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
1.4k累计阅读
1.4k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
那是一个恶心的圈子，
圈子里的人如此虚伪，
圈子里的事如此堕落。
虽然现在已永远离开，
偶尔梦魇般回想起来，
仍散发着腐朽的恶臭。
那是我曾深陷的圈子，
圈子里的人戴着面具，
圈子里的事写满隔阂。
脸上堆着僵化的微笑，
心里藏着冷漠的恶毒，
分享矫柔造作的顽症。
那是乌烟瘴气的圈子，
浓妆艳抹和纸醉金迷。
小气男人和势力女人，
在封闭和狭窄中没落。
无药可医的病态景象，
是懦夫和婊子的游戏。
在那不堪入目的圈子，
人性迷失得无动于衷，
人格分裂得无所适从。
爱情早已被浮华吞噬，
只剩下物质感的虚荣，
婚姻全是为了欲和性。
在那令我窒息的圈子，
年复一年、日复一日，
上演着伤害与被伤害。
幼稚闭塞而干枯早衰，
苦涩的泪水流着痛苦，
无法自拔的中毒的心。
在那无底深渊的圈子，
流脓的伤口淌着淤血，
还有无数的男男女女，
靠添着别人伤口生存。
只有彻彻底底的涅槃，
才能干干净净的重生！
利用netns做自环Iperf测试
netns可以让一台机器上模拟多个网络设备，是网络虚拟化的重要组成，将不同类型的网络应用隔离。一个net namespace有自己独立的路由表，iptables策略，设备管理。本文利用netns模拟网络来实现单机上网卡自环上的iperf测试或其他网络测试。
吐槽csdn恶心人的地方
希望csdn越来越好 1 每天早上浏览csdn首页，csdn首页上的广告设计，相当恶心 半个屏幕刷一下子广告出来了，还没看清楚怎么回事呢，又消失了。。。 话说 csdn的 都不注重体验吗，产品经理都干嘛去了 2 msg.youkuaiyun.com 这个玩意是什么玩意，给程序猿找bug用的么，太幽默了吧，我记得这个东西好久之前就看到过了。。。
PX4｜Gazebo模型加载失败排查指南：从环境变量到资源路径的全面解析
本文针对PX4与Gazebo联合仿真中常见的'Unable to get model name'错误，提供了从环境变量配置、资源路径排查到网络访问问题的全面解决方案。详细解析了GZ_SIM_RESOURCE_PATH等关键变量的作用与设置方法，并给出了离线模型库部署等一劳永逸的修复指南，帮助开发者彻底解决无人机模型加载失败问题。
今天发生了非常的恶心的事情，极度恶心pb数据库系统
好好的，用pb自动的asa建了个数据库，但千不该万不该给表取了个名字叫user，结果在pb中用嵌入式sql的时候，怎么都是语法错误，语法错误，语法错误.....翻来覆去，折腾了一晚上，极度的打击了我的自信心啊.....结果，当然是bug，已至下，用user，count建的表都是无法正常访问的，推测是类似保留字一样的东西，但目前没有找到明证，我说的是在用嵌入式sql的时候，所以这也提醒了一点
LCD、LED、OLED、Mini LED、Micro LED、全阵列LED、QLED、QD-OLED、QNED、AMOLED是什么意思？
LCD（液晶显示器，Liquid Crystal Display）定义：LCD 是一种利用液晶材料控制光线通过的显示技术，需依靠背光源（如冷阴极荧光灯 CCFL 或 LED）照亮液晶层以形成图像。技术原理：液晶分子在电场作用下改变排列，控制背光通过的强度和颜色。液晶本身不发光，需外部光源。特点：结构包括背光层、液晶层、彩色滤光片和偏光片。响应时间较慢，黑色表现因背光漏光而偏灰。LED（发光二极管显示，Light Emitting Diode）定义。
五.卡尔曼滤波器(EKF)开发实践之五: 编写自己的EKF替换robot_pose_ekf中EKF滤波器
本系列文章主要介绍如何在工程实践中使用卡尔曼滤波器,分五个小节介绍: 一.卡尔曼滤波器开发实践之一: 五大公式 二.卡尔曼滤波器开发实践之二: 一个简单的位置估计卡尔曼滤波器 三.卡尔曼滤波器(EKF)开发实践之三: 基于三个传感器的海拔高度数据融合 四.卡尔曼滤波器(EKF)开发实践之四: ROS系统位姿估计包robot_pose_ekf详解 五.卡尔曼滤波器(EKF)开发实践之五: 编写自己的EKF替换robot_pose_ekf中EKF滤波器 也就是本文 ...
谁写的代码，恶心
***1、***下面一段代码将注释和代码混在了一起，不认真看还真不知道。 高亮显示后： ***2、***看到这种多层嵌套恶心到头大。 3、据说某俄国特工经过九死一生偷到了NASA的太空火箭发射程序的源代码的最后一页，代码是： ))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
极验点选click3.1.0所对应fullpage.js的逆向分析
极验3代点选验证，本文适用于使用click.3.1.0.js和fullpage919-eyz9lh.js版本的web验证码，没有细节内容，适合有基础的开发者阅读。
被字节的leader恶心到了。。。
也许从字节的角度看，这些所谓的“年终奖缩水”只不过是公司调整、战略规划的一部分，但从一个普通员工的角度来看，尤其是在互联网行业激烈的竞争中，每一份年终奖的缺失，都是对员工辛勤努力的否定。这位员工2月离职，已经工作完整的一年了，按理说是有正常的年终奖的，而且也是与leader协商离职的，结果之前说好的事（年终肯定不止1个月），最后只发了1个月，着实有点恶心。辛辛苦苦为公司当牛做马，结果到了年终，拿到的奖励却远远低于预期，甚至连一个完整的年终奖都不给，最后回头一看，真是有点“鸡肋”。
AutoSAR系列讲解（入门篇）2.2-SWC的类型
该章讲解了两种SWC的分类，并且映射到实际的工程中应该是具体的什么文件类型
一步到位解决Docker拉取镜像失败的问题！超详细的Docker代理设置教程！（使用代理解决群晖Docker获取注册表失败的问题）
一步到位解决Docker拉取镜像失败的问题！超详细的Docker代理设置教程！（使用代理解决群晖Docker获取注册表失败的问题）
我服了！一些比较恶心的代码片段
点击上方好好学java，选择星标公众号重磅资讯、干货，第一时间送达 今日推荐：硬刚一周，3W字总结，一年的经验告诉你如何准备校招！ 个人原创100W+访问量博客：点击前往，查...
RK3568 Android14 调试 RTL8211F 千兆以太网 (RGMII)
调试 RTL8211F 的核心在于：确认地址（看电阻贴片情况）和 搞定延时（配置 rgmii-id 或微调 delay 值）。一旦这两点对上了，RK3568 的千兆网络就能稳定运行。希望这篇结合原理图的实战记录能帮到你！
csdn的中文it圈子文化
08年的时候，csdn貌似还是一统中文大众it圈子的江湖。任我行，多嚣张。彼时OSChina还未诞生，cnblog和cppblog还显得很高大上。 这几年来cnblog的博客内容趋于转载，介绍一些粗枝烂叶的移动开发的内容。当然，更多的还是坚守原来的.net文化。cnblog的胞兄cppblog倒是任然坚守这cpp的领域的博客。可能名字太过高大上，一般人不敢在上面写东西。和cnblog一样，csd
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
工作忙，圈子小，没时间谈恋爱...苦逼职场人应该学会哪些脱单神技？
俗话说，人在江湖，身不由己。这句话放在互联网行业更是如此。作为以加班著称的互联网人来说，每天过着起得比鸡早，睡得比狗晚的生活，哪还有时间谈恋爱。 其实，在女人当男人用，男人当牲口用的互联网行业，想要成功脱单还是有一定方法的。本次分享内容就为广大互联网职场人士提供脱单指南。大学毕业后，我先后在中国国际广播电台和新东方工作过，之后又从事了互联网行业。以前我主要做的是线下的工作，与人打交道的时候特别多，从商务谈判，到商务合作，还有与家长学生的沟通等等。到了互联网行业，我发现很多同事大多都是埋头苦干，敲代码，谈技术
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")
圈子圈套2（6）
琳达的笑容僵住了，轻声叹了口气说：“嗨，我就是第三者，”又看着俞威的眼睛说，“我和你不是无论在哪都像做贼似的吗？” 俞威先是躲开了琳达的目光，马上又转回头，眯起眼睛瞄着琳达，脸上露出一丝坏笑。琳达不明所以地愣着，俞威笑着说：“你刚才不是说得搞定Peter吗？这个任务就交给你了。下次Peter来北京，我就给你们俩安排约会，这样一举两得，Peter肯定不会再怀疑咱俩有什么关系，你还可以搞定他，
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
仲裁期间投的简历竟被转发给原公司，原公司HR给我发截图，并转达老板威胁：老板行业圈子广，仲裁公司，以后投简历都是这个下场！...
论某些公司能有多恶心？下面是一位网友的遭遇：仲裁期间投的简历竟然被原公司HR发给自己截图，看来是投递简历的公司又转给了原公司，还转达老板原话威胁他：老板行业圈子广，仲裁公司，以后投的简历都是这个下场，别想找到工作！楼主感叹，这是只手遮天了？网友感叹，太猖狂了！这就是信息倒卖，还沾沾自喜觉得自己了不起，只要求职者诉讼，要么民事纠纷赔偿道歉，要么进去蹲着，不知道老板的无知能不能支撑得起他的豪横。有人说...
入职前一天鸽了offer，HR被恶心到破防，放话要封杀我......
但企业方同样惯用"终面后集体沉默""背调期突然撤回offer"等冷暴力手段——某大厂HR甚至开发出"泡池子"黑话，把候选人当期货般囤积抛售。圈子大着呢，你今天发个“避雷”，明天人家去了更大的厂，谁封谁啊？但就此事来说，候选人这波操作确实有点欠妥，卡在周末、入职前一天发消息，说实话，哪个HR不崩溃？这事在职场再司空见惯不过了，这个是候选人鸽Hr的offer，但现实情况更多的是：公司HR鸽候选人。候选人入职前一天放鸽子，鸽了Offer不入职了，HR感觉被恶心到了，放话要圈内封杀候选人。
Intel8086处理器使用NASM汇编语言实现操作系统19【个人日记与感言】
我爱武汉汉阳的妹子
为什么我们人要听自己的？
就算是真心的，你不能确定他能不能用。你跟着你自己的心走就可以了。你想做什么事情你去做。去专心去做你认为正确的事情。世界上所有的东西都是假的，只有大自然才是真的。去做你认为做了以后你不会后悔的事。我就告诉你，我就是做死的本质上做这个事情，我也就是想赚💰的。你想想你来这个世界，你不是来听别人的意见的。你是为了自己生活的。你是为了快乐的展示自己的。因为你之前的圈子肯定是推给你推一些杂七杂八的小事情。首先一点，你跳离你出你之前的圈子。这里包括你的兄弟，你的姐妹。这中间就会有很多的方法，你自己会去找，自己会实验。
王思聪为何生气了？难道支付宝是否抢了他的奶酪
娱乐圈纪委书记的王思聪校长最近微博又开挂了。先是回应冯小刚，让冯导别那么阴阳怪气的，听着恶心。在支付宝推出圈子后，王思聪又拿支付宝开了涮！说“O2O卖淫还是蛮屌的。”还把支付宝PS一把。 真是过于顽皮了。但看似顽皮，里面却都是套路，这可不是阴谋论！这已经不是王校长第一次开撕了，不过按照之前的剧情，他每一次开撕，背后总是有着深深的套路。比如王校长上一次手撕颜值(原名星云网)直播平台，拉黑其CEO马月...
互联网+创新创业大赛项目计划书，个人原创你学会了吗？_互联网+项目计划书(1)
月季属于木本植物，中国十大名花，花中皇后。
我的大学时代
时间俨然到了一个说分别的时候。 诚然，这三年的大学生活，有收获也有遗憾。无论学习，亲情，友情，爱情，肯定是有收获的，当然似乎也没有达到那个自己想要的界限。聚光灯下，似乎一直没有完美的地方。衡量自己的尺子，一直在调整，似乎它像是有弹性的。 收拾好行李，离开了这个自己曾经努力的地方。 在这个互联网时代，我们这批大学生是一个受益者更是一个被迫害者。这个物质横流的时代，缺的是一个可以容得下城池的心，一个具有长远眼界的心。 周遭的环境，嘈杂的人群，乱入牛马的人际关系，最终那些坐的住，心中有丘壑，最终会脱颖
把简单业务硬塞进 DAG：架构师圈子里最无耻的“降智”骗局
在软件开发的世界里，有一种东西比“烂代码”更恶心。烂代码就像路边的一坨狗屎，你看到了，骂一句，绕开或者铲掉也就是了。但把业务流程强行 DAG 化，是有人把这坨狗屎捡起来，雕成了一朵花，摆在盘子里，然后指着它对所有人说：“看，这是高内聚、低耦合、可视化的法式大餐。这就是当前架构圈最大的毒瘤：为了用图而用图的“伪编排主义”。
大d是什么梗_这是什么梗？“笛箫尺八研究所？”大D箫演奏“枉凝眉”恶心了全网箫友，真是想出名想疯了。...
习箫者，大多性格温和，颇有谦谦君子之风，自以为沾染了竹子的高洁品性，从而习箫者也是注重自我修养的一群人。然，世界之大，无奇不有，近来箫友圈子里出现了一个梗，大D吹奏枉凝眉，恶心到了众箫友。小编也是收到无数箫友在后台反馈，要求说说此事。话说，最近箫友圈里，横空出世一个号称“笛箫尺八研究所”的女所长，用大D洞箫吹了一首《枉凝眉》，以此号称第一人，碾压所有箫友，按她的话说包括中国所有音乐学院，...
OI梗
OI梗 本条目收录与OI（信息学竞赛，英语：Olympiad in Informatics）及其参赛选手圈子有关的流行文化。 本条目仅收录常见梗，过于专业的用语不予收录，寻找专业用语请去OI Wiki等专业网站。 目录 1 OI用语 1.1 %%% 1.2 蒟蒻 1.3 神犇/巨佬 1.4 水题 1.5 自动机 1.6 卡常 1.7 爆零 2 OI典故/成句 2.1 关于SPFA，它死了 2.2 I AK IOI 2.3 骗分导论 2.4 o年OI一场空，xxxx见祖宗 2.5 rp++ 2.6 我来NOI
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3371
扫一扫
