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
300+累计阅读
375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
开源项目 ruoyi-sso-oauth2（一）环境配置
Ruoyi若依实现单点登录SSO、oauth2认证
成语新解
1.知书达礼：仅知道书本知识是不够的，还要学会送礼；2.度日如年：日子非常好过，每天象过年一样；3.杯水车薪：每天办公室喝喝茶，月底可以拿到一车工资；4.知足常乐：知道有人请自己洗脚，心里就感到快乐；5.见异思迁：看见漂亮的异性...
maya权重拷贝一对一，一对多
是不是有时候盔甲很多很碎头很大，用代理一个个拷贝很麻烦吧 用下面代码直接运行进行一对多或者一对一拷贝 第一个先选择参考物体，加选其他一堆有的没的有权重或没权重的物体执行一键拷贝，就可以啦 以下是源码送上，带走吧 ------------------------ #! -*- coding:utf -8 -*- #author：liubingdong #date：20...
t what whatwhat wh
Love what what what what what what what what do you love love what what whatwhat what what what what do you love love what what what what what what whatwhat do you love love what what what what what w
STC8G1K08A的10位PWM避坑指南：为什么你的占空比调节总失效？（附寄存器操作时序图）
本文深入剖析了STC8G1K08A单片机10位PWM功能中占空比调节失效的核心原因，揭示了数据手册未明确指出的寄存器操作时序陷阱。通过对比错误与正确配置的波形，文章指出关键在于更新占空比高2位前需临时关闭PWM输出，并提供了经过验证的安全操作宏与函数库，帮助开发者彻底解决此问题，实现0%-100%的平滑控制。
《You Don‘t Know JS》：啃透JavaScript的「灵魂说明书」！
【代码】《You Don‘t Know JS》：啃透JavaScript的「灵魂说明书」！
ICDAR数据集简介
ICDAR（文档分析与识别国际会议）是OCR领域的权威会议，每两年发布一次数据集，专注于自然场景文本检测与识别，涵盖多语言、复杂版式和真实环境挑战。街景、广告牌、票据、手写文档等真实场景图像。包含水平、垂直、倾斜、弯曲文本，背景干扰大，部分文本存在遮挡或模糊。提供文本位置坐标（矩形/四边形框）及内容，无法识别的文本标记为###。以上总结提炼了ICDAR的核心价值与应用方法论。给出最佳实践方法是官网数据预训练模型 + 业务数据微调（比如用PPOCRLabel标注100+张业务图）。
Rust You Don’t Know
本文是Rust You Don’t Know的第一章: Chapter One: Process, Thread, and Coroutine
【自然语言处理（NLP）实战】LSTM网络实现中文文本情感分析（手把手与教学超详细）
在当今数字化时代，人们在社交媒体、评论平台以及各类在线交流中产生了海量的文本数据。这些数据蕴含着丰富的情感信息，从而成为了深入理解用户态度、市场趋势，甚至社会情绪的宝贵资源。自然语言处理（NLP）的发展为我们提供了强大的工具，使得对文本情感进行分析成为可能。在这个领域中，长短时记忆网络（LSTM）凭借其能够捕捉文本序列中长距离依赖关系的能力，成为了情感分析任务中的一项重要技术。通过详细的步骤和示例代码，深入了解如何处理中文文本数据、构建LSTM模型、进行训练和评估。
仿真学习系列（四十七）：Sigrity仿真之直流压降与电流密度
在现代电子设计中，电源网络的设计和分析对于保证电路的稳定性至关重要。直流压降（IR-Drop）和电流密度是评估电源网络性能的关键参数，尤其是在高频和高速电路中。它们直接影响到设备的工作稳定性与效率。通过Sigrity的仿真工具，可以深入分析和优化这些电源特性，从而确保系统的可靠性。 本节将介绍直流压降和电流密度的基本概念，以及如何在Sigrity中使用PowerDC模块进行相关仿真。
[you don‘t know JavaScript] this全面解析
**this的绑定位置由调用位置决定**" 容易让人误解为this就指向调用位置，然而其调用位置不代表this绑定到这个位置，我们分析调用位置只是为了分析其**调用方式**(以下几种)，再得到其绑定位置。
【AI智能体】Dify 搭建发票识别助手操作实战详解
Dify 搭建发票识别专属助手操作实战详解
Know what you don‘t know
How great leaders peevent problems before they happen -Michael A.Roberto 1.从解决问题到发现问题 problem-solving ->problem-finding 视问题为学习和提高的机会 领导者:问题发现者，拥抱问题，这是一个没有终点的旅程 … 9.问题发现者的思维模式 问题发现者的三个维度特点: 1.有智慧的好奇心 2.系统思考能力 3.健康的偏执狂特点 ...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
Traduccion项目翻译规范：如何保持You Don‘t Know JS的原著风格
Traduccion项目致力于将Kyle Simpson的经典JavaScript系列书籍"You Don't Know JS"翻译成西班牙语，为西班牙语读者提供高质量的技术学习资源。本文将详细介绍项目的翻译规范，帮助贡献者在翻译过程中保持原著的风格和专业性，确保翻译质量的一致性。 ## 翻译工作流：从准备到提交的完整指南 📝 ### 准备工作：避免重复劳动的关键步骤 在开始翻译前，贡献者
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
Traduccion项目完全指南：如何参与You Don‘t Know JS西班牙语翻译
Traduccion项目是GitHub加速计划中的重要组成部分，致力于将Kyle Simpson的经典JavaScript系列书籍"You Don't Know JS"翻译成西班牙语，为全球西班牙语读者提供高质量的JavaScript学习资源。无论你是JavaScript新手还是有经验的开发者，都可以通过参与翻译贡献自己的力量，同时深化对JavaScript的理解。 ## 📚 项目简介：为什么
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")
You Don‘t Know JS(一)
1.JS柯里化 概念 百度百科：在计算机科学中，柯里化（Currying）是把接受多个参数的函数变换成接受一个单一参数(最初函数的第一个参数)的函数，并且返回接受余下的参数且返回结果的新函数的技术。通俗点说就是将一个函数拆分成多个函数，是固定部分参数，返回一个接受剩余参数的函数，也称为部分计算函数，目的是为了缩小适用范围，创建一个针对性更强的函数； 问题 如何实现一个函数满足sum(1,2,3,4,5,6)或sum(1)(2)(3)(4)(5)(6)输出结果都为21？ function sum(
6 Things You don‘t Know about Bubble Tea
It’s amazing how fulfilling one little drink can be. Bubble tea was invented in Taiwan in the 1980s, and ever since it has been taking over the world by storm. Who would’ve thought a concoction of tea, ice, milk, and chewy tapioca pearls would be so delici
You Don‘t Know JS：18 万 Star 的 JavaScript 深度解析系列
《You Don't Know JS》是GitHub上拥有18万星标的JavaScript深度解析系列，由资深开发者Kyle Simpson历时11年（2013-2025）完成。该系列不同于基础教程，专注于揭示JavaScript底层机制，如作用域、闭包、类型转换和异步编程的核心原理。第二版采用ES2019+语法，包含《Get Started》《Scope & Closures》等核心书目，并通过Frontend Masters提供配套课程。全书开源免费，以工程级深度解析著称，帮助开发者从本质上理解Java
Black Tea: Things You Don‘t Know About It
Black tea is divided into red broken tea, small kinds of black tea, and Gongfu black tea, making milk tea generally uses crushed black tea, because crushed black tea is chopped and processed granular tea, making milk tea will have a relatively strong tea t
Pu‘er Tea: 10 Benefits You‘t Don‘t Know About
😃。
CISCN2020_You_don‘t_know_PHP
前言 2020华中赛区决赛的一道web题, 题目名字叫啥具体忘了,就先叫这个2333 题目源码: 链接：https://pan.baidu.com/s/11yuM9heXCwwGDLOjUP1Y-A 提取码：lmar 一些知识点 php反序列化字符串逃逸
You Don’t Know JS 中文电子书 你不懂JS.pdf
前言 我确信你注意到了，但是这个系列图书标题中的“JS”不是一个用来诅咒JavaScript的缩写，虽然有时我们可能都能看出它是在诅咒这门语言的怪异之处！ 自从we b的最早期开始，JavaScript就一直是在我们消费内容时驱动互动体验的基础技术。虽然闪烁的鼠标轨迹和烦人的弹出框可能是JavaScript的起源，但是在差不多20年以后，JavaScript的技术和能力已经增长了许多个数量...
ego-lite：免费 AI 浏览器，把登录态共享给 Agent，网页任务最多快 2.6 倍
Agent 一碰到要登录的网页就卡住，账号密码又不放心直接交给它。ego lite 是个免费的 AI 浏览器：让你的 Claude Code、Codex 直接用你的登录态干活，你和 Agent 各占一块独立 Space，互不抢页面。官方对测里，它比 agent-browser 最快快 2.6 倍，成本还更低。 ## 一句话讲清 ego lite 是让你和 AI Agent 在同一个浏览器里并行
DBA, If don’t know what you are doing, please don’t do
今天收到一个发过来请求帮助的case，Oracle数据库无法启动，请求帮助恢复。仔细阅读了发过来的告警日志，这是一个典型的“事情越弄越糟”的案例。以下就来根据告警日志，一条一条地回顾这位DBA是如何将数据库弄到完全启动不了的。故障最开始是从1月11日的凌晨3:30开始出现，数据库在归档的时候，意外发现某个控制文件的头块全部被清零了，这可能是存储本身的问题，并非人为。Fri J...
JavaScript 闭包完全解读：以《You Don‘t Know JS: 作用域与闭包》（you-dont-know-js-ru）第 5 章为例
本文围绕 you-dont-know-js-ru 仓库中《Область видимости и замыкания》（作用域与闭包）分册第 5 章"Замыкание области видимости"展开，系统讲解 JavaScript 闭包的定义、触发条件、经典循环陷阱、模块模式以及 ES6 原生模块，并交叉引用本分册前四章与仓库其他分册做源码级佐证。读完本文，你将能够在自己的代码中主动识
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
9683
扫一扫
