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
800+累计阅读
849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
12期的小伙伴看过来~由于网易博客的网络问题，我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。
为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
筛选的优秀博客标准：
1. 博客的知识解读有自己的理解，博客的感受总结丰富，排版美观。
2. 关注没有上过期刊的博主的自荐博客，大家都有上期刊的机会。
（大家如有更好的标准提议，欢迎联系12期博客委员会）
自荐格式举例：
自荐人：琚建飞
自荐博客名称：*****
自荐博客链接地址：点击打开链接
自荐理由：******
博客作者：12期博客委员会 琚建飞
PCB设计必看：铜皮厚度与载流能力对照表（附Excel计算工具）
本文深入解析了PCB设计中铜皮厚度与载流能力的核心关系，提供了基于IPC-2152标准的动态计算逻辑与实用Excel工具。文章不仅分享了载流对照表，更重点剖析了影响载流能力的关键因素（如铜厚、线宽、温升、布线层），并给出了高电流设计的实战技巧与测试验证方法，帮助工程师规避常见陷阱，实现从理论到实践的闭环设计。
【12期 3月期刊 自荐】
12期的小伙伴看过来~由于网易博客的网络问题，我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。 筛选的优秀博客标准： 1. 博客的知识解读有自己的理解，博客的感受总结丰富，排版美观。 2. 关注没有上过期刊的博主的自荐博客，大家都有上期刊的机会。
基于stm32f407VGT6控制WS2812的TIM1+PWM+DMA实现方式
项目中使用到了ws2812灯带，作为产品的外观显示灯，经过开发之后，整理一下，仅供大家参考。 WS2812B是一个集控制电路与发光电路于一体的智能外控LED光源。 其外型与一个5050 LED灯珠相同， 每个元件即为一个像素点。 像素点内部包含了智能数字接口数据锁存信号整形放大驱动电路， 还包含有高精度的内部振荡器和可编程定电流控制部分， 有效保证了像素点光的颜色高度一致。数据协议采用单线归零码的通讯方式， 像素点在上电复位以后， DIN端接受从控制器传输过来的数据， 首先送过来的24bit数据被第一个像素
12期 4月期刊 自荐
12期的小伙伴看过来~由于网易博客的网络问题，我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。 筛选的优秀博客标准： 1. 博客的知识解读有自己的理解，博客的感受总结丰富，排版美观。 2. 关注没有上过期刊的博主的自荐博客，大
Redis【实战篇】---- 分布式锁-redission
重入问题：重入问题是指 获得锁的线程可以再次进入到相同的锁的代码块中，可重入锁的意义在于防止死锁，比如HashTable这样的代码中，他的方法都是使用synchronized修饰的，假如他在一个方法内，调用另一个方法，那么此时如果是不可重入的，不就死锁了吗？所以可重入锁他的主要意义是防止死锁，我们的synchronized和Lock锁都是可重入的。不可重试：是指目前的分布式只能尝试一次，我们认为合理的情况是：当线程在获得锁失败后，他应该能再次尝试获得锁。
【图像拼接】论文精读：As-Rigid-As-Possible Shape Manipulation（ARAP）
文章目录前言1.摘要2.算法的总体流程总结 前言 图像变形算法 1.摘要 论文提出了一个二维图形互动系统。图形是建立在三角形网格上的，用户只需移动几个网格顶点（限制顶点），系统通过最小化每个三角形的误差计算网格剩余顶点（自由顶点）的位置。 算法分两步： 适当旋转每个三角形。 调整大小。 关键是使用二次度量误差将最小化问题转换成线性方程组，然后再解这个方程组。 刚性形状变形是很难的，论文的研究使其变得简单。 2.算法的总体流程 总的流程分三步： 将图形用三角形网格覆盖 选择三个点（限制顶点） 操纵限
人工智能在生物医药领域的应用地图：AIBC2025将于6月在上海召开！
2025年6月12-13日，在此前连续成功举办四届人工智能生物医药大会的基础上（2021至2024），智药邦将联合多家相关单位，在上海举办2025人工智能与生物医药生态大会。相关专业 (药学、化学、生物、医学、数据科学、计算机科学、信息学等) 的 PI / 实验室负责人 / 教授 / 博士后 / 博士 / 硕士研究生。董事长 / CEO / 创始人 / VP / 合伙人。战略 / 研发 / 技术 / IT / 项目总监。战略 / 研发 / 技术 / IT / 项目总监。期刊 / 出版社 / 媒体人员。
白话机器学习算法理论+实战番外篇之Xgboost
1. 写在前面 如果想从事数据挖掘或者机器学习的工作，掌握常用的机器学习算法是非常有必要的，在这简单的先捋一捋， 常见的机器学习算法： 监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等 无监督算法：聚类，降维，关联规则, PageRank等 我前面已经尝试用最白话的语言完成了一个白话机器学习算法理论+实战系列，这个系列已经基本包含了上面这些算...
97后AI研究者，青源InnoVibe喊你来智源大会搞事情了！
18位来自北大、清华、DeepSeek、英伟达等机构的青年学者，以扎实前沿的工作交流火爆全场。他们围绕多模态、智能体、AI4S、AI安全，从基础理论到产业前沿，与AI共振，共赴无国界思想派对。如果你长期活跃于AI社区，拥有高星开源项目、学术服务经历，或在AI交叉领域与产业转化中取得突破性成果，欢迎大胆亮出属于你的独特“徽章”。2026「青源 InnoVibe」共创场，聚光灯已就位，青年学者招募正式启动！，现场分享AI前沿成果，激发思想碰撞，让世界聆听你的时代主张。「青源InnoVibe共创场」，
使用PyTorch和TextCNN实现英文长文本诗歌文本分类
在这个过程中，我们了解了如何进行文本数据预处理、构建TextCNN模型，并进行训练与评估。首先，我们需要将文本文件加载到内存中，并将每个诗歌作为一个样本。然后，我们需要将每个样本转换为数字表示，这可以通过将词汇表中的每个词语映射到一个唯一的整数来实现。此外，我们还需要将每个样本的长度统一为固定值，以便于模型输入。通过这个示例，我们可以学习如何构建一个简单但有效的文本分类模型，并在具体的应用场景中进行训练和预测。该模型通过使用多个不同尺寸的卷积核来捕捉文本中的不同长度的信息，并通过最大池化操作提取关键特征。
YOLO26 多任务统一架构：检测 / 分割 / 姿态 / OBB 设计
YOLO26提出了一种多任务统一架构，整合了目标检测、实例分割、姿态估计和旋转框检测（OBB）四大计算机视觉任务。该架构采用共享Backbone和Neck的设计，配合轻量级任务特定Head，解决了传统方法中多模型并行带来的高开发成本、大内存占用和低推理效率问题。核心设计包括：1）共享特征提取层实现参数复用；2）模块化Head结构支持灵活任务组合；3）统一接口实现单模型多任务处理。实验表明，该架构在保持各任务性能的同时显著提升了系统效率，为多任务视觉系统提供了新的实现范式。
12期 11月期刊自荐
12期的小伙伴看过来~ 我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
Windows部署OpenClaw报错不断？这篇环境配置指南帮你解决难题
想在Windows上部署OpenClaw却频频报错？🔧 本文详细梳理了OpenClaw部署必需环境的安装步骤和官方下载地址 📦，提供完整的验证清单和常见问题排查方法，帮你一次性搞定所有环境配置，顺利部署OpenClaw ✅
12期 7月期刊自荐
12期的小伙伴看过来~我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。 筛选的优秀博客标准： 1. 博客的知识解读有自己的理解，博客的感受总结丰富，排版美观。 2. 关注没有上过期刊的博主的自荐博客，大家都有上期刊的机会。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
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")
12期 1月期刊自荐
12期的小伙伴看过来~ 我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
12期 3月期刊自荐
12期的小伙伴看过来~ 我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
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
12期 5月期刊自荐
12期的小伙伴看过来~由于网易博客的网络问题，我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。 筛选的优秀博客标准： 1. 博客的知识解读有自己的理解，博客的感受总结丰富，排版美观。 2. 关注没有上过期刊的博主的自荐博客，大
12期 8月期刊自荐
12期的小伙伴看过来~我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。 筛选的优秀博客标准： 1. 博客的知识解读有自己的理解，博客的感受总结丰富，排版美观。 2. 关注没
12期 9月期刊自荐
12期的小伙伴看过来~ 我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
12期 12月期刊自荐
12期的小伙伴看过来~ 我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
12期 4月期刊自荐
12期的小伙伴看过来~ 我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
12期 2月期刊自荐
12期的小伙伴看过来~ 我们把负责收集自荐的博客写到了优快云里，希望大家在此篇博客的评论里，积极自荐自己的博客。 为了提高大家的积极性，我们评选优秀博客的方法升级为大家自荐博客，博客委员会当月负责人进行筛选。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
724
扫一扫
