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
139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
FSH8手持频谱分析仪怎么用？外场射频测试与天线VSWR测量实操指南
频谱分析仪是射频测试的基础工具，其核心原理在于将复杂信号按频率分解并测量幅度，从而识别信号特征与干扰来源。在工程实践中，台式频谱仪精度虽高，但外场环境对便携性和快速部署提出了更高要求。手持式频谱分析仪的出现，将频谱测量、矢量网络分析等功能集成于单手可持的设备中，尤其适用于天线驻波比（VSWR）测试、馈线故障定位及现场干扰排查等场景。罗德与施瓦茨FSH8是这类设备中的典型代表，其9kHz至8GHz的频率覆盖、低底噪设计以及频谱与网络模式的灵活切换，使其成为外场射频工程师的得力工具。本文结合真实外场测试经验，梳
发力聚焦主营业务，OSL 的增长空间几何？ | Techub 财报解读
前段时间，香港两大合规交易所之一 OSL 的控股港股上市公司 OSL 集团有限公司发布了未经审计的年中业绩报告。在 2024 年年初至六月三十日的半年内，OSL 录得 1.238 亿港元收入，同比增长 17.7%；营业亏损则由 9890 万港元同比大幅减少 90.2% 至 960 万港元。虽然在营业亏损的控制上成绩亮眼，但在近半年的市场环境下营收仅同比增长不到 20% 确实差强人意。
MATLAB版SAR压缩感知成像仿真包：集成OMP/SL0/OSL0/ONSL0等重建算法与多图测试支持
这个MATLAB工具包专为合成孔径雷达（SAR）图像压缩感知重建设计，内置OMP、SL0、OSL0、ONSL0四种主流稀疏重建算法，同时包含GPSR_BB和GPSR_Basic等梯度投影方法。支持不同采样策略（均匀采样、随机采样、多速率采样），适配时频域稀疏表示（通过DWT小波变换实现），并可模拟含噪观测信号。提供标准测试图像（lena、peppers、baboon、camera等bmp格式）及真实SAR图像样本（SAR1.jpg、SAR2.jpg），支持单图或批量处理。主程序按功能划分：main_sar.
appleseed与OSL着色语言：创建自定义材质的终极教程
appleseed是一款现代开源渲染引擎，专为动画和视觉效果打造，支持OSL（Open Shading Language）着色语言，让艺术家和开发者能够创建高度自定义的材质效果。本教程将带你从零开始掌握OSL材质开发，通过实用示例和可视化效果，轻松解锁 appleseed 渲染引擎的强大潜力。 ## 为什么选择OSL进行材质创作？ OSL作为专为渲染设计的高级着色语言，具有三大核心优势： -
【抢先看】3dMax 2026 全新功能揭秘！
【抢鲜啦！】3dMax 2026 新特性
科技中介服务机构如何利用平台简化高难度的专业服务流程？.docx
科技中介服务机构如何利用平台简化高难度的专业服务流程？
5分钟搭建OSL着色器开发闭环：从代码到实时预览
OSL（Open Shading Language）是一种面向电影级渲染的物理感知着色器语言，其核心原理是将着色逻辑编译为轻量级字节码（.oso），直接由Arnold、RenderMan等渲染器原生执行，无需外部构建系统。技术价值在于极简语法、自动UI生成、closure输出机制及与几何/光线路径的深度耦合，显著提升材质开发确定性与性能可控性。典型应用场景包括突破Shader Graph节点限制、实现条件纹理采样、动态法线修正及渲染农场级工程化部署。本文聚焦OSL最小可运行闭环——编辑→编译→加载→实时反馈
AD9361 LVDS数据接口时序解析与FPGA实现
本文详细解析了AD9361 LVDS数据接口的时序特性与FPGA实现方法，重点探讨了DATA_CLK、Rx_FRAME等关键信号的时序关系及数据拼接技巧。通过Verilog代码示例和调试经验分享，帮助开发者解决跨时钟域处理、IQ数据重组等常见问题，提升射频收发系统的稳定性与性能。
人生没有我并不会不同--IOPS OSL个人日志（作者：V`shadow.hattie）
我长期无法理解主题曲里所表达的含义跟电影有何关联一首幽怨的情歌 由已经离婚的林忆莲和李宗盛唱起来 总没有张国荣那份冷艳的质感KTV里总是弥漫着昏暗暧昧的气息 对唱的曲目需得慎重选择对象补全这句歌词 "你的人生没有我并不会不同"Yellow在小组赛和Dual里这样对BoxeR唱到 些许对往昔峥嵘岁月的感伤 附加雪耻的兴奋我的人生已经因为有你而变得支离破碎Dec 9th Group DrawingSe
AI影像组学在结直肠癌诊疗中的应用：从特征提取到临床决策
影像组学通过高通量计算从医学影像中提取定量特征，揭示肿瘤内部的微观生物学行为，这些特征反映了纹理异质性、形状不规则度等影像表型。其核心原理在于将图像数据转化为可分析的数字特征，结合机器学习算法进行模式识别，从而实现对疾病状态的精准预测。这一技术的价值在于能够无创、定量地评估肿瘤特性，为精准医疗提供关键支持。在临床实践中，AI驱动的影像组学模型广泛应用于结直肠癌的诊疗全链条，包括肿瘤良恶性鉴别、基因突变预测、治疗反应评估和预后分析等场景。通过整合影像组学特征与临床数据，可以构建预测模型，辅助医生进行更准确的诊
RAG-Anything 实战：构建企业级多模态知识图谱问答系统
本文详细介绍了如何利用RAG-Anything构建企业级多模态知识图谱问答系统，解决跨模态文档处理的痛点。通过架构设计解析、部署实战指南和典型业务场景解决方案，帮助企业实现高效的知识管理和智能检索，提升决策效率。
OSL
1，SimpleColorShader: shader gamma(color cin = color(0,0,0),output color Cout=color(0,0,0)) { Cout = cin; } Katana启动时候会自动编译: Arnold里bin文件夹里有oslc编译osl文件。但是在centos的GLIB不是2.14,所以单独运行...
Unity轻量级框架QFramework：四层架构与命令事件驱动的实战指南
在Unity游戏开发中，软件架构是确保项目可维护性和可扩展性的核心。通过分层架构（如MVC、DDD）和事件驱动设计，开发者能够有效管理代码复杂度，实现模块间的解耦与高效通信。QFramework作为一个轻量级框架，精准地运用了这些原理，通过严格定义的四层架构（表现层、系统层、数据层、工具层）和命令/事件通信规则，为中小型项目提供了“约束下的自由”。其核心价值在于以极简的代码（不足1000行）强制实施清晰的职责分离，如使用命令模式集中管理状态变更，并通过事件驱动实现响应式更新。这种设计特别适用于解决项目规模扩
高效管理OSL技术笔记的三维索引方法论
在软件开发领域，技术笔记管理是知识沉淀的关键环节，尤其面对开源技术栈(OSL)这类信息碎片化严重的领域。通过建立结构化索引体系，开发者能有效解决"学完就忘"的痛点。本文提出的三维索引方法论，从技术栈、应用场景和时间线三个维度构建知识网络，配合Markdown标准化模板和版本控制工具，实现技术要点的快速归档与精准检索。该方法特别适用于微服务架构、DevOps等需要频繁查阅技术文档的场景，结合VSCode插件和Obsidian知识图谱工具，可将信息留存率提升至85%以上，显著缩短故障排查时间。
时序SDC约束set_data_check及常见应用场景
时序约束SDC之set_data_check命令及常见应用场景解析
Windows 10/11 安装 HYSPLIT 气象模型全攻略（附必备工具包下载清单）
本文提供了一份详尽的Windows 10/11系统下HYSPLIT气象模型安装与配置全攻略。指南涵盖了从核心认知、必备工具包（Tcl/Tk、ImageMagick）下载，到分步安装、环境变量设置及首次运行验证的完整流程，旨在帮助研究者和学生高效部署这一用于大气轨迹模拟与污染物扩散分析的专业工具。
如何快速编写第一个OpenShadingLanguage着色器：从零开始的完整教程
OpenShadingLanguage（OSL）是一款用于生产级全局光照渲染器的高级着色语言，它能帮助开发者创建逼真的材质和光照效果。本教程将带你从零开始，快速掌握编写第一个OSL着色器的核心步骤，即使你没有着色器编程经验也能轻松上手。 ## 认识OpenShadingLanguage：为什么选择它？ OpenShadingLanguage是电影和视觉效果行业的标准着色语言之一，被广泛应用于A
ThingsBoard移动应用详细讲解
ThingsBoard移动应用详细讲解
osl七层模型
数据封装与解封装的过程
基于R语言的PLS算法实现解读
我们使用"pls"包来执行PLS回归，并提供了相应的源代码。在本文中，我们将详细解读基于R语言的PLS算法的实现过程，并提供相应的源代码。PLS算法的实现可以借助R语言中的"pls"包。该包提供了丰富的函数和工具，用于执行PLS回归、PLS-DA（PLS-Discriminant Analysis）和其他相关任务。除了执行PLS回归，"pls"包还提供了其他功能，例如PLS-DA（用于分类问题）和PLS变量选择等。上述代码将基于输入的X值，使用训练好的PLS模型进行预测，并返回预测结果。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
tp5 database.php,tp5/application/database.php · Xfengjin/osl - Gitee.com
// +----------------------------------------------------------------------// | ThinkPHP [ WE CAN DO IT JUST THINK ]// +----------------------------------------------------------------------// | Copyri...
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
openoffice osl模块学习1
由“ can i get a char* , please?"看起： Just barely. OO.o has at least six string wrappers, although the C implementations are of little interest: rtl_String— sal/inc/rtl/string.h"Norma...
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
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")
频谱分析仪搭配 HT8 对数周期天线校准全流程详解（避坑指南）
本文详细介绍了HT8对数周期天线与频谱分析仪搭配使用的校准流程及注意事项。校准前需确保频谱仪预热30分钟、检查射频线缆连接状态并排除环境干扰。HT8天线在不同频点增益存在差异（7-12dBi），校准需参考具体频点参数。校准过程包括物理连接检查、频谱仪参数设置、选择参考信号源或OSL校准路径、测量背景噪声等关键步骤。特别提醒需修正线缆损耗、区分频点增益差异，并建议每次测试前重新验证校准状态。规范的校准操作是确保射频测量精度的基础，可有效避免数据失真和测试结论错误。
Major OSL changes to catch up
Major OSL changes to catch up flat_map optimization for runtime specialization: https://github.com/imageworks/OpenShadingLanguage/commit/0365a1cbeec6be35bf47a355b65d88a88b5...
python 路径处理_python OSl路径处理
#-*- coding: utf-8 -*-#@Time : 2019/7/23 10:37#@Author : Qingr、C#@FileName: learn_0723_OS路径处理.py#@Software: PyCharm#os.getcwd(): getcwd()方法显示当前的工作路径,只具体到路径,不具体到文件。#os.path.realpath(path) :#返回path的...
VSS性能调优终极指南：让视频AI流水线跑得更快、更省GPU
**video-search-and-summarization（VSS）** 是 NVIDIA 的 GPU 加速视频检索与摘要 AI Blueprint，用 Cosmos 视觉语言模型（VLM）、Nemotron 大语言模型（LLM）和 NVIDIA NIMs 构建实时告警、视觉问答与自动报告。VSS 性能调优的核心问题只有一个：**每张 GPU 能扛住多少路视频流、延迟多少秒**。本指南基于官
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
243
扫一扫
