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
600+累计阅读
655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
何同学抄袭风波视频成爆款，B站全站排行最高第4、播放量超620万，近3个月最高。
许多网友指责何同学及其团队“毫无底线”，“承认抄袭了还不下架视频？”。有网友解答称，该视频涉及商单，下架要赔违约金。
【何同学致歉说明】11月21日，@老师好我叫何同学 发布了《关于备忘录动画的致歉与说明》，详细说明了其视频《我用36万行备忘录做了个动画…》的抄袭风波。其中解释了“为何删除原作者名字”以及“是否删除作者评论”等争议。
他表示：“我们频道内部会进行检讨，反思我们的流程和审稿上的问题。当下我们会建立一个审核小组，包含团队里各岗位的人员，在成稿后每个人都要复核各项表达是否准确无误，符合实际情况，避免类似情况再度发生。”
近日，何同学抄袭风波引发热议。11月22日，搜索发现，知名科技up主@epcsoft 转发开源项目原作者vietnh1009发出的截图和言论，并表示，“何同学愿意以开源作者Việt Nguyễn的名义向python开源基金会或其他合适组织捐款1万美元以表示对其歉意，并吸取教训。开源作者Việt表示接受其道歉。
Windows下Delft3D安装全攻略：从申请许可到编译运行（避坑指南）
本文详细解析了Windows系统下Delft3D的完整安装流程，涵盖环境准备、许可获取、源码编译到性能调优的全过程。针对中国用户常见的网络问题和系统兼容性痛点，提供了经过验证的解决方案，特别强调Intel Fortran编译器匹配、环境变量配置等关键步骤，帮助水利工程师高效完成这一水动力学模拟工具的部署。
何同学抄袭风波，原作者发声了..
老师好我叫何同学”，是一位B站UP主，在他的视频中经常会看到很多关于科技、以及各种稀奇古怪的创意视频，还记得关注何同学那会儿，应该是他发布的5G那个视频。我想，何同学还是心存侥幸的，并不知道大家眼睛这么犀利，随后也是替换了“我们做了这个软件”改为“我们改了这个开源的软件”并且添加了原作者的Github地址。不少网友戏称为赛博顶针，具体让他们感觉抽象的点，可能是越来越离谱的选题和创意，比如：自动投喂口香糖的机器、不用电能把A4纸扔多远，自瞄开灯等等。这终究不仅破坏了开源协议，而且是极不道德的行为。
DSPACE仿真平台的使用
DSPACE仿真平台的使用 文章目录DSPACE仿真平台的使用1.ModelDesk新建项目2.MotionDesk引入项目3.ControlDesk引入项目4.项目整合运行 我们使用DSPACE仿真平台软件来模拟小汽车的自动驾驶。 总共需要用到DSPACE大类下的三个软件：ModelDesk、ControlDesk、MotionDesk。 1.ModelDesk新建项目 在桌面上点击ModelDesk图标，打开DSPACE—ModelDesk 选择 File 标签，侧边栏选择 New，点击 New A
Spring AI + GPT-5.5 + Ollama 配置教程：Base URL、超时与流式调用
由于不同 Spring AI、Spring Boot 小版本之间仍可能存在差异，创建项目时应检查 Spring Initializr、Spring AI BOM 和官方兼容矩阵，不要直接复制旧教程中的 Starter 名称和版本号。多人项目最好隔离不同客户端，并在脱敏前提下记录最终 URL、状态码、请求耗时、请求 ID 和模型 ID。Spring AI 接入模型 API，至少要同时确认 Starter、Base URL、请求路径、API Key、模型 ID、连接超时、读取超时和流式客户端这 8 项。
我用 AI Agent 全自动跑 COMSOL 仿真：从建模到后处理，踩了 10+ 个深坑
本文探讨了利用AI通过COMSOL Java API实现AI芯片液冷冷板全流程自动化仿真的实践。针对700W高功耗AI芯片的散热需求，构建了包含4颗Chiplet和微通道冷板的三维液冷模型。通过严格设计的Prompt工程，AI Agent成功完成了从几何建模到结果验证的全过程，最终实现了芯片最高温度54°C的良好散热效果。文章重点分享了10个关键问题的解决经验，包括流体连通性验证、网格顺序控制、离散阶数选择、收敛判据优化等，并建立了包含流场/热场/网格独立性的三重验证体系。实践表明，AI可高效处理重复性工作
UE5.6使用ndisplay，单窗口多画面（单机部署），配置、打包流程，无需switchboard
摘要：本文介绍了在UE5.6中使用ndisplay插件的完整流程。首先需要开启ndisplay和launch插件，创建ndisplay配置文件并设置本地单窗口多画面模式。随后通过Process Explorer获取启动命令用于制作bat文件。打包项目时需删除场景中的ndisplay文件，但保留内容浏览器中的配置，并设置为开发版打包。最后将ndisplay文件导出为.ndisplay格式，与bat文件一起放置在打包目录下，通过bat启动程序。注意修改路径和窗口大小时需保持纯英文路径，且bat代码需保持单行格式
V8 机制、手写核心函数与 TypeScript 类型体操
或固定初始化（如数组先定长、对象先给全字段）保持类型与形状稳定；这些都比"换框架"更基础。只能处理纯数据（丢函数、Date、RegExp、循环引用报错）。生产级深拷贝要处理：原始值短路、循环引用、V8（Chrome / Node 的 JS 引擎）不是"解释一行跑一行"那么简单，它用。图：V8 执行流程——解释执行 + 热点优化，优化失败会 Deopt 回退。JS 内存自动管理，但"自动"不等于"不会漏"。是"固定间隔最多执行一次"。手写 Promise 是"懂异步"的试金石。是"停下后才执行最后一次"，
Codex API 直接集成指南：告别中转代理，构建稳定高效的 AI 应用
在 AI 应用开发中，API 集成是连接模型能力与业务逻辑的核心环节。其基本原理是通过 HTTP 协议，按照服务提供商定义的规范发送请求并解析响应，实现远程调用。标准化的 API 设计确保了跨平台和跨语言的互操作性，其技术价值在于提供了稳定、可控且可扩展的服务接入方式，是构建企业级智能应用的基础。在实际应用场景中，开发者常需集成如 Codex 这类聚合了多种大语言模型的平台，以调用诸如 DeepSeek 等先进模型。然而，部分开发者仍依赖过时的第三方中转代理工具，这不仅引入了单点故障和版本锁定的风险，还可能
【JVM】对象内存布局
HotSpot JVM 中，Java 对象内存布局由对象头（12字节，含Mark Word与压缩Klass Pointer）、实例数据及对齐填充构成，总大小为8字节倍数。对象头支持锁状态动态复用，指针压缩使引用仅4字节，但堆超32GB时失效。实例字段按类型优先级重排序以减少间隙，最小对象大小为16字节。通过JOL工具可精准验证布局，理解锁机制、GC、伪共享等底层行为。
CUDA详细安装及环境配置——环境配置指南 – CUDA+cuDNN+PyTorch 安装
本文详细介绍了如何确定显卡支持的CUDA版本、选择对应的cuDNN版本，并逐步安装CUDA、cuDNN和PyTorch。首先，通过命令行输入nvidia-smi.exe查看显卡支持的CUDA版本。接着，根据CUDA版本选择对应的cuDNN版本并下载。然后，从NVIDIA官方网站下载CUDA安装包，按照提示进行安装，并检查是否安装成功。同样地，下载cuDNN安装包，解压后将文件拷贝到CUDA安装目录中，并通过命令行验证安装是否成功。最后，根据PyTorch官网的指引，选择合适的安装命令进行PyTorch的安装
PCL DBSCAN密度聚类【2026最新版】
点云密度聚类的PCL代码实现，与matlab自带的密度聚类算法进行对比验证，结果一致。3万多个点能再2秒左右运行出结果，算法效率尚可。
Spring Boot 数据源与 MyBatis(-Plus) 自定义配置详解
本文详解 Spring Boot 中单数据源环境下 HikariCP 与 MyBatis-Plus 的自定义配置。通过手动声明 SqlSessionFactory，实现下划线转驼峰、日志输出、一级缓存策略等精细化控制。结合 HikariCP 核心参数调优（如最大连接数、连接生命周期），确保高性能与稳定性。适用于仅需访问单一数据库的场景，避免多数据源复杂性，兼顾性能与可维护性。
数字孪生教程大全之 我们如何构建数字孪生？数字孪生的五个级别都是什么
文章摘要 什么是数字孪生？ 我们如何构建数字孪生？ 开发智能数字孪生系统的框架 什么是数字孪生？ 数字孪生是一个不言自明的术语，用于识别物理系统的数字化版本。数字孪生的最早参考来自大卫·格伦特（David Gelernter ）的小说作品。在他 1995 年的书中，Gelernter 博士为读者提供了未来有趣的可能性——万维网。前网络书籍谈到了计算机系统上的镜像数字世界。有些人可能会争辩说，我们的 Meta-verse 是新的数字世界——现实世界的数字孪生。但是，还有其他可能性，时间可能会讲述一个更好的
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
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)
LeetCode Hot 100 二叉树专题（二）3 题（Java）
本篇文章共 3 题：543. 二叉树的直径、102. 二叉树的层序遍历、108. 将有序数组转换为二叉搜索树。 每道题都统一按「① 题目分析 & 解题思路 → ② 常见解法（附代码）及讲解 → ③ 知识点总结」的顺序组织；代码使用 Java 编写，节点定义沿用 LeetCode 默认的 TreeNode。
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")
Decorator
TaskDecorator 是异步场景下"跨线程传递上下文"的标准方案，主要用于传递 MDC、用户信息、数据源路由等上下文数据，核心价值是让异步任务的日志链路不中断、业务上下文不丢失。TaskDecorator 是 Spring 提供的一个钩子接口，用于在异步任务执行前对 Runnable 进行包装，常用于跨线程传递上下文。如果你在项目中遇到具体的异步上下文传递问题，可以把代码贴出来，我帮你给出最合适的 Decorator 方案 👍。✅ 核心能力：在线程切换时，把"父线程的上下文"搬到"子线程"
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
JDK 下载安装：装完 Java 提示「不是内部或外部命令」？环境变量没配
JDK 是写 Java 程序必须装的东西。它包含运行 Java 的虚拟机（JRE）和编译 Java 的编译器（javac）——装了它，能跑、.java文件能编译成可执行程序。免费，学习和小规模生产都不花钱。
数据库乐观锁深度解析：MySQL、PostgreSQL 实战 + Spring Boot 集成指南
Oracle 提供了ORA_ROWSCN伪列（System Change Number），记录最后修改行的 SCN，类似 PostgreSQL 的xmin。实践中通常仍使用 version 字段方案，逻辑与 MySQL 完全相同。-- Oracle：通过 ORA_ROWSCN 实现乐观锁-- 更新时比对 SCN// 自定义注解// AOP 切面@Aspect@Component@Slf4jtry {
C++ 多态详解：作用、原理与实战用法
多态是C++面向对象的核心特性，通过虚函数实现运行期动态绑定，使同一接口在不同对象上表现出不同行为。其核心作用包括统一接口、提升可扩展性、降低耦合、支持运行时分派与批量处理。实现依赖虚函数表（vtable）和虚指针（vptr），需注意虚析构函数、对象切片等陷阱。相比编译期多态（模板），运行期多态灵活性高但有调用开销。合理结合两者，可兼顾代码的灵活性与性能，是构建可扩展、低耦合系统的关键。
java框架大全
java框架大全
Java 多态 学习笔记
多态是面向对象编程的重要特性，指同一操作作用于不同对象时产生不同行为。其核心在于“父类引用指向子类对象”，结合方法重写实现运行时动态绑定。多态使代码更灵活、可扩展，如用Person p = new Student();统一处理各类人员注册，无需修改调用逻辑。但多态无法直接调用子类特有方法，需通过instanceof判断并强制转换。编译时看左边（类型），运行时看右边（实际对象），实现解耦与维护便利。
SecureRandom做随机源，这个Java随机字符串工具类有3个方法
本文分享一款JDK17环境下的Java随机字符串工具类，内置3个开箱即用的方法，全部采用SecureRandom加密安全随机源，不存在弱随机、可预测、取模偏差等问题。工具类支持默认62字符集随机串、纯数字随机串、自定义字符集随机串三种生成模式，支持Unicode码点级别的字符集处理，兼容Emoji等增补字符，边界处理严格，异常信息明确，适合验证码、邀请码、盐值、随机口令、短链码等场景，源码可直接复制使用。
Java实现批量线段相交检测（跨积判定+扫描线优化与踩坑复盘）
【代码】Java实现批量线段相交检测（跨积判定+扫描线优化与踩坑复盘）
ubuntu安装hadoop系统
本文详细介绍了基于VMware克隆虚拟机搭建三节点Hadoop分布式集群的全过程：使用同一Ubuntu镜像克隆出master、worker1、worker2三台虚拟机，依次配置主机名、固定IP（如192.168.82.10/11/12）、SSH服务及免密登录，确保节点间网络互通。随后安装Java，下载配置Hadoop并分发至各节点，最终初始化启动集群，验证其存储与计算功能，实现高效的大数据环境部署。
Agent 状态栏在上下文中的具体位置
Agent状态栏以user角色消息形式追加至上下文末尾，而非修改system消息，避免破坏KVCache。此举仅为API技术实现，内容由框架自动生成，非真实用户输入，通过<agent_status>标签标识，确保模型获取最新状态且不影响缓存。该设计遵循“动态信息追加、静态信息固定”原则，实现高效、低延迟的状态传递。
Spring事务和事务传播机制
3. 可重复读(REPEATABLE READ): 事务不会读到其他事务对已有数据的修改, 即使其他事务已提交. 也就可以确保同⼀事务多次查询的结果⼀致, 但是其他事务新插⼊的数据, 是可以感知到的. 这也就引发了幻读问题. 可重复读, 是 MySQL 的默认事务隔离级别.p1事务可以认为是⽗事务, 嵌套事务是⼦事务. ⽗事务出现异常, ⼦事务也会回滚, ⼦事务出现异常, 如果不进⾏处理, 也会导致⽗事务回滚.
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
546
扫一扫
