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
101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
见字如面，我是军哥！
疫情之下，人在上海已经被隔离了 37 天了，这期间我看了 4 本书，文章和视频还坚持更新，小区志愿者还在坚持，但是随着时间的拉长，心里其实很烦燥。
我昨天发朋友圈，开玩笑说等疫情结束，我这头发要赶上小姑娘的头发长度了，哎，真的是太惨了。。。
言归正传，今天（4月23日）晚上 21 点跟大家聊聊，我计划主要就是这四件事：
1、我了解的目前上海的疫情情况。
2、聊聊程序员/产品经理的职业规划。
3、还有身在中小公司如何破局？
4、揭秘我花了一个多月打造的程序员/产品经理/测试/运维职场进阶课。
你现在要做的就是，关注这个视频号（最下方有二维码），然后点击预约按钮，我们今天晚上不见不散～
当然，你如果有其他想聊的话题，也可以留言，我们下次搞起～～
告别软件轮询！用STM32G474的COMP比较器实现纳秒级硬件过压保护（CubeMX配置详解）
本文详细介绍了如何利用STM32G474的COMP比较器实现纳秒级硬件过压保护，通过CubeMX配置详解，展示了硬件比较器相比传统软件轮询方案在响应时间、CPU占用和可靠性等方面的显著优势。文章还提供了实战配置流程和优化技巧，帮助工程师快速构建高效的硬件保护系统。
AI数字人视频制作：从人脸编辑到口型同步的实战指南
在计算机视觉与深度学习技术快速迭代的今天，数字人（Digital Human）已从科幻概念走向短视频、直播带货、虚拟客服等真实场景。其背后依赖人脸关键点检测、人脸生成、姿态迁移、语音驱动口型等一系列AI模型协同工作。通过人脸关键点定位，模型能够精准捕捉面部特征；借助StyleGAN、扩散模型等生成技术，实现性别属性编辑与身份替换；再结合Wav2Lip等口型同步算法，让虚拟角色自然说话。理解这些原理后，开发者可借助roop、SadTalker等开源项目快速搭建一套最小可用的数字人视频生产管线。本文以“变身”效
AI使用指南：6个超实用的Prompt提示词模板
最近越来越多人开始接触AI，但其实想要让AI更懂你，关键是掌握对的提示词模板！今天就给大家分享6种超实用的Prompt提示词模板，不管你是小白还是老手都能用
InnoDB 内存结构总览：Change Buffer、AHI 与 Log Buffer
本文系统梳理InnoDB内存结构中的ChangeBuffer、Adaptive Hash Index（AHI）与LogBuffer。ChangeBuffer缓存二级索引页不在内存时的变更，减少随机IO，仅在页加载时合并；聚簇索引修改立即执行，因数据本身不可延后。AHI基于高频等值查询自动构建哈希索引，加速定位，仅支持等值操作。LogBuffer为redo log内存缓冲，配合磁盘日志实现崩溃恢复。三者均服务于性能优化，其中ChangeBuffer与AHI共享BufferPool空间，而LogBuffer独立
告别WSL！用AMD ROCm7在Windows上跑ComfyUI，我的幻x2025 AI Max+ 395体验与性能调优心得
本文详细介绍了在搭载AMD Ryzen AI Max+ 395处理器的幻x2025笔记本上，如何通过ROCm7在Windows原生环境下高效运行ComfyUI，并分享了一系列性能调优技巧和实战经验，帮助开发者摆脱WSL束缚，提升AI创作效率。
Topas——基于Geant4的放射治疗蒙特卡罗算法模拟工具
本文内容参考Joseph Perl 的线上会议，视频详情可见于，该视频会议内容主要介绍Topas功能、软件架构、工作流程、参数设定、物理模型、具体案例等，对TOPAS的基本入门使用方法以及使用规定作出阐述。
V8 机制、手写核心函数与 TypeScript 类型体操
或固定初始化（如数组先定长、对象先给全字段）保持类型与形状稳定；这些都比"换框架"更基础。只能处理纯数据（丢函数、Date、RegExp、循环引用报错）。生产级深拷贝要处理：原始值短路、循环引用、V8（Chrome / Node 的 JS 引擎）不是"解释一行跑一行"那么简单，它用。图：V8 执行流程——解释执行 + 热点优化，优化失败会 Deopt 回退。JS 内存自动管理，但"自动"不等于"不会漏"。是"固定间隔最多执行一次"。手写 Promise 是"懂异步"的试金石。是"停下后才执行最后一次"，
一文吃透 SAP HANA JSON Document Store：从架构到实战的完整指南
本文详细介绍了SAP HANA的JSON Document Store功能，包括其定位、架构、典型场景以及具体使用方法。文章首先分析了半结构化数据场景下传统关系模型的局限性，说明Document Store如何通过集合(Collection)存储JSON文档来提供灵活性。随后详细阐述了启用方式、SQL语法、与Column Store的联动机制，并提供了大量可直接复用的实战案例。特别强调了Document Store作为HANA内建服务的优势，包括企业级一致性、备份恢复等能力。最后给出了数据类型处理和跨引擎协
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。
《一》：LBE，VR 大空间系列——场景环境需求解析
当前，大量 VR 体验活动在室内场地开展。因此，对于场地照明有特定要求：除天花板外，场地的所有表面均需有照明覆盖。这是为了保证玩家无论处于场地的哪个位置，地面与墙面都不会出现明显的影子。场地内不建议安装射灯或高强度的点光源，若已安装此类灯具，需使用柔光板进行遮盖。此外，要避免在阳光下使用 VR 设备台。参考图(请忽略其中Maker标签)
基于Harness Engineering构建AI Agent的全自动化CI_CD流水线
AI Agent的CI/CD是指对Agent的全生命周期资产（代码、Prompt、RAG知识库、模型权重、工具配置）进行持续集成、持续测试、持续发布和持续观测的自动化流程，核心目标是在保障发布质量的前提下，最大化提升Agent的迭代效率。
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）
【ComfyUI】QwenImageEdit + Z-Image 面部融合图生图
本文介绍了一种基于Stable Video Diffusion(SVD)模型的ComfyUI图生视频工作流，能够将静态图片转换为动态视频。工作流包含模型加载、图像导入、条件生成、视频采样、解码合成等8个核心步骤，通过SVD_img2vid_Conditioning节点实现视觉语义转换。该方案适用于创意视频制作、产品演示等场景，支持设计师和AI爱好者快速实现"以图生动"效果。文中详细说明了工作流架构、关键节点功能、操作流程及应用案例，并提供了模型参数和使用注意事项。
【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端
上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
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")
LeetCode Hot 100 二叉树专题（二）3 题（Java）
本篇文章共 3 题：543. 二叉树的直径、102. 二叉树的层序遍历、108. 将有序数组转换为二叉搜索树。 每道题都统一按「① 题目分析 & 解题思路 → ② 常见解法（附代码）及讲解 → ③ 知识点总结」的顺序组织；代码使用 Java 编写，节点定义沿用 LeetCode 默认的 TreeNode。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
JDK 下载安装：装完 Java 提示「不是内部或外部命令」？环境变量没配
JDK 是写 Java 程序必须装的东西。它包含运行 Java 的虚拟机（JRE）和编译 Java 的编译器（javac）——装了它，能跑、.java文件能编译成可执行程序。免费，学习和小规模生产都不花钱。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
java框架大全
java框架大全
Java 多态 学习笔记
多态是面向对象编程的重要特性，指同一操作作用于不同对象时产生不同行为。其核心在于“父类引用指向子类对象”，结合方法重写实现运行时动态绑定。多态使代码更灵活、可扩展，如用Person p = new Student();统一处理各类人员注册，无需修改调用逻辑。但多态无法直接调用子类特有方法，需通过instanceof判断并强制转换。编译时看左边（类型），运行时看右边（实际对象），实现解耦与维护便利。
SecureRandom做随机源，这个Java随机字符串工具类有3个方法
本文分享一款JDK17环境下的Java随机字符串工具类，内置3个开箱即用的方法，全部采用SecureRandom加密安全随机源，不存在弱随机、可预测、取模偏差等问题。工具类支持默认62字符集随机串、纯数字随机串、自定义字符集随机串三种生成模式，支持Unicode码点级别的字符集处理，兼容Emoji等增补字符，边界处理严格，异常信息明确，适合验证码、邀请码、盐值、随机口令、短链码等场景，源码可直接复制使用。
IDEA 简介：从零认识 IntelliJ IDEA
IDEA 全称，是由 JetBrains 公司开发的一款主流 Java 集成开发环境（IDE）。它集代码编辑、编译、调试、测试、版本控制、构建管理等功能于一体，被大量 Java 开发者视为日常开发的首选工具。所谓 IDE（Integrated Development Environment，集成开发环境），就是把写代码所需的各类工具整合到同一个界面中。相比只用文本编辑器加命令行编译，IDE 能显著减少重复操作，让开发者把精力集中在业务逻辑上。
Java实现批量线段相交检测（跨积判定+扫描线优化与踩坑复盘）
【代码】Java实现批量线段相交检测（跨积判定+扫描线优化与踩坑复盘）
TRingBuffer两端都能增删（快递站版）
TRingBuffer 是一个支持两端增删、下标访问且容量动态增长的环形双端队列。它通过无符号索引的永不归零设计，利用减法自动模运算实现空满判断与元素计数，避免了传统环形缓冲浪费格子的问题。内部以票号（索引）标记首尾，扩容时重排元素为连续存储，保证 O(1) 操作与高缓存效率。虽不线程安全，但其高效性使其成为游戏开发中事件队列、命令缓冲等场景的理想选择。
ubuntu安装hadoop系统
本文详细介绍了基于VMware克隆虚拟机搭建三节点Hadoop分布式集群的全过程：使用同一Ubuntu镜像克隆出master、worker1、worker2三台虚拟机，依次配置主机名、固定IP（如192.168.82.10/11/12）、SSH服务及免密登录，确保节点间网络互通。随后安装Java，下载配置Hadoop并分发至各节点，最终初始化启动集群，验证其存储与计算功能，实现高效的大数据环境部署。
Mac上装了最新版本的Android Studio，但是没找到jdk的设置选项也没找到jbr的目录
新版Android Studio（2025.3.1+）因三项变更导致常见问题：一、JDK设置移至“DaemonJVM criteria”，新项目默认自动探测或下载JDK；二、JBR目录改名为带版本号的jbr-21等，需进入.app/Contents/查看，或通过About窗口确认运行时；三、命令行缺adb因platform-tools未加入PATH，需在SDK Manager中勾选并配置~/.zshrc中的ANDROID_HOME及PATH。重装或清理残留可解决缺失问题，切勿手动设JAVA_HOME或安装冲
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.
Java Arrays.asList 常见坑详解｜UnsupportedOperationException、数组联动、基本类型 bug
解析 Arrays.asList 常见开发陷阱，演示 UnsupportedOperationException、底层数组引用共享、基本类型数组问题，区分 Arrays 内部 ArrayList 与 java.util.ArrayList，给出数组转 List 的各种场景正确代码。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
351
扫一扫
