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
175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
核心：将数组缩减为单个值（或复杂结构），可接收初始值，灵活性极高。
关键语法：array.reduce((acc, curr, index, arr) => { ... }, initialValue)
acc：累加器（上一次计算结果）
curr：当前元素
initialValue：初始值（推荐显式指定）
Python+ArcGIS实战：5步搞定土壤类型预测（附随机森林模型配置技巧）
本文详细介绍了如何结合Python与ArcGIS，利用随机森林模型进行土壤类型预测。通过5个核心步骤——数据预处理、样本创建、模型构建、空间预测与精度验证，构建了一套自动化、高精度的空间预测工作流，并提供了关键的模型配置与调参技巧，助力GIS开发者高效完成土壤制图任务。
【项目推荐】基于 SpringBoot3 + Spring AI 的游泳馆管理系统：Agent + RAG + Function Calling 一次学全
它不是玩具 Demo，而是一个「业务 + AI」双主线交织的真实系统——预约业务在跑，AI 客服在旁边实时查库作答，两条线通过 Function Calling、RAG、站内消息串成一体。面试官问「你做过什么 AI 项目」时，你能从业务场景讲到架构取舍，从 RAG 切分参数讲到降级兜底——这和「我调了一下 ChatGPT 的 API」是完全不同的两个段位。项目已包含完整的建表 SQL、初始化数据、部署文档，克隆下来就能跑。获取方式：见文末说明 / 后台回复关键词获取。—— 完 ——
VS2019+CAXACAD2023二次开发教程(一、环境搭建)
CAXACAD2023的二次开发相关文件和库都在的文件夹下。CAXACAD2023的默认开发环境是VS2019，如果是用VS2019的环境话，可以直接安装这个插件，安装好后就可以一键新建的项目，新建的项目会自动帮我们配置好所有的环境，并且生成必要的代码和初始的框架。(本来想用VS2022的，但配置环境太麻烦，用VS2022，增加一个环境变量是可以运行自带的例程的，但新建项目要配置的东西和环境太多，就放弃折腾了)
2026小红书小工具怎么制作：纯前端 ZIP 打包、沙箱限制与笔记挂载流程
小红书小工具制作的核心不是复杂开发，而是把需求压缩成纯前端轻交互，并按平台要求完成 ZIP 交付。适合做的方向是测试、计算器、生成器、学习小测和记录工具；不适合做的方向是账号体系、云端数据、支付和远程接口。制作时先确认沙箱限制，再整理输入、计算、输出链路，最后通过 Builder Hub 提交审核并挂载笔记。在需求简单、素材较少的情况下，十几分钟做出一个可用的小工具是现实路径，袋马就是一个选择。
Linux【实战】—— LAMP环境搭建 & 部署网站
由LinuxApacheMySQLPHP组成的一个web网络平台。
基于FPGA的函数信号发生器设计
设计采用波形查找表和相位累加器的方法实现DDS，查找表的数据位宽为8位，采样点数为4096。波形产生范围是100Hz-20MHz，最小频率间隔为1Hz，用8个数码管显示频率，可产生正弦波、方波、三角波，波形用两个led显示，select信号控制，全灭为正弦波，一亮一灭为方波，全亮为锯齿波。为了使频率和相位便于调节，用3个拨码开关控制步进，用8个led显示状态。
Agent 的 ReAct、Plan、Execute、Reflection 模式
本文系统解析 Agent 的 ReAct、Plan、Execute、Reflection 四模式，揭示其核心为“下一步谁定”与“错了怎么发现”两大问题。ReAct 逐步决策，适合动态环境但易冗余；Plan 一次性规划，高效却惧变化；Execute 严格落地，需明确判据与失败策略；Reflection 事后校验，强化纠错闭环。四者协同：外层规划，执行中嵌入思考，每步后反思，连续失败才重规划，构建稳定可控的智能体工作流。
22、自动化地图制作与Pandas数据处理
本文介绍了在ArcGIS Pro中使用arcpy.mp模块进行自动化地图制作的关键技术，涵盖地图元素的访问、移动与文本修改，以及将布局批量导出为JPEG、PNG和PDF格式的方法。同时，文章深入探讨了Pandas在数据处理和地理空间分析中的应用，特别是Spatially Enabled DataFrames（SEDFs）的使用。通过综合案例展示了地图更新与数据清洗、分析的结合，提升了地图制作与数据处理的效率，为GIS自动化工作流提供了实用指南。
智能问诊的流程
本文介绍基于FastAPI构建的医疗多Agent系统MediAgent，通过症状分析、诊断推理与治疗建议等模块协同，实现从问诊到报告生成的完整工作流。系统采用前后端分离架构，结合MySQL、RabbitMQ与Docker实现工程化部署，支持异步化验结果接入。虽当前状态暂存于内存，但已具备可扩展性，未来可通过Redis持久化、消息队列联动及医疗安全机制完善，应用于慢病管理、辅助决策等场景，推动AI在医疗流程中的落地应用。
反光柱定位算法实战03：VEnus代码解析和纯反光柱定位中的可改进方向
本文深入解析了开源框架VEnus的反光柱定位与建图实现流程，包括强度提取、聚类、数据关联、位姿优化等核心模块。同时指出其三大局限：匹配质量脆弱性、单一传感器依赖和地图扩展逻辑缺失，并提出改进方向：融合里程计/IMU数据、引入图优化后端、建立动态地图维护机制。该分析为基于反光柱的定位系统优化提供了实用参考，有助于提升工业场景下的定位鲁棒性和精确性。
R语言单因素被试内ANOVA检验
在R语言中，我们可以使用多种方法进行被试内ANOVA检验，其中包括使用内建函数或使用外部包。我们随机选择了10个被试，并对每个被试使用了三种不同的药物处理。通过上述代码示例，我们可以使用R语言进行单因素被试内ANOVA检验。假设我们的数据存储在一个名为"data"的数据框中，其中包含两个列：一个列是被试的编号，另一个列是生物指标的测量值。在上述代码中，我们创建了一个名为"data"的数据框，其中"Subject"列包含了被试的编号，"Measurement"列包含了生物指标的测量值。参数指定了数据来源。
信号链电路怎么选运放？奥特四款信号链运放解析【选型参考】
在模拟电路设计中，运放作为信号链的“第一道门槛”，其微小误差往往决定了整个系统的成败。
《UDS协议从入门到精通》系列——图解0x23：通过地址读取内存
如何读取ECU中指定内存地址的数据？图解UDS 0x23服务带你快速上手！！
流式输出 SSE：实现 AI 对话打字机效果后端开发
摘要解决传统 HTTP 请求在 LLM 长文本生成时导致的客户端长时间阻塞与 TTFT 极高的问题。适用于需为 AI 应用提供打字机效果、优化交互体验的后端开发工程师。读完可获得基于 FastAPI 与 SSE（Server-Sent Events）技术的流式响应实现代码、协议规范及生产环境避坑指南。关键词SSE、流式输出、FastAPI、打字机效果、TTFT、大模型推理背景与问题大模型（LLM）生成完整回复通常耗时数秒至数十秒，传统请求-响应模型导致用户界面长时间无响应，体验极差。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
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")
Vue-Router
本文详解前端路由原理与实现，以网易云音乐为例，介绍通过 vue-router 实现页面无刷新切换。核心步骤包括：安装模块、创建路由实例、注册应用、配置页面组件与路由出口。使用 router-link 实现声明式导航，结合 query 和 params 传参，支持模糊与精确匹配激活状态。强调 useRoute（读取参数）与 useRouter（执行跳转）的区别，帮助开发者掌握单页应用路由的核心机制。
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
身份验证漏洞专题（三）：持久登录、密码重置与密码修改中的凭据绑定缺陷
密码登录与双因素认证是身份验证的主干流程，但一个完整的认证体系还依赖三类辅助机制：持久登录（"记住我"）、密码重置、密码修改。这三类机制的共同特征是：它们同样携带或验证凭据，同样直接决定认证状态的归属，但实现时获得的防护强度往往远低于登录页面本身。攻击者绕不开登录接口时，常常可以从这些辅助入口进入。
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
二进制木马免杀-Python 分离免杀与 Web 挂马
二进制木马免杀-Python 分离免杀与 Web 挂马
Vue 前端开发 AI 对话页面：流式消息渲染、文件上传
关键点是不能手动设置 Content-Type 为 multipart/form-data，必须由浏览器自动生成带有 boundary 的请求头，否则后端无法解析。思路：将对象序列化为 JSON 字符串，作为 FormData 的一个普通字段（如 formData.append(‘payload’, JSON.stringify(data))），后端接收该字段后再反序列化。若上传大文件（>10MB），需实现独立的分片上传接口，在提交对话前先获取文件 id 或 url，再随文本发送引用。移除输入框的禁用态；
在Open-WebUI中提升向量化速度
让Open-WebUI AI聊天的向量化过程不超过10秒，而不是默认的20+分钟……
Writeup 4 0xGame 2021 · command (WEB)
前端限制不可信：永远不要相信前端的任何限制（如disabled按钮、JS 验证等）。攻击者可以直接构造 HTTP 数据包绕过前端校验，所有的安全限制必须在后端实现。命令执行/注入（RCE）：Web 应用如果直接调用系统命令且未对输入进行严格过滤，攻击者可以利用;||等符号拼接恶意命令。绕过技巧：在 CTF 中，如果遇到命令执行被过滤，常见的绕过方式包括：${IFS}$IFS$9等。。cat /fla?或cat /fl*。Linux 基础。
vue3 markdown编辑框与压缩包文件上传及预览
el-input v-model="form.author" placeholder="作者/组织" maxlength="50" clearable /><el-select v-model="form.category" placeholder="请选择标签" class="full-width"><el-select v-model="form.license" placeholder="请选择" class="full-width">'编辑技能' : '新建技能' }}</div>
使用HTML+CSS+JavaScript实现文件上传弹窗
使用HTML+CSS+JavaScript实现文件上传弹窗
热工测点布线改造难题？IDCB 远程 I/O 采集前端简化现场布线
IDCB智能数据采集前端基于Modbus-RTU协议，支持热电偶、热电阻、直流信号多类型混采，单设备多通道接入，减少模块选型压力。双总线冗余设计保障数据连续性，适配锅炉、窑炉等高可靠性工况。采用总线式布线替代点对点接线，大幅减少电缆用量，配合组态软件或LCD面板，实现远程监控与现场调试便捷化。适用于脱硫脱硝、就地监控及系统改造项目，具备抗干扰、隔离保护、掉电存参等特性，有效提升热工测点采集系统的稳定性与运维效率。
ArkWeb 混合开发的内存清理与桥接陷阱
起初我以为是 H5 内部的定时器没有清理，结果接了 DevEco Studio 的 Profiler 一看，全是 ArkTS 侧的原生对象没有释放。改用 RESIZE 后，键盘弹出只会压缩窗口高度，底部的输入框会自适应滚动到可视区域，页面顶部的元素则岿然不动。综上所述，混合开发绝不是简单的拼接，管好桥接的生命周期，做好跨域兜底，才是稳定运行的前提。如果不去主动干预，它会把你的原生内存吃得连骨头都不剩。在 H5 的输入框打字时，软键盘一弹出来，整个 Web 页面就被顶得飞起，连顶部的原生导航栏都不见了。
Web用例管理：维护步骤、定位器与版本
和。漏掉引用校验的后果是：删掉一个还在被 3 条用例使用的定位器，平台不报错，等到某天跑用例才报「元素找不到」。漏掉版本关联的后果是：上周那条通过的运行记录，这周改了用例之后再打开，已经没法说明当时到底跑的是什么。这篇把整条链路走通并给出可运行代码：用例的三段结构、动作白名单、引用反查、用例版本号、运行快照、版本差异。环境：本机 Windows / Python 3.11.8 / Playwright 1.62.0 / Chromium 151.0.7922.34。测试页面/steps。
vue 表格组件 vxe-table 实现传统 ERP 那样表头放筛选框的筛选渲染方式
vxe-table 通过 floatingFilterConfig 实现表头直接渲染筛选组件，支持 top/bottom 位置控制。启用后，配置 filterRender 的列将即时显示输入、选择等控件，输入即过滤，无需弹窗。需设置固定高度，且仅配置 filterRender 的列才显示筛选框，适用于追求直观高效的 ERP 类场景。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
395
扫一扫
