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
118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
『中间件兴趣圈』
《RocketMQ技术内幕》一书作者维护，坚持全原创。主打成体系剖析 JAVA 主流中间件，为构建完备的分布式架构体系而努力。当前已发表RocketMQ、Dubbo、Sentinel、Netty、ElasticJob、ElasticSearch、JUC、Mybatis、Mycat等专栏，理论与实战结合，向高阶职位发起冲刺。
中间件兴趣圈主要以JAVA主流中间件为基础打造互联网架构体系，目前已经覆盖JAVA并发基础、消息中间件、服务化、分库分表与数据异构等维度，未来将继续在监控、在线诊断、实时计算等方面入手继续深化。
服务化
消息中间件
为了继续构建完备的互联网架构体系，『中间件兴趣圈』将关注线上诊断 Arthas、链路监控 Cat 等。
获取方式：
关注下方公众号
在后台回复【专栏】获取所有专辑，回复【666】获取思维导图。
越努力越幸运，唯有坚持不懈，有了成果就加倍努力，与各位共勉。
Vivado固化程序与Flash型号添加实战指南
本文详细介绍了Vivado程序固化到Flash芯片的完整流程，包括基础操作、Flash型号添加方法及疑难问题排查。针对Vivado官方支持列表缺失的Flash型号，提供了手动添加配置的详细步骤和参数说明，并分享了高级技巧与安全操作建议，帮助开发者高效完成FPGA程序固化。
推荐10个顶级的技术公众号
图片来源于网络不少同学担忧的情况——“晋升无望、收入见顶、生活开支飙升、财务危机如影随形”，小编精心挑选了十个优质原创技术号，推荐给大家化解成长的烦恼。这些号一般是由深耕...
4G LTE 与 5G 无线网络规划对比：从 BBU/RRU 到 CU/DU/AAU 的架构演进解析
本文深度解析4G LTE与5G无线网络架构的演进差异，从BBU/RRU分立式架构到CU/DU/AAU三级重构，揭示移动通信代际跃迁的技术本质。重点对比了网络规划中的覆盖能力、容量规划、传输网络等九大维度，为通信工程师提供实用的技术对照手册，助力5G网络高效部署。
推荐一位我佩服的 Python 技术人
今天给大家推荐一位专注于 Pyhton 开发的云计算技术大佬，它是「Python编程时光」的公众号主理人明哥。明哥和我一样，都是缘于对代码的一片赤诚，不过明哥是中途才转行...
新手小白如何学习编程
学习目标推荐第一门语言优势网站 / APP 开发（前端）JavaScript浏览器原生支持，能快速做出可视化效果后端 / 服务器 / 数据分析Python语法简洁像英语，库多、应用广（入门友好）游戏开发先用电竞入门，再转专业引擎硬件 / 嵌入式（比如单片机）C 语言贴近硬件，行业标准办公自动化（Excel / 文档处理）Python快速解决重复工作（比如批量改文件）👉新手首选推荐。
如何使用Python爬取并保存网页上的所有附件
爬虫（Crawler）是一种自动化程序，它通过模拟人工访问网页并下载网页上的数据或文件，常用于数据采集和分析。爬虫通常以“爬取”的形式自动浏览和提取网页中的各种信息。本文详细介绍了如何使用Python爬取并保存网页中的附件文件，涵盖了网页解析、文件下载、多线程与异步优化等内容。希望通过本文的讲解，能够帮助你理解并掌握附件爬取的技巧。在实际应用中，爬虫开发不仅需要解决技术问题，还要遵守网络道德和法律法规，避免不当使用爬虫造成负面影响。
推荐一位在腾讯工作了十年的技术大佬！
细想起来，已经有一段时间没给大家推荐比较优秀的技术公众号了。恰巧我前两天刚认识一位大佬：大飞。他是微信早期员工，腾讯高级工程师，技术 leader。目前也在公众号上写文章...
Luma AI技术浅析（一）
是一款基于人工智能的3D内容生成平台，旨在通过深度学习技术实现高效、高质量的3D场景、物体和动画的生成。Luma AI 主要利用了等技术，以实现从图像、视频到3D模型的转换和生成。
推荐一位有温度的程序员，他的文字使你技术进步
今天给大家推荐一位有温度的程序员：大宇。十年前，他曾是一个什么都不懂的小白，之后毕业在一家小公司做实习，庆幸的是他遇到了一位贵人，一直耐心的指导他，算是他工作上的指路人，...
Python 爬虫实战：arXiv 学术论文 PDF 批量下载（含反爬策略与文件命名规范）
arXiv 是全球最大的免费开放预印本论文平台之一，涵盖物理学、数学、计算机科学等多个学科领域。研究人员、学生和工程师常常需要批量下载论文 PDF 进行文献综述、构建机器学习数据集或进行文本挖掘研究。然而，手动逐篇下载论文效率低下，因此开发一个自动化批量下载工具显得尤为重要。
【DEIM创新改进】独家下采样创新改进篇 | ECCV 2026 | DEIM 引入FSD-Down频域-空间动态下采样，在下采样过程中保留小目标的高频信息、助力小目标检测、遥感小目标检测有效涨点
🔥本文提出了一种名为FSD-Down的频域-空间动态下采样模块，用于改进DEIM网络模型在小目标检测中的性能。FSD-Down通过小波分解显式保留低频语义和高频细节，结合分组卷积、动态通道权重和可学习缩放因子，自适应强化目标边缘与纹理特征。该模块能有效减轻传统下采样造成的频率混叠和细节丢失，提升对小目标、密集目标和低对比度目标的检测能力。实验表明，FSD-Down计算开销可控，在保持实时性的同时显著提升检测精度，特别是在VisDrone和AITODv2数据集上对小目标的检测性能提升显著。
「只推荐一位」玩转算法的大厂灵魂Coder！
今天要给大家推荐的是一个推荐系统领域的算法大牛：高阳团 / Thinkgamer。大学毕业后，加入京东商场，任职算法工程师，目前就职于一个D轮公司，担任算法负责人！他虽然...
RAGFlow 系列教程 第14课：GraphRAG -- 知识图谱增强检索
RAGFlow v0.25.0深度解读了GraphRAG技术，通过构建知识图谱解决传统RAG在多跳推理问题上的局限。系统支持General GraphRAG和Light GraphRAG两种实现，包含四阶段构建流程：实体关系抽取、实体消解、社区检测和图持久化。核心代码位于rag/graphrag目录，采用LLM驱动的抽取机制，结合编辑距离和LLM确认的实体消解策略，以及Leiden社区检测算法。KGSearch模块通过多信号融合检索（实体+关系+N-hop+社区）实现高效查询。该系统将非结构化文本转化为可推
推荐一位我一直关注的技术大佬
今天给大家推荐一位我一直在关注的技术大佬，也是我的朋友，笔名 ConardLi，就职于字节跳动，目前在公司内负责抖音、TikTok 等产品的前端基础架构设计与研发工作，专注于前端工程化、...
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
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")
推荐一位大厂高级技术专家！
今天，为大家推荐一位我的好朋友，一位硬核技术博主：冰河，大厂高级技术专家，《海量数据处理与大数据技术实战MySQL技术大全：开发、优化与运维实战mykit-data作者。冰河 从一名普通程...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
推荐一位有意思的技术博主！
各位军哥的读者，大家好，我叫唐巧，感谢军哥的推荐。因为有人怀疑这是一个女生名字，所以请允许我自曝一下:我是一个资深的程序员，最早在 IBM 和网易工作，2012 年作为 10 号核心员工参...
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
推荐几个优质的技术公众号
中年人的崩溃，往往源于自己没有充分的准备。三人行必有我师，优秀的同龄人，其实就在你的身边。今天，给大家推荐几个优质的、有远见的公众号，希望能近距离的观察到他们的一言一行，...
推荐几个大厂技术大佬的公众号，太牛逼了！
通过深入阅读，可以积累了大量的架构/算法/管理/职场/前沿技术知识；这些知识对程序员群体太重要了。但是因为公众号太封闭，很多高质量的公众号我们压根不知道。而且网上信息太多，我们辨别信息太麻...
给大家推荐认识一位中科院大佬！
今天给大家介绍一位我的好朋友阿广，阿广目前在中国科学院软件研究所读研究生。如果大家让我来评价一下阿广，我会毫不犹豫的做出以下评价：阿广是全村最会做科研的段子手，也是全村最...
ChatGPT时代，推荐几个宝藏公众号！
ChatGPT的出现让人们对于AI人工智能的质疑戛然而止！人们惊奇的发现，以ChatGPT为代表的，基于人工智能生产内容技术（AIGC）的创新产品在内容创作、影视、绘画、办公等方面可以替代甚至超过大部门“新手”。ChatGPT的强大是源于其背后强大的算力支撑，以及和数以亿计的庞大训练模型数据。俗话说：逆水行舟，不进则退！在这样的一个大浪潮下，我们更应该自动的去适应和拥抱这一变化，下面给大家分享9个...
「只推荐一位」一个全是Python干货的公众号
今天给大家推荐一个精准Python类的公众号「Python3X」。作者胖虎，曾经是一名在帝都工作3年的Java程序员，在18年末的时候跳槽去了一家Python开发的公司，...
推荐几个我私藏很久的技术公众号给大家！
学习如逆水行舟，不进则退；只有坚持不断的学习,才能保持进步。今天给大家精心挑选的几个我私藏已久的优质的公众号，在行业深耕已久，相信大家一定会有所收获，感兴趣的可以关注一下。机器学习算法与...
推荐几个用心做技术的公众号
是不是觉得公众号关注得太多，没有目的的看文章，没有学到什么知识，时间白白浪费。你需要删除些无价值的公众号，在号的数量上做减法，质量上做加法。接下来给大家推荐一下这段时间一...
给大家推荐一位中科院大佬！
今天给大家介绍一位我的好朋友阿广，阿广目前在中国科学院软件研究所读研究生。如果大家让我来评价一下阿广，我会毫不犹豫的做出以下评价：阿广是全村最会做科研的段子手，也是全村最...
宝藏级公众号推荐！
人工智能与计算机编程和数学相关性比较大，网络上的资料比较繁杂，想系统的学习人工智能谈何容易，今天给大家推荐9个原创公众号，这些公众号定期会发些高质量原创，希望可以让你更高效的学习。深度学习初学者号主是知名985高校计算机硕士，现为腾讯人工智能算法工程师，为读者提供计算机视觉、自然与语言处理和推荐系统等人工智能领域最前沿和最经典的知识，让你的学习不再碎片化。点击上方名片可...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
566
扫一扫
