运用 Flexbox 的基础。主轴仍为水平方向，但项目从右到左排列，起始位置在右侧。是默认值，主轴为水平方向，项目从左到右依次排列。主轴为垂直方向，项目从下到上排列。，即可看到项目排列方向的变化。/* 修改这里观察效果 */
CSS 盒子模型尺寸计算与 box-sizing 详解
box-sizing决定了widthheight只算内容区，border-box算到边框外沿。理解两者的换算关系，就能准确预测元素的实际占位，避免布局溢出与对齐错位。实践中推荐全局设置，让尺寸声明与视觉结果保持一致。
CSS display 模式转换详解
display属性是 CSS 布局的基石。掌握blockinlineflexgrid等常见取值，并理解它们之间的转换规则，能够帮助我们更灵活地控制页面结构。在实际开发中，建议优先使用flex和grid完成布局，仅在必要时才通过display转换处理细节问题。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
889
扫一扫
