程序员一定不要太油,否则...

二十八.国民技术MCU开发之UID获取与应用 在国民NT MCU中均有一个96位和128位的唯一设备标识符,其中UCID128 位, UID 为 96 位。手册中描述的作用是:通常用来做为序列号或作为密码,在编写闪存时,将此唯一标识与软件加解密算法相结合,进一步提高代码在闪存存储器内的安全性,也可用于激活带安全功能的自举程序(SecureBootloader)。UCID 和 UID,遵守国民技术芯片序列号定义,它包含芯片生产及版本相关信息。 阅读详情


本文原创公众号:不会笑青年,授权转载请联系微信(laughyouth369),授权后,请在原创发表48小时后转载。

< END >

作者:不会笑青年

漫画师:鹦鹉


觉得还不错就给我一个小小的鼓励吧!


OpenClaw实战系列02:企业微信接入完全指南 本文详细介绍了如何将OpenClaw与企业微信对接,实现智能机器人功能。主要内容包括:企业微信侧创建智能机器人或自建应用,获取必要凭证和权限;OpenClaw侧安装配置企业微信插件,设置通信通道;完成双向验证并进行功能测试。文章提供了详细的配置步骤、常见问题排查方法和进阶玩法,帮助用户在30分钟内完成对接。关键点包括:确保URL可访问、Token一致、网关正常运行,以及针对不同部署环境(云服务器/内网)的配置差异。 阅读详情

相关推荐

深入解析进化算法中的选择与多样性

在计算科学的世界里,最优雅的解决方案往往源于最古老的智慧——大自然。进化算法(Evolutionary Algorithms, EAs)正是这样一种受达尔文自然选择学说启发的强大工具。它们通过模拟“适者生存”的过程,在庞大的可能性海洋中搜寻最优解。。:指的是深入挖掘和优化已知的优质解。这就像在一片已知的沃土上精耕细作,力求获得最高产量。强大的选择压力会促进这一过程。:指的是在整个搜索空间中寻找全新的、可能更优的解。这好比派遣探险队去发现新大陆,充满了未知与机遇。保持种群的多样性是探索的关键。

weixin_62533513的博客 718

北漂打工人的胃部保卫战:常营、草房外卖红黑榜,附赠‘不拉肚子’点餐秘籍

本文为北漂打工人提供常营、草房地区的外卖红黑榜及科学点餐指南,帮助解决外卖选择难题。推荐连锁品牌和老字号店铺,避开高风险品类和新开业店铺,分享从选店到食用的完整流程,确保饮食安全与健康。

weixin_28698059的博客 319

龙芯3A5000开发板PMON升级UEFI固件实战指南

固件是计算机硬件与操作系统之间的关键桥梁,负责初始化硬件并引导系统启动。其工作原理是在上电后执行自检、加载引导程序,最终将控制权移交操作系统。在国产化平台中,采用标准化的UEFI固件具有重要技术价值,它能提供图形化配置界面、统一硬件驱动模型,并支持安全启动等现代特性,从而显著提升硬件兼容性与系统管理效率。这一技术广泛应用于PC、服务器及嵌入式设备,尤其在需要运行银河麒麟等主流操作系统的龙芯开发板场景中,将传统PMON固件升级至UEFI,能实现更流畅的系统安装与更稳定的运行体验。本文基于固件升级与UEFI引导

weixin_42664597的博客 566

为程序员爆肝整理的防治脱发大集锦

防治脱发“感觉有用”系列 食疗 多吃蛋白质,鸡蛋清、瘦肉、牛奶和豆腐等高蛋白食物都是头发的最爱。此外,每周最好吃3次亚麻籽油,每次1茶匙,其中的植物雌激素可防脱发。缺铁也会导致大量脱发,建议多吃绿色和黄色的蔬菜及水果,如菠菜黄豆等来补充铁元素。 按摩 每天睡觉前轻轻地按揉头部两侧,我们的耳朵偏上的地方,以及均匀地按摩后脑的枕部,都可以改善脱发的情况。注意按摩前,手要清洗干净,动作要轻柔,按摩要...

了不起的厂长 1407

Graylog日志系统实战:高效接收与解析交换机日志

本文提供Graylog日志系统的实战部署与配置指南,重点讲解如何高效接收与解析交换机日志。通过Docker快速部署,配置Syslog输入,并指导华为、华三等主流交换机将日志发送至Graylog。文章还介绍了使用提取器解析日志字段、创建数据流进行分类,以及设置报警规则,实现从被动排查到主动预警的运维转变,帮助网络工程师构建集中、智能的日志管理系统。

weixin_29284885的博客 541

UserWarning: CUDA initialization: Unexpected error from cudaGetDeviceCount()【已解决】

UserWarning: CUDA initialization: Unexpected error from cudaGetDeviceCount()【已解决】

围炉夜敲的博客 1万+

程序员日记2020-07-20

周一了,又是历来迟到的日子,但是我今天非常长脸,7点起,没有迟到,快乐! 发现自从不打车了,很少迟到了,省钱大法好~ 今天没有干啥有意思的事,继续写详细设计,进度70%吧,明天没什么临时情况的话,应该可以收尾。 啊,对,半年度的价值观自评开始了,又到了我吹牛*的时候????【希望不会被老大打脸,毕竟写得都是实话 刚刚把今天要看的书看完了一章,读书笔记也划水写完了,满足 凑字把今天的饭列一下吧,我发现记录吃了什么是一件快乐的事~ 我爱食堂,食堂使我快乐! 早饭很健康 午饭是烤鱼,太油了,忘记拍了【还有一根烤肠

166

AI 辅助代码审查:开启代码质量管控的智能时代

AI辅助代码审查正在改变传统的代码质量管控方式。通过自动化分析、智能反馈和上下文感知,AI不仅提高了代码审查的效率,还提升了代码质量的一致性和可维护性。随着机器学习和深度学习技术的不断发展,未来AI将成为开发者日常工作中强大的助手,进一步推动软件开发向智能化、自动化方向发展。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 3229

北京物资学院周边外卖红黑榜:一个程序员用Python爬虫+数据分析的真实踩坑记录

本文记录了北京物资学院周边外卖数据的Python爬虫与情感分析实战,通过Scrapy+Selenium抓取美团、饿了么数据,结合SnowNLP情感分析生成外卖红黑榜。文章详细介绍了数据清洗、特征工程及可视化技巧,并总结出包装质量与食品安全的相关性,为外卖选择提供数据支持。

weixin_42524824的博客 696

openEuler服务器离线安装实战:从Docker到Samba的完整避坑指南

本文提供了一份详尽的openEuler服务器离线部署实战指南,重点解决了在无网络环境下安装Docker、Samba等软件的依赖难题。文章深入对比了`dnf install`、`rpm`直接安装及禁用仓库安装三种核心方法,并分享了构建本地DNF仓库的进阶策略,旨在帮助运维人员构建高效可靠的离线部署工作流。

weixin_29210759的博客 72

Outlook邮件规则实战:从自动化分类到GTD工作流整合

在信息过载的数字化办公环境中,自动化处理技术成为提升效率的关键。其核心原理是基于“条件-动作”的触发器模型,通过预设逻辑让系统自动执行重复性任务。这种自动化机制的技术价值在于将用户从繁琐的机械操作中解放出来,实现信息流的智能管控。在邮件管理这一典型应用场景中,自动化规则能精准处理项目邮件聚合、优先级分流等复杂需求。本文聚焦于微软Outlook的规则引擎,深入解析如何利用**规则引擎**和**触发器模型**构建高效的邮件处理系统,并进一步将其融入GTD(Getting Things Done)个人生产力框架,

weixin_31083901的博客 316

认真学习了两个月Python,去面试后突然发现。。。

面试官问我:“看你简历之前,先问你一个问题,全民学Python编程可行么?”我冷笑。 我知道他想要我回答“可以”,实际上可以个屁,如果不是因为吃青菜面的时候没钱加鸡蛋,我可能立刻拍桌子告诉他:全民学office可行吗?全民健身可行吗?全民学英语可行吗?什么全民全民全民,说出来不就是想跨界割韭菜,前段时间还全民学空气币!学抖音!一群镰刀渣! 但我想吃煎蛋了。楼下餐馆的小姐姐虽然不够好看,也不够温柔,煎蛋的油可能太油,我还是想吃煎蛋。 但是如果我没有这份工作,我可能连青菜面都吃不上了。 所以我立刻转..

5476

【AI Agent系列】【MetaGPT】9. 一句话订阅专属信息 - 订阅智能体进阶,实现一个更通用的订阅智能体(2)

订阅智能体进阶(2)。不用爬虫,直接提取网页信息。从RunSubscription分离出AddSubscriptionTask的action,并且让SubscriptionRunner单独运行。

同学小张的博客 1589

结构化Prompt:让ChatGPT从“听不懂“到“秒理解“的终极秘籍

深度解析结构化Prompt技术,从随意提问到系统化设计,掌握让AI精准响应的高级技巧,附完整实战模板

Cheson的专栏 932

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

小白比看:一文搞懂提示词工程师到底是干什么的?

小白比看:一文搞懂提示词工程师到底是干什么的?

AI大模型的博客 1439

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

python 爬虫爬出来为什么都是空的_为什么铺天盖地都是python的广告?

面试官问我:“看你简历之前,先问你一个问题,全民学Python编程可行么?”我冷笑。我知道他想要我回答“可以”,实际上可以个屁,如果不是因为吃青菜面的时候没钱加鸡蛋,我可能立刻拍桌子告诉他:全民学office可行吗?全民健身可行吗?全民学英语可行吗?什么全民全民全民,说出来不就是想跨界割韭菜,前端时间还全民学空气币!学抖音!一群镰刀渣!但我想吃煎蛋了。楼下餐馆的小姐姐虽然不够好看,也不够温柔,煎蛋...

weixin_39517357的博客 291

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

为什么铺天盖地都是Python的广告?

作者:暗灭 链接:https://www.zhihu.com/question/383494692/answer/1153319718 来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 面试官问我:“看你简历之前,先问你一个问题,全民学Python编程可行么?” 我冷笑。 我知道他想要我回答“可以”,实际上可以个屁,如果不是因为吃青菜面的时候没钱加鸡蛋,我可能立刻拍桌子告诉他:全民学office可行吗?全民健身可行吗?全民学英语可行吗?什么全民全民全民,说出来..

weixin_48320524的博客 332

为什么铺天盖地的都是Python的广告呢?

学c的饿死了,学JAVA的竞争激烈,学PHP的没人要,学js的没技术含量!教你爬虫,大爷你看,这是美国的,这是日本的,这是澳大利亚的,都会自动更新!你看这个,拿Excel表格分析数据的十年运营,薪水1万5,你看这个,用Python分析数据的半年运营,薪水2万8!我知道他想要我回答“可以”,实际上可以个屁,如果不是因为吃青菜面的时候没钱加鸡蛋,我可能立刻拍桌子告诉他:全民学office可行吗?不懂就对了,人家学四年,你现在学四个月,人生苦短,我学Python,你看,3分钟,就能解析一个文本了,快不快?

weixin_73136678的博客 184

认真学习了几个月Python,去面试后突然发现?

面试官问我:“看你简历之前,先问你一个问题,全民学Python编程可行么?” 我冷笑。 我知道他想要我回答“可以”,实际上可以个屁,如果不是因为吃青菜面的时候没钱加鸡蛋,我可能立刻拍桌子告诉他:全民学office可行吗?全民健身可行吗?全民学英语可行吗?什么全民全民全民,说出来不就是想跨界割韭菜,前段时间还全民学空气币!学抖音!一群镰刀渣! 但我想吃煎蛋了。楼下餐馆的小姐姐虽然不够好看,也不够温柔,煎蛋的油可能太油,我还是想吃煎蛋。 但是如果我没有这份工作,我可能连青菜面都吃不上了。 所以我立刻转成了高冷.

公众号:【伤心的辣条】 601

致所有IT同胞的一封信

或许你现在和我一样,独自一人在电脑跟前,一边看着技术文档或者苦逼的在和网友聊着什么,或者你现在依然在单位加班修改程序,面对浩瀚的代码,紧皱眉头,苦苦的思考着如何解决bug,或者你正在嘈杂的机房环境下,调试着网络设备,或许……     今晚跟51cto的网友聊天,又一次聊到了关于爱情以及生活,以及苦逼的IT生活,让只有25岁的我,但是工作已经三年的男人感触颇多,希望给众IT男,不管是程序员也好,还

上班搞IT,下班搞ITF。 1622
上一篇: 终于有人总结了图神经网络!
下一篇: 可视化卷积神经网络的特征和过滤器
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值