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
172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
昨天把衣服之类的东西快递到yaya那，5*19kg=95RMB。刚才把这几年的照片整理了一下，浏览了一遍，很多回忆，发现这时间真是太快了，快得都有些让人害怕。
下周是在ceno的最后一周，我的第一家公司，2005.12.19开始实习，记得很清楚，有很多回忆。应届生小组学习、导师hover、第一次加班、24to23 floor、umail、english corner....... 生命中重要的一笔。
我还会回来的，但是不是真的回来，回来办点手续。2002年9月开始到上海读书，快6年的时间，大学、同学、朋友、工作、生活，暂告一段落，迎接新的生活！
所有的一切，我爱你们！
ZLMediaKit源码分析（二）推流创建
ZLMediaKit推流结构体创建是在RtspSession::onRecv()之后。如何触发onRecv()请参考上一篇文章这里不在赘述。
时间过的太快了
今年23了，时间过的太快了，没有什么准备好像就要变老了，要警醒了！氧化有两种：生锈和燃烧，我选择燃烧！2007重整河山，加油！
Windows安装ros2(Jazzy版本+win10/win11)-1.配置windows终端
更高版本的terminal可能设置里更加丰富, 有默认以管理员身份启动的选项等,可自行配置。打开微软应用商店, 在其中搜索并下载 Terminal 即可(注意别挂梯子)下载并安装, 安装的位置自行替换,建议别放到系统盘中。点击任务栏中的搜索, 输入store。
时间过得太快了，啊啊啊
时间过得太快了，发现自己一个月都没有写过一点东西了，罪过啊~~
北京联通IPTV组播实战：OpenWRT软路由配置全解析
本文详细解析了在北京联通IPTV环境下，利用OpenWRT软路由和udpxy工具实现组播转单播的实战配置。内容涵盖网络接口设置、防火墙规则、udpxy安装配置、直播源M3U文件处理以及全平台播放指南，帮助用户无需机顶盒即可在家庭局域网内任何设备上流畅观看电视直播。
拆解大疆M300电池BMS：基于TI TIDA-010030方案的硬件架构深度分析
本文深度解析了大疆M300无人机电池管理系统（BMS）基于TI TIDA-010030参考设计的硬件架构。通过对比TI方案与大疆实现的差异，详细介绍了BQ7694003监控前端和BQ34Z100电量计的优化设计，以及通信架构的可靠性改进。文章还揭示了大疆在成本、空间和标准化方面的工程妥协与创新平衡，为锂电池保护方案提供了实践参考。
时间过的太快了，
时间过的太快了，岁月催人，年纪越大就越快，无奈呀
模电实验室：手把手教你调试共射放大电路静态工作点（避免波形失真）
本文详细介绍了共射放大电路静态工作点的调试方法，帮助避免波形失真问题。从实验准备、电路搭建到静态工作点测量，提供了实用的电阻选值策略和常见波形失真解决方案，适合电子相关专业学生和硬件工程师参考学习。
时间太快，时间太慢！
我怕时间太快,让我来不及留下足迹！我怕时间太慢，让我徘徊不前！
Unsloth Desktop 本地大模型微调量化实战指南
大语言模型的本地化定制正在成为开发者与内容创作者的重要需求，而微调与量化则是其中最关键的两项技术。LoRA 与 QLoRA 通过仅训练少量低秩矩阵，大幅降低显存占用和训练成本，让消费级 GPU 也能完成模型适配；GGUF 格式则打通了训练与推理的边界，使微调后的模型可直接接入 Ollama、llama.cpp 等主流推理引擎。本文以 Unsloth Desktop 为切入对象，从其底层加速原理出发，梳理了环境准备、模型加载、对话测试、量化导出、微调验证及 API 批量调用的完整链路，并针对显存优化、端口冲突
天地图下载带审图号（审图号: GS(2024)0650号）的 “行政区划” 数据（含shp文件下载地址）
在科研投稿论文过程中，多数期刊杂志要求我们制作涉及国界的图件，必须使用自然资源部地图技术审查中心发布的标准地图底图。如地理学报、地理科学等期刊的投稿指南中写到：非标准底图本刊不予发表！（如图1.1所示）如果一定要用，凡涉国界图件（国内部分地区、全国、世界部分地区、全球）必须使用自然资源部标准地图服务系统标准地图底图（http://bzdt.ch.mnr.gov.cn/）（如图1.1所示）或国家测绘局地理信息局标准地图底图（如图1.2所示），所用底图边界要完全无修改（包括南海诸岛位置）。
时间过得太快了
又要到期末考了,这学期除了上课时间看过书其余时间连书封面都没碰过,这学期过得有点郁闷,感觉没做个什么东西出来,也没接什么新东西就在收帐(这年头欠帐的都比收帐的厉害)不容易!!给医院软件加成都市社保的接口到现在还没做完,当时银海的那个经理说可能要做2个月吧,现在看来已经超时了,希望能在今年年底搞定,毕竟明年还有2家吃到嘴边的医院,如果搞不定那就太对不起江东父老了.
YOLOv11改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积，降低内存占用
本文记录的是利用优化的目标检测方法研究。深度可分离卷积可以减少FLOPs，但会导致更高的内存访问，引起延迟并减慢整体计算。部分卷积利用逐点卷积处理通道冗余，减少模型计算量和内存访问量。Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks的实现代码如下： 四、创新模块 4.1 改进点⭐ 模块改进方法： 1️⃣ 加入。添加后如下：2️⃣：加入基于的。利用改进模块，减少通道冗余。改进代码如下：首先添加如下代码让加入，并重命名为 再添加如
时间太快
十一7天就这么没了， 好快啊，人生的四分之一也没了，好快不抓紧，什么都没了，好快我晕了老是怀念大学的时光，还想着重返学校，哎，可惜，时间过了
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
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")
时间啊，过的太快了。。。
时间过的太快了。。。。我基本上都没有觉得是怎么过去的，快要毕业了。想想我这些年来得到了什么？似乎除了对计算机的了解多了一点，还有什么呢？平时也常常勉励自己多多学习，但又总是太贪玩，或是对什么都有兴趣，什么都去摆弄摆弄，结果是什么都不精，虽说我自己也意识到这点，已经把范围控制了很多了，但始终没有花太多的时间来一直研究一个东西（好象除了Python，我实在是太喜欢它的简单与强悍，用简单的办法
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
时间 时间 太快 有点觉得赶不上
有几天没有上优快云来了。这几天做了一些无聊的事情，几天下来似乎又远离了程序，突然不知道从哪里开始，也许生活就是这样， 没有说有完全的结束，也没有新的开始。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
OpenClaw安装与部署实战：避坑指南与最佳实践
AI智能体框架作为连接大语言模型与实际应用的关键技术，其核心在于提供统一的API网关和扩展机制。OpenClaw作为新兴开源项目，通过模块化设计解决了多模型对接的工程难题。在技术实现上，它依赖Python环境与系统级依赖的精确配置，涉及SSL模块兼容性、C扩展编译等底层原理。实际部署时，开发者常遇到环境准备不充分、端口冲突、日志调试等问题，特别是在国内网络环境下还需考虑模型API可用性及企业IM对接等场景。通过合理配置Docker参数、优化持久化存储方案以及调整并发参数，可以显著提升框架的稳定性与性能。本文
时间过得太快
我很想静下心来学习，学习，可是，可是…… 莫名的烦躁，难道这就是所谓的浮躁期。 别人都在努力朝自己的梦想前行，而我呢?还在发他妈的牢骚。 怎么了？ 我也不知道啊。 自信，能力都到哪里去了啊？ 发现自己越来越堕落，堕落是失败的前兆。 最近我一直在纠结。纠结我的为什么总是做出错误的选择，虽然我不后悔，但是我总是轻易相信那些对我不利的人，而不相信那些给我自信的人？ 我总是食言，去跟一个我
时间过的太快啊
d点点滴滴 转载于:https://www.cnblogs.com/shuanger/p/6789440.html
win10打开网页显示“时间太快无法私密连接”,但是证书里没有CertificatetionAuthority of WoSign该怎么办呢？
联想电脑Win10打开网页显示“时间太快，无法建立私密连接，但通过mmc打开根控制台后，证书里找不着CertificatetionAuthority of WoSign该怎么办呢？
时间流逝太快
一不留神到了可以享受“敬老免票”的年纪了。
电脑屏幕锁屏时间和我设置的不一样，锁屏太快了
电脑屏幕锁屏时间和我设置的不一样，锁屏太快了
时间过的太快了 一年如一日
感觉每一天都一样。 说实话，有点无聊。 不过和父母说了下， 他们的意见是， 证明你生活轻松。 不愁吃穿，才会如此。 其实是好事。 心中豁然开朗。
冥想：节奏太快，给心灵一点歇息的时间
http://www.nowamagic.net/librarys/eight/posts/2461开始冥想是半年前，因为一个朋友很相信这方面东西，受他影响，后来慢慢尝试，感觉效果非常的好，喜欢上了冥想，也感受它带来的好的影响。之前到现在都没有看过任何过于冥想的书，所以只能凭自己半年来的经验小分享下... 为什么要冥想呢？首先，我觉得冥想带来的好处是，让自己的生活节奏慢下来，缓解生活...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5070
扫一扫
