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
700+累计阅读
700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
工作了，感觉蛮好的！
工作了，有钱了，虽然不是很多，但是也够我花了。其实当工作后，发现自己都懒得花钱了！
工作了，每天都在上班，每天都可以进步，每天都很充实。虽然有时候会犯困，但是当任务紧急的时候，两条神经绷得仅仅的。
工作了，开始和笨蛋异地恋了，感觉蛮好的，虽然每天不能见面，但是每天都会打电话，每天总有说不完的话，这一年就是上天对我两的考验，希望我们都可以好好的走下去！
该进入正题了：
目前的任务，主要是对智能算法的沉淀！这个主要是看一些经典的英文文献！
目前的任务，顺便了解别家的产品！从此我也可以变得高大上了！
目前的任务，测试算法的检测效果！从此可以更加贴切的了解算法！
目前的任务，封装库！从此自己对C语言有了更近一步的理解！
目前的任务，拆分openCV库！从此要试着写功能函数！
目前的任务，了解一下经典的算法设计！
别再为批次效应发愁了！手把手教你用Harmony整合10x单细胞数据（附完整R代码）
本文详细介绍了如何使用Harmony工具消除单细胞数据中的批次效应，提供完整的R代码实现跨样本数据整合。通过模糊聚类和渐进校正技术，Harmony能有效区分技术噪音与真实生物信号，适用于大型数据集处理。文章包含质控要点、参数设置建议及常见问题解决方案，助力研究者获得高质量整合结果。
2015年工作总结
2015年工作总结
特斯拉 Model 3解析（九）特斯拉 Model 3 自动驾驶域控制器硬件架构
硬件层：车规级高密度主板 → PI/SI优化到极致传感器层：三目摄像头主导视觉，雷达补充冗余，超声波保证近距设计理念：依靠芯片算力最大化视觉潜力，而不是堆传感器这套思路的优点是：成本可控、量产快、迭代快。缺点是：极端场景下感知鲁棒性不足。纯视觉方案短期可行，但中长期必然要重新引入高分辨率雷达甚至固态LiDAR作为冗余。电源/信号完整性会越来越关键，未来域控板设计会越来越像数据中心服务器。
2015年10月9日 Go生态洞察：Golang UK 2015回顾
🐯 猫头虎博主在此！今天我们将回顾在伦敦举行的首届Golang UK会议。这次会议吸引了近400名Go程序员，展示了多场精彩的演讲和技术分享。搜索词条：Go语言，Golang UK 2015，技术会议。关键点描述开幕演讲David Calavera的“Crossing the Language Chasm”主轨道内容涵盖Go的并发模式、代码分析、微服务等多个方面副轨道内容围绕Go在API构建、银行系统、数据库等领域的应用闭幕演讲Damian Gryski关于Go社区演变的总结社区参与。
Python:同花顺全数据接口
# -*- coding: utf-8 -*- from iFinDPy import * from datetime import datetime import pandas as pd import time as _time import json from threading import Thread,Lock,Semaphore import requests sem = Semaphore(5) # 此变量用于控制最大并发数 dllock = Lock() #此变量用来控制实时行情推
向量库深度解析：选型、索引原理与生产实践
本文系统解析五大主流向量库（pgvector、Milvus、Weaviate、ChromaDB、Faiss）的定位、优缺点与适用场景，深入拆解FLAT、IVF、HNSW等核心索引原理，并重点分析Milvus的Compaction机制。针对数据治理场景，提供精准选型建议：中小规模优先pgvector或Weaviate，超大规模选择Milvus，开发测试推荐ChromaDB。核心索引推荐HNSW，兼顾检索速度与召回率。全文从理论到实践，为开发者提供清晰的向量库选型逻辑与生产落地指南。
2014--2015年工作总结
2014--2015年工作经验总结：
【笔记篇】Davinci Configurator EcuM模块
autosar ecum模块简介
程序员 2015 年工作总结
眼看2015年就要结束了， 回想自己这一年的所作所为，可能用“虚度光阴”这个词语比较准确， 感觉自己没干什么 正事一年就结束了。 工作上： 5月份换了工作，6-8月工作比较忙，周末和晚上有加班现象，9月开始几乎不用加班，但是一天8小时还是比较饱满的， 几乎没有时间打酱油。在新的公司（team） 技术层面要求不是传说中的那么高， 但是业务层面比较高。 做的task 比较慢的（bug也比较多）的一
数仓建模：维度表合并时，如何处理可能出现的数据冲突？
通过以上方法，可以有效地处理维度表合并时可能出现的数据冲突，确保合并后的数据完整性、一致性和准确性，满足业务需求和数据仓库的性能要求。在合并过程中，需要根据实际情况选择合适的处理方法，并进行充分的测试和验证。（2）实战中总结的SQL技巧，帮助SQLBOY在SQL语言上有质的飞越，无论你应对业务难题及面试都会游刃有余【如果您觉得本文还不错，对你有帮助，那么不妨可以关注一下我的数字化建设实践之路专栏，这里的内容会更精彩。技巧总结，让你认识不一样的数仓。，数据库会抛出异常，可根据异常处理机制解决。
（四）DDR协议命令波形时序一——（ACT、Read、Write）
文章目录一、DDR命令真值表二、ACT激活命令时序要求2.1、ACTIVATE波形——tRRD、tFAW2.2、ACTIVATE波形——tRAS、tRC三、Read命令时序要求3.1、Read 波形——无Additive Latency3.2、Read 波形——有Additive Latency3.3、Read 波形——Additive Latency使用场景 一、DDR命令真值表 DDR的Command命令由CKE、CS#、RAS#、CAS#、WE#信号组成，这几个信号进行不同的搭配组合会形成不同的Co
2015年工作总结与2016年新年规划
在过去的2015年，是一个极不普通的一年，是一个开始转型发展的一年，我需要对15年的事情做一个总结，以此在2016年有一个详细而正确的规划路线。 15年3月份底，我正式从泰开自动化有限公司辞职了，公司留给我的很多，从普通的基础工人到最后的研发助理工程师，这一路上的人情事故，学到的东西，我非常感谢泰开自动化有限公司，离开公司9个月的时间，一直有两件事情我始终无法释怀。一，没有请公司之前的同事在一块吃
一、C++反作弊对抗实战 (基础篇 —— 2.注册表注入DLL)
在Windows NT/XP操作系统中，当需要加载user32.dll的程序启动时，user32.dll会加载注册表键HLM\Software\Microsoft\WindowsNT\CurrentVersion\Windows\AppInit_dlls下面列出的所有模块。
贵州省计算机职称考试时间2015年,关于2015年8月份贵州贵阳职称计算机考试安排通知...
关于全国专业技术人员计算机应用能力考试贵阳市考区2015年度8月份考试工作安排的通知为了便于广大专业技术人员申报评聘2015年的专业技术任职资格，根据国家人力资源和社会保障部及贵州省人力资源和社会保障厅的有关文件精神，根据我中心2015年度全国专业技术人员计算机应用能力考试贵阳市考区考试工作计划，现就2015年8月份考试工作有关事项通知如下。一、报名时间本次考试统一实行网上报名，请考生于2015年...
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
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。
来深圳以后的3个月后，2015年8月后的生活一直很轻松了
2015年4月19日开始在惠群工作，工资4千多，刚开始没什么能力，就在那里做测试，公司项目是做一个手机招聘app，Android和ios都是原生的开发工程师各一个，我去的时候好像已经做了2年了。我到了没有半月，公司就走了一个员工，说是感觉上不了线，没前途，工资也不高。然后我2个月左右的样子，那个ios开发的人也整天抱怨发牢骚，那时候领导找他谈话，他也爱理不理，我是测试的，更加没办法，测试出的问题他
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")
2015年阿里实习经历
2015年3月，我通过了阿里巴巴实习生内推面试。 2015年7月14日，我来到杭州，杭州天气还不错。前一天刚结束深圳的比赛。 15日早上没事去西溪园区闲逛，熟悉一下环境，顺便看看自己的工位。正好碰到《极限挑战》在园区拍摄，在电梯口堵完几个明星之后，去到工位看看部门是什么样的，毕竟第一次到职场，有点紧张地感觉。很快联系上了部门带自己的师兄，被带到工位。由于园区还有两栋大楼没有竣工，部门被安排在临时
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
[转]关于做好2015年许昌市城区小学招生工作的通知
本文转自：http://www.xcsjyw.com/html/News/2015/0818/2015081819000725083.html 各县（市、区）教体局、市直各小学： 为做好许昌市小学招生工作,依据《河南省教育厅关于做好2015年义务教育招生工作的通知》（教基一〔2015〕311号），现就做好2015年全市小学招生和市区小学招生工作通知如下。 一、基本原则 （一）分级管理原则。...
工作记录 2015-08-24
工作记录 2015-08-24
蓝旭工作室2015-2016年工作汇报
亲爱的同学们，敬爱的老师们，大家下午好。 我是司文宇，来自软件学院2013级，现任蓝旭工作室本科生负责人。很荣幸参加本次活动，接下来我将从以下四个方面进行我今天的汇报： 一，蓝旭现状 蓝旭工作室位于净月校区大学生活动中心二楼，办公室占地60平方米，现有13级成员18人，14级成员18人，2015级试用成员23人，博士称技术顾问1人。工作室的核心业务是资助平台，此外还有微心愿助学平台...
2015年个人总结
时间过得真快，2015年已经过去了，新的一年开始了。站在2016年起点上，回首2015，有些事是值得记录的。
我来说说2015年8月25日锤子科技夏季手机发布会的内情
我来说说2015年8月25日锤子科技夏季手机发布会的内情, 虽然我也没去现场,我也不是锤子科技的,我跟锤子科技的人也不熟.那算什么内情啊?好吧,改一下,我来瞎说一下2015锤子科技夏季手机发布会的内情. 我想大部分人到现场或者在网上看视频,目的都不是看手机,也不是看幻灯片，而是想乐一乐。从这一点来看，这次发布会是不算成功的，我看网上的视频几乎没乐。老罗演讲水准严重下降，还经常重复说车轱
始于2015年11月23日，终于2018年08月08日
留念。 2015年11月23日：在一起 2016年01月17日-21日：北京机场，我们❤ 2016年04月16日：去他所在城市——成都 2016年06月04-06日：第一次小旅游——都江堰、青城山 2017年02月10日：一起去了广州 2017年03月27日：入职他所在公司 2017年05月28日-6月1日：去他家，海南，琼海。 2018年01月01日-2日：深圳小旅行 2018...
2016年工作总结以及2017年工作计划
前言：生活需要继续，梦想始终在前行！ 2016年工作以及生活总结： 对于个人而言，从接触到博客的时候已是8月份，整体做了下面几件事： 一、.工作：（2015.3-2016.12） 安卓基础知识通过博客梳理了一遍，其中阅读书籍 Java:《THINK IN JAVA 》《Head First 设计模式 》
2015年8月份以后
2015年，疯了一样的6月份，耗尽了很多精力，然后7月中下旬到8月开始缓和过来，又觉得有些无聊。 本来无聊的时间里都是学习的好时机，但是6月份边学边用的经历（看书两小时，编码半小时）又让我一下想过些不那么充实的生活，于是觉得，我应该停下来做一些无用的思考。 想了很多，今年来一直隐隐约约在萌发的离职念头试着去深入分析了下。没有什么特别的原因，有时候我觉得要换到一个更加高水平的环境是不是...
一个奔三程序员的2015年总结
2015年总结2014年是转折的一年, 结果2015年依然是转折的一年. 跳了一次槽, 有了娃.
敏捷个人2015年8月线下活动：认识自我系列第二期活动报道
8月第一周临时决定在当周8月8日进行了敏捷个人线下活动。活动结束后，老朋友廉雨给我们做了8月份线下活动内容的报道，感谢大家一如既往的支持和肯定，以下为具体内容。 活动开始前 按照惯例每人抽一张卡片，在自我介绍完之后，谈谈对自己手里卡片的理解。 所有人都介绍完后，开始正式进入今天的主题分享。 认识自我练习（2）：性格定位 本次练习你的收获 知道性格的...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
197
扫一扫
