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
500+累计阅读
553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
好久没去驾校了，今天的教练还不错。一直在学，基本没歇着。1041真的累，转向没有助力，一直练贴库。踩离合有点感觉了，熄火和倒退很少。不过都是1档起步的，如果2档的话可能还是不行。
教练大概50来岁，家好像就是驾校附近的。跟他聊天，他儿子和我也差不多大，又问我工作在哪，我是在一家外企，创业公司。和我父辈差不多，他们眼里还是去国企是正路。不过父母同意我去是因为有户口，他是北京的人觉得户口没用。哎，户口这东西... 他也只有一个儿子，说后悔当年没再生一个。和我父母的情况也比较像。他劝我早点结婚，别像父母太晚了。我说没办法啊，怎么也得干几年付个首付有房子才能结婚。生活不容易啊！
他们教练也确实很辛苦，早上5小时，下午5小时，晚上两小时。练桩的时候还不许下车，一下车就要罚钱。现在天气上午还能凑合，下午热得要死。北京虽然有钱人很多，但是大部分的人也还是很辛苦的。
下午回来睡了一觉，真香。睡眠质量不好的一定是干脑力活的人，治疗失眠根本不用吃什么药，出去干干体力活就行了。
简单修改，让UE4/5着色器编译速度变快
更改几个配置，让你的电脑虚幻4/5着色器编译速度大大提升，图文详解
4B/5B编码
一、什么是4B/5B编码？ 4B/5B编码是百兆以太网（即快速以太网）中线路层编码类型之一，就是用5bit的二进制数来表示4bit二进制数。 二、为什么要进行4B/5B编码？ 在通信网络中，接收端需要从接收数据中恢复时钟信息来保证同步，这就需要线路中所传输的二进制码流有足够多的跳变，即不能有过多连续的高电平或低电平，否则无法提取时钟信息。 Man...
WiFi 4/5/6的差别(3)
WiFi 4/WiFi 5/WiFi 6的差别 Feature list Item WiFi 4 WiFi 5 WiFi 5 WiFi 5 WiFi 6 协议 802.11n 802.11ac Wave 1 802.11ac Wave 2 802.11ac 802.11ax 频带 2.4GHz&5GHz 5GHz 5GHz 5GHz 2.4GHz&5GHz 调制 64QAM 256QAM 256QAM 256QAM 1024QAM 多路复用方案 OFDM OFDM
4B/5B编码原理
什么是4B/5B编码？ 4B/5B编码是百兆以太网（即快速以太网）中线路层编码类型之一，就是用5bit的二进制数来表示4bit二进制数，映射方式如下表所示： 为什么要进行4B/5B编码？ 在通信网络中，接收端需要从接收数据中恢复时钟信息来保证同步，这就需要线路中所传输的二进制码流有足够多的跳变，即不能有过多连续的高电平或低电平，否则无法提取时钟信息。 4B/5B和曼彻斯特都是这种通过跳变来同步时钟的编码。 Manchester（曼切斯特）编码可以保证线路中码流有充分的跳变，因为...
如何加载交易策略EA到MT4/MT5
1、打开MT4/MT5软件 2、首先，必须有一个EA，而且必须是mq4/ex4为扩展名。点击左上角“文件”—“打开数据文件夹”，找到安装路径 3、将EA的ex4或mq4文件放到MT4目录\MQL4\Experts里面（本文以名为Demo的EA为例） 4、如果有DLL库文件，复制到experts目录下的libraries子目录中 5、如果有tpl模板文件，复制到templates目录中 6、添加完成后重启MT4，点击允许EA运行图标 7、在导航中找到刚才安装的EA，拖拽到...
一代测序、二代测序以及三代测序的优缺点及应用对比？
一、初现庐山真面目 一代测序：又称Sanger测序（多分子，单克隆） 历史：第一代DNA测序技术（又称Sanger测序）在1975年，由Sanger等人开创，并在1977年完成第一个基因组序列（噬菌体X174），全长5375个碱基。研究人员经过30年的实践并对技术及测序策略的不断改进（如使用了不同策略的作图法、鸟枪法），2001年完成的首个人类基因组图谱就是以改进了的Sanger法为其测序基础。 原理：在4个DNA合成反应体系（含dNTP）中分别加入一定比例带有标记的ddNTP（分为：ddATP...
S3/S4/S5 Long Run Test
S3/S4/S5 Long Run Test Why need it？ NB研发的工程中，需要跑很多的测试项目，其中long run S3/S4/S5就是非常重要的测试项目。而且对于测试结果非常看重，一般long run测试fail就没法出货。常规的测试方法就是10～20台机器测试S3/S4/S5 1000 cycle，如果fail率在万分之几就有可能要挂了。于是我就
RISC-V嵌入式开发实战：手把手教你读懂并修改CH32V103的链接脚本(.ld)
本文深入解析RISC-V嵌入式开发中CH32V103链接脚本(.ld)的编写与优化技巧。从内存布局、段分配到实战调试，详细讲解如何解决程序跑飞、变量异常等典型问题，特别针对RISC-V架构的gp寄存器优化、中断向量表处理等特性提供专业指导，帮助开发者充分利用64KB Flash和20KB RAM资源。
OSPF-6 4/5类LSA
当AR2收到这条5类LSA时会将这条5类LSA向区域0内进行传递,AR1在收到这条LSA时发现Adv rtr是3.3.3.3判断这条5类的LSA是由AR3产生的,但是AR1没有LSA学习到关于3.3.3.3的路由信息。这是我们的FA值为全0的情况下是通过LSA1/2/4/5类LSA来访问我们的目的网段的,但我们的FA值如果为IP地址的情况下就会使用LSA1/2/3/5类LSA去访问我们的目的网段。上一期我们介绍了3类LSA Summary LSA的内容信息以及在不同的区域当中是如何去传递拓扑和路由信息的。
GitLab社区版vs企业版：本地部署性能对比与选型建议（含实测数据）
本文深入对比GitLab社区版(CE)与企业版(EE)在本地部署中的性能差异与功能特性，提供实测数据与选型建议。测试显示EE版在并发克隆、CI流水线启动等场景性能提升显著，尤其适合需要高级安全合规与CI/CD功能的团队。文章还包含硬件配置指南与成本效益分析，帮助技术决策者做出明智选择。
从零实现机械臂抓取仿真：用MoveIt+Gazebo完成物体pick&place全流程
本文详细介绍了如何使用ROS的MoveIt框架与Gazebo仿真环境，从零构建机械臂抓取仿真系统。涵盖环境搭建、MoveIt配置、Gazebo集成、抓取动作实现等全流程，帮助开发者掌握机械臂控制的核心技术，实现高效的pick&place任务。
f/4 或 f/5.6的区别是什么
f/4 或 f/5.6的区别是什么
步进电机梯形加减速算法的实现
步进电机梯形加减速算法的实现
FK4/5, J2000, B1950, Glat/Glon转换
# -*- coding: utf-8 -*- from numpy import * def deg2rad(degrees): return degrees * pi / 180. def rad2deg(radians): return radians * 180. / pi # def baryvel(dje, deq=0): """ NAME: BARYVEL PURPOSE: Calculat
深入解析UVM寄存器模型：reg2bus与bus2reg的隐式调用机制
本文深入解析了UVM寄存器模型中reg2bus与bus2reg函数的隐式调用机制。通过追踪一次寄存器访问的完整旅程，揭示了这两个关键函数是如何在uvm_reg_map和uvm_reg_predictor中被框架自动调用的，从而在抽象的寄存器操作与具体总线事务之间完成转换，并实现镜像值的自动更新。掌握此机制是高效调试和灵活应用UVM寄存器模型的基础。
基于深度学习的野生菌菇检测识别分类系统（YOLOv8 + UI界面 + 数据集）
随着深度学习技术的迅猛发展，计算机视觉领域的应用得到了广泛的关注。野生菌菇的检测与识别是一个复杂而又有趣的问题，涉及到物体检测、图像分类以及自然语言处理等技术。本文将介绍如何基于YOLOv8模型，结合自定义UI界面与数据集，构建一个高效且精确的野生菌菇检测识别分类系统。首先，我们将介绍YOLOv8的原理与特点，然后详细描述如何构建和训练野生菌菇识别模型，并介绍如何为该系统设计UI界面，最终形成一个完整的系统。本文内容包括代码实现、模型训练及数据集准备等，旨在为有类似需求的开发者提供参考和帮助。目录摘要目录。
蓝牙5/4.2/4.1/4.0数据吞吐率
先给出结论： 蓝牙4.0/4.1的吞吐率 为0.305Mbps； 蓝牙4.2的吞吐率 为0.803Mbps； 蓝牙5的吞吐率 为1.434Mbps（前提：使用2Mbps调制速率；如果使用1Mbps调制速率，那么吞吐率就和蓝牙4.2一样）； 总结：蓝牙4.2的吞吐率比蓝牙4.0/4.1提升了163 %. 蓝牙5的吞吐率比4.2提升了78.5 % . 下面是具体计算原理及公...
手把手教你学Simulink——基于智能电网与AI融合的场景实例：强化学习在并网逆变器控制中的应用
本文介绍了如何利用Simulink和强化学习工具包实现并网逆变器的智能控制。针对传统PI控制方法的局限性，提出采用强化学习（RL）构建自适应控制系统。通过详细步骤展示了从建立主电路模型、设计强化学习环境、选择训练智能体（如PPO算法）到仿真对比测试的全过程。实验结果表明，RL控制器在动态响应、THD指标和参数鲁棒性等方面优于传统PI控制器，突显了数据驱动控制在复杂电力系统中的优势。文章还探讨了该技术在微电网协同控制、在线学习等场景的拓展应用，为智能电网控制提供了新思路。
UE4/5:通过Blender制作BlendShape导入【UE4/5曲线、变形目标，blender形态键】
UE4/5里面，我们经常可以在一些骨骼模型上面看到相关的曲线，如Metahuman里面就是通过这个曲线来改变人物的脸部表情。而这里笔者将教导如何去制作这种曲线。这种曲线都是存在于骨骼模型上的，所以我们要么直接制作骨骼模型导入ue，要么做一个普通的模型，然后导入ue的时候添加一个骨骼。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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")
mysql4迁移5,将php4 / mysql4迁移到php5 / mysql5：预期的php问题？
I have a legacy web application php4/mysql4 (MyISAM, db contains some cms, some user data, some calendar application). Now I am going to migrate to a new server with php5/mysql5.What are the typical p...
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
How to Set WLAN for old SD C4/C5 & SD C4/C5 DoIP Plus?
It is different for WLAN Setting for mb sd c4 or C5 and New DOIP C4 OR C5 Plus. Here we share as follow. For Old C4/C5 Firstly Set IP for LAN, local Area Connection Secondly Set wireless IP After finish, Connect MB SD C4/C5 device to PC, open C4/C5 Adminis
【关于DeepFace中L4/L5/L6层的结构解析】
10图像识别（人脸识别）1.pptx - DeepFace网络结构细节与性能指标。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
