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
1.9k累计阅读
1.9k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
使用 LLVM 混淆器添加参数进行编译提示如下错误：
clang (LLVM option parsing): for the -bcf option: may only occur zero or one times!
将编译参数全部复制下来，仔细对比发现，有重复的
-DINIT_SCRIPTING_BACKEND=1
-mllvm
-bcf
-fno-strict-overflow
-DINIT_SCRIPTING_BACKEND=1
-mllvm
-bcf
于是再查看 Xcode 的 CFlag 配置，发现有一个 $(inherited) 参数，删除这个参数就可以了。
iOS/MacOSX/移动安全
Grok Build：终端原生AI执行环境与MCP智能编译器
终端正从AI的输出界面演进为原生执行环境，其核心在于将大模型能力深度集成至Shell命令层，而非简单封装API。这依赖于三大技术支柱：MCP（Model Control Protocol）实现去中心化能力注册与零拷贝上下文传递；Agent行为被编译为LLVM IR级状态机，具备毫秒响应与可审计性；而‘智能编译器’范式则把模型能力预编译为Rust静态库，通过dlopen动态链接，彻底消除网络与序列化开销。该架构天然适配CI/CD、Git Hook门禁、本地沙箱化等高安全要求场景，尤其适合需强可控性、低延迟及完
windows10 Android8,[原创]Windows10 Android Studio3.6.1 安装使用ollvm8.0(Visual studio 2019编译)...
2020-9-17 11:55我这回用androidstudio和自带的cmake编译,按着你上面的流程来,总数报找不到clang对应的指令DeterminingiftheCXXcompilerworksfailedwiththefollowingoutput:ChangeDir:D:/develop/test/voicer-master/app/.cxx/cmake/...
Windows C语言编程：深入解析Beep API实现非视觉音频反馈
在软件工程实践中，系统级音频反馈是一种基础且重要的交互机制，尤其在无图形界面的场景下。其核心原理是通过操作系统API直接控制硬件或软件音频设备，生成特定频率和时长的声波。这一技术的核心价值在于提供零依赖、低开销、即时响应的状态提示，有效增强命令行工具、后台服务和系统监控程序的用户体验。从技术实现层面，Windows平台的Beep函数正是这一理念的典型代表，它通过内核级支持，实现了从硬件PC Speaker驱动到软件音频流模拟的跨版本兼容。在实际应用场景中，开发者常利用其进行任务完成提示、错误警报和状态监控，
clang-format格式化工程代码
zClang-Format 最近在考虑团队代码风格的问题，无意间发现了一个代码格式化神器“clang-format”工具 在了解clang-format工具之前，我们先来了解一下什么是clang，什么是LLVM，什么是GCC，什么又是GNU GNU 从百度百科上可以看到，GNU是一个类unix操作系统，其内容软件完全以GPL协议发布。全称GNU’s Not Unix GCC GCC是一套基于GNU系统开发的编译器，目前支持编译 C, C++, Objective-C,Fortran, Ada, Go, D
记一次惨痛经历（安装Android Studio3.6）
前言： 首先，坐下来想一想，到底有多惨痛。 目的： 安装AS3.6 时间消耗1 2.26号17点到8点半（3个半小时） 时间消耗2 2.27号早8点到11点（3个小时） 总时长 6个半小时 仅仅就是安装一个AS，这么长时间，所以怀疑人生，怀疑智商（成功之后欲哭无泪）。 事发缘由： 看，这万恶的C盘，为了让系统玩LOL更加的流畅，打完NVIDIA的主意之后，我把目标瞄准了C盘，经过一系列的操作之后，C盘的确空间增加了8G左右，具体操作我也就不说了（呜呜呜）。然后发现，之前安装的AS3.5中.android和.grad
银河麒麟V11 + KVM/QEMU + GT 710 GPU直通 Win10 完整操作流程文档
宿主机：RTX 5080专门运行ollama大模型服务，通过SSH/VNC远程管理Win10虚拟机：GT 710直通，物理键盘专属，通过物理显示器处理视频应用硬件隔离：两个系统完全隔离，互不干扰，性能最大化两种不同的直通方式直通方式 配置方法 设备在宿主机的状态 典型应用场景PCIe设备直通 vfio-pci.ids=10de:128b,10de:0e0f 设备完全从宿主机消失，被vfio-pci驱动接管 GPU、网卡、NVMe硬盘。
clang 编译器前端 分析
libclangAnaylysis：用于进行静态分析用的libclangRewrite：编辑文本缓冲区（代码重写转换非常重要，如重构）libclangBasic：诊断、源码定位、源码缓冲区抽象化、输入源文件的文件缓冲区Clang诊断子系统是一个编译器与人交互的重要部分。诊断是当代码不正确或可疑时产生警告和错误。在clang中，每个诊断产生（最少）一个唯一标识ID、一个相关的英文、SourceLocation源码位置“放置一个^”和一个严重性（例如：WARNING或ERROR）。
OpenBCI脑电数据处理实战：用MNE库从Raw对象到可视化分析全流程
本文提供了使用MNE-Python库处理OpenBCI脑电数据的完整实战指南。从通过BrainFlow库获取原始数据流、创建核心的Raw对象，到进行工频滤波、带通滤波等关键预处理步骤，最后实现时域信号、功率谱密度及地形图等多种专业可视化分析，手把手教你完成脑机接口数据处理的全流程。
NDK revision 9 发布了。
With NDK revision 9 and higher, the release packages have been split to reduce download size. The first download for each platform contains the default NDK toolchain. The second download contains le
TI MSPM0G3507 循迹小车强制寻黑线代码一
一个基于MSPM0微控制器的循迹小车控制系统。系统通过8路循迹传感器检测黑线位置偏差，使用PID算法计算电机控制量。主程序初始化中断、PWM等外设，在按键触发后进入循迹模式。传感器数据处理函数根据检测到的黑线位置返回偏差值(-7到7)，PID控制器根据偏差调整左右电机速度。系统还包含限幅处理、中断服务等模块，实现稳定的自动循迹功能。代码结构清晰，展示了嵌入式系统中传感器数据处理、电机控制和PID算法的典型实现方式。
Lane、PHY和Preset Value Bit
每个Lane支持不同的传输速度和带宽，例如PCIe 3.0中，一个Lane的传输速度可以达到8 GT/s（Giga Transfers per second），也就是1 GB/s（GigaBytes per second）。Preset Value Bit（预置值位）是在PCIe 3.0的Lane上新引入的一种机制，用于优化信号传输质量。PCIe设备可以包含多个Lane，例如x1、x4、x8、x16等，表示该设备同时使用的Lane数目，比如x16表示该设备采用了16个Lane，具有更高的传输速度和带宽。
编译器 | 从工业实现到极简设计 —— 编译器的多元形态与实践
……
信息系统项目管理师（高项）重点！
学习高项自己做的笔记
AI驱动的编译器优化：LLM智能体如何自动化性能调优
编译器优化是提升程序性能的核心技术，通过分析代码结构、数据流和控制流，应用一系列优化遍（Pass）来改进执行效率。传统编译器采用预定义的优化级别（如-O2、-O3），但通用序列难以针对特定程序和硬件平台达到最优。随着大语言模型（LLM）和智能体（Agent）技术的发展，基于证据引导（Evidence-Guided）的自动化优化成为可能。这种技术通过收集程序静态与动态特征作为证据，利用LLM智能体进行推理和决策，自动探索优化Pass序列，在编译器性能调优、高性能计算和嵌入式系统等领域实现深度优化。它降低了性能
PSIM+PIL+CCS三剑客：手把手教你搞定DSP28335的软硬件联合调试
本文详细介绍了如何利用PSIM、PIL与CCS三款工具，实现DSP28335的软硬件联合调试。通过搭建兼容环境、从PSIM仿真生成PIL代码，再到实战联合调试与问题诊断，手把手指导开发者构建从虚拟模型到实际硬件的完整验证闭环，有效提升电力电子与电机驱动等领域的开发效率与可靠性。
uniapp [全端兼容] - 实现连接蓝牙电子秤+监听数据转换并实时返回示例代码，uniApp实现BLE蓝牙连接多个电子秤设备、蓝牙通讯协议对接详细教程（全平台兼容H5、微信小程序、苹果安卓App）
uniapp连接蓝牙电子秤，uniapp如何连接电子秤蓝牙，蓝牙称重，实现监听数据转换并实时返回，多蓝牙，uni-app电子秤16进制蓝牙通讯协议对接，uniapp微信小程序蓝牙获取电子秤的值，uniapp蓝牙称重电子秤，蓝牙电子秤硬件，APP端连接蓝牙秤获取重量实时显示在页面上蓝牙秤，插件组件，蓝牙连接失败，uniapp安卓苹果ios连接蓝牙电子秤没反应，uniapp微信小程序 蓝牙低功耗连接发送数据监听接收，uni-app小程序蓝牙连接、读写数据全过程，uniapp连接蓝牙体脂秤，蓝牙搜索不到怎么办，如
计算机编程中的编译器前端优化技术与实践
编译器前端是指整个编译过程中与特定编程语言相关的部分。它的职责包括词法分析、语法解析、语义分析等，最终产出一个抽象语法树（Abstract Syntax Tree, AST）或类似的中间表示形式。
选型不再靠感觉：一文看懂 SAP Event Mesh 与 SAP Integration Suite, advanced event mesh 的能力边界
本文对比分析了SAP Event Mesh与SAP Integration Suite, advanced event mesh的差异。SAP Event Mesh适合轻量级场景，主要用于SAP系统间异步通信，支持AMQP、MQTT等协议，消息大小限制为1MB。而advanced event mesh面向企业级事件网络，提供跨云/本地部署、事件治理、监控等高级功能，支持30MB消息和更大存储容量。选择时需考虑业务规模、实时性要求、治理需求等因素：单一SAP生态内扩展可选Event Mesh；跨区域、多云环境
错误: 至少有一个需要的隐性或转发依赖函数没找到。_实现一个自己的 Compile...
编译（Compile）是 Mathematica 里的提高运算速度的一个重要的工具，但是用过 Compile 的人都知道它并不是很好用，比如基本不能在 Compile 里用函数式的写法。我之前并不在意这个问题，一是对我来说与其用 Compile 不如直接写 C++，二是当时听说 v12.0 会有一个用全新架构的编译器叫 FunctionCompile。直到 v12.0 发布，我发现 Functio...
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
Java之OOM
java.lang.StackOverflowError 栈溢出错误，这个错误很容易模拟，且看下面的代码： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 public static void main(String[] args) { new StackOverflowTest().test(); } private s...
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")
mold日志系统：详细的调试和性能日志输出
mold作为现代高性能链接器，内置了完善的日志系统和性能监控机制。通过合理的日志输出配置，开发者可以深入了解链接过程中的各个阶段，快速定位性能瓶颈和调试问题。本文将详细介绍mold的日志系统架构、调试选项、性能统计功能以及最佳实践。 ## 日志系统架构 mold的日志系统采用分层设计，包含错误处理、警告输出、性能统计和调试信息等多个模块。 ### 核心日志组件 ```cpp // 错误级别...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
AI编程新范式：从代码生成到算法优化的全栈实践指南
摘要： AI编程技术正在重塑软件开发范式，显著提升效率与质量。本文系统拆解三大核心领域： 自动化代码生成：通过结构化提示工程（五要素框架）和上下文管理，AI可生成生产级代码，效率提升45%+，结合性能与安全优化实现工业级应用。 低代码/无代码开发：可视化工具（如Mendix）缩短开发周期50%-80%，需结合混合开发模式解决复杂逻辑问题，同时应对供应商锁定等挑战。
android 消息机制分析
Handler 机制摘要 Handler是Android跨线程通信的核心机制，核心组件包括： Handler - 发送和处理消息 Looper - 消息循环泵，从MessageQueue提取消息 MessageQueue - 消息队列存储 关键点： 一个线程只能有一个Looper，但可创建多个Handler 主线程默认具备Looper，子线程需手动调用Looper.prepare()和loop() 消息流程：Handler发送→MessageQueue入队→Looper循环取出→Handler处理 构造Ha
android应用程序开发_Kotlin与Flutter：Android跨平台应用程序开发，到底选择哪个？...
移动互联时代——应用为王移动互联网时代，很难想象没有应用程序的生活。从我们睁眼醒来的那一刻到我们真正睡觉的那一刻，无数的应用程序围绕着我们。根据统计，国人平均在移动设备上花费4个小时以上！而这其中，应用程序起着关键作用，随着应用程序开发领域的发展，跨平台应用程序开发市场每年都在经历巨大的增长。说它们是应用程序开发行业的新规范，这没错。跨平台应用程序开发允许开发人员使用一个代码为多个平台开发应用程序...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
361
扫一扫
