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
1.1k累计阅读
1.1k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
一个月了 很累很累 基本上不求什么回报吧
给哥哥写程序
给老板写论文
给老婆写论文框架，写摘要、结论；翻译摘要
我自己呢，只写了一篇论文的初稿，该做硬件了 哪里有时间 心烦意乱
哥哥的程序 在优快云上泡了一个月 终于写完了
老板的论文 弄了半个月 也算是弄好了 当然也学了不少东西 正好用在自己的论文里
老婆是学金融的 论文居然也要我来帮着写 我居然写成了 英文我现在只能读不能写 提笔都是德文的语序 居然翻译出来了一篇摘要 哎~~~~~
烦得不得了了 结果 老婆今天给我打电话 要我跟她聊聊天 我知道长途很贵 我也不想说话
吵起来了 ……
……刚才
老婆发端新说她错了
咳 这种事儿 能说谁对谁错吗 两个人在一起 不是讲理的……讲的是默契 是感情
天真热啊 希望明天有个好天气 哦 错了 是今天
命令行删除描述文件_写一个删除lock文件的skill脚本
来源：IC技能搬运工 作者：小目Cadence软件使用过程中偶尔会遇到文件被lock的情况，这是Cadence软件对文件的一种保护措施，大部分情况都是对用户友好的，但是偶尔也会给用户带来困扰，给工作带来的一定的不便。文件是如何被锁的Cadence在用户打开文件进行编辑的时候会在文件的同一级目录新建一个lock文件，用来标识文件的状态。一般情况下如果文件被正常关闭，这个lock文件会在...
【计算机专业】大学生就业难的真实原因
最近几年大学生就业越来越难，有人会抱怨人多岗位少，有人会抱怨经济形势差，唯独很少说现在大学生的水平差，也许是这才是真正的原因。最近我面试了差不多15个学生，有研究生和本科生，有的人写不出冒泡排序或者任何一个排序算法，有的人不懂 c语言的 include 是干嘛的，还有的人干脆作弊了，AI写算法题，敲代码头三处看，屏幕，键盘，AI 提示手机。
保姆级教程：用PROGRAM_FTDI搞定Xilinx FPGA的JTAG调试器（基于FT232/FT2232/FT4232）
本文详细介绍了如何使用FT232/FT2232/FT4232系列芯片通过PROGRAM_FTDI工具配置Xilinx FPGA的JTAG调试器。从芯片选型、驱动安装到固件烧写和Vivado验证，提供了完整的实操指南和避坑要点，帮助开发者低成本实现高效调试。
山东计算机专业好的专科大学,山东专科大学前十名有哪些？山东所有专科大学排名榜单...
大家都知道山东在我国属于高考大省，分数线在全国范围内那是出了名的高，而在山东省内也有不少的高等院校，那么在山东众多的大学之中专科大学有哪些呢？下面第一排行榜就整理了山东专科大学前十名及山东所有专科大学排名榜单，希望能给各位学子和家长们作为参考。一、烟台黄金职业学院在山东专科大学前十名排名榜单中这素所学校成立于2016年，不过在短短几年的发展中，学校在专业的设置上更能与时俱进，并且有着先进的教学和实...
MAX31865三线PT100测温实战：配置、接线与代码全解析
本文详细解析MAX31865三线PT100测温的配置、接线与代码实现。通过实战经验分享，介绍如何利用MAX31865芯片实现高精度温度测量，重点讲解三线制接法的自动误差补偿功能，并提供完整的寄存器配置、SPI通信和温度转换算法，帮助开发者快速解决工业测温中的常见问题。
卫星动力学仿真模型开发之AI初试
以下是通过AI生成的一个简单的C语言仿真模型，用于模拟卫星的姿态、轨道动力学和运动学。该模型基于基本的物理公式，假设卫星在近地轨道上运行，并忽略了一些复杂的扰动因素（如大气阻力、太阳辐射压等）。姿态动力学描述了卫星绕其质心的旋转运动。轨道动力学描述了卫星在引力作用下的运动。姿态运动学描述了卫星姿态随时间的变化。
大学计算机专业行业,50所“计算机专业”实力强的大学，毕业生行业认可度高...
目前国内最热门的专业，计算机科学与技术专业绝对是榜上有名的。甚至连续几年这个专业的热门程度都很高。每年的关注度都很高，报考人数也不少。计算机类专业中不管是计算机科学与技术还是软件工程，都是毕业生数量最多的。当然这类专业确实好就业，适合在很多领域就业，都能够找到适合自己的岗位。不管男生还是女生都可以报考。国内目前开设计算机专业的大学数量很多，有些大学的实力很强，而有些其实不适很值得报考，今天要分享的...
OpenNARS开源通用人工智能系统：非公理推理引擎实践指南
人工智能系统从基于规则推理到深度学习模型，始终围绕如何让机器具备智能决策能力。传统逻辑系统依赖公理和完备知识，而现实世界智能体需要在资源受限、信息不完备环境下进行推理。非公理推理系统（NARS）通过动态真值计算和信念修正机制，实现了在不确定性环境下的自主学习和决策。这种推理引擎的技术价值在于模拟人类思维的核心机制——归纳、演绎和学习，为通用人工智能（AGI）提供了不同于数据驱动的新路径。在应用场景上，NARS适用于游戏NPC决策、复杂系统故障诊断和自适应机器人控制等领域。OpenNARS作为NARS理论的开
南京技师学院计算机系,江苏南京技师学院2021年招生录取分数线
学生的等级观念还不是很强，所以还是要好好去培养自己的学习观念。从基本知识成长起来的学生有着较强的竞争力，学习没有任何的捷径，所以学习越早越好，年轻的是学习的精力也是更强的，记忆力也比较好，知识学习起来是得心应手的，何不多投资下自己的头脑，未来你就是一个聪明的人。那么，小编给大家介绍下江苏南京普通高中录取分数线。江苏南京普通高中录取分数线地区录取分数线南京557江苏南京技师学院简介南京技师学院创建于...
手把手教你学Simulink——逆变器场景：基于PR控制器的单相逆变器并网控制策略仿真
摘要：本文详细介绍基于PR控制器的单相逆变器并网控制策略的Simulink仿真实现。首先分析PR控制器在单相逆变应用中的优势，然后逐步讲解模型搭建过程，包括主电路设计（直流电源、全桥逆变器、L滤波器）、控制回路实现（参考电流生成、坐标变换、PR控制器设计）以及关键参数设置。通过仿真验证了PR控制器对电网频率的精确跟踪能力，并网电流THD<3%。最后提出优化建议，如加入状态观测器、自适应参数整定等改进方向。该建模方法为可再生能源系统中的逆变器控制提供了有效验证手段。
边缘计算与产业生态系统
目录 文章目录目录边缘计算产业参与者边缘计算产业生态系统 边缘计算产业参与者 边缘计算领域参与者众多，主流公司以打造生态优势为目标，基于自身服务层级向产业链上下两端进行拓展，目前市场主要参与者有： 系统集成商：在产业头部，具有广泛的能力，可以集成不同生态系统公司的产品，具有一定的全球性属性，在边缘计算领域大多由云服务商、电信运营商担任。 云服务商：具有领先的云技术优势与应用生态体系，同时拥有全球性资源布局与市场资源生态，并渴望成为边缘计算主导者。 电信运营商：具有边缘基础设施优势，以及不可替代的
计算机专业就业新趋势，Java前端稳居前列，第一名意料之外
网络安全行业产业以来，随即新增加了几十个网络安全行业岗位︰网络安全专家、网络安全分析师、安全咨询师、网络安全工程师、安全架构师、安全运维工程师、渗透工程师、信息安全管理员、数据安全工程师、网络安全运营工程师、网络安全应急响应工程师、数据鉴定师、网络安全产品经理、网络安全服务工程师、网络安全培训师、网络安全审计员、威胁情报分析工程师、灾难恢复专业人员、实战攻防专业人员…网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己录的网安视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。
Python在Genesis2000 CAM软件中的编程应用
Genesis2000是一款功能强大的计算机辅助制造（CAM）软件，它提供了广泛的功能和工具，用于帮助制造商进行CAD（计算机辅助设计）到CAM的转换。在Genesis2000中，我们可以利用Python的灵活性和功能来扩展软件的自定义能力，并通过编写脚本来自动化各种制造任务。例如，假设我们需要在Genesis2000中添加一个新的操作，用于自动计算零部件的重量。我们可以编写一个Python脚本，通过遍历模型的几何数据并应用相关的计算公式，来实现这个功能。
要学的东西真的太多了，老了……
前一段时间主要的精力都放在德语的学习上了，因为不想再继续在这上面耗费太多的时间了，所以提高了效率。最近在网上转了一下，发现有很多新的过气的技术都是不为我所知晓的，看来跟不上时代了。ICMP的一个数据包都能给计算机开一个后门，ftp隧道技术（虽然有点儿幼稚）。回想当年，从一个P都不懂的初学者到现在可以开发简单的程序和小系统，付出的努力也不算少了，难啊。不过也有比较平恨的地方，有很多人能开发出
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
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
我的计算机人生
1996年，我拥有了自己的第一台电脑，它是586 P100（还不是MMX） 16MB 4xCDROM 14吋显示 串行口232鼠标 而且也是大号键盘插口，哦，差点而忘了，还有一个3.5吋盘的软驱。当时的我对电脑基本是一窍不通，开机以后直接进入的是DOS系统，MS-DOS 6.22那应该是独立DOS的最后一个版本，因为那以后的操作系统就再也用不上它了。我那时根本不会使用这个操作系统，觉得老得去输
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")
北京，钟鼓楼，后海，我的家，你们想我么？
在这个被人视为铁血，而在我看来却很热情地国度，我已经生活3个月了，我得到了什么？说不清。家，对于我来说，在没有完成目标之前，你是我最后的寄托。 我需要什么？ 勇气，独自生活永远是艰难的，孤独寂寞伴随着左右，发人深省的是我的目标到底是什么这个问题。不过我更觉得，只要忙活着就无所谓目标，有一句话说得很好，为了奋斗而寻找目标；没有错啊，生活充满了变数，我们定了目标，还要修改，唉，可叹！ 倒不如自己先找点
摘自新华字典的一段话
“张华考上了北京大学；李萍进了中等技术学校；我在百货公司当售货员：我们都有光明的前途。”――《新华字典》1998年修订本P673…… 北大学生也就不那么值钱了，做程序的也是一样，职高的不一定比博士毕业的拿的少。…
我的闭关开发结束了，很兴奋
我的闭关开发结束了，现在仅仅剩下一些小问题需要解决了；在这之前我还以为会出现和上次合并一样的问题，但是我错了，并且我这次更加深刻地认识到了：实践出真知
Perfect Shuffles
想洗成什么样就洗成什么样的扑克牌通过计算一个序数的二进制决定使用out 还是in 方式哈哈// Inf3.cpp : Defines the entry point for the console application.//#include "stdafx.h"#include "stdio.h"int main(int argc, char* argv[]){ int k[
最近一直没有更新我的blog真是抱歉
由于最近忙于建设自己的论坛，一直没有时间来这里更新我的blog，让关心我的朋友们失望了。不过有时间大家也可以去我的破坛子逛逛！http://www.hofun.net
订到了机票，准备回家
豆汁儿 焦圈儿 爆肚儿 涮羊肉 我来了！
终于又可以写Blog了
很长时间没有写了一直在忙USB的接口程序，绝对比想象的要容易既然结束了，我就应该干属于我自己喜欢的事情了各位Alles Gute!
叹！
去年的春节，我们和Jürgen一起，都喝多了。他是一个年仅四十德国人，属于那种没有什么文化，却有一门好手艺的普通德国人。一般来说，他都是处在失业状态的，只有别人盖房子，改建房屋或者装修的时候她才会忙一阵子。为什么会提到这个人呢，他是我原来房东的男朋友。我的房东大概5、6年前，死了丈夫，这位Jürgen也就是在那以后出现的，我们住的整个房子，都是他帮着重新改建的，后来的事情，也就很简单了。去
我老人家N天没能上来
真晕 怎么搞的啊
往往在一念之间！
我已经在慕尼黑熬了快一年了，马上就快一年了。确实和Clausthal比起来，生活上存在很大的差异，大城市嘛。刚刚来到慕尼黑的时候，我确实是雄心勃勃，希望在学习上或者在生活上都有所飞跃，但是大城市始终是大城市，接触的东西多了，甚至对语言的要求都比原来要搞很多，至少我有这样的感觉，没办法，怎么提高？多和邻居交流，到目前为止，尽管我还有点儿结巴，但是听读写都不存在什么太大的障碍了。口语嘛，可能是最近
曲线救国%
brain不能白叫，要真有东西才行啊（自吹）今天晚上设计了一种循环注入模式，非常成功！事实上 当被注入的进程结束了之后，只要它还能被开启，就还对它进行注入好像很无耻啊——T_T
问题又出现了
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1352
扫一扫
