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
70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
你好，我是 EarlGrey，一名双语学习者，会一点编程，目前已翻译出版《Python 无师自通》、《Python 并行编程手册》等书籍。
点击上方蓝字关注我，在后台回复“books”，即可领取超值优质电子书合集。
来源 ：网络
一篇奇文出现在某匿名社交软件，引起了大家对文豪的赞口不绝。
先发原图：
一遍好文一定少不了精彩评论
写这么好，应该不是偶然，
原来这位文豪之前也有关于P10的大作，分享给各位小伙伴
以上只是工作之余的一点乐趣，仅供娱乐。
真正的P10，还确实是挺厉害的，只不过
他的厉害，懂得人并不多，
因为懂得人至少也得P9！
***
- EOF -
推荐阅读 点击标题可跳转
4、高效的终极秘诀
Ships Dataset：解锁海洋探索的数字宝库
在海上交通管理中，通过对船舶的持续跟踪，可以及时发现船舶的异常行为，如偏离航线、超速等，保障海上航行的安全。例如，通过分析船舶的航行数据和位置信息，合理安排船舶的停靠时间和装卸货物顺序，避免港口拥堵，提高船舶的周转率。同时，还精确标注了船舶在图像中的位置坐标，通过这些坐标，我们可以准确地定位船舶在图像中的具体位置，为后续的分析和处理提供了精确的依据。从繁忙运输货物的货船，到承载着能源使命的油轮，再到穿梭于海洋寻找鱼群的渔船 ，每一种船舶都有着独特的外形和功能，在数据集中留下了它们的身影。
IT 界惊现文豪！华为领导及阿里 P10 遭吐槽！
点击上方“Java精选”，选择“设为星标”别问别人为什么，多问自己凭什么！下方有惊喜留言必回，有问必答！每一天进步一点点，是成功的开始...一篇奇文出现在某匿名社交软件，引起了大家对文豪的...
robot framework循环读取excel表操作
robot framework循环读取excel表操作 1、安装excellibrary，注意python3.7版本，需安装：robotframework-excel，robotframework-excellibrary-xwfintech 注意：网上有很多excel处理的，都是基于python2.7的，还有一些对python3以上都是修改包的方式，其实都不需要，在pip官网上有python3以上的excellibrary，名称是robotframework-excellib 2.0.0，但是该包关键字不
IT界惊现文豪！华为领导及阿里P10遭吐槽
欢迎关注方志朋的博客，回复”666“获面试宝典来源：脉脉一篇奇文出现在某匿名社交软件，引起了大家对文豪的赞口不绝。先发原图：再转原文：发现邻居大部分都是程序员，一开始我还挺高兴，觉得都是高...
37张图详解MAC地址、以太网、二层转发、VLAN
MAC 地址 每个网卡或三层网口都有一个 MAC 地址， MAC 地址是烧录到硬件上，因此也称为硬件地址。MAC 地址作为数据链路设备的地址标识符，需要保证网络中的每个 MAC 地址都是唯一的，才能正确识别到数据链路上的设备。 MAC 地址由 6 个字节组成。前 3 个字节表示厂商识别码，每个网卡厂商都有特定唯一的识别数字。后 3 个字节由厂商给每个网卡进行分配。厂商可以保证生产出来的网卡不会有相同 MAC 地址的网卡。 现在可以通过软件修改 MAC 地址，虚拟机使用物理机网卡的 MAC 地址，并不能保.
FISCO BCOS平台的用户权限控制与分类管理
在区块链技术日益广泛应用的今天，如何管理与控制不同用户的权限，确保系统的安全性与高效性，成为了区块链平台不可忽视的一部分。FISCO BCOS作为一款高效的联盟链平台，通过细粒度的权限控制机制，提供了对不同用户权限的有效管理。本文将深入探讨FISCO BCOS如何实现用户的权限控制，并对不同用户进行分类与权限管理。FISCO BCOS平台通过精密的权限控制机制，不仅提供了对用户表和系统表的细粒度权限管理，还通过工具与接口为开发者和管理员提供了便捷的权限配置与查询功能。
IT界惊现文豪？华为领导及阿里P10遭吐槽？
IT界惊现文豪？华为领导及阿里P10遭吐槽？
ScanNet数据集下载全攻略：从申请到解析的保姆级教程（含常见问题解决）
本文提供了ScanNet数据集从申请授权到下载、解析的完整实战指南。针对这个大规模室内RGB-D数据集，详细介绍了官方申请流程、优化下载策略、数据验证方法，并重点解决了深度图解析等常见问题，帮助三维视觉研究者高效获取和使用这一宝贵资源。
华为22级、阿里P11职级高管都开始“直播卖课”了？
上一篇：IT界惊现文豪！华为领导及阿里P10遭吐槽！今天脉脉上的一则热帖。据网友@ 幼稚的长颈鹿在休息 发贴称抖音某两位博主在直播间介绍自己分别是华为22级、阿里11级高管，专业教人如何做个领导。并认为这样高职级有吹牛嫌疑。因为涉及华为、阿里的高管，该帖迅速在网上被热议。可能大家对照片中的主播还不太熟悉，评论较不友好。很多网友质疑其身份与职级有水分。毕竟，能达到华为22级、阿里P11这一层级，最少...
数字后端DRC Violation定位与自动化修复：Innovus与Calibre协同实战
设计规则检查（DRC）是芯片tapeout前确保版图可制造性的关键验证环节。在数字后端流程中，Calibre作为signoff级物理验证工具，会依据代工厂SVRF规则文件对GDS进行严格几何检查；而Innovus则提供快速迭代的in-design DRC反馈。两者协同成为工程师定位violation、保障流片成功的主流工作流。面对成千上万条DRC violation，高效的定位与分类思路、跨工具映射技巧，以及基于Tcl脚本的自动化修复方法，能大幅缩短物理验证周期。本文从DRC的分层定位出发，结合Innovu
B站自动答题协议分析
使用Python写了一个自动答题机器人！基于接口协议实现且包含点选验证码识别
这个阿里云工程师的甩锅能力，真的超级高水平！
往期热门文章：1、「中国加班第一楼」深圳科兴万人大撤离！拖主机带屏幕，程序员公交上写代码！ 2、SpringBoot + Redis：模拟 10w 人的秒杀抢单 3、研究所年入20万，是什...
Android 车联网——CarAudioService介绍（六）
CarAudioService 是 Android Automotive OS 中的一个重要组件，用于管理车辆中的音频功能。它是 Android Auto 的一部分，负责处理车辆音频的播放、控制和路由。CarAudioService 使用标准的 Android 组件架构，基于 Binder 通信机制，提供了一组 API，用于管理车辆音频。它包括以下主要功能：音频路由管理：CarAudioService 可以让开发者控制音频的路由，即将音频发送到不同的输出设备，例如车辆的扬声器、耳机等。
被约谈，两天走人，一些思考！
上一篇：IT界惊现文豪！华为领导及阿里P10遭吐槽！作者：草帽lufei链接：https://juejin.cn/post/7264236820725366840前言个人身边发生的事，分享自己的一些思考，有不同意见是正常的，欢迎探讨交流。（本文系转载，原作者：草帽lufei）来龙去脉上周坐我前面的前端开发工程师突然拿了张纸去找业务线领导签字了，领导坐我旁边，我看两人表情都认真严肃，一句话没...
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")
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1267
扫一扫
