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
600+累计阅读
648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
“设计是一个发现问题、而不是发现解决方案的过程” —— Leslie Chicoine
“功能说明书里不存在可操作性” —— 37 Signals
“过去的代码都是未经测试的代码” —— Michael Feathers
“任何傻瓜都能写出计算机可以理解的代码。好的程序员能写出人能读懂的代码” —— Martin Fowler
“测试是来表明bug的存在而不是不存在” —— Edsger Dijkstra
“简单不先于复杂，而是在复杂之后” —— Alan Perlis
“Real developers ship” —— Jeff Attwood
“没有绝世神功” —— Frederick Brooks
“过去的33年里，我每天早上看着镜子问自己：“今天是我生命的最后一天吗？我是否要去做今天该做的事？”一天一天太多次是“不是”，我知道这需要改变…所有的事情——所有身外的期望，所有的骄傲，所有的对困难和失败的恐惧——这些东西在死亡面前立刻消失的无影无踪，只剩下真正重要的东西。想着自己即将死去，这是让我避免落入担心失去什么的陷阱里的最好的方法。” —— Steve Jobs
飞控算法-姿态解算之互补滤波
飞控乱入之姿态解算 姿态解算是通过读取各个传感器的数据进行融合最终得到当前飞行器的姿态，姿态通常用Euler角（Roll-Pitch-Yaw）来表示 姿态解算框架 姿态解算的数据源可来自于陀螺仪或加速度计，他们分别都可以得到当前姿态，但实际上他们都有各自的传感器性能的优缺点，需要取长补短，进行数据融合才能得到真实的姿态，这种方法简称 互补滤波 算法 传感器特性 互补滤波 姿态解...
程序员成功之路
程序员成功之路 ——The road ahead for programmer（演讲稿）一、我很羡慕在座的各位同学，因为你们是中国未来的程序员，而我不是，我一直很遗憾。比尔盖茨曾经写过一本书叫做《未来之路》The road ahead, 那么今天我选择这样一个题目，the road ahead for programmer, 程序员的未来之路，也就是程序员的成功之路，希望大家未来也能够拥有像比尔盖
从零构建EtherCAT从站：SSC工具配置与TwinCAT3 PDO/SDO调试实战
本文详细介绍了从零构建EtherCAT从站的完整流程，重点讲解SSC工具配置与TwinCAT3 PDO/SDO调试实战。通过解析EtherCAT通信机制、PDO与SDO的核心概念，提供SSC工具配置技巧、XML文件生成与校验方法，以及TwinCAT3环境下的调试经验，帮助开发者高效完成EtherCAT从站开发与优化。
程序员团队名称和口号_第四季度团队口号励志标语大全
第四季度团队口号励志标语大全 导语：转眼间就来到2016年的最后一个季度，每个团队都争取突破成绩。下面是语文迷小编收集整理的团队励志口号，欢迎大家参考! 不吃饭，不睡觉，打起精神赚钞票 十年(公司名称)，群雄逐鹿，第一永属，(部门名称)加油 双虎并进，必压群雄，(公司名称)市场，有我最强 开拓市场，有我最强，(公司名称)(部门名称)，我为单狂 (公司名称)十年最...
Docker容器化部署Ceph集群：从零搭建高可用分布式存储
本文详细介绍了如何使用Docker容器化部署Ceph集群，从零搭建高可用分布式存储系统。通过环境一致性、快速扩容和资源隔离等优势，Docker显著提升了Ceph集群的部署效率和运维便捷性。文章涵盖硬件规划、镜像选择、单节点部署、多节点扩展及性能调优等实战内容，帮助开发者快速掌握分布式存储系统的容器化部署技巧。
Windows10 使用Apple Studio Display显示器的设置
AppleStudioDisplay显示器购买花了近1.5wRMB，由于为windows台式机，显卡为NVIDAGTX-1660，而AppleStudioDisplay只有雷电接口，尝试了很多种转接方式，均以失败告终，最终使用贝尔金VR线成功，，附图如下这边也测试过NVIDARTX-2060Super、NVIDAGTX-1650显卡，都是能点亮的，NVIDA1650存在关机重启后黑屏，不稳定现象，2060也存在关机重启后不亮现象，后面发现1660s很稳定。...
程序员的励志名言
1.不像牛马一样落后，要像野狗一样战斗! 2.跑步很累数学很难听课很困作业很多，但熬过这些日子就是前程似以锦 3.这个社会适者生存你没脸也没文凭 4.希望你通过努力在世界上留下很厉害的痕迹 5.高三一年不做人日后年年人上人 6.通往清华北大的路是用卷子铺出来的。 7.吃得苦中苦，方为人上人。 8.寻清闲另觅他处，怕吃苦莫入此门。 9.我可以一落千丈，我偏要一鸣惊人。 10.满船清梦压星河偷捧时间煮酒喝。 11.苦尽甘来的那一天，山河星月都作贺礼 12.现在就能决定的事情就不要在将来
从零开始安装pytorch（包含GPU和CPU版本的安装）
Pytorch是。
程序员励志名言
1、作为一个真正的程序员，首先应该尊重编程，热爱你所写下的程序，他是你的伙伴，而不是工具。 2、程序员可以让步，却不可以退缩，可以羞涩，却不可以软弱，总之，程序员必须是勇敢的。 3、编程是一种单调的生活，因此程序员比普通人需要更多的关怀，更多的友情。 4、程序不是年轻的专利，但是，他属于年轻。 5、没有情调，不懂浪漫，也许这是程序员的一面，但拥...
MFC实现图书管理系统(附完整源码）
MFC实现图书管理系统(附完整源码）
仿真学习系列（二）：ADS仿真直观理解方波与频谱分量的关系
在高速电路设计中，我们常常听到一句话：“信号其实不是电压在传输，而是频率在传播。” 这句话看似抽象，却揭示了信号世界的核心本质——任何时域波形，都可以被拆解为一系列不同频率的正弦波。 那么，一个看似简单的方波，究竟由哪些频率成分组成？为什么在示波器上，有的方波上升沿又快又“方”，而有的却“圆润”得多？这些差异背后，隐藏的正是高频分量的力量。 本文将通过使用 Keysight ADS，从零搭建仿真电路，直观地观察方波与其谐波成分之间的关系。
如何鼓励程序员
1. 在你内心深处，还有无穷的潜力，有一天当你回首看时，你就会知道这绝对是真的。 2. 成功，往往住在失败的隔壁！ 3. 在通往知识的顶峰的路上长满了荆棘，望你不畏艰险克服困难勇往直前！ 4. 当你感到悲哀痛苦时，最好是去学些什么东西。学习会使你永远立于不败之地。 5. 小小的个儿，小小的嘴，可别小看站在台上表演的你，大家都会翘起大大的拇指夸你不停。 6. 用自己不懈的努力，证明你一点也不比别人差。 7. 只要你努力了，我就可以接受你的失败。 8. 你和书本一定是好
Python控制TEMI1000/TEMI1500测试温箱
该温箱是我司从昆山振弘检测设备有限公司采购的TEMI 1000，但是控制器用的是韩国的，关于控温箱这个项目，可参考的资料仅有一份官方的manual，里面包含一些命令格式。只要你有温箱，就应该可以向厂家索取该文档。该温箱的通讯接口只有一个RS232接口，要想实现远程控制，需要有串口转USB的线；类似于下图所以，想依靠python来与之进行通信，还是要通过python 的pyserial库，关于怎么安装pyserial，过于简单，这里不做赘述，可自行百度。
别忙着改BUG了_先干了这碗鸡汤！
摘要： 名人名言往往能够激励和鼓舞着人们上进，有时一句简单的话已足够让你质疑对正在编写的代码的态度，改变你的人生，有时候，程序员正需要来自这些名言的鼓励。 名人名言能激励人，鼓舞人或煽动人，有时一本书能对你如何写程序或如何解决一个问题具有实实在在影响，一句简单的话也能够让你改变对正在编写的代码的态度，本文整理了激励程序员的9句名言，深谙这些藏在程序员心里多年、只是从未宣讲出来的道理，希望你们
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
程序员的9句名言
我 发现名人名言能激励人，鼓舞人或有时是煽动人，下面就是我这些年来最喜欢的几句。有时一本书能对你如何写程序或如何解决一个问题具有实实在在影响。有时一 句简单的话已足够让你质疑对正在编写的代码的态度。有时候我惊讶于有些人如此的深谙这些藏在我心里多年、只是从未宣讲出来的道理。 “设计是一个发现问题、而不是发现解决方案的过程” —— Leslie Chicoine “功能说明书里不存
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")
陪伴我作为程序员的9句至理名言
有时一句简单的话已足够让你质疑对正在编写的代码的态度。有时候我惊讶于有些人如此的深谙这些藏在我心里多年、只是从未宣讲出来的道理。 我发现名人名言能激励人，鼓舞人或有时是煽动人，下面就是我这些年来最喜欢的几句。有时一本书能对你如何写程序或如何解决一个问题具有
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
陪伴我作为程序员的9句名言-转载
http://www.aqee.net/2011/05/27/9-quotes-that-stayed-with-me-as-a-developer/ 我发现名人名言能激励人，鼓舞人或有时是煽动人，下面就是我这些年来最喜欢的几句。有时一本书能对你如何写程序或如何解决一个问题具有实实在在影响。有时一句简单的话已足够让你质疑对正在编写的代码的态度。有时候我惊讶于有些人如此的深谙这些藏在我心里多年、只是从未宣讲出来的道理。 “设计是一个发现问题、而不是发现解决方案的过程” —— Leslie Chico
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
