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
2.7k累计阅读
2.7k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
往事不要再提
人生已多风雨
纵然记忆抹不去
爱与恨都还在心里
真的要断了过去
让明天好好继续
你就不要再苦苦追我的消息
爱情它是个难题
让人目弦神迷
忘了痛或许可以
忘了你却太不容易
你不曾真的离去
你始终在我心里
我对你仍有爱意
我对自己无能为力
因为我仍有梦
依然将你放在我心中
总是容易被往事打动
总是为了你心痛别流连岁月中
我无意的柔情万种
不要问我是否再相逢
不要管我是否言不由衷
为何你不懂
只要有爱就有痛
有一天你会知道
人生没有我并不会不同
人生已经太匆匆
我好害怕总是泪眼朦胧
忘了我就没有痛
将往事留在风中
运行stable-diffusion出现的问题
解决：即用 https://github.com/CompVis/taming-transformers/blob/master/taming/modules/vqvae/quantize.py 新文件，替换错误提示文件中的全部内容即可。5.新建文件夹 CompVis/stable-diffusion-safety-checker/将下载的四个文件放入 解决！后面还会遇到'openai/clip-vit-large-patch14离线下载的问题，同样步骤解决。解决：下载后离线，步骤如下。
张国荣全集 【1978-2003 】转
中文名称：资源类型：MP3!版本：())专辑歌手：张国荣地区：香港语言：粤语简介：screen.width-500)this.width=screen.width-400" border=0>近视：无小名：十仔 （家中排行第十，老幺）别名: 哥哥(兄长的意思)别名的由来：合演《倩女幽魂》的王祖贤如此称呼他，自始四周的人也改称他这个名字 性 格: 情绪化喜爱的花: 兰花(因为此
魔兽RPG老地图逆向工程：解密三国列传3.0武将招募限制（附JASS实战）
本文详细解析了《三国列传3.0》魔兽RPG地图的武将招募限制机制，通过逆向工程和JASS脚本修改技术，突破SLK加密防线并解密游戏逻辑。文章提供了从工具准备到代码修改的完整实战指南，帮助玩家解除武将数量限制，重温经典游戏的乐趣。
当爱已成往事
听了林忆莲+李宗盛和张国荣两个版本，最后还是选择了张国荣。林忆莲+李宗盛版虽然跌宕起伏、刚柔并济，但过于外露，不舍、挣扎、看不破、放不下，让人心烦意乱。张国荣版的则充满淡淡的惆怅和感伤，仿佛放下一切、走向迷濛的天涯前的回首一瞥……当爱已成往事往事不要再提人生已多风雨纵然记忆抹不去爱与恨都还在心里真的要断了过去让明天好好继续你就不要再苦苦追问我的消息爱情它是个难题让人目眩神迷忘了痛或许可以忘了你却太
西门子828D/840DSL数控机床产量数据采集实战：一个C#程序员的踩坑与填坑记录
本文详细记录了C#程序员在西门子828D/840DSL数控机床产量数据采集实战中的经验与教训。从硬件连接到软件配置，再到数据读取与异常处理，文章分享了工业现场编程的特殊挑战和解决方案，特别是针对数控系统的TCP/IP通信、PLC变量地址映射及数据解析等关键技术点。
【深度学习新浪潮】智能体在图像处理领域的技术突破与实践指南
智能体正在重构图像处理的技术版图：从多智能体分工的"专业化协作"，到多模态统一的"极简架构"，再到工具增强的"实战能力"，技术突破不断降低开发门槛并拓展应用边界。对于开发者而言，2025年的核心机遇在于结合具体场景选择成熟框架（如医疗用IteR-MRL、工业用NVIDIA NIM），通过微调与工具集成快速落地解决方案。随着硬件成本下降与开源生态完善，图像处理智能体将从当前的"高端场景赋能"走向"千行百业普及"，真正成为数字世界的"视觉感知与操作核心"。
最爱张国荣
张国荣，真正的明星，有史以来独一无二的一位明星。戏非人生，人生非戏。《I am what I am》，用生命捍卫自己，从古到今，他的精神和气节没有哪个“明星”能相比。《霸王别姬》是其真实反映，从不为腐朽和背叛低头，从来不失尊严和气节。在千千万万的背叛中不失自己，坚持正确的理念，死而无憾。宁可天下负我，我也不负天下。真实社会中，他在无数背叛之后，跳楼而终，历史辜负了这位...
Labview项目01：标准可配置序列测试框架
摘要：本文介绍了一个基于LabVIEW2020开发的通用测试框架系统。该系统采用模块化设计，包含主界面、调试界面、设置界面和登录界面。主功能包括：1）可配置测试序列，支持延时、预定值输出、随机值输出等操作；2）单步测试功能自主添加；3）界面支持测试序列编辑和权限管理。系统采用队列机制处理事件和测试流程，通过CSV文件存储测试序列，支持参数化配置。用户可自定义测试VI（A_.vi和N_.vi格式），并通过调试界面验证测试序列。最终测试结果在主界面显示，提供整体判断功能。该系统既可作为学习参考，也可用于实际测试
HOW HE/SHE'S SEEN
智能手机用户之间相互怎么看 光凭感觉不行哈，眼见为实。 ---------------------------------------------------------------------- 当爱已成往事 歌手：张国荣 专辑：the best of leslie 往事不要再提人生已多风雨纵然记忆抹不去爱与恨都还在心里真的要断了过去让明天好好...
GaussDB本地安装手册（主备模式）
如果实例状态是Normal，则安装成功。三节点集中式配置文件。
生成式AI；语义通信技术；生成式AI辅助的云边协同算法及其可解释性
生成式AI 语义通信技术 生成式AI辅助的云边协同算法及其可解释性 一、端到端设计的物理层内生智能 二、生成式语义通信 三、生成式数字孪生网络 四、生成式AI辅助的云边协同算法及其可解释性 五、未来可能的研究方向
Python 爬取张国荣最火的 8 首歌，60000 评论看完泪奔！
今天是4月1日。 每年的这一天， 一部分人搜索枯肠想尽办法整蛊， 一部分人感怀四月该很好，倘若你还在。 甚至有人，用AI的方式来还原你。 但那终究不是你啊。 图源见水印 你走了16年了，那些当年在课桌前趁老师不注意偷偷听你歌的少年们，或许早已为人夫为人妇。 即便如此，每年却有很多人在这人间四月天里，借着你给世界留下的不绝回音，去思念你、去给你留言，即便明明知道，永远也不会收...
ANFIS实现数据非线性回归附Matlab代码
在本文中，我们将介绍如何使用Matlab实现基于MSE的ANFIS非线性回归，并提供相应的源代码。ANFIS是一种融合了模糊逻辑和神经网络的方法，它可以通过学习数据集中的模式来构建一个模糊推理系统。ANFIS的训练过程基于最小化MSE，以提高模型的拟合能力。通过上述代码示例，我们可以使用基于MSE的ANFIS模型对数据进行非线性回归，并获得相应的预测结果。在示例中，我们定义了一个包含两个样本的新输入数据集 X_new，然后使用训练好的ANFIS模型进行预测，并将结果存储在变量 Y_pred 中。
备胎的自我修养 | （2）第二卷 当爱已成往事--01 由零开始（上）
第二卷 当爱已成往事 往事不要再提，人生已多风雨，纵然记忆抹不去爱与恨都还在心底，真的要断了过去，让明天好好继续，你就不要再苦苦追问我的消息，爱情他是个难题，让人目眩神迷，忘了痛或许可以忘了你却太不容易。 01 由零开始（上） 细雨蒙蒙，天色昏暗。那山，那水，那树，那人，在眼前变得模模糊糊，往昔那炽烈的色彩现在都已成为难言的格调。MP3上中播放着张国荣的“当爱已...
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")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
爱张国荣
爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣爱张国荣 往事随风
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
当爱已成往事--《霸王别姬》
往事不要再提 人生已多风雨 纵然记忆抹不去 爱与恨都还在心里 真的要断了过去 让明天好好继续 你就不要再苦苦追问我的消息 爱情它是个难题 让人目眩神迷 忘了痛或许可以 忘了你却太不容易 你不曾真的离去 你始终在我心里 我对你仍有爱意 我对自己无能为力 因为我仍有梦 依然将你放在我心中 总是容易被往事打动 总是为了你心痛 别留恋岁月中 我无意的柔情万种 不要
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
张国荣生前经典歌曲
香港知名艺人张国荣，1日晚间6时41分传出从香港中环文华酒店16楼坠楼身亡，被送玛丽医院抢救无效死亡，终年46岁。身上留有一封遗书，由于今天是‘愚人节’，相关人员在查证后，目前已经香港警方证实。据了解遗书内容有提到自己最近的感情波折。 出生日期: 1956年9月12日 出生地:香港 血型: O型 别名:哥哥(兄长的意思) 别名的由来:合演《CHINESE GHOST STORY》的JO...
2015年4月1日愚人节--怀念张国荣
2003年至今，每到四月，春天不太温暖。 今天西安城的天气不大好，下了一天的大雨，感觉整个世界陷入一片潮湿、静谧之中。 在这天不禁有点悲伤，是因为一个逝去的故人 人生已经太匆匆 我好害怕总是泪眼朦胧 忘了我就没有用 将往事留在风中 —— 怀念张国荣 冬天花败 春天花开 有人离去 有人归来 十二年
Python爬取张国荣最火的8首歌，60000评论看完泪奔！
「2019 Python开发者日」全日程揭晓，请扫码咨询 ↑↑↑作者 |丁彦军&胡巍巍来源 | 程序人生（coder_life）昨天是 4 月 1 日。每年的这...
Python 爬取张国荣最火的 8 首歌，60000 评论看完泪奔！ ...
今天是4月1日。 每年的这一天， 一部分人搜索枯肠想尽办法整蛊， 一部分人感怀四月该很好，倘若你还在。 甚至有人，用AI的方式来还原你。 但那终究不是你啊。 你走了16年了，那些当年在课桌前趁老师不注意偷偷听你歌的少年们，或许早已为人夫为人妇。 即便如此，每年却有很多人在这人间四月天里，借着你给世界留下的不绝回音，去思念你、去给你留言，...
音乐推荐-
1.爱 (谢霆锋/蔡卓妍) 2. 直到爱上你 (古巨基/张柏芝) 3. 相爱多年 (许志安/韩红) 4. 当爱已成往事 (李宗盛/林忆莲) 5. 我不够爱你 (刘德华/陈慧琳) 6. 24楼 (刘若英/杨坤) 7. 好心分手 (卢巧音/王力宏) 8. 广岛之恋 (张洪量/莫文蔚) 9. 让我取暖 (王力宏/彭羚) 10. 被风吹过的夏天 (金莎/林俊杰) 11. 无尽的爱 (成龙/金喜
今天最期待的谎言，就是你们不曾离去
就在我写文章前，人民日报发了一篇推送：今天最期待的谎言，就是你们不曾离去 ，整篇文章怀恋了在4月1日离我们而去的：张国荣、王伟，很是感人。确实，每年的4月1日，很多人都会以不同的方式来怀恋他们。而我今天也想借这个特殊的日子，写一篇关于张国荣的简短的文章，算是以程序员的方式怀恋张国荣吧，谢谢哥哥留下的那些先锋前卫的舞台记忆。根据音乐网站虾米音乐网的搜索结果，张国荣生前共计唱过 325 首歌曲，其中原...
斯人已化蝶，逝者如斯夫……
“往事不要再提，人生已多风雨，忘了过去也许可以，忘了你却太不容易。” 在电视中又看到了一个怀念张国荣的专集，久久不能释怀…… 过去对张国荣的作品，知道，并不多，走过路过看过放过。习惯了 ，放松了，平淡了……但是前年愚人节傍晚，那酒店窗口飞身化蝶的一跃，不由人心口猛然遭一重锤一击。 回首往事，怀念荣少。 《沉默是金》《风继续吹》每一场、一...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2348
扫一扫
