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
400+累计阅读
447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
联系TOP Network：
邮件：contact@topnetwork.org
官网：http://www.topnetwork.org
英文电报群：https://t.me/topnetwork_top
中文电报群：https://t.me/topnetwork_cn
Twitter：https://twitter.com/topnetwork_top
Medium: https://medium.com/@topnetwork
Steemit: https://steemit.com/@topnetwork-top
Reddit: https://www.reddit.com/user/topnetwork_top
微信公众号：TOPNetwork_top
官方微博：@TOP通信链
官方客服：top_network（进官方微信群）
PieCloud网站
建立响应式网站| HTML，CSS网格，Flexbox等 遍历媒体 链接： ： PieCloud假云托管网站
云原生虚拟数仓 PieCloudDB Database 4月更新盘点
云原生虚拟数仓 PieCloudDB 4月动态，增强本地缓存文件生命周期、新增 Interconnect Proxy 多进程支持、全链路 ARM 支持、Flink Connector 组件支持、云上云版订阅服务等多种功能优化。
ESP32锂电池电量检测实战：从引脚选择到低功耗优化（附完整电路图）
本文详细介绍了ESP32锂电池电量检测的实战方案，从ADC引脚选择到低功耗优化，提供完整的电路图和代码实现。通过MOS管智能开关和深度睡眠技术，显著降低静态功耗至0.5μA，提升设备续航能力。适合物联网开发者解决电量检测中的常见问题。
rviz无法订阅点云PlontCloud2问题
遇到的问题： 原因，在发布点云的时候没有给定frame_id. pointcloud2.header.frame_id = "map"; //加入这句话 pub_.publish(pointcloud2); 然后错误解决！
AI赋能传染病建模：从数据到动力学模型的本地实践指南
这次我们来看一个将 AI 与传染病动力学建模结合的前沿方向。想象一下，你手头有一份流感爆发的病例数据，传统的建模方法可能需要复杂的微分方程和大量的手动调参，而 AI 模型能否直接从数据中“学习”出传播规律，甚至自动跑通整个建模流程？这正是当前研究的热点。根据《Nature》的最新综述，人工智能正在重塑传染病流行病学建模，从参数推断、趋势预测到多源数据融合，AI 技术为解决传统建模中的计算瓶颈和数据难题提供了全新路径。 对于开发者、数据科学家或公共卫生领域的研究者而言，最关心的是：这套方法能不能在本地跑起来？
【护网行动-红蓝攻防】第一章-红蓝对抗基础 认识红蓝紫
军事上的演练，是除了实战以外最能检验军队战斗力的一种考核方式，他可以模拟面对外部势力的攻击时候，如何更好的去维护国家和主权的安全。同样的，在网络上面，真实环境下的网络攻防演练也是检验一个单位，企业网络防御能力，发现潜在危险最好的方法。1.政策要求2安全威胁驱动当前，我国关键信息基础设施面临的网络安全形势严峻复杂，网站平台大规模数据泄露事件频发，生产业务系统安全隐患突出，甚至有的系统长期被控面对高级持续性的网络攻击，防护能力十分欠缺。目前，我国面临的网络安全威胁主要有以下几点。
单线激光雷达（Lidar）学习三：使用雷达数据/scan转/PointCloud后生成鸟瞰图
单线激光雷达（Lidar）学习三：使用雷达数据/scan转/PointCloud后生成鸟瞰图 前言： 雷达广泛应用于自动驾驶中，作用非常重要，是自动驾驶无人车中的作为“眼睛“的一环。雷达运行时会产生许多数据，可用于各种各样的计算后使用。下面就使用雷达驱动发布的/scan中的数据进行生成鸟瞰图。（附加代码） 一、 启动雷达节点（以镭神单线雷达ls01b_v2为例进行） $roslaunch ls01b_v2 ls01b_v2.launch 二、 创建节点订阅/scan并转化为点云信息/PointClou
用Cadence IC618仿真双平衡吉尔伯特混频器：从原理图到后仿的完整避坑指南
本文详细介绍了在Cadence IC618环境中设计双平衡吉尔伯特混频器的全流程，包括原理图设计、仿真优化和版图实现。通过实战案例分享，重点解析了设计中的关键技巧和常见问题解决方案，帮助工程师高效完成高性能混频器设计，特别适合射频前端开发人员参考。
官网的订阅发布节点
发布话题 1 #!/usr/bin/env python 2 # license removed for brevity 3 import rospy 4 from std_msgs.msg import String 5 6 def talker(): 7 pub = rospy.Publisher('chatter', String,...
arcgis建筑数据的矢量化（一）
简单来说，建筑数据的获取无外乎是矢量化和去网站下载 无奈的是，osm和网上的建筑数据只有全国的主要城市，实在是为难我们这些小城市的，百度和天地图上是有建筑数据，无奈人家不要开放下载啊，所以就只能矢量化咯， 矢量化，无外乎手动和自动，手动就是新建shp面手动勾绘，这里就不讲了，我们来看看自动矢量化 自动矢量化在arcgis中主要是利用arcscan和栅格转面（栅格转面这个效果真是一言难尽，所以我们主要讨论arcscan） 同时我们矢量化也不一定要局限于arcgis...
Pytest教程：Pytest插件原理
Pytest的插件系统是其强大功能的核心，它允许用户和开发者扩展和定制测试框架的行为。要深入理解Pytest插件的原理，我们需要从Pytest的架构和设计模式开始，然后深入到底层源码。
【2026实测】国内免翻墙稳定使用Claude Code & GPT Codex！0011.ai 真实套餐性价比分析
0011.ai是一款专注代码模型优化的AI中转平台，为国内开发者提供稳定高效的AI编程解决方案。平台支持Claude 4.6、GPT-5.5等主流编码模型，国内节点直连无需翻墙，微信支付便捷。提供按量付费到旗舰版四种套餐，最高可省50%，满足不同开发需求。实测显示其稳定性强、价格透明，特别适合需要稳定使用AI进行编码、调试和项目重构的开发者。平台采用统一风控，避免个人密钥封号问题，是替代官方API的理想选择。
QuecOpen RTOS学习笔记
对计算机响应时间有要求的系统，通常称为临界系统或应用。为了满足临界系统或应用对计算机响应 时间的要求，人们开发了实时操作系统（Real Time Operation System）。 实时操作系统指所有任务均在规定时间内完成的操作系统，同时任务完成必须满足时序可预测性。需 要注意的是，实时操作系统的本质是其反应具有时序可预测性。得益于此，实时操作系统通常反应非常快。 实时操作系统的内核对象一般包括任务、信号量、互斥锁、消息队列、定时器、事件通知和软件看门 狗等。
节点发布和订阅
订阅节点需要做四件事情： 1）初始化； 2）从主题订阅消息； 3）然后等待消息到达； 4）当消息到达时，chatterCallback()被回调。 ros::Publisher chatter_pub = n.advertise("message",1000); 声明主题message上发布一个消息类型为str_msgs::String的消息，并设置消息
OpenClaw对接本地大模型：Llama3/Qwen/ChatGLM全适配，完全私有化部署
OpenClaw对接本地大模型，是企业级AI智能体落地的必经之路——它不仅解决了数据隐私和合规问题，还能大幅降低成本、提升响应速度、实现定制化。这篇文章我给大家完整拆解了两套部署方案：Ollama（新手首选，5分钟搞定）和vLLM（生产环境首选，高性能），覆盖了Llama3/Qwen/ChatGLM三大主流模型，还有真实的落地案例、高级优化、踩坑避坑指南，看完你就能零代码完成完全私有化的部署。从零开发自定义工具，给OpenClaw添加专属业务能力；
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
TOP Network项目周报：8月26日 - 9月1日
◤重磅消息 Breaking News 截至8月22日，TOP Network 已经在二级市场回购了231,918,293个TOP。TOP 团队对项目未来发展充满信心，且目前 TOP 价值严重被低估，随着 TOP 主网上线的日益临近，为了增加 TOP 链的算力，顺利实施 Staking 计划，TOP 还将加大回购力度。更多回购信息请关注我们官方渠道了解！ ◤活动预告 Upcoming Even...
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")
pi节点云服务器最新安装教程,Pi node节点环境安装教程（家庭电脑操作完整版）...
1、下载最新版本的节点软件以及DOCKER软件进行安装，下载链接①节点软件更新(仍选一个)https://node.minepi.com/ ( pi network官方)注册流程及安装教程详情请查阅小编过往文章：https://m.jinse.com/blockchain/507803.html?source=m邀请码：suoge518https://piworker.lanzous.com/p...
TOP Network创始人：以太坊2.0还未实现的，我们都做到了
本文转载自：https://blockcast.cc/editors-picks/top-network-founder-steve-wei/ 今年3月火币 Prime 首发，第一期项目 TOP Network 一夜之间成为炙手可热的“网红”项目。TOP 项目团队背景雄厚，且已有千万级的用户量，上线火币 Prime 第一天暴涨 27 倍，一周内交易量超过比特币，登火币全球站榜首。以下为 2019 ...
TOP 正式面向全球启动节点招募
为了预祝主网上线在即，我们正式宣布，TOP 将于新加坡时间 2019 年 9 月 16 日面向全球启动节点招募。 TOP Network 是基于第 4 代区块链技术的分布式通信网络， 同时也是真正为海量业务上链而打造的高性能公链平台。TOP 拥有独特的双层点阵，双层分片，并行 PBFT 等创新技术，使得单链处理能力超过 30 万 TPS，且交易处理能力、安全性、去中心化程度远远超出 IOTA, ...
登陆Binance DEX！TOP携手币安，7天交易瓜分双重奖励！
为预祝TOP主网上线在即，以及成功登陆Binance DEX，Binance联手TOP团队将拿出200万TOP以及200 BNB，在去中心化交易平台（Binance DEX）举办TOP交易大赛，回馈社区！ 活动时间：2019年07月20日上午8:00至2019年07月27日上午8:00 (新加坡时间) 奖池额度：2000000 TOP + 200 BNB 交易地址：https://www.bin...
TOP公链主网技术：多层扩容和多层分片
TOP公链的主网已经成功上线，我们来快速回顾一下TOP公链到底有哪些技术特点。到目前为止，人们的关注点基本都集中在TOP公链的分片技术上。尽管这可能是最重要、最核心的方面，但是TOP团队始终没有停止创新。其实，TOP公链利用了很多扩容技术。这些技术结合在一起才打造了一条能够承载真实世界业务的公链。 综合多层扩容技术 谈到扩容技术，人们通常会提到分层（layer）。Layer-1被认为是真实的链，L...
TOP中文名正式揭晓，“图谱币/链”最终胜出
6月29日，经过严格评审的入围赛和激烈角逐的投票赛，TOP中文名征集大赛圆满落下帷幕。“图谱币/链”从上千个名字中脱颖而出，成为最终的获胜者。 至此，TOP的中文名称也正式确定为“图谱币”，TOP链的中文名则为“图谱链”。 据命名者解释，谐音加区块链账本的不可篡改，就像图谱一样，寓意区块链万物互联就像一个图谱。 对此，TOP官方点评称：“图谱带有一些科技感，与TOP公链区块链技术相得益彰。同时，图谱的首字母与TOP相近，很容易让人产生联想。” 通过官方的审核，又获得了最高的得票数，可见“图谱币/..
“TOP面对面” 技术AMA系列第一期：揭开TOP技术团队的神秘面纱
12月5日晚，“TOP面对面”技术AMA系列第一期在斗鱼、群TV以及一直播三个平台同步进行了长达1个小时的直播。直播主持人西西酱携TOP技术总监Justin以及TOP高级产品经理Rockey与社区进行了深入交流。 TOP链技术解读 直播一开始，TOP技术总监Justin就从技术层面深度解读了TOP链的创新之处。由于TOP链是全球首条实现全状态分片的公链，分片技术的独创性运用自然也成了TOP在技术...
为什么TOP链能真正承载真实业务？
近年来，区块链技术有了飞速发展，区块链的现实应用也越来越多，但是面向公共领域的大规模商业化应用尚未出现。可扩展性、安全性和去中心化，当前的区块链技术在这三个方面艰难平衡，或多或少都牺牲了某些特性。 承载真实业务的第一个门槛就是链的可扩展性。目前绝大部分公链虽然能够实现垂直扩展(Vertical Scale-up)，但不能很好地实现水平扩展(Scale-out)和并行(Parallel)，导致链的性...
TOP Network项目周报：9月9日 - 9月15日
重磅消息 TOP 主网上线在即，我们正式宣布，TOP 进入代码开源阶段。由于 TOP 链的设计、算法和代码完全由我们的技术团队自主完成，工程量和难度远超市面上绝大部分公链。TOP 链同时支持网络分片、计算分片和状态分片，实现了真正的全水平扩展能力（FullyHorizontal Scale Out)。 同时，TOP 于新加坡时间 2019年 9 月 16 日面向全球启动节点招募。TOP 是真正去...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1015
扫一扫
