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
200+累计阅读
267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
2024年11月4日-6日，VERYCLOUD睿鸿股份受邀参加Cloudflare Partner Incentive Phuket Summit 2024，凭借2024年的杰出表现，荣获Cloudflare 2024年亚太和日本地区渠道激励计划，前三精英合作伙伴级别——总年度合同价值最高奖项（Top 3 Elite Partners Tier - Highest Total ACV）。
VERYCLOUD睿鸿股份与Cloudflare的合作紧密，双方在技术、市场和服务等多个领域互相支持、共同提升。我们依托Cloudflare独有的可组装的模块化互联网原生平台，为客户提供优质的安全融合解决方案，覆盖CDN、DDoS防护、WAF、DNS安全、零信任网络、网络防火墙服务等。
此次获奖不仅是对VERYCLOUD睿鸿股份过去努力的认可，更是未来双方继续深化合作、共同成长的良好开端。
Cloudflare-CNAME-Setup:Cloudflare合作伙伴小组
Cloudflare CNAME设定 该项目允许为客户提供一个面板，使客户可以免费进行。 是在站点上安装了此面板的稳定版本。 该软件是最新的，您可以信任。 注意： 的Host API密钥已被Cloudflare禁用。 目前， 所有用户都必须使用全局API密钥登录。 安装 如果您不想使用上面的预安装面板，则可以在服务器上安装此面板。 有关更多信息，请参见Wiki 。 该面板的功能 在一处管理所有DNS记录。 使用Cloudflare API v4 ，该项目支持各种类型的DNS记录。 高级分析。 您可以查看整个过去一年而不是一个月的分析报告。 支持NS设置。 该面板提供了NS设置信息，因此您可以随时切换到Cloudflare DNS。 您还可以找到您的DNSSEC功能也受支持。 支持IP设置。 该服务提供CDN的任意播IPv4和IPv6。 您可以在根域上安全地使用此服务。 支持
Cloudflare One 全新终端安全合作伙伴
去年十月，我们发布了 Cloudflare One，这款综合的云端网络即服务解决方案，不仅安全、快速、可靠，还定义了企业网络的未来。Cloudflare One 由两个组件构成：一是 Magic WAN 和 Magic Transit 等网络服务，用来保护数据中心和分支机构并将其连接到互联网；二是 Cloudflare for Teams，用来保护公司应用程序和设备，并在用户通过互联网工作时为其保驾护航。今天，我们很高兴公布我们与 VMware Carbon Black、CrowdStrike 和Senti
cloudflare-partner-cli:使用合作伙伴程序将CNAME设置为使用Cloudflare
Cloudflare Partner CLI This is a CLI program that let you set CNAME to use Cloudflare using the partner program. Both Python2.x and Python3.x is supported. No extra library is needed. To use Chinese menu, set environment variable LANG to use UTF-8 (for example, zh_CN.UTF-8). Usage Apply for partner program at . Clone this repository or . Run python ./cloudflare-partner-cli.py. Enter your host_key.
union all语句优化改写经验分享
1、问题前面几个案例是因为提前生成HEAP TABLE，条件没有提前过滤导致性能问题，今天想跟大家分享一个案例是适合做HEAP TABLE优化的。计划：从计划上对t1表过滤重复两次，从语句中可以看到是union all两部分，一部分是合计，另一部分是分组统计，此时我想到可以先分组统计，再把分组统计结果进行合计，分组统计的结果可以放到临时表中即heap table,从数学角度上讲就是提取公因子。2、改写计划：结果符合预期，性能提升一倍以上。
SMETANA 安装使用教程
关于SMETANA的安装和简单使用信息
嵌入式系统启动流程解析：ROM Code、Bootloader与启动代码的协同工作
本文深入解析嵌入式系统从通电到运行的完整启动流程，详细阐述了ROM Code、Bootloader与启动代码三者如何像接力赛般协同工作。ROM Code作为芯片固化的初始引导程序，负责硬件自检并加载Bootloader；Bootloader作为系统总指挥，初始化关键硬件并加载操作系统内核；启动代码则为C语言运行环境铺平道路。理解这三者的分工与协作，是进行系统移植和解决启动问题的关键。
省级科技计划项目申报实操：拆解启明知识产权“技财法”全链协同支撑逻辑
针对企业申报省级科技计划项目的痛点，本文拆解启明知识产权如何通过“技财法”全链协同提供规划与申报服务。结合其集团化架构、自有会计师事务所及新产品鉴定中心资质，解析其在研发费用归集、技术先进性评价及合规风控方面的核心优势，为科创企业提供可执行的选型参考。
（三）从零开始学习模糊控制——模糊决策
模糊控制之基础——模糊数学 （一）模糊数学——基本概念 （二）模糊数学——模糊关系 （三）模糊数学——模糊决策 文章目录模糊控制之基础——模糊数学前言一、模糊决策法1.最大值原理2.模糊排序2.模糊寻优总结 前言 模糊决策是指在模糊环境下进行决策的数学理论和方法。这类问题─般具有大系统特征，系统之间的关系十分复杂，存在不能准确赋值的变量，这些变量属于模糊因素，涉及到一定的主观因素，使得子系统之间、变量之间的关系不清晰，从而必须借助排序、模糊评判等方法来进行处理。 一、模糊决策
胜宏科技泰国A1厂房满产，高端PCB扩产延伸至越南
胜宏科技泰国A1厂房满产，高端PCB扩产延伸至越南
Basler相机和pylon viewer 的使用
文章目录1 线路连接2 安装和使用pylon 1 线路连接 电源线接到电源插座，网线接到电脑(电脑没有网口的话，可用转换器转到type-c接口)。 2 安装和使用pylon 参考 Basler pylon安装及对网口相机基本设置 相机和电脑以太网IP设置参考：balser相机IP设置 关于相机参数和pylon viewer的详细设置，可以参考pylon Viewer安装路径下的文档(Documentation) ...
群晖NAS实战：Python项目部署全流程解析
本文详细解析了在群晖NAS上部署Python项目的完整流程。从开启SSH、选择连接工具，到通过套件中心一键安装Python3、配置pip及国内镜像源，再到上传项目、安装依赖、后台运行及排错，提供了清晰的避坑指南。旨在帮助用户将群晖NAS从存储设备转变为可执行自定义任务的智能服务器，实现自动化脚本、数据监控等应用。
英语：对新科技新技术命名，词根拼接 + 借用旧词 + 缩写泛滥
英语术语的精准，不在单词本身，而在配套的学术定义、标准文档。单词本身常常是比喻、借用、拼接，字面含义和技术实质是脱节的。举典型例子：virus（计算机病毒）：只是类比生物病毒，代码本身没有生命；单词字面自带生物隐喻，容易误导外行。cloud computing：“云” 只是隐喻，和大气云无关。bus（总线）：计算机总线，和公交车没有关系。造词门槛低，创新速度快。一个新概念出来，直接抓一个现成名词挪用或者拼两个词根就能用，不需要斟酌语义搭配。
Android车载应用开发：Kotlin与Automotive OS深度实践
Android Automotive OS（AAOS）是Google专为车辆设计的操作系统，直接运行于车机硬件，提供完整的车载信息娱乐系统（IVI）。与Android Auto不同，AAOS允许开发者深度集成车辆硬件功能，如空调控制和传感器数据读取，同时遵循严格的驾驶安全规范。Kotlin作为开发语言，具备空安全设计、扩展函数和协程支持等优势，简化了开发流程。开发环境配置包括Android Studio、AAOS模拟器和Gradle配置，核心组件如CarAppService、Screen与模板系统，以及车辆
香港电讯河套区创新科技中心暨AI机楼揭幕，以网络基建助力北部都会区发展
香港电讯位处河套港深创科园的创新科技中心暨AI机楼正式开幕，借此进一步以网络基建支持香港创科及产业发展，并为日后大湾区数据在河套区流通作好准备；同时为北部都会区以大学城、创科、产业和宜居宜业宜游为重点的发展布局，提供坚实支撑。
华为OD机试 双机位A卷 - 流量波峰 (C++ & Python & JAVA & JS & GO)
华为OD机试双机位A卷 流量波峰，提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解
C++面试八股文
和静态多态（又称编译期多态，即在系统编译期间就可以确定程序将要执行哪个函数），其中动态多态是通过虚函数实现的，虚函数是类的成员函数，存在存储虚函数指针的表叫做虚函数表，虚函数表是一个存储类成员虚函数的指针，每个指针都指向调用它的地方，当子类调用虚函数时，就会去虚表里面找自己对应的函数指针，从而实现“谁调用、实现谁”从而实现多态。而C++符号表中的符号不是以函数名命名的，称为函数名修饰规则，虽然函数名相同，但是函数参数等其他属性不同，取的符号也不同，所以不会产生查询歧义的问题，使得函数可以重载。
净利润高增与AI多点落地，宇信科技三季报的金融IT转型信号
2026年Q3季报显示，宇信科技前三季度实现净利润3.74亿元，同比增长32.80%；归母净利润3.79亿元，同比增长35.93%；营业收入19.42亿元。
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。
探秘优质 LED 智能海报屏厂家，解锁广告展示新科技
例如，传统 LED 屏安装极为繁琐，拆装成本居高不下，数据表明，一次大型活动中传统屏的安装和拆卸费用能占到总成本的 30%左右。与传统海报屏方案相比，其核心优势明显，“免安装、插电即用”解决了工程布线与结构搭建的烦恼，缩短了安装时间，提高了效率；公司的三折叠双面 LED 海报屏更是行业首创，无需安装，插电即用，左右展开变身超大全景屏，折叠后秒变双面独立屏，360°全方位吸睛。用户反馈也证明了其产品的价值，众多客户表示使用该公司的海报屏后，广告展示效果大幅提升，同时降低了使用成本和维护成本。
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")
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
陪诊陪护系统：科技赋能温情守护，打造智慧养老新生态：SpringBoot + Uniapp 三端架构，用户端、师傅端、管理端一次讲透
本文详解一套同城上门维修系统的完整实现，基于SpringBoot+Uniapp+Vue技术栈，涵盖用户端、师傅端、管理端三端设计。重点解析订单流转、派单策略、现场加价防控、结算对账等核心业务难点，强调状态机统一管理与关键节点留痕。系统支持多端发布、可扩展至多城市与会员营销，适合家政、维修类项目开发者参考，具备高可用性与运营闭环能力。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
从香港金融科技周看宇信科技：海外布局的三个着力点
香港金融科技周一向被视为金融科技出海的风向标。2026年展会期间，宇信科技与华为、阿曼信用与金融信息中心（Mala’a）、微众科技海外团队的密集交流，放在金融IT行业出海路径整体调整的背景下，其背后的逻辑值得拆解。
海外手写票据OCR怎么选？开灵科技、Google Document AI与百度智能云按原文译文对照、金额校验和人工复核对比
海外差旅报销里最难处理的票据，往往不是排版规范的电子发票，而是一张手写收据：当地文字、英文、印章、潦草数字混在一起，财务既要读懂商户和项目，又要判断金额是否算对。可准备泰文手写现金单、双语印刷发票和印章遮挡的收据各一张，让三种方案完成相同任务：识别票据类型、商户、币种、日期、明细和总额；以一张泰国手写现金销售单为例，识别结果按票据类型、卖方、手写明细、数量、单价、金额及总计组织，原文和中文并排显示。这类方案通常支持多语种识别、自动判断语种、原文中文对照，并处理手写体、表格、印章、签名及图像质量。
科技查新实务：查新报告适用场景与服务对象
本文梳理科技查新报告的基础作用、适用场景以及主要服务对象，可供科研管理人员、情报检索人员、项目负责人参考。
企业费控系统怎么选？开灵科技灵动报销、用友BIP与SAP Concur按对话填单、预算前控和成本中心分摊对比
该方案同时处理出差申请与补助、商旅预订及对账、发票管理、借款冲销、批量付款和回单、凭证生成、手机打印等环节。不同费控产品对以下费用的处理深度可能不同：私车公用按轨迹和里程计算补贴，出差补助按职级、城市与天数计算，商旅预订与月结账单需要和员工申请、费用标准对上。已经以BIP运行多组织预算、共享财务和总账的集团，把报销纳入原有主干，能让费用发生、预算执行、核算与经营分析使用同一套组织及科目口径。员工填单和财务退单耗时较多，且预算、付款、凭证和成本中心需要贯通时，可把开灵科技灵动报销的整条链路纳入测试范围；
南华期货30周年｜科技赋能 研究铸基 从技术自研到投研产服一体化
截至2025年，南华研究院团队规模为44人，研究生及以上学历占比高达97%，年产出各类报告3000余份，其研究内容覆盖日度、周度、季度、年度报告及专题调研报告等多维度，信息来源包含产业调研数据、供需跟踪及期现结构监测，内容具备较强的完整性与实战参考价值，专业实力稳居行业前列。2012年开发增强型指数。1999年，行业进入清理整顿阶段，南华逆势而上，选择用技术筑牢根基，率先搭建早期电子化交易系统，融入投研数据与分析成果，以技术筑牢合规经营根基，让投研价值精准触达客户，也让公司在行业洗牌中稳稳站住了脚跟。
财务审计调档怎样找到整笔业务的证据？开灵科技、金蝶发票云与用友BIP按凭证关联、审计包和借阅权限对比
实际使用中，财务还会遇到合同、邮件、OFD发票、PDF扫描件、表格和工程资料混在一起的情况。该方案的电子会计档案把记账凭证、原始单据、发票、银行回单、报销单与合同关联成业务证据网络。更有用的方式，是让合同号、供应商、业务单号、发票、凭证和银行流水形成可追踪关系；审计人员抽到一张付款凭证，财务往往能很快找到凭证扫描件，却还要继续翻合同、发票、付款申请、银行回单和验收记录。该方案把文件级密级、水印、借阅日志和审计包放在同一使用流程中，便于调取完整证据，也减少“为省事把整个财务共享盘开放给审计”的做法。
【研知有术论文发表】材料科学一区期刊，影响因子30+的纳米科技SCI，审稿严格但有效率
Nano-Micro Letters聚焦纳米或微米尺度结构及系统相关的科学、实验、工程、技术与应用研究。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
344
扫一扫
