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
80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
微米级精准检测，零代码快速训练
TM ROBOT AI检测能力已达到微米级，可满足多行业复杂检测需求。平台支持可视化零代码训练，简单易用，一键部署。无需专业算法功底，只需数十张样本图片即可快速建模。搭配在线优化技术持续提升模型准确度。将新产品导入周期从传统6-8周，大幅压缩至1-2周，完美适应产品快速迭代的要求。
软硬件高度集成，极简交付运维
AI检测系统所需的视觉成像系统、机器人上下料系统、AI训练服务器、AI推论软件、图片管理系统及定制化的用户界面等都由达明及合作伙伴提供完整的方案。各模块之间的通讯交互、控制、硬件等都已经高度集成。无需多岗位协同，单名普通工程师即可完成全流程调试，大幅降低项目落地成本与交付周期。
本地私有化部署，数据安全可控
支持厂区内网本地化部署，无需连接外网，确保数据安全。配套图片管理系统，可将检测图片和结果进行归类，检索。既实现数据长期保存，也助力企业品质提升。
标准化+定制化，全场景适配
依托成熟技术沉淀，拥有标准化方案覆盖通用外观、尺寸、缺陷检测场景；同时支持个性化定制开发，可针对特殊材质、特殊工艺、特殊检测需求量身适配，覆盖各行业非标检测场景。
【信息科学与工程学】【产品体系】——第五篇 路由器05 核心路由器系统级开发设计和交付000
从技术层面对gVisor沙箱与Seccomp BPF双防护层的底层机制、代码实现及系统Bug分析方法进行深度解析：gVisor（应用内核层）Seccomp BPF（内核过滤层） 注：Sentry对每个syscall进行参数和上下文校验，防止越权操作。 动态策略： 工具如转换syscall名称到编号（如）。 2. 高级控制 参数过滤： 限制系统调用的参数，防止挂载隔离逃逸： 1.1.4、双防护层协同工作流程 syscall处理路径
软件测试面试高频考点与自动化测试实战指南
软件测试是确保软件质量的关键环节，其核心原理包括黑盒测试与白盒测试两种基本方法。黑盒测试通过等价类划分和边界值分析等技术验证功能逻辑，而白盒测试则通过路径覆盖等策略确保代码质量。在工程实践中，Selenium等自动化测试框架能显著提升测试效率，其中元素定位策略和等待机制的选择直接影响脚本稳定性。性能测试需要关注JMeter配置与关键指标分析，而持续集成中的Jenkins管道配置则实现了测试流程自动化。随着技术发展，AI视觉测试和混沌工程等前沿技术正在重塑测试体系，这些方法在电商、金融等对系统稳定性要求极高的
【信息科学与工程学】【制造工程】第三十六篇 机械工程与自动化101
本系统通过多模型集成、知识增强、主动学习和持续优化等关键技术，实现了高效、高质量的自动化文本语料标注。系统采用模块化设计，支持灵活扩展，能够处理不同类型的文本数据，适应多样的标注需求。
2026年软件测试面试全攻略：从理论到实战
软件测试作为软件开发流程中的关键环节，其核心价值在于保障产品质量与系统稳定性。随着敏捷开发与DevOps的普及，现代测试技术已从传统手工测试演进为自动化测试与持续集成（CI/CD）的深度融合。测试工程师需要掌握Python/Java等编程语言，熟练使用pytest、JMeter等主流测试框架，并具备性能调优与安全测试能力。在金融、电商等高并发场景下，全链路压测与微服务测试成为技术重点。本文结合AI测试、云原生测试等前沿趋势，详解测试用例设计、接口测试等实战技巧，为测试工程师提供全面的面试准备指南。
【信息科学与工程学】【数据科学】第一百八十八篇 数据处理方法列表02
编号类型领域数据处理方法适用的数据类型缺陷与优势应用场景关联知识和标准和法律法规1001物理世界数据处理线性代数广义逆矩阵（Moore-Penrose伪逆）在超定线性方程组求解中的应用——当物理实验中获得的观测方程个数多于未知数时（例如通过多个传感器测量同一个物理量的不同线性组合），需要寻找最小二乘意义下的最佳解。该方法通过奇异值分解（SVD）计算伪逆，即 A+=VΣ+UT，其中 Σ+ 是将奇异值的倒数取零（小于阈值的奇异值置零）。超定线性方程组 Ax=b，其中 A 为 m×n 矩阵且 m>n，b 为观测向
【信息科学与工程学】【通信工程】第一百八十八篇 通信网络中的数学物理01
因素及参数的数学建模与详细配置SDN将控制平面与数据平面分离，控制器负责全局视图与决策。控制器部署问题（Controller Placement Problem, CPP）常用图论建模：给定网络拓扑 G=(V,E)，候选控制器位置集合 C⊆V，需选择k个控制器位置，使得交换机到最近控制器的平均时延或最坏时延最小化，同时考虑控制器间同步开销。
【Index to Lectures or Courses】
大规模公司的PM都分得非常细致，比如TPM (Technologly Of Project Management)，即专门管技术的PM，而普通的PM，只管理项目的进度各协调工作，PM这个部门通常存在于那些自己设计，自己生产，自己销售手机的公司，AM（Account Manager）的职位恐怕大家都不陌生，作为客户经理，对公司内部是代表客户提出要求，对外则代表公司的整体形象，在两者之间起着不可或缺的桥梁作用。手机的前壳、后壳、手机的摄像镜头位置的选择，固定的方式，电池如何连接，手机的厚薄程度。
【信息科学与工程学】【通信工程】第七十六篇 网络解决方案设计03
继续围绕智算中心相关的组网设计、光路设计、波分设计、OTN设备、交换机设备、组网拓扑、网络操作系统、业务区/管理区/存储区、光设计、租户设计、电磁设计、队列设计、QoS设计、调度设计、组合设计等领域。: 若Tpxe=2min，Tos_install=5min，Tagent=0.5min，Tconfig=0.5min，则Tready=8min。: 若N=2000，Ms=2，Nstorage=128，Mss=2，则Nip=2000×2+128×2=4256，需要/20子网。
机器人，解释
Over the years, as a child who built solar-powered boats and robot arms from science kits, then as a team captain of my high school FIRST Robotics competition, as an undergraduate majoring in a Mechan...
IOA虚拟工厂免安装版：工业级Web三维交互架构解析
工业数字孪生不是游戏化渲染，而是面向产线作业的实时人机协同系统。其核心在于以WebGL 1.0、WebSocket与前端状态机为技术底座，实现无需本地安装、不依赖高配硬件、毫秒级响应的轻量化三维交互。这种架构规避了传统三维仿真软件的部署门槛与运行开销，将确定性计算从服务端下沉至浏览器内存，在PLC指令同步、模型动态加载、离线操作续传等关键场景中保障工业级可靠性。典型应用于新员工培训、故障快速定位与工艺虚拟验证，尤其适配老旧工控机、工业平板及弱网环境。ioa虚拟工厂免安装版正是这一范式的工程落地代表。
C++实战指南：使用CodeBlocks构建跨平台wxWidgets窗口应用
本文是一份面向C++初学者的实战指南，详细介绍了如何使用CodeBlocks IDE和wxWidgets框架快速构建跨平台的桌面窗口应用。内容涵盖从环境搭建、项目配置到界面设计、事件处理的全流程，重点讲解了如何利用CodeBlocks的开箱即用支持和wxSmith可视化设计器，高效开发具有按钮、菜单、列表等控件的交互式窗口界面程序，帮助读者轻松入门GUI开发。
OPC UA如何成为AI编码在工业场景的语义基石
OPC UA并非众多工业协议之一，而是支撑AI编码落地的底层语义基础设施。它通过标准化的信息模型、跨平台服务接口与内建安全机制，为AI提供可理解、可验证、可执行的设备语义空间。结合Skills广场的能力封装、MCP协议的语义协商、Rules规范的时序逻辑表达，OPC UA实现了从原始数据到领域知识、再到闭环控制的完整技术链路。尤其在PLC诊断、电机过热预警、泵浦振动分析等典型工业AI场景中，其类型驱动的节点发现、基于证书的细粒度授权、以及PubSub实时数据分发能力，显著提升了AI系统的可靠性与可维护性。
Palabos User Guide中文解读 | 第五章 | Palabos编程 （跳过了第四章Palabos-Java接口）
作者的话：本人在学习palabos时，发现国内中文资料甚少，恰好网上可以直接搜到palabos user guide这种英文资料，加之时间充裕，便打算开始翻译，翻了一节后发现这可能算侵权，就比较伤脑筋，突然想到自己写中文解读即可，便有了下面的博客。 Palabos User Guide Release 1.0 r1 Copyright © 2019 University of Geneva Jul...
ToddlerBot远程遥控完全教程：如何用ROG Ally X和Steam Deck手柄实时控制人形机器人
[](https://link.gitcode.com
MOSFET热失效机理与保护电路设计：实战案例
深入解析MOSFET工作原理及其在高温下的失效机制，结合实际案例探讨有效保护电路设计，提升系统可靠性与安全性。
关于Win11安装Ubuntu子系统报错：WslRegisterDistribution failed with error 解决办法
Win11安装Ubuntu子系统报错：WslRegisterDistribution failed with error
SO-101真机复现及Sim-to-Real之Isaac sim Isaac lab安裝（更新ing）
电脑配置系统：ubuntu24.04显卡：4060ti 16g内存：32g安装版本。
Windows电脑如何用MobaXterm连接宇树G1机器人？保姆级SSH配置指南
本文提供了一份详细的保姆级教程，指导Windows用户使用MobaXterm通过SSH连接宇树G1机器人。内容涵盖从物理网络配置、MobaXterm安装与SSH会话创建，到文件传输、X11转发等高级功能，并包含常见问题排查与安全加固建议，帮助开发者快速建立稳定可靠的远程开发连接。
MoveIt2 感知模块演化全景：moveit_ros_perception 的 OctoMap 更新链路与工程演进
**导读**：`moveit_ros_perception` 是 MoveIt2（ROS 2 版 MoveIt）中连接机器人感知数据的核心软件包，负责把深度相机图像与激光/深度点云实时融入碰撞检测所需的 OctoMap 占据地图。本文以该包的 [CHANGELOG.rst](https://link.gitcode.com/i/d48bf6a5e2107aac7059e95a2ed22dc6) 为
C++性能优化：深入理解缓存一致性与伪共享
在现代多核处理器的世界里，理解缓存一致性和伪共享就像理解一个复杂社会系统的运作规则。正如心理学家阿德勒所说："人的行为总是有目的的"，CPU缓存的每一次同步也都有其深层的硬件逻辑。本文将带你深入探索这些看不见的性能杀手，以及如何在实际项目中与它们优雅共处。
计算机实战分享3：森林火灾预测分析可视化机器学习预测-完整数据代码-可直接运行
计算机实战分享3：森林火灾预测分析可视化机器学习预测-完整数据代码-可直接运行
Option Keyboard（选项键盘）：基于 cumulant 线性组合的技能组合强化学习框架实现指南
Option Keyboard 是 DeepMind 于 NeurIPS 2019 提出的强化学习技能组合框架，核心思想是把技能定义在"伪奖励（pseudo-rewards，即 cumulant）"空间上，从而让任意确定性 option 都可以被表示为一个扩展域上的 cumulant，并进一步利用已知 option 的 cumulant 线性组合**即时合成**新 option（无需任何学习）。本
YOLO11改进|卷积篇|引入多样化分支块DBB
YOLO11中添加多样化分支块DBB
vim环境配置
配置文件： /etc/vim/vimrc 用 vim 编辑配置文件，添加如下信息：set ai ignorecase tabstop=4 set nu 解释：ai 为设置自动缩进ignorecase 搜索时忽略大小写tabstop=4 设置tab宽度为4个空格宽 nu显示行号 ...
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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")
Java游戏脚本开发实战：架构设计、图像识别与性能优化全解析
在自动化测试与模拟操作领域，图像识别和脚本注入是经常被提及的技术方案。许多开发者面对复杂任务时，往往困惑于如何平衡开发效率与运行稳定性。Java凭借其强类型、丰富的生态库和跨平台能力，在构建高并发轮询、复杂状态机及系统交互场景中具有独特优势。通过JNA调用系统API、OpenCV实现模板匹配、Tesseract完成OCR识别，配合ADB设备通信，能够搭建起一套结构清晰、易于维护的自动化脚本框架。针对常见的脚本注入体量过大导致页面加载失败、内存持续增长等问题，可以从资源外置、图片压缩、运行时对象复用等角度进行
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
Intel微代码漏洞与VT-x安全加固实战指南
微代码是CPU内部可动态加载的指令翻译层，直接影响推测执行、分支预测与缓存行为，构成现代侧信道攻击（如Spectre变种）的核心利用面。其原理在于微码更新后残留状态未清零，结合L3缓存时序差异，可在用户态推断内核或跨VM敏感数据。技术价值体现在无需特权即可突破虚拟化隔离，威胁TLS密钥、数据库凭据等高敏资产。典型应用场景覆盖云服务器（如阿里云ECS）、容器平台（Docker Desktop for Mac Intel）、WAF网关（F5 NGINX Plus）及边缘设备（RealSense T265）。而‘
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
773
扫一扫
