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
201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
弹幕功能最早出现在番剧，二次元中。而越来越多的视频，直播，电视剧中集成了这种功能。
弹幕有着独特的魅力。
弹幕比起传统的评价，有以下的特点：
1. 更加直观反映大家的呼声
2. 能够视觉上体现大部分人的要求
3. 评论形式新颖，让人更容易来做评论
当然还有很多的好处。
笔者是找了非常多了开源项目都没找到方便的实现，所以花了一天的功夫，自己创建了一个项目：LiSA.danmu.js
以此为目标：
1、分分钟，几个步骤完成弹幕功能搭建
2、 易于功能扩展，代码非常简单，各模块功能，都可以任意替换
3、 对原网站无侵入性，弹幕功能与原html在开发阶段没有关系，通过nginx等添加脚本方式，做到代码无侵入性
项目对用户、弹幕本身安全性没做特殊处理，也没时间做，如果有人需要扩展，issue我，也欢迎pull request
AXI 1G/2.5G Ethernet Subsystem IP核使用过程中参数配置全解
AXI 1G/2.5G Ethernet Subsystem 是一个为FPGA设计的以太网子系统，它支持1Gbps和2.5Gbps的数据传输速率，使得FPGA能够直接进行高速以太网通信。这个子系统通常包含以太网MAC控制器、GMII（千兆媒体独立接口）或RGMII（简化GMII）接口、以及可选的PHY（物理层）接口支持。
AOP+memcached无侵入式集成
通常为了减轻数据库的压力和提升系统性能我们会将数据缓存至memcached中，传统的写法冗余而且高度耦合，本文试图通过Annotation+AOP无侵入式集成memcached。效果如下： @Override @ReadCacheAnnotation(clientName = CacheClientEnum.commodityclient, assignCacheKey = "${param
YOLOv8实例分割实战：从LabelMe标注到模型训练全流程（附完整代码）
本文详细介绍了YOLOv8实例分割的完整实战流程，涵盖从使用LabelMe进行数据标注、格式转换，到构建数据集、配置参数并完成模型训练的全过程。文章提供了详尽的代码示例和常见问题解决方案，旨在帮助开发者高效掌握YOLOv8实例分割技术，快速应用于实际项目。
无侵入进行SDK的初始化
无侵入进行SDK的初始化 0.前言我们在集成第三方SDK的时候大多都会在Application的onCreate方法里进行SDK的初始化或配置工作，这好像也没有什么问题，不过我们能不能能做的更好一点呢？就是希望用户在gradle文件里compile一下相应的库就可以直接使用，不需要额外的初始化和配置.这个问题，我在阅读Android Architecture Components
论文阅读--射频电源在半导体领域的应用
射频电源（RF Power Supply）是能够输出300kHz~300GHz正弦波电压的高频交流电源，在半导体制造领域，射频电源的典型工作频率范围为400kHz∼60 MHz，主要由射频发生器(功率源)、匹配器及配套控制电路组件构成，其关键组件包括变压器与电抗器、晶闸管、绝缘栅双极型晶体管（IGBT）、钣金件、铜材及各种电子元器件。射频电源是刻蚀和薄膜沉积工艺的核心，主要用于产生等离子体，以增强气体反应活性，其性能直接影响反应腔体内等离子体的浓度、均匀性和稳定性。
手搓ZLMediaKit实现拉流推流系列3（RK3588上YOLO系列拉流、MPP解码+编码、推流全流程）
前段时间比较忙，一直没有时间补充后续的内容。今天终于抽出空来，立马进入码字环节：手搓ZLMediaKit实现拉流推流系列在本篇也终于迎来了完结篇，在本篇文章中，你将看到以下一整套完整流程：使用ZLMediaKit拉流---MPP解码---Yolo模型进行推理---MPP编码并推流。
架构 - 侵入式和非侵入式框架的区别
侵入式和非侵入式框架的区别什么是框架的侵入性？ 什么是框架的侵入性？ 一句话概括就是，你的代码需要依赖框架的代码，如果把框架拿掉或者换一个框架，就需要重新修改代码。 举个很简单的栗子啦： 如果使用侵入式的框架，一般需要继承或者实现框架的某一个类或接口，这样你把框架拿到以后就会运行不起来，甚至在代码层面会报错哦。 那么如同spring这种非侵入式的框架，都是利用反射和动态调用来实例化的，代码中没有任...
DaVinci配置DID之三：代码实现
本系列主要基于DaVinCi工具链来展开具体DID读写的配置以及最终实现。1，CDD准备2，工具链配置3，代码实现4，验证结果本文讲述流程3话不多说，走你~博主是AutoSar小白，如果哪里表达的有问题，还请大佬们指点指点哈。接下来，让我们在下章关于测试验证的博文再相会哈~
进阶之路：第三方系统整合SSO（非侵入式）
起源 最近老板提了一个需求： 自己做一个SSO系统，要求登录之后第三方产品（如gitlab、jira）也实现免登陆的效果。 我听到之后第一反应就是：人家的认证系统走的又不是我们的逻辑，这不得改源码啊。。 但是经过几天的测试之后，最终还是实现了不修改源码实现第三方系统免登陆的效果。这个倒是提醒了我以后遇到事情不能太早下定论，多做些测试和调研，就算不行也得用充分的测试结果或官方的论证依据来印证说法...
可疑物品遗留检测系统：基于YOLOv8的智能安防解决方案
数据采集与标注模块：负责收集和标注可疑物品图像数据模型训练模块：基于YOLOv8算法训练检测模型推理检测模块：加载训练好的模型进行实时检测用户界面模块：提供友好的操作界面和可视化结果展示报警模块：当检测到可疑物品时触发报警机制：包含多种暴力场景和可疑物品SUAVe：监控场景下的异常行为与物品数据集：包含多种可疑物品自建数据集：针对特定场景收集的数据背包(backpack)手提箱(suitcase)无人看管的包裹(package)可疑箱子(box)
11.Labview实现用户界面切换的几种方式---通过VI间相互调用
本文介绍了界面切换的几种方式，分别是重入和引用①重入方式可以通过调用子VI的方式打开被调用的界面，往往应用于弹窗等的设置程序。②引用方式分两种，一种是打开引用，一种是静态引用。区别在于打开引用需要设置被打开VI的目标地址，静态引用仅需在引用时绑定VI的位置即可。③推荐使用静态引用的方式切换界面。④使用引用打开界面时，需通过属性节点和调用节点来设置程序的状态。更多内容欢迎大家补充和留言讨论~本文介绍了GUI界面设计相关的程序，更多相关文章后续持续更新，请关注作者不迷路~本期就到这里，再见~
侵入式和非侵入式的区别
摘自《Spring框架技术》 Spring框架是一种非侵入式的轻量级框架 1.非侵入式的技术体现 允许在应用系统中自由选择和组装Spring框架的各个功能模块，并且不强制要求应用系统的类必须从Spring框架的系统API的某个类来继承或者实现某个接口。 2.如何实现非侵入式的设计目标的 1）应用反射机制，通过动态调用的方式来提供各方面的功能，建立核心组间BeanFactory 2）
Python经典编程习题100例：第32例：相反顺序输出列表
不要自卑，去提升实力 互联网行业谁技术牛谁是爹 如果文章可以带给你能量，那是最好的事！请相信自己 加油o~ 本人初学Python，只为熟悉语法编写，大神请勿理会 点击下面链接 Python经典编程100例习题汇总 题目描述： 按相反的顺序输出列表的值。 解题思路： > 利用reverse函数逆序 代码： arr=['f','g','e','b'] print(arr) arr.reverse() print(arr) ...
Web 版翻译者资料库
本项目是桌面版《翻译者资料库》的 Web 移植版，基于 Spring Boot 3.3、Thymeleaf、Bootstrap 5.3 与 MySQL 8.0 构建。它面向翻译写作提供资料、词汇、句库、文本工具、对照制作、查找、备份恢复及旧库迁移等功能，完整继承桌面版核心业务规则，支持一键启动与离线访问。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
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
V8 机制、手写核心函数与 TypeScript 类型体操
或固定初始化（如数组先定长、对象先给全字段）保持类型与形状稳定；这些都比"换框架"更基础。只能处理纯数据（丢函数、Date、RegExp、循环引用报错）。生产级深拷贝要处理：原始值短路、循环引用、V8（Chrome / Node 的 JS 引擎）不是"解释一行跑一行"那么简单，它用。图：V8 执行流程——解释执行 + 热点优化，优化失败会 Deopt 回退。JS 内存自动管理，但"自动"不等于"不会漏"。是"固定间隔最多执行一次"。手写 Promise 是"懂异步"的试金石。是"停下后才执行最后一次"，
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")
副队长BootStrap5探究(2)--按钮与按钮组
本文系统讲解Bootstrap 5按钮组件的使用与底层原理。通过CDN引入框架，掌握btn基础类及primary、success等主题色应用，学习轮廓按钮（btn-outline-*）、尺寸控制（btn-lg/sm）、块级布局（d-block）和禁用状态（disabled）等实用功能。结合源码解析，深入理解其基于CSS的圆角、过渡动画、伪类交互实现机制，实现“快速上手+原理掌握”的双重目标，助力前端技能进阶。
React 性能：memo / useMemo / useCallback
讲清 memo/useMemo/useCallback 的配合与边界，先测量再优化，避开常见过早优化。
DSH (DeepSeek Harness) Windows 升级安装指南20261107
注意：如果在普通窗口执行 nvm 提示找不到命令，或执行 nvm use 提示 Access is denied，请务必关闭当前窗口，重新打开一个管理员CMD 执行上述完整路径命令。找到 .credentials.yaml，将其重命名为 .credentials.yaml.bak（备份并使其失效）。Node.js Storage Location：可改到非系统盘（如 D:\dev\nvm，避免路径含空格或中文）。打开文件资源管理器，进入 C:\Users<你的用户名>.dsh\。
SpringBoot「衣依」服装销售平台：144个Java文件180个接口，从挑衣服到收货评价整条链路都在
# SpringBoot「衣依」服装销售平台：144个Java文件180个接口，从挑衣服到收货评价整条链路都在 > 这是一套基于 Spring Boot 的服装销售平台源码，配套 `db.sql` 建表脚本，业务覆盖商品展示、购物车、订单流转、收货地址、订单评价、商品评论、在线客服、轮播图和资讯。形态是**前后台双端**：前台是顾客逛的商城，后台是管理员管的控制台。本文带你看清里面有什么、怎么跑
微信小程序-wxs
在微信开发者工具中右键创建.wxs后缀的文件。每个.wxs文件也是一个独立模块，同样使用导出内容。示例（文件return d;FOO: foo,bar: bar（外联定义参考官方文档）
使用echarts模拟甘特图
项目中需按时间段展示不同颜色的数据，通过解析时长并统计各类型总时长，结合预设颜色映射表（含自定义与默认色），动态生成ECharts图表。利用sumByTypeName聚合数据，为每类分配对应颜色，实现图例与柱状图的精准匹配，确保多时段、多类型数据可视化清晰准确。
设计模式（unity游戏研发版）
当你使用图形用户界面类时通常会遇到一个问题。比如，你创建了自定义按钮类并允许客户端在按钮中注入自定义代码，这样当用户按下按钮时就会触发这些代码。观察者模式允许任何实现了订阅者接口的对象订阅发布者对象的事件通知。你可在按钮中添加订阅机制，允许客户端通过自定义订阅类注入自定义代码。在Unity中，这就像UnityEvent在Inspector中绑定多个回调。
【技术专题】JavaScript 网页技术 - JavaScript 流程控制
小锋老师推出《一天学会JavaScript（无废话版）》视频教程，涵盖基础语法、流程控制、函数、数组对象、DOM操作及ES6新特性。内容精炼，配套课件与源码打包下载，助力快速入门。重点讲解if/else、switch、for/while循环、for...of/in遍历及break/continue使用场景，并通过成绩判断实例演示实际应用。适合零基础学习者高效掌握核心技能。
基于 FastAPI+LangChain+LangGraph+Agent+Vue3+MySQL 的房产数据采集与房价预测分析平台
本文介绍一个完整的「房产数据采集+AI房价预测」全栈项目，涵盖FastAPI异步后端、LangGraph Agent智能问答、爬虫采集、机器学习预测与Vue3前端，实现从数据采集到AI交互的闭环。项目融合多技术栈，具备真实业务场景与生产级设计（如降级策略、流式输出、多模型对比），兼具简历亮点与答辩演示优势，可系统性提升工程能力，并附高频面试题解析，是理想的技术综合实践项目。
货运APP、货运小程序开发：网络货运平台与同城配送搬家系统实战
本文介绍一套完整的货运平台系统，涵盖货运APP、小程序、网络货运、同城配送、搬家预约等场景，基于SpringBoot+MyBatisPlus+MySQL技术栈，采用uni-app实现多端统一开发，配套TMS运输管理与物流管理系统，支持下单、派单、运输、结算全流程，适用于货运搬家、物流搬运与配送业务，可作为物流软件及TMS系统的参考实现。
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
