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
279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
微信公众号又又又改版了！
这次改版出现了两个巨大的变化：
1. 公众号信息流中出现了“发现”
它类似今日头条推荐，向大家推荐一些可能喜欢的文章，让大家发现更多的公众号，这就可能让小号写出的文章成为爆款，这个功能我支持。
2. 头条不再显示大图了
以后想通过封面图来吸引人不行了，大家在这个信息流中筛选文章将会更加吃力，对于图文作者来说，是个重大打击。
只能在标题上狠下功夫，我现在文章的标题比起前几年已经让我痛心疾首了，以后可能会更加惊悚吧
，没办法，要不然就没人点了。
微信大力发展视频可以理解，但是这么对待图文真是让人伤心。
唯一的安慰是公众号还开了个口子，对于常读和星标的公众号，还会展示大图，所以，强烈建议大家能把码农翻身“设为星标”，否则就可能和大家失联了......
告别迷茫！手把手教你用Altova XMLSpy编写EtherCAT从站ESI文件（附避坑指南）
本文详细介绍了如何使用Altova XMLSpy高效编写EtherCAT从站ESI文件，涵盖核心架构、通信通道配置、过程数据映射等关键步骤，并提供了常见问题排查与性能优化建议。通过实战案例和避坑指南，帮助工程师快速掌握EtherCAT从站开发技巧，提升工作效率。
人听到坏消息的反应_个体沟通心理 || 我有一个好消息，还有一个坏消息，你想先听哪一个？...
和别人的交流中，最好的鼓励就是相信对方，并让他们知道你的关心。看到别人的优点和美德时，毫不吝啬的表达你的欣赏;听到不幸和痛苦，也别忘了向对方传达希望。如果我问你：“我有一个好消息，还有一个坏消息，你想先听哪一个？”我想大多数人都会说：“嗯 …… 那就先听坏消息吧。”可是，你知道为什么会这样吗？因为捡到200元钱的快乐，无法弥补丢掉200元钱的痛苦。简单讲就是，坏消息的杀伤力，天生就比好消息大。那怎...
反相器（inverter)和缓冲器（buffer)---附加与非门原理图
下面是对反相器（Inverter）和缓冲器（Buffer）从面积、驱动能力、时序等多个角度的详细对比，列出的是一般情况下的比较，具体情况可能会受到工艺节点、设计库和特定设计要求的影响。缓冲器（Buffer）是数字电路中常见的逻辑门之一，用于增强信号的驱动能力，而不改变信号的逻辑状态。如下图所示的CMOS反相器，由一个NMOS和PMOS组成，栅端gate相连作为输入端Vin，漏端相连作为输出端Vout，NMOS的源端接地，PMOS的源端接电源VDD.与反相器不同，缓冲器的输出与输入保持相同的逻辑状态。
今天听到一个振奋很多的坏消息
好消息：振奋的消息：在下周一就要正式上班了坏消息：春节值班肯定是我的 转载于:https://www.cnblogs.com/Shawls/archive/2006/01/10/314681.html
【UE5】【蓝图】 LevelSequence 动画播放与暂停
最近有些工作，在研究UE5 蓝图的LevelSequence，来制作一些简单动画。做个笔记，记录一下动画更换绑定actor的操作，以及动画播放后如何暂停和继续。
基于openEuler配置LAMP，部署WordPress
openEuler 基于OpenEular操作系统部署WordPress，必须包含以下内容： OpenEular的安装与基本配置。 基于SSH远程管理方式开展操作。 部署LAMP环境。 部署WordPress软件。 提供个人网站服务，并通过浏览器测试应用。 简要讲授相关知识与原理。 cd /etc/yum.repos.d 欧拉系统安装后，没有配置yum源，我们需要重新配置。 [root@localhost yum.repos.d]# ls -l 总用量 4 -rw-r--r--
今天的一个好消息和一个坏消息
碎碎念
ROS2前置基础教程 | 使用CMakeLists.txt编译ROS2节点
答案是有的，那就是cmake工具。cmake通过调用CMakeLists.txt直接生成Makefile。 2.新建CMakeLists.txt 在新建，输入下面内容。 3.编译代码 我们一般会创建一个新的目录，运行cmake并进行编译，这样的好处是不会显得那么乱。 创建好文件夹，接着运行cmake指令，代表到上级目录找。 运行完cmake你应该可以在build目录下看到cmake自动生成的Makefile了，接着就可以运行make指令进行编译 运行完上面的指令，就可以在build目录下发现节点了。ROS2
人听到坏消息的反应_一个好消息一个坏消息，今天你想先听哪个？
“我有一个好消息，和一个坏消息，你想先听哪一个?”生活中听到这样的发问，你通常会如何选择?事实发现，大多数人会选择先听坏消息。受访专家：北京回龙观医院精神科副主任医师 宋崇升本期编辑：张筱悦坏消息更吸引人俗话说，好事不出门，坏事传千里。在日常生活中我们也能发现，那些负面消息，在短时间内就可以人尽皆知。尤其是信息时代，这一特点更为突出，在各大门户网站新闻频道、论坛、微博，甚至一些社区网站，那些负面的...
通义灵码+高德 MCP：40分钟开发出游攻略网站
本文介绍了通义灵码与高德MCP在40分钟内快速开发出游攻略网站的全流程。主要内容包括：1）LingmaIDE开发环境的使用方法，涵盖界面操作、代码编辑、调试和智能编码功能；2）通义灵码智能体与高德MCP2.0的集成步骤，通过输入旅行需求即可自动生成包含天气卡片、景点路线等元素的HTML页面；3）重点展示了如何将行程规划导入高德地图APP，实现导航、打车等出行功能。整个开发过程充分利用了通义灵码的智能编码能力和高德地图的服务接口，显著提升了旅游类应用的开发效率。
brpc组件bvar源码解析（一）简介、使用和类的关系
bvar是brpc中的一个重要组件，brpc内部有很多builtin监控都是bvar实现的。 brpc文档介绍bvar“几乎不会给程序增加性能开销，也快于竞争频繁的原子操作”。它的原理是：多线程累加一个计数器时，每个线程只累加私有的变量而不参与全局竞争，因此写时没有锁的竞争；在读取时累加所有线程的私有变量。虽然读比之前慢多了，但写就快多了，因此它使用写多读少的场景，例如统计、监控场景。 1.使用 // bvar::Adder<T>用于累加，下面定义了一个统计read error总数的Adder。
人听到坏消息的反应_学会接受每一个坏消息的来临
今天来大家聊聊关于坏消息的话题。下午，广东的自考成绩出来了。我去查询成绩的时候，发现10月考的两门课都是50多分，差一点点就及格了，让我惊讶的是两门的成绩只相差1分。要不要这么巧合呢？要不是我这两门考试在不同考试日期兼不同考场考，我都要怀疑自己是不是作弊了，哪有接近一模一样的分数呀。我和我的学霸同学说起这事，他的反应比我还要激动说：真的要气死了，还差一点就可以及格了，及格的话就不用再去考这两门了。...
OpenClaw Docker 安装与部署教程，环境隔离不冲突技术指南
本文介绍了使用Docker容器化部署OpenClaw的完整教程。首先通过流程图详细说明了Docker环境检测流程，包括系统支持性检查、Docker安装状态验证、版本检测和服务配置等步骤。然后提供了Windows、macOS和Linux（Ubuntu/CentOS）系统下的Docker安装指南，涵盖从下载、安装到权限配置的全过程。最后介绍了OpenClaw官方镜像的拉取方法以及自定义镜像构建的Dockerfile示例。该教程适用于开发和生产环境，利用Docker实现环境隔离和快速部署。
我有一个好消息,还有一个坏消息
2019独角兽企业重金招聘Python工程师标准>>> ...
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")
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
老板为什么总是最后一个知道坏消息？
作为第一管理者的老板，在企业内拥有至高无上的权利，看似风光无限，却长期以来被一个简单问题深度困扰，那就是：为什么企业内的坏消息，最后一个知道的总是老板呢？而有的“坏消息”对企业来说，很可能是一场灾难的降临。这里分享一个也许对于老板都似曾经历过的案例： 某公司一个有史以来最大合同额的项目，销售团队已经跟了大半年时间，销售费用花了无数，本周就要宣布中标结果了，从老板到销售经理都认为这个项...
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
一个坏消息与一个好消息
昨天才参加完SCAU的校赛，想不到这么快就知道自己是否有资格去省赛呢。答案是：无。 大一的可以有四支队，选拔是看这两次的比赛，分别是SCNU校赛初赛和SCAU校赛。在选拔的那几支队中，我们队两次排名都是偏后的，自然也就无了。说不失望是假的，怎么也有期待过，不过既然已成事实，也就不纠结了。反正觉照睡，饭照吃，题照做。 我开始反思之前的比赛，特别是校赛初赛。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
谢国忠:不得不告诉你一个坏消息
<!--google_ad_client = "pub-0241434510974184";/* 博客文章广告728x90, */google_ad_slot = "7316585398";google_ad_width = 728;google_ad_height = 90;// --> 即便全球经济从当前的危机中恢复，因巨额债务而繁荣的金融体系仍将步
一个好消息和一个坏消息
我刚刚中了新浪论坛的持奥运门票免费看演出的活动，今天是新版川剧《武林外传》7月7日 19：30 长安大戏院不过我刚刚才知道的，今天没带奥运门票来，回去取再去貌似不太来得及。http://bbs.service.sina.com....
iPhone SE4 ：一个好消息，一个坏消息
好消息是， iPhone SE4 将搭载台积电 N3E A18芯片，6GB 到～8GB 的运存，性能绝对是一次飞跃。不过，因为同样采用全面屏设计，iPhone SE4跟iPhone数字系列，基本上只有参数的差异，外观都差不多。iPhone SE4 会首次升级到 6.1 英寸 OLED 全面屏，外观基本采用iPhone 14的设计，只是更换了 USB-C 口，双摄变单摄（48MP）。对此，我们有一万个拒绝的理由。距离 iPhone SE3的发布，已经两年多了，SE 系列第四代产品，是时候也要更新了。
又是一个好消息和一个坏消息
碎碎念
《漫画线性代数》读书笔记 通读小结 - 一个好消息，一个坏消息
《漫画线性代数》读书笔记 通读小结 - 一个好消息，一个坏消息
今天听到的一个好消息和一个坏消息
好消息：新闻说为纪念奥运一周年，鸟巢和水立方免费开放三天。开心啊，我都计划好明天一早就去了…… 坏消息：以上为一条假新闻。囧....
关于鸿学金信原始股的一个坏消息与好消息
在征求公司主要股东的意见，我们决定把21.4万股原始股（占总股本1000万股的2.14%)继续出让给愿意支持鸿学金信及青年人，看好我及鸿学金信创业团队，希望获得N倍收益，且符合条件的朋友们来参与认投！
华为荣耀进入电视市场，对小米是一个坏消息
传闻多时的华为将进入电视市场，日前有较为明确的消息是华为将以荣耀品牌试水电视市场，并且会以性价比对标小米电视，这对于刚刚在电视市场有点起色的小米来说将是一个坏消息。荣耀品...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
396
扫一扫
