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
101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
今天学着在Redhat Enterprise 4上配置tomcat，做个笔记：
LINUX进阶（持续更新）
linux的进阶之路汇总： 查看本系列汇总： =============================================================================== 一、linux进阶之基础篇 LINUX进阶（基础篇）之Linux常用工作命令 LINUX进阶（基础篇）之Linux文本编辑命令 LINUX进阶（基础篇）之系统状态检测命令 LINUX进阶（基础篇）之Linux输入输出重定向 LINUX进阶（基础篇）管道命令符和命令通配符、常用的转义字符
Linux如何通过镜像更新,linux镜像（持续更新）
linux实用指令 | 程序员线上排查必知必会linux指令(持续更新中)Linux线上排查程序员实用指南 一.乱码问题 二.帮助指令 1. help命令 2. man命令 3. info命令 三.性能监测与优化 1. top命令 参考资源 Linux线上排查程序员实用指南 ...Java开发需掌握的常用Linux命令(持续更...
当知识图谱遇见多模态：突破文本界限的智能认知革命
本文探讨了知识图谱与多模态技术的融合，揭示了其在医疗诊断、文化保护等领域的革命性应用。通过图神经网络、对比学习框架和跨模态注意力机制等技术，实现了文本、图像和音频数据的智能关联与认知。文章还分享了在Neo4j等图数据库中的实践案例和优化策略，为构建下一代智能认知系统提供了技术参考。
第8章 系统持续安全：Linux自动更新机制详解
本文详细介绍了Linux系统的自动更新机制，重点涵盖Ubuntu APT和CentOS YUM两种主流方案。系统更新是维护安全性和稳定性的核心环节，涉及安全漏洞修复、功能缺陷修补和性能优化三个方面。文章首先阐述了更新的重要性，提供了完整的更新操作流程和模拟更新方法；然后解析了自动更新的工作原理和风险控制策略，包括配置备份、更新黑名单等实用技巧；最后针对不同发行版详细讲解了APT和YUM的配置方法、高级应用和自动更新实践。通过合理的自动更新配置，管理员可以在确保系统安全的同时，有效降低更新风险和服务中断可能性
多旋翼飞行器设计与控制·Pixhawk4以及外部设备接线（笔记004）
笔记主要来源：Pixhawk 4 接线快速入门 目录 一、Pixhawk 4 的各个接口 二、接线图概览（重要传感器及外围设备） 三、飞控、GPS的安装和方向 四、电源 五、无线电遥控 六、数传电台（可选） 七、SD Card（可选） 八、电机以及其他外设 一、Pixhawk 4 的各个接口 FMU：Flight Management Unit 飞行管理组件 主 FMU 处理器：STM32F765 32 位 Arm® Cortex®-M7，216MHz，2MB...
从CAD图纸到GIS地图：手把手教你用Global Mapper处理DWG文件（含坐标配准）
本文详细介绍了如何使用Global Mapper将CAD图纸（DWG文件）转换为GIS地图，包括坐标配准、图层与属性转换等关键步骤。通过四参数变换和控制点匹配技术，确保数据精准转换，适用于测绘、城市规划等领域。文章还提供了高级处理技巧和质量控制流程，帮助用户高效完成GIS化工作。
linux学习 持续更新中
字符设备 字符设备是指在I/O传输过程中以字符为单位进行传输的设备，例如键盘，打印机等。请注意，以字符为单位并不一定意味着是以字节为单位，因为有的编码规则规定，1个字符占16比特，合2个字节。 在UNIX系统中，字符设备以特别文件方式在文件目录树中占据位置并拥有相应的结点。结点中的文件类型指明该文件是字符设备文件。可以使用与普通文件相同的文件操作命令对字符设备文件进行操作，例如打开、关闭、
【YOLO】YOLOV5-Seg的Segment模块解析
Segment模块同时输出检测结果和分割掩模，通过轻量级分割头实现实时实例分割
Linux集锦大全【持续更新】
Linux集锦大全-持续更新中
innovus：Clock Gating Check设置与报告
看图后发现，在设置clock gating check之前报告也会有clock gating check的值，这个就是因为timing library中会像reg一样定 library setup time值，如下图。我们常用set_clock_gating_check -setup去过约束Place阶段reg2cgate的时序，以防CTS后由于tree不平导致的时序违例。我正在「拾陆楼」和朋友们讨论有趣的话题，你⼀起来吧？
Plecs电力电子仿真专业教程-第一季 补充课程 Plecs的安装教程与软件下载
PLECS4.1.64免安装版本–点我下载 Plecs.Standalone-3.7.2版本--关注加私信给我可以提供下载链接 补充课程 Plecs的安装教程与软件下载 详细介绍Plecs软件的安装过程
Linux脚本集合--持续更新
本文提供多个Linux系统管理脚本，涵盖以下功能： 系统管理脚本 多版本替换镜像源（支持Ubuntu/Debian、CentOS/RHEL等） IP地址修改脚本（支持静态/DHCP配置） 监控工具安装 Zabbix Agent/Agent2安装（支持多版本选择） 自动检测系统类型并适配安装方式 容器化部署 Docker安装脚本（支持在线/离线安装） Harbor私有镜像仓库部署脚本 数据库安装 Redis编译安装脚本（支持多版本） MongoDB一键安装脚本
手把手带你实现DAF-Net：零代码基础入门红外与可见光图像融合（从理论到实战）
本文介绍了红外与可见光图像融合技术及DAF-Net网络的应用。红外图像能捕捉热源但缺乏细节，可见光图像纹理丰富但在低光环境下表现不佳。DAF-Net采用双分支特征提取和动态注意力融合架构，能智能分配特征权重实现优势互补。文章详细讲解了环境配置、数据集准备（如TNO数据集）和预处理方法，并提供了DAF-Net的核心代码实现，包括特征提取、注意力融合和图像重建模块。通过该技术可在安防、自动驾驶等领域获得更优质的融合图像，提升视觉感知能力。
虚拟机Linux操作(持续更新ing)
【代码】虚拟机Linux操作(持续更新ing)
AVDepthData、LiDAR 深度数据与人像模式全解析：iOS 真实景深图采集与处理实战
在 iOS 高端影像系统中，真实景深信息的采集与利用已成为区分旗舰设备与基础设备的重要能力。Apple 自 iPhone 7 Plus 引入双摄虚化以来，逐步发展出基于 AVDepthData、TrueDepth 与 LiDAR 的多维深度感知技术，并开放接口供开发者获取高精度深度图，构建背景虚化、人像分割、3D 重建等多种功能。本文将深入解析 AVDepthData 的结构与使用方式，系统讲解 LiDAR 采集架构、人像模式的景深融合逻辑，以及如何在实际项目中采集、预览并处理深度图数据，实现具备工程可用性
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
Linux键盘快捷键操作命令。持续更新中！
Linux键盘快捷键操作命令。持续更新中！
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
Linux（持续更新）
Multics（大而全）项目失败，吸取教训启动Unix（小而精），Linus Benedict Torvalds受Unix启发开发初始版本Linux内核，Git也由其开发，目的是为了更好的管理Linux内核开发。Unix是商业软件，Linux是开源软件。Linux Logo，企鹅Linux的发行版本可以分为两类，一类是商业公司维护的发行版本，以Red Hat Enterprise Linux为代表，一类是社区组织维护的发行版本，以Debian为代表，两者最大的区别是包管理方式。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
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】常用指令（个人笔记，持续更新）
指令 全拼 功能 例子 结果 pwd print work directory 打印当前目录，显示当前工作目录的绝对路径 pwd 输出当前路径 sudo lsb_release -a 查看系统版本号 sudo lsb_release -a 输出系统版本号 mkdir Make Directory 创建目录 mkdir asher 在当前目录下新建一个名为ahser的文件夹 cd Chang Directory 更改工作路径 cd asher 进入刚刚创建的asher文件夹 ...
Linux常见命令——持续更新
文件归档就是将一组拥有相同属性的文件或目录组合到一个文件中，并从新存储它们到一个专门的目录中，以便以后在需要时进行查阅。常用选项-c：创建(create)新的归档文件-x：此选项告诉 tar 从存档中提取文件，即解开.tar格式的包文件。-v：详细模式(verbose),显示正在处理的文件名,便于查看进度(可选)-f：指定归档文件名(file),此选项后必须跟文件名-C：指定解压时释放的目标文件夹。-z:此选项告诉tar使用gzip压缩文件/正在处理一个gzip文件-j。
Linux + ChromiumOS操作系统资源持续更新...（转载）
Linux + ChromiumOS操作系统资源(持续更新…)https://blog.youkuaiyun.com/m0_55400356/article/details/125477975?spm=1001.2014.3001.5502
Linux shell教程资源分享（持续更新）
shell 学习教程文章分享
linux下的一些命令【持续更新】
常用修改权限的命令： sudo chmod 600 ××× （只有所有者有读和写的权限） sudo chmod 644 ××× （所有者有读和写的权限，组用户只有读的权限） sudo chmod 700 ××× （只有所有者有读和写以及执行的权限） sudo chmod 666 ××× （每个人都有读和写的权限） sudo chmod 666 ××× （每个人都有读和写的权限以及执行的权限） ch...
Linux常用命令（持续更新）
Linux常用命令（持续更新） 目录操作 cd /apps/data 从根目录开始进入目录apps/data cd data/test 从当前目录进入目录data/test cd … 退回到上级目录 cd ~ 回到根目录 pwd 显示当前目录全路径 ls -l 查看当前目录的所有文件及文件夹的名称，权限，大小，日期等信息 日志操作 tail ...
LINUX+数据库 常用命令——持续更新
【代码】LINUX+数据库 常用命令——持续更新。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1725
扫一扫
