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
128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
心情的好坏，不是因为我们成功与失败，是否幸福与痛苦，也不在于我们是谁，我们正在或之前在乎过谁；不在于我们是否有机会，也不在于我们是否能把握机会；不在于我们做什么，我们能够做什么；在于的是我们能否处理好已经发生过的事或是可能即将发生的事；我们是否能承受起真就的结果；我们有自己在乎的人，但这个人不一定在乎我们，她也不一定需要我们的在乎；我们走不到台前，那就好好的在幕后做好服务工作，有时红花是不能没有绿叶的，不要因为我们得不到的东西而去毁掉，其实最好的就是让她开心，让她快乐；也许有一天她会明白的。我们都是凡人就是凡人应该做的事，别要计较太多，因为我们都要死很久......
转载于:https://www.cnblogs.com/Bolin/p/4003580.html
ABB机器人通过安装管理器重做系统
文章目录一、重做系统介绍二、重做步骤1.连接机器人2.添加系统版本3.添加许可4.选项确认5.确认应用 一、重做系统介绍 工具:软件robotstudio 连接到需要重做的真实机器人上 重做系统机器人的备份（建议新机器人到手后立马做一次初始备份） 二、重做步骤 1.连接机器人 连接到真实机器人，点击安装管理器，网络界面会出现真实机器人 2.添加系统版本 3.添加许可 重装系统这个机器人的备份里找，建议新机器人使用前先备份 4.选项确认 注意传动模块选项，如果是紧凑柜选成了标准柜就会出现相位缺失报警，默
做减法才是真本事，别以为你很能学，做加法一点都不难
大多数人不懂，不会，不做，才是你的机会，你得行动，不能畏首畏尾大数据等于趋势，一个向上趋势的行业会让你赚得比其他行业多做减法，才是真本事。想知道一个人是菜鸟还是高手，就看他到底是做加法还是做减法。世界上没有白吃的午餐，无非是舍弃哪个换取哪个，想什么都揽到怀里，注定会一事无成。懂得舍弃才是大智慧，懂得放弃的，才是高手。你观察所有的新人，无一不是在做加法，生怕漏掉一点点。一个刚学做饭的厨师，恨不得把所有的调料都给你加进去；一个刚摸相机的摄影师，生怕漏掉任何一个细节；一个初学美工的新人，做出来的一定是花花绿绿一闪
股票做空和做多是什么意思
股票做空和做多是什么意思 做股票的人经常会聚在一起聊，而聊天中最常出现的词汇无疑是做多和做空这两个，那么有人就要问了股票做空和做多是什么意思?甚至更有人会更进一步，问：做多和做空哪个更容易一些?今天小编就来一一回答这两个问题。 股票做空和做多是什么意思? 股市里经常听到做多做空，那股票做空和做多是什么意思?QR量化投资社区中说：做空就是卖出，做多就是买入。做空和“做多”是相反的，理论上...
中国企业做大也要做强做优
文/仁达方略管理咨询公司 战略事业部 摘要：企业做大成为必然趋势，企业做大也要做强做优，但是随着企业规模扩大、产业类型和管理层次增多后，可能产生的信息阻隔、信息传递速度衰减或内容失真、决策得不到不折不扣贯彻、指令执行出现严重偏差、企业成本增加、制度繁琐以及组织机构官僚化等都值得我们警惕。 中国企业做大也要做强做优。要增强我国整体竞争实力，增强我国在全球产业发展中的影响力和话语权，保障国
《基于情绪与博弈行为的做T研究》
看K线，算出压力位后，考虑到抢跑等因素，提前挂单，可分批挂单平铺，比如规划以持股数量一半做T，卖出多少算多少仓位，如果没时间盯盘修正压力位置，那么卖多少算多少，尾盘接回来，尾盘最后半小时以内接，也可最后10分钟，如果不到尾盘达到一个好的低点也可以接回来。，算出压力位和支撑位后，比如：10点，10点半，11点，1点，2点等，每个半小时左右看一次盘，进行操作调整，或者检查是否T出去了，比如，反T出去，资金也有了，那就可以挂单买回来。看K线一定是走上升趋势，早盘急杀急跌，深水区接，-3到-5%，这样的胜率最高。
Multisim仿真运放积分器踩坑实录：为什么你的方波变不成三角波？
本文针对Multisim仿真运放积分器时方波无法转换为三角波的常见问题，提供了详细的排查与调试指南。文章指出，经典RC积分电路因直流反馈开路导致运放饱和，核心解决方案是在反馈电容两端并联大阻值电阻以稳定直流工作点。通过参数优化（调整Rin、C、Rf）和高级仿真技巧，手把手教你调出线性度好、幅度适中的完美三角波，并分享异常波形（如饱和、不对称、振荡）的对应策略。
做T和做T+0有什么区别
做T广义上，做T指的是一种通过低买高卖或高卖低买来赚取差价的交易策略。这种策略可以应用于不同的交易周期，包括日内交易（T+0）、短期交易和中长期交易。在实际操作中，做T通常涉及频繁的交易，需要投资者具备敏锐的市场洞察力和高超的操作技巧。做T+0做T+0特指在股票交易日（T日）内进行的买卖操作，即当天买入的股票当天卖出。这种交易方式也被称为日内交易或即日回转交易。做T+0的核心在于利用股价的日内波动来赚取差价。投资者需要在极短的时间内判断股票的走势，并在合适的时机进行买卖操作。
SAP 运费处理方式
从直接的处理方式上看，情况1/2/3可以将运费记账到物料成本中，但情况4/5/6是直接记账到成本对象中，具体是要体现在损益表中，还是要结转到物料成本中，可依据业务要求进行好处理。如果体现在损益表中，不需要多过多额外的操作，如果要体现在物料成本中心，则需要再进行一系列的处理，最终将金额结转到物料成本中。因为在创建采购订单时不知道具体运费，可以不维护运费，只需要维护材料价格。：创建采购订单时，运费是由供应商承担，很多时候是包含在材料报价中，这种情况不需要专门针对运费进行处理，材料价格中已包含运费。
喜欢做的、都在做的、该做的和能做到的
一、背景 最近发现很多事情主要分为这几种：喜欢做的、大家都在做的、该不该做的、能做到的这四种角度。 很多人都做自己喜欢的事情，都做大家都在做的事情。 却很少约束自己去做自己该做的事情，不考虑自己是否能做到。 二、探讨 2.1 喜欢做的 很多人都做自己喜欢做的事情。这包括两点一种喜欢做的“有害”的事情，一种是促进成长的“兴趣”。 比如很多大学生喜欢没事就刷抖音，没事就打游戏，没事就看肥...
【TestNG自动化测试框架详解】
TestNG是一款设计测试用例执行流程的测试框架。
AI 生成测试报告：从 2 小时到 10 分钟
本文分享了AI在汽车电子测试报告生成中的应用案例。作者以某车企ECU测试项目为例，对比传统报告方式（每天2小时）与AI辅助方式（每天20分钟），效率提升83%。文章详细介绍了测试报告的核心要素（测试概况、结果、问题分析、发布建议）和不同类型报告（日报、周报、总结报告）的特点，并提供了从CANoe导出测试数据的Python解析脚本示例。通过AI自动化处理，大幅减少了测试工程师在报告整理上的时间投入，为汽车电子测试工作提供了实用效率提升方案。
股票做T手续费划算吗？佣金万三做T的成本计算
做T就是在同一天内完成买入和卖出同一只股票的操作，目的是利用股价波动赚取差价。听起来很美好，但手续费这个隐形杀手往往被新手忽略。今天我们就来算笔账，看看佣金万三的情况下，做T到底划不划算。记住：当你盯着差价时，券商正盯着你的本金。做T不是不能玩，但先算清楚这笔账——市场里最贵的不是机会，而是手续费构成的时间陷阱。假设你的券商佣金是万分之三（买卖双向收取），最低5元起步。
【跳频通信】基于MATLAB的跳频通信系统仿真
同时，跳频通信也具有良好的抗干扰能力，即使有部分频点被干扰，仍能在其他未被干扰的频点上进行正常的通信。由于跳频通信系统是瞬时窄带系统，它易于与其他的窄带通信系统兼容，也就是说，跳频电台可以与常规的窄带电台互通，有利于设备的更新。跳频是最常用的扩频方式之一，其工作原理是指收发双方传输信号的载波频率按照预定规律进行离散变化的通信方式，也就是说，通信中使用的载波频率受伪随机变化码的控制而随机跳变。从通信技术的实现方式来说，“跳频”是一种用码序列进行多频频移键控的通信方式，也是一种码控载频跳变的通信系统。
随笔-学习编程有没有必要做笔记？如何做笔记？
前言 对于刚刚学习编程或者已经学习了编程的朋友，难免会产生该不该做笔记的想法。是做好？还是多练习几遍比较好？下面将个人想法和大家分享一下，希望给正在迷茫的你能提供一点帮助 问题 1.学编程有没有必要做笔记？ 2.我该记哪些内容？ 3.如何去做笔记才高效？ 正文 问：学编程有没有必要做笔记？ 答：十分肯定，一定要做！ 作为一名软...
Unity中使用TCP和UDP传输摄像头视频的实践
本文探讨了在Unity中通过TCP和UDP协议传输摄像头视频的实现方法。TCP通过自定义消息帧保证数据完整性但效率较低，UDP传输速度快但可能丢帧。文章提供了Python和Unity的代码示例，分析了两种协议的适用场景：TCP适合要求数据完整性的应用，UDP则适合追求实时性的场景。最终选择取决于具体需求，并需要注意线程安全与同步机制。
Spring AI Alibaba实战训练营-05模型输出质量评估
本文介绍了使用Spring AI Alibaba库评估AI模型输出质量的方案。项目通过5种评估器实现自动化评估：相关性评估、事实准确性评估、答案相关性评分、答案正确性评估和忠实度评估。开发步骤包括环境准备（Java 17、Maven、API Key获取）、创建Maven项目、配置Spring AI（通过环境变量安全设置API Key）以及实现RAG流程。重点强调了通过评估器自动检测AI输出的质量指标，帮助开发者优化AI应用性能。
做项目与做产品有哪些区别？
一般IT公司的生产业务类型主要分为两种，即做项目和做产品。做项目和做产品主要的盈利模式是什么，区别是什么？技术工作者在选择就业机会的时候，如何根据公司的经营模式，来选择更适合自己的公司呢？
YOLOv13涨点改进| CVPR 2026 |独家创新首发、主干改进篇 |利用RIS-PiDiNet主干让YOLOv13更加强大！适合遥感目标检测、小目标检测、旋转目标检测，变化检测，图像分割涨点
🔥本文提出了一种改进的RIS-PiDiNet主干网络，通过引入几何先验构建几何一致性检测器，显著提升了模型在任意方向、结构规则目标场景下的检测性能。包含两个核心模块：S-PDC利用极谐变换的谐波核建模目标结构对称性，RIS-PDC通过SO(2)群平均实现旋转不变性。网络采用基于RIS-block的主干结构并融合轻量级LBP特征，增强了细粒度结构表达能力。实验表明，该方法特别适用于遥感和复杂几何分布场景，能有效提升目标检测的鲁棒性和精度。文章还详细介绍了如何将RIS-PiDiNet集成到YOLOv13框架
先做奴才，后做天才！——人生策划三法则
我给很多城市和企业做过策划,过程中总会有人提这样的问题：“熊老师，能不能也帮我策划一下人生？”我总会这样回答：“人生只有上帝才能策划。”但人生其实是可以“策划”的。 第一个法则：先做奴才，后做天才！ 在策划无锡梅里古都的时候，看过《申报》上有成龙的报道： 给人擦车用牙签挑缝成龙当年的梦想是做一个武术指导，那时候电影圈武行有一个很有名的人，他地位很高。为了能让他注意到自己，成龙每天都站在他来片场铁定...
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
【方向盘】做加法容易做减法难，程序员的我深有同感
不停的做减法，你会更优秀
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")
记录一下树莓派使用qBittorrent做种走弯路
结论： sudo apt-get install qbittorrent -y 远程桌面到菜单栏打开qbittorrent直接做种（网页版打开没有生成选项） ------------------------------------------------------------------------------------------------------------------------------ 本来一直是用树莓派挂的PT 种子下载完自动做种 突然想起试试发布一两个种子试试 之前都...
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
做平台还是做集成？
做平台还是做集成？集成怎么才能做好啊？
做“品牌”还是做“销量”？
有人说：通过做品牌解决销售问题是“富人”的游戏。似乎众多企业都想通过“制作”品牌来使企业起死回生。但实际上，往往是企业大伤元气。于是，他们响亮地提出了“不做品牌销量”的口号。 的确，这个话题对销售经理来说，很吸引人。暂且不论销售经理的职位短期因素有多大，单应付每月的销量指标压力，就没有空余的时间让你来考虑长远的战略问题。 我反复研究了这个话题，初步明白了“不做品牌做销量”的着眼点，就是从提高企
做官诀窍----"五官五做"
和珅从一个小官爬到一人之上万人之下.他有他自己的做官诀窍----"五官五做"小官大做和珅年轻的时候,就是一个三等鵉仪卫.有一天皇上与众大臣巡视清漪园.皇上随口问了一个典故,随行的官员都没有答上来.和大人说了一句:典守者不得辞其责.引起换上注意,从此一个小官就窜升了.热官冷做后来和珅做官做到了一人之下万人之上.可是和大人 出世低调,待人亲戚.不张扬不招摇.闲官忙做后来皇上提拔和珅为正蓝旗副都统.是一...
PCDM：从“如何做”到“做什么”
如何在项目初期就使投资者或赞助人参与其中，本文通过一个案例将项目组件分拆法清晰地呈现给读者。 任何项目都有一定的投资目标，这些目标在项目完成后也能够为项目赞助人带来预期的信息价值或应用效益。所谓最终交付物是依据项目立项时，赞助人或投资人对项目的未来效益或信息价值所需要的软件模块或组件。概念型项目往往有相当明确的价值期盼，但缺乏一套明确的操作过程让技术人员进行有效地分析，建立系统的功能需
复杂的事情简单做，简单的事情重复做，重复的事情用心做！
人们常说“复杂的事情简单做，简单的事情重复做，重复的事情用心做！”，其中真正的内涵是什么呢？ 所有事情想完成都是复杂的，复杂的事情简单做，只有将步骤简单化，理出脉络，才能着手去做。多数时候我们都把简单当简化来做了，而简单并非简化，简单是每一步骤都要清晰做到位，简化则是是几个步骤合并去做，省略了本该有的过程，事情往往就是毁在了简化上。重复并非复制。简单的事情重复做，就是要我们要看清楚自己在这里面能...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
