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
900+累计阅读
964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
在Eclipse中建立Android环境，安装完ADT以后发现 No target available
研究了半天，最后发现是一个令人无语的问题：
各大教程中，都只说把SDK的zip包下载下来，解压缩，并放到某个路径下就行了
而实际上，这还远远不够
在zip包中有个setup.exe，运行之，在Install... 选项中选择一个然后选择右下角的install
多半这样无法成功，那么需要找一下叫force...什么的选项，勾上就行了
但是下载速度还是很慢
网上有个解决方法是把下载路径的https改成http，这样下载的文件能少点，速度还是一样慢
另外，在Eclipse中建立应用后，报错 missing required source folder: 'gen'
网上也有一种很草根的方法，就是把gen目录下的R.java删掉，然后refresh工程，自动生成新的R.java
我对比了一下，二者没有任何区别，可能的确是ADT的BUG吧
以上
计算机组成原理（二）—— 数据的表示与运算
本章目录引言一、数制与编码1.1 进位计数制1.1.1 进制及转换1.1.2 真值、机器数1.2 BCD码1.3 ASCII 码1.4 校验码1.4.1 奇偶校验码1.4.2 海明码1.4.3 CRC循环冗余码二、定点数的表示和运算2.1 定点数的表示2.1.1 无符号2.1.2 有符号（原码、反码、补码、移码）2.2 定点数的运算2.2.1 移位运算2.2.2 加减运算（溢出判断）2.2.3 乘法运算2.2.4 除法运算2.3 强制类型转换2.4 数据的存储和排列三、浮点数的表示和运算3.1 浮点数的表示
提示工程架构师面试经验：上下文工程与AI理解能力相关题目应答技巧与加分项
或者讨论“为什么模型在接受细微的提示修改后会给出截然不同的答案”，这反映了其模式匹配的本质和对提示的敏感性。AI理解能力，对于提示工程架构师而言，不仅仅是知道AI能做什么，更重要的是深刻理解AI模型（特别是LLM）的工作原理、能力边界、局限性、“思考”方式以及其“理解”的本质。提及对不同模型注意力行为的观察（例如某些模型可能对结尾信息更敏感），或提及使用提示内的“注意力检查点”（如“现在，请基于你刚刚阅读的‘核心数据’部分，回答以下问题：”）。提及对用户体验的考量，避免因过度压缩历史导致用户需要重复信息。
手把手教你用内核远程call实现64位进程注入（附完整ShellCode示例）
本文深入探讨了在Windows 64位环境下，通过内核态直接操作线程TrapFrame结构实现进程注入的高级技术。文章提供了从驱动框架设计、用户态-内核态通信，到定位修改TrapFrame、编写Shellcode及执行环境恢复的完整实战指南，并附有详细的代码示例，为安全研究人员和开发者提供了绕过用户态检测、实现底层远程代码执行的新思路。
承认吧！你不是不行，你是不敢！
年底了，经理们忙着做绩效评价。互联网打工人，又要开始忙着写年终总结，盘点一年的得失。每年到了要做复盘的时候，都会有人感慨，徒增年岁。当然，作为“打工人”，还是按捺不住心中的骚动，呐喊：年终...
「转载」vaptcha 等手势验证码图像识别与轨迹提取（思路）
作者：文安哲 从博客重开以后就说要更文章，鸽了蛮久了，赶紧补上一篇嫖嫖各位老公的流量。 最近看群里面大家讨论研究手势验证码比较多，然后我也顺带研究做了一下，给各位老公们分享一下做的过程。 首先，一起来康康手势验证码长啥样！ 大概就是长这个样子，需要按照图像中的那条轨迹再图片上滑动，不得不说这类验证码确实体验感拉满，让人很想立马关掉这个网站。 那么言归正传，这类验证码该怎么做识...
双向全桥隔离dc-dc变换器（DAB）
在全功率范围内，零电压开通优化调制方法能够实现双向全桥隔离dc-dc变换器所有开关的零电压开通，来提升变换器的效率，但其调制模式不连续。当变换器两端电压不匹配时，变换器的电流应力和回流功率将增加，软开关范围将变窄，变换器的效率显著降低。在轻载时，这两种电流优化调制方法采用相同的调制模式；在重载时，最小电流有效值调制方法具有两种调制模式，而最小电流应力调制方法只有一种。双向全桥隔离dc-dc变换器（DAB）和Buck/Boost不同，该变换器通过交流电感进行功率传输，其调制和控制不适合直接借鉴已有的研究。
Cosmos3-Super训练数据大起底：13亿数据点如何塑造物理世界理解能力
Cosmos3-Super作为NVIDIA推出的全能模态世界模型，凭借13亿训练数据点构建了强大的物理世界理解能力，为机器人技术、自动驾驶和智能空间环境等Physical AI应用奠定了坚实基础。 ## 13亿数据点的构成：多模态融合的训练基石 Cosmos3-Super的训练数据集规模达到了惊人的13亿数据点，涵盖了文本、图像、视频、音频和动作等多种模态。其中，图像数据占据了最大比例，达到7
四、zabbix7.0推送告警至钉钉webhook机器人
2、钉钉的webhook是有安全要求的，我采用的是ip的方式，我的zabbix服务器在内网，我的网络出口有多个固定公网ip，所以这样做省事，其他方式也可以你自己考虑。下图是webhook机器人的配置。这一步，参数里面默认的跟我下图里不一样的，按我下图修改。Key是你的webhook机器人地址里的access_token=后面的内容。整个逻辑就是告警动作匹配告警媒介与用户，然后进行告警的发送。1、zabbix服务器能够访问钉钉的服务器，具体说是能访问。二、zabbix7配置报警媒介以及消息模板配置。
人生的一切问题，归根结底就是这三点：无知！恐惧！延迟！
https://blog.youkuaiyun.com/weixin_34055910/article/details/87835492 导读 为什么人很难改变自己？ 为什么有的人心态积极，有的人心态消极？ 是什么阻碍了人的自我成长？ 无论是“未经审视的人生不值得过”，还是“吾日三省吾身”，只有彻底认清消极心态系统运行的这三点本质：无知、恐惧、拖延，人才能真正意义上改变自我，在一个新的世界里找到觉醒...
Unity机械拆装实战：5步搞定发动机模型交互式装配（附完整代码）
本文详细介绍了在Unity中实现高交互性机械拆装仿真的完整流程。以发动机模型为例，通过5个核心步骤：项目初始化与模型准备、核心交互实现、智能装配逻辑、场景管理与相机控制、进阶优化与扩展，系统讲解了从零构建交互式装配功能的方法，并提供了完整的代码示例。
YOLOv10改进，YOLOv10二次创新C2f结构采用WTConv卷积（感受野的小波卷积），ECCV 2024
WTConv 的核心思想是通过结合卷积神经网络（CNN）的强大特征提取能力与小波变换的多尺度特性，来实现大感受野的卷积操作，同时避免传统大卷积核带来的参数爆炸问题。传统的卷积操作通过滑动小窗口在图像上逐步执行局部特征提取，感受野的大小直接取决于卷积核的尺寸。随着卷积核的增大，参数量呈指数增长，导致网络训练效率降低、计算资源消耗增加。为解决这些问题，WTConv 提出了在小波域中执行卷积操作的策略。小波变换是一种常用于信号处理的技术，能够将信号分解为不同频率成分。
LLaVA-v1.6-7B效果实测：模糊/低光照图片下的鲁棒性理解能力展示
本文介绍了如何在星图GPU平台上一键自动化部署LLaVA-v1.6-7B镜像，并展示了该多模态模型在模糊或低光照图片下的鲁棒性理解能力。通过实际测试，该镜像可有效应用于安防监控、低质量图像分析等场景，提升视觉内容的理解效率。
Flink实战案例（十三）:Flink DataStream 八大分区策略与自定义分区器
声明：本系列博客是根据SGG的视频整理而成，非常适合大家入门学习。 《2021年最新版大数据面试题全面开启更新》 分区策略决定了一条数据如何发送给下游。Flink中默认提供了八大分区策略(也叫分区器)。 本文基于Flink 1.9.0总结Flink DataStream中的八大分区策略以及手动实现一个自定义分区器。 八大分区策略继承关系图 ChannelSelector: 接口，决定将记录写入哪个Channel。有3个方法: void setup(int numberOfChannels):
Qwen2.5-VL-7B-Instruct效果实测：模糊/倾斜/遮挡图像下的鲁棒图文理解能力
本文介绍了如何在星图GPU平台上自动化部署Qwen2.5-VL-7B-Instruct镜像，并实测了该模型在复杂场景下的图文理解能力。该模型能够处理模糊、倾斜或遮挡的不完美图片，例如，即使面对被书本部分遮挡的笔记本电脑，也能准确识别物体并推断其使用场景，展现了强大的鲁棒性。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
OpenAI公关跳起来捂他嘴！Transformer作者公开承认参与Q*！
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【扩散模型和多模态】交流群添加微信：CVer5555，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！梦晨 发自 凹非寺转载自：量子位（QbitAI）Transformer作者中唯一去了OpenAI...
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。
Optimus机器人泡沫破裂？马斯克承认：没有一台在工厂承担「有用的工作」
但无论是 Optimus 的「摸鱼」，还是其他企业的「表演」，其实都在强调人形机器人行业真正急切的问题——人形机器人，究竟该用在什么地方？从目前的状态来看，特斯拉对 Optimus 的押注，更像是一场长期投资：先把硬件、产线和能力储备好，再等待一个真正成熟、足够规模化的应用场景出现。未来人形机器人也许终将普及，但就像真人一样，人形机器人的路也要「一步一步走」。事实上，从「波士顿动力时期」开始，大家对人形机器人的认知一直是所谓的「通用执行体」——先把机器人做得像人，再试图让它进入不同场景，去完成各种任务。
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")
90%的人学Python爬虫都干过这种事，别不承认！
可以说，我是因为想批量下载一个网站的图片，才开始学的python爬虫。当一张一张图片自动下载下来时，满满的成就感，也满满的罪恶感……哈哈哈！！！
Excel一小时，Python五分钟：承认吧，你就是干不过会Python的
这年头，职场老人担心自己的体力精力拼不过年轻人，不努力就被替代；年轻人则担心自己经验能力不足， 在裁员时被首当其冲排上名单。开源节流、裁员降薪，晚发工资…
给AI挖坑 | 实测New Bing能否回答员工那些刁钻的问题？
（AI并不一定是真正的理解了，但能给出我们喜欢的答案，让我们相信它懂得起）需要说明的是，由于每次问答GPT都要重新组织语言，因此会有同一个问题给出的回答不一致的情况。ChatGPT不联网，它的答案是编的，而不是搜的，这其实使它不太适合作为一个问询机器人，特别是回答企业内部的一些问询。如果作为企业内部的员工问询机器人，对于政策、法规相关的问题，其实是不容有失的，GPT也许暂时还不完全适用。√ 我反问它，它重新拿我给的条件和政策做了比较，发现并承认了之前的错误。给了一个谨慎的结论（你们觉得这样回答回更好吗？
Siri 被曝「难产」！苹果高管承认：AI 功能成功率仅 60-80%，太“难看且尴尬”了
根据 Bloomberg 披露的信息，Robby Walker 在内部会议上承认表示，公司在 Siri 的 AI 升级尚未准备好之前就过早宣传了这些功能，这一决策是个错误，使得本次延期变得尤为“难看”，也让团队成员或多或少都感到些许愤怒、失望、疲惫以及尴尬。当时，许多用户抱怨 iPhone 4 的信号问题，而乔布斯并没有回避问题，而是亲自召开发。同时 Siri 团队还要兼顾苹果内部的其他 AI 项目，而这些项目的时间节点比 Siri 的 AI 升级更加紧迫，因此公司不得不调整优先级，推迟部分功能的发布。
苹果承认存在烧屏问题，但拒绝召回；英伟达显卡全网断货，最高涨至 5 万元；AI 耗电相当于一个国家年用电量 | EA周报
EA周报2023年10月20日每个星期1分钟，元宝带你喝一杯IT人的浓缩咖啡，了解天下事、掌握IT核心技术。周报看点1、英伟达 RTX 4090 显卡全网断货，库存几近被扫光，最高涨至 5 万元2、OpenAI 放弃开发部署成本更低版的 GPT-4：性能远低于预期3、苹果承认 iPhone 15 系列存在烧屏问题，但拒绝召回4、华为整体销量已超越苹果，成大中华区最畅销手机制造商5、一公司破解青少年...
DeepChat效果展示：复杂指令理解能力测试——多条件约束、反事实推理、元认知提问
本文介绍了如何在星图GPU平台上自动化部署DeepChat深度对话引擎镜像，实现复杂指令理解与智能对话功能。该镜像基于llama3:8b模型，支持多条件约束处理、反事实推理和元认知提问，可应用于智能客服、专业顾问和教育辅导等场景，提升人机交互深度与效率。
在字节跳动“混”了2年软件测试岗，被辞之后我承认我后悔了！
先简单交代一下背景吧，某不知名 211 的本硕，19年毕业加入字节，以“人员优化”的名义无情被裁员，之后跳槽到了网易云，一直从事软件测试的工作。之前没有实习经历，算是2年的工作经验吧。这2年时间过得很快，有过开心的时候，也有迷茫的时候，不过还算顺利地从一只职场小菜鸟转变为了一名资深混子。就这样混了2年时间浪费了自己2年冲刺的时间，别人都在进步，而你原地踏步。被卷死的人当然就是你了。被辞之后我确实后悔了，工资待遇先不说，提升技术的空间也变小了......可是人生没有后悔药呀！经历这次事件之后我也是醒悟了，
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
7473
扫一扫
