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
147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
JWFD升级到0.96.5.1025 矩阵数据库完善之后，再出一个伪代码算法，在光子机和量子机上面就已经完美了
已经达到最佳技术极限点了，如果再走一步，像列宁说的，真理再向前走一小步，就会变成谬误。。。
不做代码了。。。。完善一下伪代码算法
我们必须吸取 微软和intel的经验教训 出了酷睿2代 E系列和Q系列的CPU以后，就不能够做i系统的CPU了
XP和2003系统完成以后，就不该做WIN7和vista了，做周边游戏或者硬件系统。。完善生态链了。。。
善与恶，就在这一步之间。。。。。。。。小心啊。。。IT的，升级到一个极限点，就不要升级了。。
最速下降法（算法分析+python代码解释）
本文开始，我们介绍利用目标函数解析性质求解无约束化问题的解析法。
读像火箭科学家一样思考笔记11_实践与测试（上）
实践与测试
RS485信号测量避坑指南：示波器抓包常见问题与波形分析技巧
本文详细解析了RS485信号测量中的常见问题与解决方案，包括差分信号测量基础、终端电阻配置、共模干扰处理等关键技巧。通过实测波形案例和优化建议，帮助工程师有效提升RS485通信的可靠性和抗干扰能力，适用于工业自动化、远程监测等场景。
创新学院理论课-总结：01|创新的元模型-S型曲线
本文笔记全部来自混沌大学《混沌创新学院》 读书笔记（创新思维） 第1讲 创新的元模型-S型曲线 1、增长魔咒 失速点 S曲线（渐进性创新，它的bug是隐含假设只要努力就能增长） 极限点 2、三种增长驱动引擎： 红利（已耗尽） 管理（已极致） 创新（最佳引擎） 参考文献： [1] 李善友. 混沌创新学院[M]. 混沌大学, 2019. ...
OpenMV模块视觉测距（避障）+颜色识别+TFT-LCD显示（实现原理与代码分析）
上图所示代码实际运行的帧率比较低，主要原因有以下两个：1.硬件问题，博主使用的版本比较低，可以尝试使用高版本OpenMV2.图像滤波问题。之前加入图像滤波是想提高色块识别的准确性，但是相应的运算速度也会下降。
分布式推理服务（策略：数据并行、张量并行、流水线并行、专家并行）技术分析
摘要：分布式推理突破单GPU内存和算力限制，支持大模型部署。四种核心策略包括： 数据并行：复制模型拆分数据，提升吞吐但内存效率低； 流水线并行：模型分阶段执行，支持超大模型但存在计算气泡； 张量并行：拆分层内矩阵运算，延迟低但通信开销大； 专家并行：动态激活MoE模型专家，计算高效但路由复杂。实际应用中常组合策略（如3D并行），需权衡模型规模、硬件条件与性能目标。
3大核心技术打造静音散热：开源风扇控制工具智能调控完全指南
还在为电脑风扇忽快忽慢的噪音烦恼？想通过精准的风扇转速调节提升散热效率？本文将系统讲解如何利用开源风扇控制工具实现硬件温度与噪音的完美平衡，从基础的温度曲线设置到高级场景化配置，让你的设备在静音与性能间找到最佳平衡点。 ## 诊断：散热系统的隐形痛点与解决方案 ### 传统散热方案的三大致命缺陷 大多数电脑用户都面临着共同的散热困境：要么风扇噪音过大影响工作专注，要么散热不足导致硬件性能降频。
使用 Wireshark 分析 PPPoE 流量中的 BRAS 名称 AC-Name
客户端发出广播请求，寻找 PPPoE 服务器。: BRAS 服务器响应 PADI 请求，提供服务并包含AC-Name。: 客户端选择一个 BRAS 并发起连接请求。: BRAS 确认连接并分配会话 ID。在这些阶段中，AC-Name是 BRAS 提供的一个关键字段，用于标识服务器名称。
【转】球形思维
作用力等于反作用力，表示一种胶着状态。既表现于静态过程中，也出现于动态过程中。但从性质上来说，作用力等于反作用力是处于一种相对的力量或能量的平衡。要推动事物的前进和变化，必须是在一个特定的时间和空间上，“作用力”突破（克服）“反作用力”的极限，打破这个平衡，进入一个新的时间和空间之中。比如推车，当我们用力推向车子时，车子本身也给我们同样的反作用力，表面上好象是达到了力量平衡。但是我们把注意点放到轮
手把手教你学Simulink——基于通信协议与标准的场景实例：卫星通信中的网络安全协议（IPSec）仿真
随着卫星通信在国防、金融、应急指挥、能源管网等关键领域的广泛应用，其安全性已成为系统设计的核心要求。然而，卫星链路具有广播特性、长距离传输、地面站分布广等特点，极易遭受窃听、篡改、重放、中间人攻击等网络威胁。传统的“信任链路层安全”已不足以应对现代网络攻击。为此，国际标准组织（如IETF、ETSI、CCSDS）推荐在卫星通信中部署协议，实现端到端的数据机密性、完整性、身份认证和抗重放保护。本文将手把手教你如何在中构建一个符合标准的仿真系统，涵盖从明文传输到加密隧道的完整安全链路建模。本文完整实现了。
破局KS滑块验证码：从参数加密到轨迹生成，Python逆向全流程避坑实录
快手滑块验证码破解实战：从逆向分析到自动化实现 摘要：本文详细记录了破解快手滑块验证码(KS滑块)的完整过程。通过48小时的逆向分析，揭示了KS滑块的双重校验机制：不仅需要精准定位滑块缺口位置，还需满足参数加密和轨迹特征校验。文章从反爬逻辑分析入手，介绍了工具选型与环境配置的避坑要点，重点讲解了滑块缺口距离计算方法和核心加密参数slide_sign的逆向过程。通过OpenCV边缘检测和Frida动态调试技术，成功实现了滑块验证的自动化，准确率提升至99%。文中附有Python实现代码和实际操作踩坑记录，为开
matlab中卷积滤波,时域卷积实现音频滤波（matlab实现）.docx
时域卷积实现音频滤波(matlab实现).docx实验一 时域卷积徐学政 201206020023【实验内容】给定一段音频信号1.wav与三个离散时间系统，其单位脉冲响应分别为：h1[n]=sin(K1n)/πnh2[n]=-sin(K2n)/πnh3[n]=sin(K3n)/πn-sin(K4n)/πn其中，K1、K2、K3、K4均为常数参数。2.wav、3.wav、4.wav分别是以此音频信...
Claude Code（8）：使用 skill-creator 打造属于测试人员的 Skills
本文介绍了如何使用Claude Code的skill-creator工具快速创建测试相关的Skills。skill-creator是一个专门用于创建新Skills的Skill，相比手动创建更高效。文章详细演示了安装skill-creator的步骤，并通过创建"测试计划编写助手"的实战案例，展示了如何通过对话方式定义Skill名称、触发条件和功能需求。skill-creator会自动生成完整的SKILL.md文件和目录结构，用户只需确认即可完成Skill创建。
Qwen3-Reranker-8B效果对比：不同batch_size下GPU利用率与吞吐平衡点
本文介绍了如何在星图GPU平台自动化部署Qwen3-Reranker-8B镜像，并探讨不同batch_size下GPU利用率与吞吐量的平衡策略。该模型专用于文本重排序任务，能显著提升搜索推荐系统的相关性排序效果，帮助用户快速构建高效的AI推理服务。
C语言设计模式全面解析：从理论到28个实战示例
本文系统介绍了23种经典设计模式在C语言中的实现方法。通过结构体、函数指针等技巧，C语言可以优雅地模拟面向对象特性，实现代码复用与解耦。文章分类详解了创建型、结构型、行为型三大类模式，并提供了28个完整代码示例，包括单例、策略、观察者等核心模式的精简实现。这些模式在嵌入式系统、操作系统内核等场景中广泛应用，如状态机、事件驱动等。学习C语言设计模式的关键在于理解模式意图，掌握函数指针和结构体组合等技巧，并在实际项目中灵活运用。本文为C语言开发者提供了全面的设计模式参考指南。
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
机器人跳远项目技术拆解：运动控制、状态估计与落地缓冲
机器人运动控制是机器人竞赛与工程落地的核心能力，尤其对于四足机器人、双足机器人等平台，需要在有限时间内完成速度、姿态与冲击吸收的协同。跳远项目作为典型的复合动作测试，完整覆盖了助跑一致性、起跳时机判断、腾空姿态稳定和落地缓冲等环节，是检验运动控制算法和系统鲁棒性的极佳样本。从技术原理角度看，它涉及状态估计、步态规划、视觉识别与柔顺控制等多个模块的深度耦合。本文围绕这一主题，拆解其背后的技术难点、调试流程与数据采集方法，并结合工程实践给出可复用的参数调整与故障排查思路，为从事机器人竞赛和运动控制开发的工程人员
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")
快乐泛函每一天：希尔伯特空间中的最佳逼近与正交投影定理
全🕸️第一详细快乐泛函，你读了这一篇美妙的文章，你一定会开心一整天（
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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
TowardsDataScience 博客中文翻译 2016~2018（一百四十三）
大多数关于如何“完成”一个数据科学任务的文章通常讨论如何编写一个算法来解决一个问题。例如，如何分类文本文档或预测财务数据。如果属于数据科学家的职权范围，学习如何做这些事情对他们来说可能是至关重要的知识。然而，任务只是在现实世界中完成数据科学项目过程的一小部分。即使你能编码出一个多类文本分类问题的完美解决方案，它对商业有价值吗？这个问题目前的解决方案是什么？你必须超越什么样的基准才能让用户相信它的输出？当算法在生产中启动并运行时，您是否得到反馈以了解输出是否持续产生可用的结果？
从一只骡子与测试员的故事，分析性能、压力和容量测试的区别
这段时间虽然有够忙的，几乎等于996，但「学习+分享经验」从未停止。 那我今天分享的内容是跟性能测试相关的，大家也都知道现在性能测试在大厂中地位越来越高，性能测试也是互联网+企业的“刚需”，但大部分人就性能测试、压力测试和容量测试总是傻傻分不清楚，导致工作中容易出错，也是蛮糟心的。 基于每次写的文章都偏技术多一些，考虑到大家每天的测试工作已经很枯燥了，缺少一个轻松的气愤，所以这一次我想到用讲故事的方法来进行区别，可能难免有牵强之处，拿出来给大家加深一下印象。 有一个农夫决定买一匹骡子，他认为这个骡子至..
ECCV 2020 Oral，利用边界特征做检测的BorderDet
“15分钟看顶会”是旷视研究院全新推出的论文快速解读专栏，聚焦旷视在全球各大顶会、期刊等平台所发表的工作，覆盖深度学习、计算机视觉、视觉导航与控制、计算摄影学、大规模机器学习系统、机器人...
一文尽览 ECCV 2020 旷视研究院15篇论文
本文转载自旷视研究院。图：ECCV 2020 词云分析结果8月23-28日，全球计算机视觉三大顶会之一，两年一度的 ECCV 2020（欧洲计算机视觉国际会议）即将召开。受到疫情影响，今...
第三章 非线性规划
**@第三章 非线性规划 1 非线性规划 1.1 非线性规划的实例与定义 例1（投资决策问题）某企业有 n 个项目可供选择投资，并且至少要对其中一个 项目投资。已知该企业拥有总资金 A 元，投资于第i(i = 1,L,n) 个项目需花资金ai 元，并预计可收益bi 元。试选择最佳投资方案。 解 设投资决策变量为 最佳投资方案应是投资额最小而总收益最大的方案，所以这个最佳投资决策问题归结为总资金以及决策变量（取 0 或 1）的限制条件下，极大化总收益和总投资之比。因此，其数学模型为： 上面例题是在一
千元平板电脑排行榜_紫光展锐全线发力平板业务！5G平板电脑今年发布
提示：点击上方"蓝字"↑免费订阅本公众号日前，紫光展锐举办了线上平板分享会，向IT之家等媒体分享了5G时代的平板业务线的布局和规划。紫光展锐智能手机业务副总裁吕贵珣在会议上表示，作为大屏手机替代的“旧平板”已经到了增长极限点，随着相关技术走向成熟，平板的发展到了一个裂变点。未来平板将走出家门，在线教育、移动办公的首选终端将是平板，这类平板，我们可以叫它“新平板”。新平板行业正处于爆...
一只骡子与软件测试员的故事……
我今天分享的内容是跟性能测试相关的，大家也都知道现在性能测试在大厂中地位越来越高，性能测试也是互联网+企业的“刚需”，但大部分人就性能测试、压力测试和容量测试总是傻傻分不清楚，导致工作中容易出错，也是蛮糟心的。
Ansys Zemax | 使用软件建立立方体卫星系统（四）
由于在非序列模式中只是在主镜的底部创建了一个切口，在序列模式下，这种切口在技术上并不存在，但由于顺序光线追踪的性质，穿过镜子底部的光线不会与表面发生光学相互作用，所以我们可以使用序列模式来分析结果。为了保持两反射镜的相对变形并保持形变载荷的平衡，实施机械设计改进，将机械止动面（放置在固定器上的反射镜表面）调整到反射镜的另一个底角上。此篇文章为本系列的第4部分，我们将介绍如何将 Ansys Mechanical 的 FEA 数据导入 STAR 模块，并将这些数据用作 STOP（结构、热、光学性能）分析。
分享一个骡子与测试员的故事...
我今天分享的内容是跟性能测试相关的，大家也都知道现在性能测试在大厂中地位越来越高，性能测试也是互联网+企业的“刚需”，但大部分人就性能测试、压力测试和容量测试总是傻傻分不清楚，导致工作中容易出错，也是蛮糟心的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5733
扫一扫
