相关推荐
【编译原理】LL(1)分析方法 生成语法树(c++实现)
基本流程 输入文法->消除左递归->提取左公共因子->求FIRST集->求FOLLOW集->LL(1)分析表->表驱动的预测语法分析过程->输出语法分析结果和语法树
【转】50款免费的好软件
如今,成千上万的网站在提供免费软件,令人眼花缭乱。不过如果仔细搜查一下,确实能够找到许多效果不亚于付费软件的免费软件。本文按从A到Z排列的方式向读者推荐50款不错的免费软件和服务。 A 1.Alleycode(alleycode.com/) 这个WYSIWYG HTML编辑程序可以提供许多付费软件具有的一大批功能,尤其擅长建立层叠样式表。软件免费,不过网站倒是接受捐款。 2.avast...
Windows中的TLS 1.2启用方法(IIS、C#、.Net framework)
折腾几天了windows中的tls1.2启用方法!特此记录一下 开发背景: 在一个用.net framework 2.0开发的客户端程序里面嵌入功能调用第三方物联网相关接口,服务器上有一个restful接口用于接收第三方上报的数据及处理,最后再调用第三方的物联网相关接口。本机开发环境Windows 10,客户服务器是Windows Server 2008 R2。 第一次写这种物联网相关的接口调用,而且第三方提供的文档比较简单,最基本的报文示例都没。开发环境里面各种摸索一步一个坑,首先在发送HTTP请求前
从软件工程师到IT猎头:我的一点经…
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd"> 从软件工程师到IT猎头:我的一点经历和感触 在做完三年的通信软件工程师之后,因为不想在技术这条路上继续走下去,但又不想到处出差,吃喝应酬,在一个朋友的推荐下做了
Altera下载器驱动配置:手把手教程(从零实现)
详解Altera USB-Blaster驱动安装全过程,从设备识别到软件配置一步一图,解决常见连接问题,确保开发下载器正常工作,适合初学者快速上手FPGA下载调试。
Android SystemUI——初始化流程(三)
1、Android 系统在启动之后,首先会Zygote进程,Zygote进程又会进一步启动 SystemServer进程,它会启动各种系统所需要的服务,在监听AMS启动完毕之后,还会启动SystemUIService。2、在启动SystemUIService服务之前,系统首先会创建SystemUI对应的进程,获取SystemUIAppComponentFactory实例对象,调用instantiateApplicationCompat创建SystemUIApplication实例对象并设置回调方法。
从软件工程师到IT猎头:我的一点经历和感触
在做完三年的通信软件工程师之后,因为不想在技术这条路上继续走下去,但又不想到处出差,吃喝应酬,在一个朋友的推荐下做了猎头,猎头在很多人的眼里是个 神秘的职业,可能很多朋友都不知道自己怎么就突然被猎头找到了,然后经过很专业的寒暄跟客气之后,就开始职位介绍,如果这年头,您正不打算换工作,而且又 很忙,收到这样的电话可能还真烦的不得了,但如果您目前正有换工作的打算,此时听到猎头的电话,一般都会很客气的躲...
Host是如何与EC通信的
EC中有三个寄存器,分别为状态寄存器EC_SC、命令寄存器EC_SC和数据寄存器EC_DATA。而状态寄存器和命令寄存器同属于一个寄存器,这几个寄存器遵循着ACPI EC规范。host可以根据ACPI协议规范来与EC进行通信。 以下是个寄存器的详细介绍。 EC状态寄存器(EC_SC(R)),该寄存器是一个只读寄存器,它反映了此时EC接口的状态。下图为该寄存器表。 EC状态寄存器表中各位的具体含义: OBF(Output Buffer is Full),该状态位置1...
我是如何从测试开发做到年薪百万的
点击上方“程序人生”,选择“置顶公众号”第一时间关注程序猿(媛)身边的故事2017年的结束,意味着我从事猎头的工作已经有8年了。在过去的三年里,有超过200万的个人业绩,成为公司100多名猎头顾问中的Top Billers (业绩最好的顾问)之一,而我个人的年收入也连续三年达到了100万。从“程序员”转变成“程序员猎头”8年前我还是一个在望京索尼爱立信(简称索爱)的测试开发工程师。从测试开发工程师
Go游戏服务器开发的一些思考(一):语言层面
Go是比C++更好用的高级语言使用Go作为服务器开发的主语言前,首先需要对Go语言做下定性。在接触Go前,可能给人的印象(至少是我),Go是一门脚本语言。看了 官方文档 ,才知道Go是一门高级语言。与C++相比,它有以下优势: 面向接口的编程没有C++复杂的面向对象语法,如类、继承、多态、虚函数等等。Go中只有结构与接口,从语言层面上,直接指导功能与功能间的解耦。直接且语法简单 提供语言反射机制提供
阿里云 Docker 镜像加速收费后:这些免费替代方案值得收藏
阿里云Docker镜像加速服务收费后,国内开发者急需免费替代方案。本文推荐2025年仍可用的7个免费镜像源,包括轩辕镜像、DaoCloud、网易云等,并提供多源配置方案以提高稳定性。建议开发者在CI/CD环境中配置多个镜像源,避免构建失败。文章还提供了详细的配置步骤和使用建议,适合个人和团队开发者参考。
我曾经的"愤青"思维
我曾经的"愤青"思维. 今天晚上google了一下一些和自己相关的东西.突然发现上网5年.id用了确实不少. 从最早的nhsoft.magix , 到后来的xpertsoft,xheartblue以及stanly.lee和大大的野猪. 一年还能分到一个多.呵呵. 不过最大的收获还是从以前发的帖子里重新思考了一次以前曾有的愤青思维.愤青思维一 , 高校教育无用论: 也许是自己没能
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
猎头说...
在做完三年的通信软件工程师之后,因为不想在技术这条路上继续走下去,但又不想到处出差,吃喝应酬,在一个朋友的推荐下做了猎头,猎头在很多人的眼里是个神秘的职业,可能很多朋友都不知道自己怎么就突然被猎头找到了,然后经过很专业的寒暄跟客气之后,就开始职位介绍,如果这年头,您正不打算换工作,而且又很忙,收到这样的电话可能还真烦的不得了,但如果您目前正有换工作的打算,此时听到猎头的电话,一般都会很客气的躲开
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。
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")
鼹鼠的故事全集63集 下载地址
鼹鼠的故事全集63集 发布时间:2007-03-30 ftp://guest:guest@www.zidong.net.cn:2121/儿童影视/动画连续剧/鼹鼠的故事/1957鼹鼠与裤子.rmvb ftp://guest:guest@www.zidong.net.cn:2121/儿童影视/动画连续剧/鼹鼠的故事/1963鼹鼠与汽车.rmvb ftp://guest:guest@www.z
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
自闭症的认识
转自维基百科:http://zh.wikipedia.org/wiki/%E8%87%AA%E9%96%89%E7%97%87 自闭症 维基百科,自由的百科全书 维基百科的医学类别条目仅供参考,并不能视作医疗意见。 任何关于健康的问题应咨询专业的医护人员。 自闭症 分类系统及外部资源
请不要再用老土的销售对白了
很多导购,顾客进门第一句话他就说错了!一般的导购看到顾客第一句话就是:“你好,欢饮光临!”,其实这句话说错了!第二句话说错的人更多了!“您想要点什么?” 错 “有什么可以帮您的吗?” 错 “先生,请随便看看!” 错 “你想看个什么价位的?” 错 “能耽误您几分钟时间吗?” 错 “我能帮您做些什么?” 错 “喜欢的话,可以看一看
航模利润
<br />http://www.jfdaily.com/a/1288176.htm<br /> <br />核心提示:国内航模产业的尴尬是,厂商和销售商面对国内消费者时,首先要从最基础的解释做起。据业内人士介绍,虽然热门程度赶不上“山寨”电脑和“山寨”手机等产品,但航模的利润远高于它们,“一架好一点的航模,其利润超过几十台‘山寨’电脑”。 国内航模产业的尴尬是,厂商和销售商面对国内消费者时,首先要从最基础的解释做起。“你必须搞清楚,航模可不是玩具啊!科技含量较高的航模飞行速度为50至100公里/小时,遇
机器猫500集下载
http://202.107.209.193:6666/F:/vod/小眯动画/机器猫/0001.RM http://202.107.209.193:6666/F:/vod/小眯动画/机器猫/0002.RM http://202.107.209.193:6666/F:/vod/小眯动画/机器猫/0003.RM http://202.107.209.193:6666/F:/vod/小眯动画/机
王小波语录
1.这个世界自始至终只有两种人:一种是像我这样的人,一种是不像我这样的人。 2.我认为每个人都是有本质的。 像我的本质就是流氓、土匪,如果放到合适的地方就大放光彩,可是在城市里做个市民、在学校里做个教员就很不合适了。 3.这辈子我干什么都可以,就是不能做一个一无所能,就能明辨是非的人。 4.当一切开始以后,这个世界上再也没有什么让我害怕的事情了。
言论
1 有钱买块好表,比在自己有脖子上加条一指来粗的金链子让人看着有品味多了,山炮才带金链子。 2 偶尔和父亲促膝喝点小酒,永远比和一帮酒肉朋友在一起买醉来得开心。 3 喝酒喝好,不代表喝完吐吐完喝,在量上占个老大。 4 不要想着找个情人,因为情人是在有了家有了媳妇有了
初吻的女孩
1998年我在读高二。那年夏天我认识了一个女孩,我和她接吻了。她说她想去温州,我问她去那里做什么,她说她要去温州当小姐。 夏天还没结束,有一天她消失了。 我经常想起她,怀念第一次接吻的感觉,她说我接吻的时候口水流到她嘴里了。 十二月十二日是她的生日, 现在是2010年12月12日我依然祝她生日快乐,我依然爱她。 现在是2011年12月12日,我不知到她现在在哪里,也许还在那个小城市。今天
十盼了三十盼初一,终于没有年终奖。真是悲哀呀。。。。
盼了三十盼初一,终于没有年终奖。今日问老板何故。答曰:"公司的财政年度改成7月份了" …… 血淋淋的事实再一次证明:神马真的是浮云。
程序员守则:跟你比起来,大部分人都像笨蛋
……
城市足印
领导给你的承诺就像当年你给那个女孩的承诺一样 高中毕业时你对那个女孩说:等大学毕业了我就回来娶你。 那天你紧紧抱着她。 你在心里发誓大学毕业后你一定会回来娶她。 女孩也这么憧憬着。 大学毕业的散伙饭上。 你喝了很多,你很清楚的知道你没有喝醉。 但是你看起来是醉了的。 你紧紧抱着那个女孩说:等我赚了钱就回来娶你。 你的心跳很快。 你很清楚的知道,是酒精的刺激你才鼓
1万+



被折叠的 条评论
为什么被折叠?



