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
7.1k累计阅读
7.1k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
AI摘要
通过telnet登录特定网站，可体验到《星球大战》的字符动画，由16841帧精心制作而成，展现了复古的视觉效果。作者Simon Jansen采用逐帧展示的方式，为科幻迷和程序员带来怀旧的乐趣。
今天看到一个非常有趣的网站，分享给大家，周末愉快！
这个网站需要telnet登录，telnet是个老古董程序了， 如果你用的是Windows 10 ，默认是关闭的，需要把它启用：
有了telnet 以后，在命令行窗口输入：
telnet Towel.blinkenlights.nl
然后星球大战就开始了：
看看这20世纪福克斯的Logo，那光柱还是动态的。
星球大战第四部：新希望
有趣的字符人
这个网站其实很早就存在了，我是刚刚得知，真是out了，但是作为一个科幻迷+程序员，看到这个东西是非常兴奋的，周末在这个上面消耗了不少时间。
美中不足的是，网速有时候比较慢，看的时候得耐心一点，如果你实在是等不及，可以直接去作者的网站上去看看：
http://www.asciimation.co.nz/
这些字符动画是怎么制作的呢？ 按作者Simon Jansen的说法，就是像放电影一样，按照一定的速度展示字符画面，当然这些字符画面就需要一帧一帧地去制作了，这也是最最耗时的部分了，他一共制作了16841帧！这得需要多大的耐心啊，真是个强人啊！
一行代码领你去看新形势电影
一行代码让你以另一种形式看星球大战 大家都使用过命令行窗口，但是你们有没有用过，拿命令行窗口看电影呢？今天我来领各位来看一场，不一样的电影。 首先让我们代开命令行窗口，开始 —> 点击运行 ---->输入“cmd” 即可进入命令行窗口 然后，我们来输入这样一行代码，“telnet towel.blinkenlights.nl”，等一会就会开始播放 注：这项功能需要telnet支持，telnet不是Windows的默认内置组件，因此当你看到错误提示时，需要首先进入“设置”→“应用”→“程序
用cmd看星球大战大电影，c++版本全集星球大战，超长多细节
用cmd看星球大战大电影，c++版本全集星球大战，超长多细节
7、打造开放文化：信息共享、激励与社交契约的力量
本文探讨了如何通过信息共享、激励机制和社交契约打造开放文化。开放文化能够促进团队透明度、增强成员自主性和协作效率。文章介绍了信息辐射器的概念和案例，强调了Dan Pink提出的三大激励要素，并详细描述了社交契约的构建与更新方法。同时，结合分组技术，如亲和图和点投票法，帮助团队达成共识。通过持续评估和改进，组织可以建立并维护一种积极健康的开放文化，为团队和组织的成功奠定基础。
星球大战（telnet tower.blinkenlights.nl）
telnet tower.blinkenlights.nl其实是一部dos版的《星球大战》没错！就是星球大战！而这部dos版的《星球大战》据说是一位荷兰人闲到dan疼写的（具体是谁小g也不清楚，有兴趣的宝子可以去查一查）
telnet源代码
telnet、 源代码 好东西 大家来看看
FPGA工程师必看：JESD204B同步机制实战指南（含SYSREF信号调试技巧）
本文为FPGA工程师提供了一份JESD204B同步机制的实战指南，重点聚焦于SYSREF信号的调试技巧。文章从同步的核心逻辑出发，深入剖析了时钟、SYSREF与对齐序列这“三驾马车”的协作，并详细阐述了硬件PCB布局、FPGA IP核配置、状态机监控以及使用示波器进行波形分析等关键实战步骤，旨在帮助工程师解决多通道高速系统中的同步难题，确保链路的稳定与确定性延迟。
用cmd看星球大战？当然可以。
用cmd看星球大战 最近发现了一个有趣的指令。 是不是感觉很insteresting呢 教程 进入控制面板，点击系统与安全 然后，进入以后，点击启用或关闭 Windows 功能 3.启用Telnet Client并点击确定 4.用快捷键win+r打开我们的cmd 输入指令 telnet towel.blinkenlights.nl 大功告成 去看电影吧 ...
从零开始：如何用PSINS工具箱构建你的第一个IMU误差模型
本文详细介绍了如何使用严恭敏教授开发的PSINS工具箱构建IMU误差模型，涵盖从基础参数设置到高级误差建模的全过程。通过imuerrset函数配置陀螺零偏、随机游走等核心参数，并结合实战案例展示消费级MEMS器件的误差建模方法，帮助用户提升惯性导航系统的精度与可靠性。
命令行下的-星球大战-经典电影收藏
很久以前就知道有这么个命令行下的电影,不过当时没有保存下来,今天又找到了,哈哈,实在是太强了.观看方法：开始--->运行---->输入telnet towel.blinkenlights.nl，浏览星球大战！感觉是不是很爽啊.哈哈,开始前几十秒不要太着急,等一下就来了......
Python + Google AI 自动修复 Sonar Bug 实践
在工作中总会遇到种种不期而至的需求，比如前段时间突然要修复所有 Sonar Bug，涉及各种琐碎的代码风格问题，包括但不限于语法不规范、废弃注释等问题。这些项目都已经持续开发几年了，Sonar 上的问题层出不穷，各种问题已经累积到了上万个，手动修复不但费时费力，而且过程异常枯燥。
Unity FPS射击控制系统：数据驱动的武器行为解耦方案
在Unity第一人称射击（FPS）开发中，射击系统常因输入、状态、行为耦合导致连发异常、换弹冲突与网络同步失准。其本质是缺乏对‘武器行为’（如后坐力曲线、弹药逻辑）与‘射击控制’（如输入合法性校验、冷却调度）的正交分离。本方案基于ScriptableObject实现WeaponData数据资产化，配合ShootingController状态机服务，达成输入解耦、运行时参数可调、协程受控、网络预测友好等工程目标。适用于中大型FPS项目架构升级与数据驱动转型，尤其解决Unity InputSystem与物理反馈
现实中博物经济学：为什么DVD格式各地区不同，而CD格式却到处都一样
DVD的分区与CD的统一，从来不是技术选择的偶然，而是经济学“利益最大化”原则在产业规则中的直接体现。当内容的核心价值需要通过“限制流通”来保护时（如电影的票房窗口期），地域分割就成为必然；当内容的价值需要通过“扩大流通”来实现时（如音乐的规模销量），全球统一就成为刚需。这一现象也揭示了博物经济学的核心视角：日常生活中的技术形态，往往是商业利益、产权管理与市场需求博弈后的最优解。就像鲸鱼因产权模糊濒临灭绝，鸡因产权清晰种群繁盛；
cadence Virtuoso ADE原理图库中的VCVS（压控电压源）使用
Symbol: vcvs (Voltage Controlled Voltage Source) Vop−Von=egain⋅(Vip−Vin)V_{op}-V_{on}=egain\cdot(V_{ip}-V_{in})Vop−Von=egain⋅(Vip−Vin) 所以可以得出 ⟹Vop=egain⋅(Vip−Vin)+Von\Longrightarrow V_{op}=egain\cdot(V_{ip}-V_{in})+V_{on}⟹Vop=egain⋅(Vip−Vin)+Von 使
从文化产业到IP授权：五大民营电影公司的“罗曼蒂克消亡史”给出版与内容行业的启示
五大民营电影公司”的故事之所以令人唏嘘，是因为它们并非没有野心，也并非没有贡献。相反，它们曾经真正推动了中国电影市场化、类型化、工业化和资本化。它们让中国观众看到了更成熟的商业电影，也让整个文化产业相信内容可以成为资本市场的重要资产。但它们的失败也同样珍贵。华谊提醒我们，IP不够强时，实景娱乐会从授权生意变成重资产陷阱。万达提醒我们，渠道和规模不能替代内容资产。博纳提醒我们，技术工业化不能替代叙事和角色。北京文化提醒我们，押中爆款不等于拥有IP。
vue2/3 - H5 移动端网页中调用手机摄像头扫描二维码 / 条形码功能，在h5手机网页里调起相机摄像头进行二维码或条形码扫描效果详细教程（详细示例组件源码，一键复制开箱即用！）
vue扫描二维码条形码，vue网页调用摄像头扫二维码条形码，vue移动端如何实现调用相机扫描二维码，vue移动端扫一扫功能，vue怎么做移动端h5扫一扫功能，vue识别二维码和条形码，vue实现点击按钮调用摄像头扫码，vue调用本地摄像头实现拍照功能，Vue中如何进行二维码生成与扫描，如何实现vue在手机浏览器中调用摄像头实现扫描二维码功能，VUE项目移动端H5调用摄像头扫码，vue项目中实现H5调取摄像头，网页调用摄像头实现二维码扫描功能，vue调用手机摄像头，vue在调用摄像头扫码，vue自定义打开摄像
SMPLify-x-master | 复现记录
由于毕业设计中将会用到smpl模型，而smplify方法的各环境依赖版本比较老，复现不太容易，因此便进行了smplifyx方法使用smplx的方法。由于在过程中遇到较多坑，因此进行记录和分享。
UE4免费获取电影级资产：Quixel Megascans与Bridge实战指南
在数字内容创作中，高质量环境资产的获取一直是核心挑战。通过摄影测量和PBR（基于物理的渲染）技术，可以实现对真实世界物体的高精度数字化还原，这为游戏开发、影视制作等领域提供了逼真的基础素材。其技术价值在于大幅提升了环境搭建的效率与真实感，降低了美术制作的门槛。在实际应用场景中，开发者常借助资产库和中间件工具来管理并优化这些资源。Quixel Megascans作为业界知名的扫描资产库，提供了海量的电影级模型与材质。而Quixel Bridge则扮演了关键的资产管家角色，它与虚幻引擎深度集成，实现了资产的智能
C++(Qt)软件调试---Windows下Qt使用dump定位崩溃位置（1）
在C++/Qt程序崩溃时，往往很难找到崩溃的原因，如果是稳定复现的问题还好，但是多数情况遇见的问题是随机出现的，这时想要快速找到问题并解决就需要通过dump文件定位崩溃位置。
在命令提示符下观看ASCII星球大战
这是ASCII字符完全创建星球大战的副本。它可以轻松地观看使用任何计算机支持命令行远程登录及连接互联网。 对于Windows用户： 转到开始 >> 运行 >>输入“cmd”并回车 这将打开命令提示符下，键入现在下面的命令，然后按Enter并观看。 telnet towel.blinkenlights.nl 对于Linux用户： 打开终端，输入下面的命令并观看。 telnet t
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
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
windows DOS环境下看星球大战
在dos环境下领用telnet看星球大战。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
NB!！telnet版StarWar
telnet towel.blinkenlights.nl也可以telnet 193.202.115.241
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")
Linux命令之在终端里观看「星球大战」
前言 在终端中观看星球大战的ASCII演示，前提需要你安装了telnet工具 安装 # 安装telnet工具 [root@iZo7e61fz42ik0Z ~]# yum -y install telnet [root@iZo7e61fz42ik0Z ~]# telnet towel.blinkenlights.nl 然后就开始观看吧~ ...
命令行版星球大战#挖坟会不会被打？
很古老的小东东了，挖出来暴尸。 在任何平台，使用telnet即可开启视觉盛宴。 telnet towel.blinkenlights.nl 或者，使用瑞士军刀nc。 nc -v towel.blinkenlights.nl 23 nc -l -p 80 监听本机的80端口。 nc -nvv -w2 -z 192.168.x.x 80-445 扫描192.168.x.x的tcp 80到tcp 445的所有端口 nc -l -p 5432 -t -e /bi...
启用Windows中的Telnet功能一起看DOS版星球大战
启用Windows中的Telnet功能 Telnet是一种简单的，但是非常流行的协议，用来在两个计算机之间交换数据。它经常被用来测试计算机程序，并且Telnet的功能包含在Vista/Windows 7和Windows 8电脑中，只是默认没有启用。 如何在Windows中安装Telnet呢？ 如果你想要在DOS（命令行）窗口使用Telnet命令，请按照
dos版电影 (telnet towel.blinkenlights.nl的奇迹!!)-STAR WARS in ARCII
以下是三个不同的博客对他的介绍，我也试过了，的确很棒，速度快。=========dos版电影 在windows的运行栏中键入telnet towel.blinkenlights.nl，然后欣赏就可以了。 ========有趣的telnet 站点打开命令行，输入telnet towel.blinkenlights.nl洋鬼子真变态，字符画都能搞成这样，更多有趣的telnet站点在这里h
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1630
扫一扫
