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
400+累计阅读
487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
企业应用开发技术覆盖面比较广泛，但基本上都是围绕数据中心式的Web应用，另外以我们公司所承接项目的趋势来看，Web应用越来越多，传统的C/S结构的大型系统最近很少见了，因此数据库开发、Web开发、移动开发这三大领域的主流技术都可以关注。从后端来说Web开发技术（Struts、ASP.NET和RubyOnRail等)，分布式服务开发技术（Web Service、WCF等)，O/RMapping（Hibernate、iBatis和Entity Framework等），而前端的JQuery和DOJO等这样的Javascript RIA技术，以及势头正火的HTML5,CSS3也值得关注。对于初学者来说，不要考虑某某技术是否会过时，某某技术现在还用不到等等，技术都是有相通性的，无论学习了哪一种技术，积累的知识和经验对于今后的职业发展总是有益。
我认为专利和知识产权是独占并被保护的，但是经验和知识是应该分享的。
SGM5860x高精度ADC驱动开发与SPI接口实战指南
本文详细介绍了SGM5860x高精度ADC芯片的驱动开发与SPI接口配置实战。内容涵盖芯片特性、SPI通信设置、寄存器映射、驱动初始化、数据采集处理、校准优化及调试技巧，帮助开发者快速掌握国产24位ADC的应用，提升工业测量项目的精度与稳定性。
Android之 杂七杂八
Android之 杂七杂八
SAP SD 顾问面试问题 consultant interview questionnaire
以下是我个人目前面试团队 SD顾问问题的小结，希望对大家有所帮助， 也可能有回答错误的地方，希望同行不吝赐教。 也希望各位顾问们讲你们遇到的一些面试问题做个跟贴，方便大家共同进步，谢谢。 面试问题清单： 一、销售订单类型影响： 可用性检查，交货类型，输出，信贷，定价，需求，报表，合作伙伴，文本，不完整日志，交货开票，订单开票，公司间开票，统计组，屏幕顺序组，参数文件...
一些杂七杂八的电影故事
一些杂七杂八的电影故事16340200 学号 数据科学与计算机学院(http://sdcs.sysu.edu.cn/) 一些杂七杂八的电影故事 目录 和莎莫的500天 天使爱美丽楚门的世界 公式目录和莎莫的500天 天使爱美丽 少女哪吒 楚门的世界 1. 和莎莫的500天爱情，要么让人成熟，要么让人堕落。爱情是什么？是极度的浪漫，还是平凡的日子？ 生活永远让人琢磨不透，理想与现实总是
W5500+STM32F103C8T6进行TCP通信(modbus)
一路生花一、w5500资料二、modbus通信三、从机代码四、总结五、参考 一、w5500资料 w5500的资料就放在下面了，单纯的客户端和其他模式上面有教程 https://www.aliyundrive.com/s/enPnnZgNtpE 二、modbus通信 Modbus RTU通信时使用的数据帧结构如下图，而Moubus TCP通信的数据帧和这个稍微不一样，没有crc检验，因为tcp本就是一种可靠传输协议 这里是Modbus TCP数据帧 公共功能码定义 三、从机代码
【面试题】MySQL索引相关的面试题(红黑树,hash,B树,B+树)
自己整理了几个面试题分享给大家 问题1：红黑树为什么那样设计？ 首先聊一下二叉搜索树，主要特点是左节点比根节点小，右节点比根节点大，并且左右子树都是二叉搜索树。缺点是在极端情况下，比如插入都是有序的，就会出现退化的情况有序序列树退化成链表。 二叉搜索树 退化成链表的二叉搜索树 此时，要想让树的节点平均分布就需要平衡树了，红黑树就是平衡树的一种（平衡二叉搜索树）。然后，一棵树的查询性能取决...
杂七杂八的
有一些常用的表达式的对应元代码如下表 类型 代码 元代码 注释 //注释 array( 'type'=>'comment', 'value'=>'注释' ) 注释段 /* 注释第一行 注释第二行 */ array( 'type'=>...
正负数据如何归一化_生信干货 | LC-MS代谢组学QI软件下机数据代谢物筛选和归一化如何做？...
上海·2019第一届多层组学前言技术发展华东区客户研讨会倒计时1天LC-MS非靶向代谢组学数据下机啦~~拿到一堆数据怎么办？不会高端代码，也不会自己写脚本，我怎么处理数据？本期小编带来了LC-MS非靶向代谢组学下机数据处理实用干货，包括：下机定性结果表格的解析、代谢物筛选如何做？以及定量数据如何做归一化？实用干货，赶紧来抢~~话不多说，赶紧来学习吧~~非靶向LC-MS代谢组学的分析流程LC-MS...
杂七杂八东西的声明
本人博客中可能会有一些杂七杂八的东西，比如说讲一讲Java的历史，虽然到现在还没有开始写。。。还有比赛心得什么的可能也会往这里放。当然这篇文章主要是为了占位，能让左边的个人分类显示完整，阅读效果更好。
CoppeliaSim(原V-REP)新手上路
CoppeliaSim(原V-REP)是一个机器人仿真平台，里面有很多来自别的公司的机器人模型以及完备的物理引擎，我们可以通过python,c++,matlab等语言控制里面的机器人。，您也可以在官网中Downloads里找您需要的版本，一般只需要下载EDU版本就可以了，我下载的是v4.1.0 windows EDU版本。在版本V4之前，CoppeliaSim叫V-REP，在官网可以下载到之前的V-REP版本。
科研党必备：5分钟搞定MATLAB闪退问题（含R2020a-R2023b各版本适配）
本文针对科研人员常见的MATLAB闪退问题，提供了从R2020a到R2023b各版本的适配解决方案。通过分析六大诱因和版本定制化修复方法，帮助用户快速诊断和解决闪退问题，包括内存优化、高级调试和预防性维护等实用技巧，确保科研计算的连续性和稳定性。
杂七杂八之Windows安装miniconda
Miniconda是一个轻量级的Anaconda发行版，它包含了Python和Conda包管理器。相比于Anaconda，Miniconda占用的磁盘空间更小，适合那些希望自定义Python环境的用户。本文将详细介绍如何在Windows操作系统上安装Miniconda。
YOLOv8 交通违规检测各个场景的实际应用
本文介绍了基于YOLOv8的交通违规检测系统在不同场景下的应用实现。系统可检测闯红灯、超速、违停和不系安全带等多种违规行为，针对每种场景提供了具体的技术方案和Python实现代码。其中闯红灯检测结合信号灯状态分析，超速检测通过距离时间计算速度，违停检测采用长时间跟踪策略，安全带检测则需更高精度识别。文章还展示了如何整合各功能构建综合交通监管系统，并总结了不同应用场景的技术要点和优化方向，为智能交通管理提供了实用解决方案。
JWT&杂七杂八
私有声明是提供者和消费者所共同定义的声明，一般不建议存放敏感信息，因为base64是对称解密，意味着该部分信息可以归类为明文信息。公共的声明可以添加任何的信息，一般填加用户的相关信息或其他业务需要的必须信息。如果此时服务B发送故障，那么这个业务会阻塞占用我们的线程，但是最多只占用我们的10个线程，我们。检查JWT ，是用于对应用程序上的用户进行身份验证的标记。微服务调用链路中的某个服务故障，引起整个链路中的所有微服务都不可用，这就是雪崩。，避免耗尽整个tomcat的资源，因此也叫线程隔离（资源浪费的情况）
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
杂七杂八小知识
在B站看的硬件相关课程捷配 捷配 【5分钟看完捷配】解密捷配PCB板厂、SMT贴片厂、元器件仓储中心！ 拆解三款键盘，聊聊有啥不同 黑脸的碳膜pcb，你一定也见过 有源晶振or无源晶振，究竟是如何起振的？ 电子入门之pcb板材大全（葵花宝典篇） pcb阴间设计—保险丝走线 磁控开关哪家强？干簧管还是霍尔元件？ pcb如何拼板最体面——V割，邮票孔还是CNC锣空？ 如何避免被板厂毒打之为什么你的过孔盖油老做成开窗 ...
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
Linux shell 参考文档 杂七杂八留下的代码
自己的东西，请不要乱下载，后果自负！
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")
杂七杂八记录
杂七杂八记录 功能快捷键 撤销：Ctrl/Command + Z 重做：Ctrl/Command + Y 加粗：Ctrl/Command + B 斜体：Ctrl/Command + I 标题：Ctrl/Command + Shift + H 无序列表：Ctrl/Command + Shift + U 有序列表：Ctrl/Command + Shift + O 检查列表：Ctrl/Command + Shift + C 插入代码：Ctrl/Command + Shift + K 插入链接：Ctrl/Comma
pip杂七杂八小问题
pip小问题——超时取消 今天重装库的时候发现老是不成功，问题如下： 然后只需要重新设置一下时间限制就行： pip --default-timeout=100 install gevent 得到： 再继续pip就可以了！ pip小问题——pip更新 在这里插入代码片 ...
杂七杂八的流
杂七杂八的流 DataInputStream与DataOutputStream： 数据输入输出流：特点就是能够读写基本数据类型 注意读取的顺序，刚才怎么写的，就怎么读 public class MyTest { public static void main(String[] args) throws IOException { // 数据输入输出流：特点就是能够读写基本数据类型 ...
spring杂七杂八
spring杂七杂八
Mybatis 源码 ∞ ：杂七杂八
需要注意的是ResultHandler 要求方法必须无返回值，在 MapperMethod#execute 中会判断进行该判断：
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
718
扫一扫
