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
100+累计阅读
155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
云原生的发展，正如这炎炎夏日，火热无法挡！
7 月 15 日，由 VMware 主办，聚焦于 Harbor、Narrows、Velero 三个开源项目的技术分享活动将与大家见面。本次活动汇集了来自 VMware、蚂蚁集团 、微软、骥步科技、雅客云的多位云原生领域技术专家现场分享全栈式的开源项目讲解和云原生应用的落地与实践，希望您能通过本次云原生技术沙龙获得更多灵感和思路。
本次活动干货满满，欢迎北京的朋友们免费报名线下参会，期待您的莅临！现场还有精美伴手礼哦～
活动时间
2023 年 7 月 15 日（星期六）
下午 14:00-16:40
活动地点
北京市海淀区中关村南三街
融科资讯中心 B 座 B2 层
融荟（入口位于云灯下方）
识别二维码👇免费报名线下活动
线上直播请关注👇
戳“阅读原文”也可以免费报名哦！
【电机学复习笔记】同步电机的特性及参数的求取
同步电机的主要特性包括：空载特性、短路特性、零功率因数负载特性、外特性和调整特性。 基于以上特性我们可以实现： 从空载特性和短路特性求同步电抗的不饱和值和短路比； 从零功率因数负载特性和空载特性确定保梯电抗（定子漏抗）和电枢反应电动势
百度开源文心5.5 Flash Base：280B MoE 只激活 14B，4 步部署 + 3 个坑，微调还是等指令版
百度开源文心 5.5 Flash 基座权重：280B MoE 每 token 激活 14B，1M 上下文，同尺寸开源 Base 30 项基准多数领先。4 步部署（vLLM/SGLang completions 链路）+ 3 个高频坑 + 动手前 6 点核对清单，并给出微调 Base 还是等指令版的判断线。
山景BP10_128DBG开发板ADC_Key驱动
最近在学习山景BP10_128DBG开发板，想使用开发板上的按键。看了看原理图和之前用过的按键好像有点不一样。常见的按键都是判断IO口是否被拉低或拉高来判断按键是否被按下。山景BP10_128DBG开发板上的按键是ADC按键，每个按键按下之后ADC的采样值是不同的，通过ADC采样回来的值进而判断哪个按键按下。这种方式核心思想就是用一个ADC通道来节约IO口，对于IO紧张的芯片是一个不错的解决思路。
开源密码管理与双因素认证工具离线镜像合集
本集合汇总等开源密码管理与双因素认证相关离线包。侧重密码箱与 2FA，与「安全审计/渗透扫描」合集错开。
MATLAB打开.m文件乱码解决办法
Matlab打开.m文件出现中文乱码问题，是因为Matlab存在两种编码格式：GBK和UTF-8，而不同版本的Matlab编码格式可能不统一，因此在不同版本的Matlab打开文件,由于编码格式的改变，会导致注释乱码。 1.查看你的Matlab的文件编码方式，在Matlab的命令行窗口输入feature('locale') ，如下图，可以看到默认编码为GBK,那问题就变成了将Matlab的文件编码方式GBK修改成UTF-8; 2.找到你的Matlab安装目录bin文件夹下的lcdata_utf.
5、Visual Studio Code：强大的编码与文件管理功能
本文详细介绍了 Visual Studio Code 的强大编码与文件管理功能，涵盖代码导航、引用查找、符号重命名、实时代码分析、IntelliCode 提示、文件和文件夹操作等内容。通过功能对比、流程图和实际开发案例，展示了 VS Code 如何提升开发效率和代码质量，适用于各类编程语言和项目开发场景。
GitHub 开源趋势日报 | 2026-11-08
每日精选 GitHub Trending 热门项目，聚焦 AI 与大模型、Agent 智能体领域，带你用一篇文章看懂开源风向。
基于Simulink的光伏-储能-柴油机混合微网仿真
摘要：本文基于Simulink平台构建光伏-储能-柴油机混合微网仿真模型，实现可再生能源与备用电源的协同控制。通过光伏优先、储能调节、柴油机兜底的规则控制策略，在24小时仿真中验证了系统在晴天、阴天和夜间三种典型工况下的运行性能。模型采用PVArray模块模拟光伏发电，Simscape电气库构建储能系统，自定义MATLAB函数实现柴油机启停逻辑和能量管理。仿真结果显示系统功率平衡误差<5%，储能SOC维持在20%-80%，柴油机日均运行时间<4小时，满足设计指标。文章详细说明了建模步骤、参数设置
云捷EMS开源能源管理系统JAVA实战，好用的能源管理系统
云捷EMS是一款开源能源管理系统，覆盖物联网网关、数据采集、分析与可视化全链路，支持50余种工业协议，适配水、电、汽、光伏等多类能耗设备。系统基于微服务架构，采用SpringBoot+Vue3技术栈，支持MQTT、WebSocket双通道采集，具备低代码大屏配置、实时数据与预计算分析能力，助力企业实现能耗监测、节能降耗与碳管理数字化，可直接部署或二次开发，适用于工厂、园区等高耗能场景。
YOLO11优化：原创自研 | 低对比度场景 | 平滑的 CIoU，对其惩罚项（中心点距离和长宽比差异）进行平滑
为了应对上述挑战，我们需要一个对边界框定位误差更具容忍度的 IoU 变体。我们的核心思想是：在 CIoU 的基础上，对其惩罚项（中心点距离和长宽比差异）进行平滑处理
Halcon算子知识：optical_flow_mg
光流（Optical Flow）是一种研究图像对齐的算法，一般包括两大类：稀疏光流和稠密光流。稀疏光流就是研究图像中稀疏点的光流，这些点一般是角点；稠密光流则是研究图像中所有点的偏移量。以下介绍halcon的基本光流算子optical_flow_mg的原理方法。该算子计算两个图片的光流法。 二、算子说明 optical_flow_mg(ImageT1, ImageT2 : VectorField : Algorithm, SmoothingSigma, Integration
52万 Star 的“列表的目录”：sindresorhus/awesome 如何用一套治理规则，成为全球开源资源的信任锚点
awesome 是 Sindre Sorhus 维护的开源索引项目，无一行可运行代码，却以超 52 万 Star 长居 GitHub 第二。它作为“列表的目录”，通过严格治理（30 天考察期、awesome-lint 校验、CC0 许可、贡献者评审机制）筛选高质量资源清单，成为开发者寻找优质技术资源的可信入口。虽不保证内容实时性，但其“筛选即认证”的模式重塑了信息获取方式，推动形成整个 Awesome 生态规范。
【YOLOv10改进[Backbone]】使用ADNet改进YOLOv10在噪声干扰下的目标检测效果(图像去噪)+ 含全部代码和详细修改方式 + 手撕结构图 + 全网首发
使用ADNet改进YOLOv10在噪声干扰下的目标检测效果(图像去噪)+ 含全部代码和详细修改方式 + 手撕结构图 + 全网首发 + 遥遥领先
skill-up阿里开源Agent-Skill评估工具详解
它把「Agent 行为」这个一直靠感觉和运气的东西，变成了可声明、可执行、可回归、可演进的工程对象。对开发者：写 Skill 终于有了「单元测试 + 回归测试 + CI」；对团队：Skill 质量从「个人手艺」变成「团队资产」；对生态：Anthropic 兼容的evals.json导入 + 多引擎支持，降低了迁移和对比成本。Apache-2.0 许可、Go 编写、Windows 友好、中英双语文档——对国内开发者来说几乎零门槛。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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")
开源PonWrt：让光猫刷上开源固件
弱电箱里的光猫，大多是运营商送的：能上网，想自己装插件、改配置，基本没门。想在光猫上跑 OpenWrt，前几年基本没谱；这几年 Airoha的盒子涌进二手市场，内存和闪存都不差，有的还带 2.5G 口。价钱从前年几十块炒上来，现在也不算便宜，才有人做开源固件。，社区常展开成 Passive Optical Network Wireless RouTer，简单说就是给这类 xPON 光猫用的开源固件。它基于（OpenWrt 系），专门补上 AN7581 / AN7583 的板级支持和 PON 能力。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
Buoyant 开源 Kinference：面向 Kubernetes 与 vLLM 的推理控制平面
Buoyant 发布 Apache 2.0 许可的 Kinference v0.1.0-alpha.7，为 Kubernetes 上的 vLLM 提供路由策略、缓存感知负载均衡和按租户计量的推理控制平面。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
开源交易 Agent Vibe-Trading 本地部署+回测实战
一个 3.7 万 star 的开源交易 Agent，一条 pip 命令就能装好，号称能把问题直接变成回测报告。我在没有 Docker 的环境里把它跑起来后，第一件事就是怀疑它给出的回测结论——第一次跑出的策略收益好得离谱…
(开源)宠物共享平台实战指南 基于 Java + SpringBoot + Web + MySQL
这是一个基于 Java + SpringBoot + Vue + MySQL 构建的完整宠物共享平台（管理端为 Vue，用户端为纯静态 Web 站，由后端直接托管），功能持续优化中...用户登录 / 注册 宠物寄养管理 / 寄养审核 寻宠启事管理 / 认领审核 宠物视频管理 / 视频收藏 / 视频留言 感谢信管理 公告管理 轮播图信息管理 基础数据管理 用户管理 / 管理员管理 个人中心 其它...
Rust重写开源版Photoshop来了，支持PSD编辑，还能让AI Agent直接操作图像
PhotoCraft 是一个基于 Rust 开发的开源专业图像编辑器，旨在以原生高性能架构重构 Photoshop 级工作流。它提供图层、蒙版、调整图层、矢量绘图、文字排版、智能滤镜以及高兼容性的 PSD 支持，同时通过 CLI、JSON 控制接口和 MCP Server 具备面向 AI Agent 的自动化能力。
VLC 媒体播放器下载、安装与最佳配置教程：免费开源、全平台、支持 4K 硬解的万能播放器
VLC 媒体播放器是一款免费开源、跨平台的万能播放器，支持 MP4、MKV、AVI、RMVB、4K、HDR、蓝光、流媒体等格式。本文提供 VLC 官方下载、安装步骤、硬件加速设置、字幕配置、倍速播放、网络串流和常见问题解决方法，适合新手快速上手。
云捷 EMS 开源能源管理系统：全链路数据采集、计算与可视化实践
云捷EMS是一款开源能源管理系统，覆盖数据采集、存储、计算、分析与可视化全流程，支持电、水、气、热、光伏等多类能耗数据采集，兼容Modbus、IEC104、DL/T645、MQTT等50余种协议。系统基于SpringCloud+ShardingSphere实现分布式分片与读写分离，支持秒级处理5万条数据，具备虚拟电表、智能报警工单、能碳管理（碳盘查、碳足迹）等功能。前端采用Vue3+ArcoDesignPro，支持大屏可视化、一次图绘制、移动端Uniapp多端部署，适用于工厂、园区等高能耗场景，助力“双碳”
EO（Generative Engine Optimization）优化：开源原码编译、部署与工程调优实战
传统 SEO 面向传统搜索引擎（检索关键词匹配、网页摘要），而GEO Generative Engine Optimization，生成式引擎优化，目标是让 LLM、AI 问答引擎、生成式搜索在回答用户提问时，优先引用、提取、推荐我方内容。GEO 核心思路：对知识库原文做结构化改造、元数据增强、提示词适配、引用标记，提升内容在大模型 RAG、AI 摘要、引用生成任务中的召回与引用概率。SEO：给爬虫看；GEO：给大模型的上下文窗口、检索器、引用生成模块看。
我开源了一个家庭备份工具：把手机照片和视频，存回自己的电脑
lw.HomeNAS是一款面向家庭局域网的私有备份工具，支持Windows电脑与Android手机间安全、断点续传的文件备份。通过网页端管理与手机端选择，实现照片、视频及文档的高效上传、预览与图集整理，具备完整性校验、任务持久化和多图集复用功能。完整部署包与源码开源，无需复杂配置，几步即可启动，适合个人及家庭数据长期保存与便捷管理。
快过 IDM 5 倍、开源免费：4,200 Star 的 Rust 下载器用 7 组对照实验“单挑“行业老大
Rust 净室重写的开源下载器 MDM：1GB 文件 1 秒下完 vs IDM 5.5 秒，7 组对照实验全胜且统计显著。本文拆解其基准方法论、净室法律清单与 14 个 crate 的模块化架构。
办公自动化平台开源版技术选型：从4个技术维度出发
办公自动化平台开源版技术选型：从4个技术维度出发
【百度拥抱开源】ERNIE-5.5-Flash-Base 重磅开源：280B-A14B 稀疏 MoE，1M 上下文，多项基准超越同级对手
ERNIE-5.5-Flash-Base 是百度推出的280B参数稀疏MoE语言模型，每token激活14B参数，支持最大128K训练上下文及1M微调/推理上下文。基于33.5T tokens预训练，采用高效架构设计如HCA+MLA注意力、Multi-Router MoE、VHA与ECHO机制，结合流形约束残差与MultiMax输出头，在知识、推理、代码、多语言及长文本任务中表现优异。提供FP8与BF16版本，可于Hugging Face与ModelScope获取，适用于领域适配与智能体开发。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
