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
200+累计阅读
244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
操作步骤图如下：
第二十六届中国机器人及人工智能大赛CRAIC决赛小型桌面级-立体仓储代码分享
国二奖，精度还有不少问题，没有视觉模块，单线程，比起其他大佬写的确实还有欠缺，继续加油吧。
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
用Coze平台30分钟打造《花光10亿》小游戏：零代码AI开发实战
本文详细介绍了如何利用字节跳动推出的Coze平台，在30分钟内零代码开发一款名为《花光10亿》的AI小游戏。通过配置提示词、集成图像生成插件、构建自动化工作流以及使用数据库功能，即使没有编程基础的用户也能快速将创意转化为可交互的智能应用，体验AI开发的便捷与高效。
Spring Boot 数据源与 MyBatis(-Plus) 自定义配置详解
本文详解 Spring Boot 中单数据源环境下 HikariCP 与 MyBatis-Plus 的自定义配置。通过手动声明 SqlSessionFactory，实现下划线转驼峰、日志输出、一级缓存策略等精细化控制。结合 HikariCP 核心参数调优（如最大连接数、连接生命周期），确保高性能与稳定性。适用于仅需访问单一数据库的场景，避免多数据源复杂性，兼顾性能与可维护性。
从音频录制到智能手表：Sigma-Delta ADC是如何在低功耗场景下‘欺骗’噪声的？
本文深入解析Sigma-Delta ADC在智能穿戴设备中的低功耗高精度实现原理，重点介绍其通过过采样和噪声整形技术‘欺骗’噪声的独特方法。以TWS耳机和医疗级健康监测为例，展示该技术如何在有限功耗预算下实现专业级信号采集，为消费电子设计提供关键解决方案。
stm32 + freertos + c++混合编程方法
其他一些资料上面，c++配置成--cpp11或者-cpp 都是把工程配置成c++。三、添加cpp文件，我们调用cpp文件里面的接口函数，不需要修改main.c后缀名。2、配置工程编译时候是--c99，是因为工程里面FreeRTOS是c语言，c++模式会报错。我们这里是默认c，编写的c++文件，单独选择--cpp编译，这在后面配置！c++是面向对象编程，对于一些项目来说，c++编程更加合适！stm32cubemax配置，这里就不写了，配置资料比较多。这里就是让cpp文件在c++下编译。最后，编程成功，点亮！
Docker Compose：搭建本地多服务开发环境
从一个 Java API、PostgreSQL 和 Redis 开始，配置服务名、端口、环境变量、健康检查、数据卷和依赖关系。理解 Compose 文件如何被解析、项目如何隔离，以及哪些数据不能依赖“重建容器”保留，能够把个人开发环境整理成团队可复用的启动入口。
故障诊断 | 小波变换机械设备外圈振动信号故障诊断
故障诊断 | 小波变换机械设备外圈振动信号故障诊断
45-存储过程与函数
匿名块跑完就没了，想下次再用只能复制粘贴。给块起个名字存进数据库，就成了存储过程与函数：一次编译、处处调用、权限收口，还能让 Java 侧少拼 SQL。这篇讲封装、调用、限制与排错的完整套路。CREATE OR REPLACE 覆盖式创建，事务由调用方控制；参数三模式 IN 只进、OUT 只出、IN OUT 双向，OUT 参数调用时要备好变量接；调用三姿势 EXEC、CALL、匿名块，命名传参=>最清晰；函数必有 RETURN，想在 SQL 里调用就不能碰 DML 和事务控制；
【报错解决】彻底解决 MySQL 登录报错 ERROR 1045 (28000)
MySQL 报错 ERROR 1045 (28000): Access denied for user 'root'@'localhost' (using password: YES) 通常是由于用户名或密码错误、权限不足、服务未启动或配置文件异常导致的。通过检查并确认密码、重置 root 用户密码、授予完整权限、校验配置文件以及确保 MySQL 服务正常运行，可以彻底解决该问题。掌握这一流程不仅能够恢复 root 登录，还能保障数据库的安全性与稳定性。
YOLOv11改进策略【Neck】| GSConv+Slim Neck：混合深度可分离卷积和标准卷积的轻量化网络设计
实时检测器架构的轻量级设计GsConv。
AI全栈实战 | 3.9-01 爬虫入门：requests 加 BeautifulSoup 三分钟跑通，但 90% 的人栽在这 4 个“礼貌“问题上
⚠️：本文内容仅用于。请遵守目标站点的服务条款与相关法律法规，不得对目标服务造成负担，不得采集、传播个人隐私数据。技术是中性的，边界在你手里。爬虫的入门技术（requests 发请求 + BeautifulSoup 解析）三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的，是这篇我们跑通"请求→解析→存储"的最小闭环，然后重点把"合规与礼貌"这根弦给你绷上。
RK3399平台开发系列讲解（内核入门篇）1.1、通过sysfs清楚了解设备的系统状况
文章目录1、不敢高声语，恐惊天上人：sysfs目的2、窥一斑而知全豹：sysfs目录介绍3、千丝万缕：sysfs中要素的关系4、数据观星：sysfs中相关结构体 1、不敢高声语，恐惊天上人：sysfs目的 我们想通过sys下面的目录和文件清楚的了解跑Liunx系统的嵌入式设备的系统状况。 2、窥一斑而知全豹：sysfs目录介绍 sysfs把连接在系统上的设备和总线组织成为一个分级的文件，它们可以由用户空间存取，向用户空间导出内核的数据结构以及它们的属性。sysfs的一个目的就是展示设备驱动模型中各组件.
数据库主键选型指南：BIGINT vs VARCHAR
主键选型关乎数据库性能与架构演进。BIGINT（如雪花算法）在顺序写入、二级索引开销和分布式生成上优势显著，适合高并发核心链路；而传统 VARCHAR UUIDv4 因随机性导致频繁页分裂、存储膨胀，性能堪忧。UUIDv7 通过时间戳有序性实现高效追加写入，结合 BINARY(16) 存储可兼顾性能与安全，成为现代微服务新选择。关键在于：主键应稳定、无业务含义，优先选用趋势递增的紧凑类型，并根据场景合理采用双主键模式或 ULID 等替代方案。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
自动化运维选型：四条技术路线的能力边界，以及它们为什么不能互相替代
自动化运维怎么选型？拆解配置管理、基础设施即代码、作业调度与场景化编排四条技术路线边界，分析账本归属与时间语义差异，给出四种架构组合与判断点，帮企业看清为何不能互相替代。
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。
C++算法(七)
C++ stack算法题和一些客观题
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")
不用再为文本搜索单独维护一套系统！全文检索深度解析
为了给商品、客服工单或者企业知识库增加一个搜索框，企业往往需要在业务数据库之外，再部署一套Elasticsearch。数据库保存商品、订单和用户等真实业务数据，搜索引擎保存另一份文本索引；两套系统之间，还需要通过CDC、消息队列或者同步程序持续传输数据。一个看似简单的搜索需求，最后可能变成两套集群、两份数据和一条必须保持稳定的数据链路。由此产生的问题并不少：数据库已经完成更新，搜索结果却可能尚未同步；业务查询同时涉及文本、库存、权限和订单状态时，应用需要在两个系统之间来回组合结果；
48-逻辑结构表空间段区块
默认 10%，意思是块里的空闲空间低于 10% 时就不再插入新行，留着给已有行的 UPDATE 变胖用。注意 INSERT 过程中每次申请新区，都是一次潜在的空间报错点，如果表空间满了，此刻就会抛 ORA-01653。剩下的空间被谁占了？段的每个区可以落在表空间的任一数据文件，所以 2T 的表在 32G 单文件上限（smallfile）的世界里照样能活——多加文件就行。，一张只有两个 CLOB 字段的表，实际在库里是三个段（表段 + 两个 LOBSEGMENT），空间统计漏算 LOB 段是新手常犯的错。
市场调查与统计分析专业大学期间考证怎么安排？
市场调查与统计分析专业的考证规划，适合从一份完整的调查报告倒推：能不能设计问卷、判断样本是否合理、清洗数据，再把分析结果转化为业务建议？围绕这条能力链安排证书，比单纯按“热门程度”报名更有针对性。结合2026年的学习安排，并为2027年的实习、升学和求职预留时间，大学期间可以重点考虑六类证书：全国计算机等级考试证书、大学英语四级或六级成绩报告单、CDA数据分析师、初级统计专业技术资格证书、微软办公软件国际认证中的Excel相关证书，以及软考数据库系统工程师资格证书。
QT(了解各个控件及布局)下
练习工程里加一个“确认发送”按钮点击后弹出一个自己写的对话框：一句提示 + “确定”/“取消”确定 → 打印“已确认”，继续发送；取消 → 打印“已取消”，不发送点窗口右上角 X = 取消对话框弹出期间，主窗口点不动（模态）首先我们要在原项目的基础上，新建一个类，就是一个新的小对话框窗口，如下：然后系统会帮我们创建这个新类的头文件和源文件，接着我们到利用ui编辑器设计这个新窗口的界面，如下：如果要实现文字居中，就要设置到QLabel的属性设置这个alignmen为水平中心对齐。
Oracle 19c 在线重定义后旧表空间清理及 ASM 存储资源回收 SOP
Oracle 19c 在线重定义后旧表空间清理与 ASM 存储资源回收 SOP
AI Agent记忆从不是向量库：Oracle拆解读写分离与记忆晋升门，终结无脑存聊天的伪智能——读Wojtek Pluta演讲
在过去一年里，绝大多数团队在为自己的 AI Agent 增加“记忆能力”时，做法几乎如出一辙：开一个向量数据库（Pinecone / Milvus / Chroma），在每轮对话结束时，把用户的提问和 Agent 的回复转成 Embedding 向量直接往里塞；<summary> 审查 Kyle 的贷款完整性，审批未通过，等待补件。这种记忆能力完全脱离了脆弱的会话上下文窗口，靠的是数据库底座驱动的显式记忆装配。在写路径中，决定一条信息能否从“临时上下文”跃升为“长期持久化记忆”的核心关卡，正是。
从事件风暴到因果收敛：Mopheus多智能体协同事件触发架构与防循环实践
在构建生产级多智能体协同引擎的过程中，我们总结了三条核心工程准则：1.不可变因果链优于事后关系反查在高度并发且异步的多智能体网络中，因果关系的追溯绝不能依赖事后查库反查关联；将只增的因果祖先链显式封装在事件载荷与任务上下文中，以O(1)的内存检查实现确定性极高的闭环防范。2.生产端纯粹广播与消费端前置极速过滤是高吞吐的基石遵循严格的Pub/Sub模式，让核心业务实体与下游智能体编排解耦；通过调度层内存条件字典求值（conditions），在纳秒级内过滤掉99%的无关事件，保障零业务侵入与极高的系统吞吐。
Spring事务和事务传播机制
3. 可重复读(REPEATABLE READ): 事务不会读到其他事务对已有数据的修改, 即使其他事务已提交. 也就可以确保同⼀事务多次查询的结果⼀致, 但是其他事务新插⼊的数据, 是可以感知到的. 这也就引发了幻读问题. 可重复读, 是 MySQL 的默认事务隔离级别.p1事务可以认为是⽗事务, 嵌套事务是⼦事务. ⽗事务出现异常, ⼦事务也会回滚, ⼦事务出现异常, 如果不进⾏处理, 也会导致⽗事务回滚.
Redis 入门详解：核心特性、重要文件与全局命令实战
本文系统介绍了Redis的核心特性、重要文件及全局命令。Redis凭借内存存储、C语言实现和单线程设计，具备极高的读写性能；支持持久化（RDB/AOF）、主从复制与集群架构，适用于缓存、排行榜、计数器等场景，但不适合存储海量冷数据。文中还解析了常见面试题，如为何快速、单线程原理、持久化机制、KEYS *禁用原因及过期键处理策略，强调其在高并发场景下的优势与局限。
【FDE前沿部署工程师实战教程】第62章：Enterprise AI Developer Platform——企业级 AI 开发者平台与低代码 AI 应用工厂
企业从AI能力平台迈向AI应用生产平台，需构建统一的企业级AI开发者平台，将模型、RAG、Agent、Workflow等能力封装为可视化、可复用的开发工具。通过PromptIDE、AgentBuilder、WorkflowBuilder等模块，实现低代码与专业代码协同，降低开发门槛。平台覆盖应用全生命周期管理，集成测试评估、安全治理与CI/CD发布体系，推动AI应用规模化、标准化交付。最终形成“需求→设计→开发→测试→发布→运营”的企业AI应用工厂模式，助力制造等行业的智能化转型。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
691
扫一扫
