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
216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
2025 年 9 月编程人总共更新了 1 篇文章：
如果说 8 月是被《AI-Assisted Programming》 折磨，那么9月则是被《Learn Python Programming(4th)》折磨，虽然我写了那么多年 Python 代码，但是看了《Learn Python Programming(4th)》，我只能说很多时候我非常不理解作者的很多示例为什么要这么写，对理解相关概念根本没有帮助啊，被折磨得整理了很多东西，但是都还不完善，导致本月只更新了一篇文章。吃了不好的东西永远比不吃还难受。罪过罪过，这种习惯不好，不能被作者影响，得改，10 月争取多更新一篇文章。
欢迎搜索及关注：编程人(a_codists)
2025年9月GESP（C++二级）：菱形
2025年9月GESP（C++二级）：菱形
2024年12月文章一览
看了下是从23年7月就开始写文章一览了，感觉过了很长很长的时间。2025年，祝大家元旦快乐，在新的一年都能得偿所愿。欢迎搜索及关注：编程人(a_codists)
2025年9月GESP（C++一级）：商店折扣
2025年9月GESP（C++一级）：商店折扣
2025年10月文章一览
如果用一句话来形容 10 月，那就是“心里很着急，想做的太多，但是执行能力跟不上”，“路要一步一步走，饭要一口一口地吃”——还是慢慢来。欢迎搜索及关注：编程人(a_codists)
手把手教你为智能手表DIY一个离线导航：LVGL + SD卡地图实战
本文详细介绍了如何为智能手表DIY一个离线导航系统，结合LVGL图形库和SD卡地图数据。从硬件选型、地图数据处理到LVGL地图引擎实现，提供了完整的实战指南，特别适合户外运动爱好者和嵌入式开发者。文章还分享了功耗优化、性能提升等实用技巧，帮助读者打造高效的离线导航解决方案。
SAP接口错误查询日志
随着数字经济的迅速发展，企业数字化转型不在只追求“业财一体化”，而是在业务端也想要进行更为精细化的管理，所以很多企业在SAP ERP的基础上，集成更多垂直领域更精细的外围系统，比如销售CRM系统，采购SRM系统，生产MES系统等等，琳琅满目的产品，那对SAP实施来说，系统集成过程中，接口的一些报错查询能力必不可少，今天我们就介绍一下，SAP和CRM系统集成中接口常见的报错。
GESP 2025年9月C++ 2级真题解析
本文解析了GESP2025年9月C++2级真题中的典型题目，指出试卷存在三个主要问题：1）部分题目采用文字游戏式的表述，如单选题第9题的正确选项表述晦涩；2）题目同质化严重，多个题目考察相同知识点；3）个别题目设计存在缺陷，使得不懂的考生也可能做对答案。作者通过具体题目分析，如逗号表达式、进制转换等考点，既讲解解题思路，也批判了当前考试题目设计中存在的问题。文章最后呼吁出题者改进命题质量，避免上述问题，真正考察学生的知识掌握程度而非应试技巧。
TSMaster MBD模块实战：如何用Simulink模型快速搭建汽车电子测试环境
本文实战演示了如何利用TSMaster的MBD模块，将Simulink模型快速部署为汽车电子自动化测试环境的核心。通过建立模型与TSMaster系统变量的实时数据通道，并利用数据仓库统一数据定义，工程师能无缝连接算法仿真与真实总线网络，显著提升从模型到HIL测试的验证效率。
GESP 2025年9月 3级 C++ 真题解析
GESP三级真题解析聚焦编译器相关知识，难度引发对小学生适用性的质疑。选择题涉及变量作用域和编译器优化，判断题考察左值右值、宏定义安全性和char类型范围等概念。文章指出部分题目答案存在错误，并强调编程题中“例如”表达的不严谨性。作者认为这些题目考察的编译器和底层知识超出小学生认知水平，呼吁关注真正的知识学习而非应试技巧。
Vim 入门到够用：Linux 文本编辑器的三种模式、常用操作与实战技巧
i 进入编辑模式Esc 退出编辑模式回到命令模式: 从命令模式进入底行模式编辑，不一定非得“打开就直接打字”。一旦你接受了“模式”这件事，后面很多操作都会顺起来。学 Vim，不要追求一次学全，先把“命令模式—编辑模式—底行模式”这条主线练熟。只要这条主线通了，后面的复制、删除、搜索、替换，都是顺手补上去的能力。
软考高级系统架构设计师历年论文真题深度分析（2011-2025）
本文系统分析了2011-2025年系统架构设计师论文真题，归纳出十大主题类别，包括架构风格、企业集成、数据技术、非功能属性等。研究发现新兴技术占比最高（18.8%），企业集成、数据架构和非功能属性为三大核心考点。论文命题呈现明显技术演进特征，从经典架构理论逐步转向云原生、AI融合等前沿方向。备考建议重点关注高频考点和技术前沿，同时强化场景化解决方案能力。分析表明，架构师考试持续跟踪行业技术发展，注重理论与实践结合，为考生提供了明确的备考方向。
2025年12月文章一览
2026年的第 1 天，就遇到了中x银行app在7:30-8:00无法登录的破事。其它啥也不说了，祝各位同行技术精进，好好打磨产品，开发出好用的软件，不要折磨用户。不要总说自己遥遥领先，要踏踏实实做人。2025年总计阅读了9本书，其中最满意的是《Grokking Concurrency》，推荐给大家。其它也没啥想说的了，人到中年，不再矫情，也没有狂野的规划，努力工作，过好当下的日子。欢迎搜索及关注：编程人(a_codists)
嵌入式PCB电源完整性分析：PDN建模与电流密度优化
电源完整性（PI）是高速数字与混合信号系统稳定运行的基础，其核心在于保障芯片供电网络（PDN）在动态负载下的电压稳定与热安全。PDN分析本质上是通过量化电流密度与电压降两个关键物理量，揭示PCB走线、过孔及平面的载流瓶颈与压降路径。电流密度超标将引发局部温升与可靠性风险，而电压降则直接侵蚀器件供电裕量，导致复位、采样失真等典型故障。借助Altium Designer等工具开展工程级PDN建模，需严格依据电源预算表定义源/负载，并精准配置铜厚、过孔参数及IPC-2152限值，从而实现从原理图到制造工艺的闭环验
2025年09月总结及随笔之退货和积分兑换
2025年09月总结及随笔之退货和积分兑换
基于 Python + Flask + Echarts 的疫情监控系统
基于 Python + Flask + Echarts 的疫情监控系统
MIPI C-PHY介绍（Specification for C-PHY V1.2）
本文档描述了一个名为C-PHY的高速串行接口，它在带宽有限（bandwidth limited channels，看的有人说C的含义就是channel limit）的通道上提供高吞吐量性能，用于连接到外设，包括显示器和摄像头。首先0x4fff在0x4000~0x4fff区域，则f=（0,0,0,0,0,0,1），顺序是S6~S1；最后，端到端的传输过程是什么样呢，如下图所示，16bit先转换成7个符号（每个符号3位，共21位），然后并行数据转换成串行数据，输送到符号编码器和3个线的驱动器，接收端流程相反。
2025年9月TIOBE编程语言排行榜出炉！Perl重返前十Python创历史新高
2025年9月TIOBE编程语言排行榜显示，Python以25.98%的市场份额创历史新高，稳居第一，C++反超C语言升至第二。值得注意的是，Perl时隔20年重返前十，主要得益于其文本处理优势和新特性更新。对于零基础学习者，Python仍是最佳选择，因其简单易学且应用广泛；Java和C++则是大厂开发的主流语言；JavaScript是前端必备技能。未来值得关注的语言包括Go、Rust和Kotlin。该榜单通过分析全球搜索引擎数据评估语言流行度，是初学者选择编程语言的重要参考。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
北京中小学打响第一枪：2025年9月开始实行AI通识课
北京市将在2025年9月推出中小学人工智能通识课程，每年不少于8课时。这一教育改革并非单纯培养编程能力，而是系统性地培养"人工智能素养"，包括AI思维、应用创新和伦理意识。课程采用循序渐进的路径：小学阶段重在体验启蒙，初中阶段培养认知应用能力，高中阶段侧重实践创新。这一举措是国家人才战略的重要布局，将为未来社会与AI协作奠定基础，同时面临师资培训、教育公平等挑战。北京此举标志着基础教育正从知识传授转向培养适应未来的能力，旨在培育能驾驭智能时代的新型公民。
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，
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
2025年9月12日的全球IT领域重点新闻汇总
AI正从“模型竞赛”转向“工程化落地”：各大厂商聚焦AI Agent、RAG、模型压缩与私有部署，强调可解释性与安全性。算力瓶颈倒逼芯片与架构创新：ARM（Graviton、昇腾）、RISC-V、光计算等多元化路径加速演进。信创进入“深水区”：不再局限于党政系统，已向金融、能源、交通等关键行业渗透，软硬协同成为成败关键。绿色计算成共识：液冷、AI节能调度、碳足迹追踪已成为数据中心标配能力。全球化与本土化并行：中美技术路线分化加剧，但跨国企业在合规前提下寻求双轨并行策略。
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")
通义千问万相2025年1月-9月发布模型梳理
本文可用于模型选型，梳理了通义千问与万相的区别，并整理了2025年1月-9月，Qwen、Wan发布的模型，解读模型名称含义，说明模型特征，使用场景。
2025年09月04日最热门的开源项目(Github)
2025年09月13日最热门的开源项目(Github)
本文精选了15个热门开源项目，涵盖JavaScript、Python、TypeScript等多种语言。其中Ripple（TypeScript UI框架）和openpi（Python项目）表现突出，分别获得696和331的趋势Star。n8n-workflows和awesome-llm-apps以超过2万和6万的当前Star成为最受欢迎项目。技术领域分布广泛，包括AI代理框架（ROMA）、区块链加密（fhevm）、开发者工具（PowerShell）和教育资源（developer-roadmap）。值得注意的是
2025年09月11日最热门的开源项目(Github)
近期GitHub热门开源项目涵盖了AI、支付处理、实时分析等多个领域。Pathway的Python框架和LLM应用模板分别获得93k和85k星，专注于流处理和AI管道。Twitter推荐算法开源项目以71k星位居前列。新兴项目如OpenPI（6k星）和HCP注册表（7k星）展示了AI与物理智能的结合趋势。支付处理工具Hyperswitch（85k星）和PDF处理工具Stirling-PDF（66k星）表现亮眼。教育类项目如"人人都能用英语"（48k星）和微软AI入门课程（37k星）也备受
2025年09月12日最热门的开源项目(Github)
近期热门开源项目趋势分析：AI相关项目占据主导地位，其中OpenPI项目（6954星）和500-AI-Agents（11403星）展现强劲增长。教育类项目如中国教材库（49440星）和英语学习资源（27753星）持续受到关注。技术工具方面，Nightingale监控系统（11903星）和UI库Heroui（26171星）表现突出。值得注意的是，多个AI系统提示词泄露项目（如20029星）及Twitter算法开源（66258星）引发热议。新晋项目BillionMail邮件服务器（10398星）和AI初学者教程
【期刊分享】Call for Paper: 征稿截止2025年9月26日
【期刊分享】Call for Paper: 征稿截止2025年9月26日
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1104
扫一扫
