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
598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
唉，不知不觉工作一年多了， 记得刚毕业的那会，什么都不懂，傻呼呼的。
刚进公司工作了一个月，突然老大，让我去搞WEB3D。呼呼~~，WEB3D什么东东，一头雾水就答应了。（没商量的余地）两眼一摸黑，一个人边学边搞。也找不到人问，国内用WEB3D控件的到有，开发的还真没找到。只能参考国外的WEB3D控件搞。折腾了半年多，终于搞出来了。呵呵，后来也用它做了很多项目。磕磕绊绊的就这么过来了。最近重点做项目了，控件也很少开发了，有空改改BUG，日子也开始无聊了。
总结下，这一年里，感觉东西学的不多，可是俺的自学能力有了很大的提高哦，嘿嘿
生命在于折腾——Obsidian笔记软件折腾记录（一）
Obsidian笔记软件的初步使用。
成功在于折腾
成功之后的反思，多是当事人的胡编乱造，或是旁观者的牵强附会。以讹传讹的神奇故事听多了，平淡无奇的真相反而没人相信。就像朱元璋，原本是吃不饱饭的穷家子弟，放在今天肯定是低保户。但是等到折腾成功黄袍加身，他的人生突然就变得异彩纷呈起来。有说他妈遇到一位卖药的道士，不小心吞丹受孕；有说他出生时候满屋异香、红光烛天。激动人心的故事听上一千遍，估计到最后朱元璋自己也坚信不疑了。 古往今来，人们...
生命在于折腾——HackTheBox入门
HackTheBox入门教程
Python 转义字符中没有这个 「\e」 ！
问题来源于技术交流群里： 常见的转义字符 \n、\t 之类的我们都知道什么意思，但是这个 \e 是什么意思呢？ 抱着一股钻研的精神，我搜了一把。 结果，所有的页面里都是只有一句简单的 \e 代表转义。 然后呢？ 不要举个例子吗？ 他们不给例子，那我们自己做个总可以吧！ 于是，打开 Python 交互页面，做了一些简单的实验： >>> print '\e123' \e123...
STM32F429移植LVGL9.3.0：从源码配置到双缓冲优化实战
本文详细介绍了如何在STM32F429平台上移植LVGL 9.3.0图形库，涵盖从源码准备、工程配置、显示驱动适配到双缓冲优化等关键步骤。重点解析了利用STM32F429的硬件特性实现高效内存管理和流畅显示性能的实战技巧，为嵌入式GUI开发提供完整解决方案。
【Unity】YooAsset + HybridCLR热更
本文介绍了Unity游戏开发中的热更新技术方案，重点对比了资源热更和代码热更的主流工具。资源热更方面分析了Asset Bundle、Addressable和YooAsset的优缺点；代码热更部分比较了xLua、ILRuntime、InjectFix和HybridCLR的性能特点。文章详细演示了HybridCLR+YooAsset的实践方案，包括加载热更新程序集、反射调用热更代码、资源打包部署等完整流程。该方案通过原生运行时实现程序集级热更，具有极低性能损耗和全生命周期适用性，配合YooAsset简化了资源管
从此折腾有了生命
从此折腾有了生命这应该是我第一个非独立博客，以前搞这些东西，仅仅是因为一个小白对于各种计算机程序的好奇心，更多的注重于外表的花哨，而今，已经不是当年可以肆意挥霍青春的我了。以前的折腾都已经随着时间消失的无影无踪，但是折腾精神不会消失。特开此博客来记录。（csdn-markdown编辑器说明文档）本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdow
保姆级教程：用rosbag录制和回放你的第一个ROS机器人数据（附C++/Python代码）
本文提供了一份详细的ROS机器人数据录制与回放教程，涵盖从命令行操作到C++/Python编程实现的全流程。通过rosbag工具，开发者可以高效记录和回放机器人运行时的传感器数据和控制指令，适用于故障复现、算法调试等多种场景。教程还包含高级技巧如时间同步和大文件处理，帮助用户快速掌握ROS数据管理核心技能。
心愿未了有牵绊。生命不息，折腾未止。
心愿未了有牵绊。生命不息，折腾未止。 转载于:https://www.cnblogs.com/flywang/p/4648735.html
pyecharts可视化图表-tree：从入门到精通
本文系统介绍了树图(Tree Chart)的可视化技巧，包含基础实现、方向定制和环形布局等实例。树图能清晰展示层次结构数据，适用于组织架构、文件系统等场景。教程详细解析了pyecharts树图的核心配置项，包括数据准备、方向设置（下上、右左）和样式定制，并提供了完整代码示例。通过本指南，读者可快速掌握专业树图的构建方法，实现复杂层次数据的可视化呈现。
ArcGIS符号库下载 | 制图规范、三调、1:1万地形图、土地利用总体规划图.....
最近整理了一些符号库 涉及的类型比较多 包含有三调的（二调的也加上去了），一些点线面符号库，1:1万地形图，1:5万土地利用，土地利用总体规划图
生命不息，折腾不止
截止到今天，我个人已经折腾了四个小玩意儿：高歌一曲（音乐播放器）、LMOS（x86_64体系的操作系统内核）、LMOSEM（ARM体系的操作系统内核），和刚上架不久的计算机图书（《深度探索嵌入式操作系统：从零开始设计、架构和开发》）如下图： 小学四年级时，学校开设了信息课，那是我人生中第一次见到真实的计算机，还是那种又小又厚的CRT显示器，那些计算机放在学校唯一一间铺了地面砖的教室里
Vue2 - 最新详细实现接入天地图详细配置流程及示例代码教程，提供获取用户当前定位的城市名称及省市区数据、精准经纬度信息、IP属地定位、地图搜索标点等示例，解决天地图跨域报错/页面白屏/定位不准问题
vue2，nuxt2，天地图，使用教程，vue接入国家天地图，定位api，ip属地定位，获取用户当前位置数据，省市区，地图不显示，白屏，报错，vue2如何使用天地图，地图选点，cors跨域，白名单设置了还是不行，vue项目调用天地图api实现定位，Vue2中使用天地图，详细教程，天地图申请密钥key教程，经纬度，经纬度不准确，一直定位北京，定位在北京不准怎么办，nuxt项目天地图，网站，网页，h5页面，地图显示不全，获取当前定位，如何使用天地图，拿到客户ip地址定位城市名称，距离计算，实时搜索地址逆解析，天
《生命不息，折腾不止》
大三的课程结束了，现在我在刘老师的实验室里写着这篇文章，以流水账的形式回顾一下，算是对我求学生涯的总结吧。 从小学开始我并不是一个好学的孩子，常常因为考试不及格，或者倒数被责怪，然而年纪小，不懂辛劳贫苦。但还是留给了我宝贵的财富，吃苦耐劳，懂事听话。学习这种事情哪有自己的理解？酷爱数学，厌烦语文和英语，当然这个与自身的经历有关。现在看来，好的学习习惯是决定自己能不能在学习上得心应手的关键。 中...
64、5G 侧链通信技术详解
本文详细解析了5G侧链通信的关键技术，包括资源感知与选择、UE间协调、混合ARQ、功率控制、信道探测与CSI报告以及侧链同步。资源感知与选择通过周期性或随机方式实现资源分配，UE间协调通过主动或被动方式避免资源冲突。混合ARQ机制确保数据传输可靠性，功率控制和信道探测优化传输质量并减少干扰。侧链同步则通过多种方式确保设备间时间一致性。这些技术相互配合，构建了高效稳定的5G侧链通信体系，适用于智能交通、物联网、应急通信等多个领域，为未来无线通信发展提供强大支撑。
吃透工业通信：C#工控机实现Modbus、OPC UA、Profinet、EtherCAT协议全适配
本文介绍了基于C#的工业通信协议全适配方案，采用分层架构设计实现Modbus、OPC UA、Profinet和EtherCAT四种主流协议的统一管理。核心包括：1）三层架构（应用层、抽象层、协议层）降低耦合；2）定义统一通信接口IIndustrialCommunication；3）工厂模式创建不同协议实例；4）以Modbus TCP为例展示具体实现。该方案经过实际项目验证，可简化多协议设备管理，提升工业自动化系统的开发效率。
生命在于折腾——XXS-labs
XXS-Labs level1-level18
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")
[Linux] 生命在于不断折腾又忘记
格式化硬盘 #umount /dev/sdb1 #mkfs.vfat /dev/sdb1 百度一下，你就知道 win制作镜像 为什么我每次dd作出来的盘全不好用。。。 Universal USB Installer 软件安装 Intellij IDEA 快捷键 一键格式化代码：ctrl+alt+J 十大快捷键 软件卸载 删除单个软...
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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
Android SDK 5.0 这个语句带来折腾 - 生命在于折腾！
Android SDK 5.0 带来的这番折腾 - 生命在于折腾！太阳火神的漂亮人生 (http://blog.youkuaiyun.com/opengl_es)本文遵循“署名-非商业用途-保持一致”创作公用协议转载请保留此句：太阳火神的漂亮人生 - 本博客专注于 敏捷开发及移动和物联设备研究：iOS、Android、Html5、Arduino、pcDuino。否则。出自本博客的文章拒绝转载或再转载。...
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
生命在于折腾——关于我新博客的说明
最近一段时间我完善了我的博客。
Android SDK 5.0 带来的这番折腾 - 生命在于折腾！
Android SDK 5.0 带来的这番折腾 - 生命在于折腾！
越是爱折腾的人就越容易成功
创业三年我买了我的车和房，有了自己的团队和公司。 一个人爱自己最好的方式，就是拼命的向上成长，自强不息是一个人成熟的体现。 人不要让自己活的太舒服，当你越来越舒服，越来越懒的时候，你就会发现其实你很痛苦，你遇到一点小小的事都解决不了，所以说，每天都要不断的折腾自己。 不要辜负生命，让我们狠狠的折腾奋斗吧！ 扩展阅读： 三个沟通技巧助你成功「纯干货」 自主创业如何提高成功率「干货」 创业成功的机率有多高「真实分享」 ...
朱炜丨 『生命在于折腾 技术改变未来』
点击上方“Ai时速” 智慧赢未来！朱炜 写在前面“ 生命在于折腾，技术改变未来”Ai咖其人 剑走偏锋最早涉足Ai从北大NLP研究生到Google购物搜索从Google到创业“数赢云”创业多年，也曾获得多次投资，屡次尝试屡经折腾……「数赢云」 9年销售线索服务商，2016年转型为“销售服务机器人”1剑走偏锋学生涉足Ai，创业又回到Ai“永远不能说自己的东西就是对的，做下去很可能发现是错的，走了弯路。
生命在于折腾——BlueCMS代码审计
BlueCMS代码审计
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2796
扫一扫
