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
800+累计阅读
874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
很多人都是想挣钱才去进入IT行业，或者从最底层的一线程序员开始，或者是从事投机工作，但是都是为了钱，这是很多人的初衷，
但是自从我编程以来，我想的一直是如何创造出来更好玩的事情，更好玩的东西，如果我为了很多钱的话，我会果断去经商！
我现在花很多时间编程，锻炼我的debug技术，给别人做小型演讲，展示自己做出来的新东西，我不认为我是个多么好的程序员，
但是我认为我自己是个还算有创意的程序员这倒是真的，我一直致力于创造出更好玩的事情，这可能是我的一大爱好吧。
当然周末的时候我会去写一些看起来比较轻松的程序来，但是作为一名企业级程序员和我的初衷是不相符的，我更羡慕那些会使用Lisp和SmallTalk的黑客级别的人物，为什么国内的程序员技术水平很低，因为大家的初衷都有一些问题，但是企业级程序员的需求量还是很大的。
但是我永远都不认为，1万块钱+4个月的训练就可以让业余变成专业，真正的编程技术是日复一日练习得来的.这完全不是真正的编程，我永远不相信这是编程。
我认为真正的程序员在于用自己的创造来诠释自己的想法，你算是程序员吗？不一定吧！
至前端爱好者
专栏简介 使用 CSS 动画，转换和变换和悬停效果，提供有创造性点子。 专栏介绍 你会学到： CSS3课程网页设计效果 掌握 css 动画，转换和变换 使用 animation 创建任何有创意的 css 动画 所以在这门课程中，通过许多例子，演示一些有创意的想法，并通过这些例子加强我们对 CSS 记忆，更好帮助你们创建任何你们能想到的复杂动画。 痛点： 平时知道了 CSS 有哪些新的特性，但却不...
震惊！没有Manus邀请码？这两个神器让你轻松上手！
通过研究OpenManus的 源代码，开发者可以学习到如何构建AI 智能体的基本框架， 如何实现智能体的感知、决策和行动能力，以及如何将AI 智能体 应用于各种不同的场景中。通过参与OpenManus的 开源社区，你不仅可以学习到最前沿的AI技术，还可以结识更多志同道合的技术爱好者，共同推动AI智能体技术的发展。开源的特性， 赋予了你更大的自由度和探索空间， 你可以在OpenManus的基础上， 构建更 个性化、 更符合自己需求的AI智能体应用。这次，咱们来点 更刺激的，更 好玩的！
带隙基准电路实战：温度补偿与流片调优全解析
带隙基准（BGR）是模拟芯片中实现高精度、低温漂电压参考的核心电路，其本质是利用硅材料禁带宽度的物理稳定性，通过PTAT（正温度系数）与CTAT（负温度系数）电压的加权叠加抵消温度影响。原理上需兼顾一阶线性补偿与二阶曲率校正，技术价值在于支撑ADC/DAC/LDO等关键模块的精度与可靠性。典型应用场景涵盖车规级MCU、工业传感器和高精度电源管理芯片。工程落地难点集中于工艺偏差、运放失调、寄生效应及版图热电耦合——这正是‘带隙基准设计’与‘带隙基准调优’的根本分野。本文聚焦真实流片经验，深入拆解Widlar架
震惊！Github文件下载速度竟然这么快！
Github文件在线加速下载 众所周知，GitHub是最大的同性交友平台（手动滑稽），以及程序员和编程爱好者的聚集地，诸多优秀的开源项目全部都是位于GitHub上。但是每当我们看到优秀的开源项目，准备去下（bai）载（piao）时，会发现速度异常之慢！就我个人而言，在我家里200M电信宽带的环境下，就没发现速度大于过20KB/S的时候，这简直太难受了。今天分享一批提供在线加速下载的网站！！！！
GoldenDB 兼容模式冲突场景解析：MySQL 连接模式 vs Oracle 语法兼容
GoldenDB 兼容模式冲突场景解析：MySQL 连接模式 vs Oracle 语法兼容
Python爬虫实战：美团商家数据采集系统
本文将详细介绍如何使用Python最新技术栈构建高效的美团商家信息采集系统。内容涵盖异步爬虫、反爬对抗、数据存储、可视化分析等完整流程，提供可落地的代码方案和工程实践。
震惊！一句话生成游戏，编程从此变得如此简单！
震惊！一句话生成游戏，编程从此变得如此简单！ 在当今科技飞速发展的时代，编程已经成为了一项不可或缺的技能。然而，对于许多初学者来说，编写代码依然是一项复杂且耗时的任务。想象一下，如果能够通过一句简单的自然语言描述，就能自动生成一个完整的游戏项目，这听起来是不是像科幻电影中的情节？令人振奋的是，这一切已经成为了现实！借助于最新推出的智能化工具，编程新手也能轻松开发出功能齐全的游戏，而这个工具就是——...
2025_NIPS_Truthful Aggregation of LLMs with an Application to Online Advertising
大型语言模型（LLMs）生成内容的 revenue 变现是在线广告的下一个前沿领域。我们考虑这样一种场景：广告商旨在影响LLM的回复，而平台则寻求最大化广告商价值并确保用户满意度。核心挑战在于，广告商的偏好通常与用户偏好存在冲突，且广告商可能误报其偏好。为解决这一问题，我们提出MOSAIC——一种拍卖机制，它确保真实申报是广告商的占优策略，并使每个广告商的效用与其对社会福利的贡献保持一致。重要的是，该机制无需LLM微调或访问模型权重，且随着计算资源的增加，可证明收敛到最优微调LLM的输出。
震惊！一句话生成游戏，你敢相信吗？
最新接入DeepSeek-V3模型，点击下载最新版本InsCode AI IDE 震惊！一句话生成游戏，你敢相信吗？ 在当今科技飞速发展的时代，编程工具的创新不断为开发者带来惊喜。最近，一款名为InsCode AI IDE的智能化集成开发环境（IDE）引发了广泛的关注和讨论。它不仅极大地简化了编程过程，还让那些曾经认为编程遥不可及的人们也能轻松上手。今天，我们将带您走进一个令人震惊的世界——仅用一...
【OAG vs RAG】OAG工程实战（下）：权限治理与多模型协同
本文摘要（149字）： OAG工程体系的核心挑战在于权限治理与多模型协同。文章深入探讨OMA（对象管理权限）系统，实现细粒度访问控制：通过对象级权限管理行级安全，属性级权限控制敏感字段脱敏，确保AI Agent权限不越界。系统采用三层次防护：对象策略控制记录可见性，属性策略处理字段级脱敏，动作策略限制操作范围。权限验证贯穿Agent执行全流程，结合多模型交叉验证机制，构建企业级AI安全防线。这些设计使OAG系统从技术演示升级为生产可用的企业解决方案。
机床联网系列总结
总结机床联网专栏，两个好用的工具介绍，以及后续提升的方法和建议。
我去！被大模型码农的工资震惊到了！
程序员也太难做了吧技术深度不够，涨薪难；行业迭代快，从事多年传统项目开发，想凭着技术赚钱，没想到，大模型时代，又开始卷AI技术了！甚至，不迭代自己的技术，可能大量的技术人员！这也让程序员们开始重新评估自己的本领：“AI会取代哪些技术行业？“谁的饭碗不保了？“AI浪潮下，程序员的未来在哪里？如今AI快速发展，国内超过130个大模型问世！抓住机会，选择了入局AI大模型的企业，早就赚翻了！前段时间，美图在官网发布公告称：得益于”生成式AI技术“，上半年收益高速增长！
实战优化！C#上位机串口通信卡顿问题：超时机制+数据缓存方案
串口名</param>/// <param name="baudRate">波特率
震惊！一句话生成游戏，轻松实现编程梦想！
震惊！一句话生成游戏，轻松实现编程梦想！ 在当今数字化时代，游戏开发已经成为了一个热门领域，吸引了无数编程爱好者和专业开发者。然而，对于许多初学者来说，编写一款游戏往往需要掌握复杂的编程语言、了解多种开发工具，并且耗费大量的时间和精力。但是，这一切正在发生改变——借助智能化的工具软件，编程新手也能轻松实现自己的游戏开发梦想。 最新接入DeepSeek-V3模型，点击下载最新版本InsCode AI...
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
震惊！Facebook外贸推广，这些厂家实力不得了！
在当今全球化的商业浪潮中，外贸推广已然成为众多企业拓展海外市场、提升国际影响力的关键手段。而在众多外贸推广渠道里，Facebook凭借其庞大的用户基数、精准的广告投放系统以及强大的社交互动功能，成为了众多外贸企业竞相角逐的热门平台。今天，就让我们一同走进Facebook外贸推广的世界，探寻那些实力非凡的厂家。
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")
史上最强七种防蚊药水大比拼！看完你都震惊了！
据广州日报：驱蚊花露水其实是农药?驱蚊花露水被曝标着农药登记号，有的还注明“微毒”。能起驱蚊杀蚊作用的正是这些”微毒“物质：菊酯、驱蚊酯、避蚊胺。疾控专家称，这些成分毒性很小，合理使用对健康无害。但对特殊人群如孕妇、婴幼儿、易过敏者等，不建议使用。有创口会加重皮肤损伤。 对此，有网友做出以下科学测试: 史上最强七种野外防蚊药水装备比拼，咩蚊师太倾力打造吐血整理，绝对原创，标题长长长………… 眼见夏天到了，野外的蚊子们日渐丰盛，一不小心被叮出个疟疾脑膜炎什么的可不是玩笑话，于是平时深藏不露的咩蚊师太
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。
震惊！懂AI的产品经理，已经碾压同行了！
在即将过去的一年里，AI向我们展示了其恐怖的能力。一键生成高清视频一键生成述职PPT一键生成精美图片随着AI的迅速崛起，它就像是一份美味可口的美食，人人都想去分一杯羹。所有行业都因AI技术催生出新的业务形态。互联网大厂里传统产品经理的职业要求也随之提高，与之相比，AI产品经理便成了时下互联网大厂招聘热门岗位。虽然AI产品经理职位前景广阔，但求职者大概率需要具备综合能力与持续学习的意愿才能脱颖而出。现阶段，企业也希望招聘到能够迅速适应新技术和新工具的人才。
你知道吗？业余爱好者能用人工智能干什么？
编者按：随着人工智能领域的竞争愈发激烈，人工智能软件与配件也变得触手可及。从而使得人工智能在业务爱好者那里开始流行起来。他们会使用人工智能做什么呢？在《连线》杂志12月刊中，选取了4位业余爱好者使用人工智能来解决生活中一些事情的故事。作者为“TOM SIMONITE”，原题为“THE DIY ...
震惊！一句话生成游戏，编程小白也能轻松上手
最新接入DeepSeek-V3模型，点击下载最新版本InsCode AI IDE 震惊！一句话生成游戏，编程小白也能轻松上手 在当今科技飞速发展的时代，人工智能技术正在以前所未有的速度改变着我们的生活和工作方式。尤其是在软件开发领域，AI工具的出现让许多曾经遥不可及的梦想变得触手可及。今天，我们将为大家介绍一个令人惊叹的功能——通过一句话生成游戏！这项功能不仅颠覆了传统的游戏开发流程，还为编程初学...
震惊！一句话生成游戏：编程小白也能轻松上手
最新接入DeepSeek-V3模型，点击下载最新版本InsCode AI IDE 震惊！一句话生成游戏：编程小白也能轻松上手 在当今科技飞速发展的时代，人工智能和自动化工具正逐渐改变着我们的生活方式和工作模式。特别是在编程领域，智能化的开发工具让曾经复杂繁琐的代码编写变得更加简单高效。今天，我们将介绍一种令人惊叹的技术革新——通过一句话就能生成完整的游戏应用。这不仅为开发者带来了前所未有的便捷体验...
震惊！一句话生成游戏：未来的编程新纪元
最新接入DeepSeek-V3模型，点击下载最新版本InsCode AI IDE 震惊！一句话生成游戏：未来的编程新纪元 在当今数字化飞速发展的时代，编程已经成为了一项至关重要的技能。然而，对于许多初学者来说，编程依然充满了复杂性和挑战。传统的编程方式需要开发者具备深厚的技术背景和长时间的学习积累，这使得很多有创意但缺乏编程知识的人望而却步。但现在，这一切正在发生改变——通过智能化的工具软件，编程...
震惊！一句话生成游戏，AI让创意落地如此简单
开发AI智能应用，就下载InsCode AI IDE，一键接入DeepSeek-R1满血版大模型！ 震惊！一句话生成游戏，AI让创意落地如此简单 在科技日新月异的今天，人工智能（AI）正以前所未有的速度改变着我们的生活和工作方式。从自动驾驶到语音助手，再到如今的游戏开发领域，AI的应用已经渗透到了各行各业。而今天我们要探讨的，是一种全新的、令人惊叹的开发体验——通过一句话生成游戏。这不仅仅是一次技...
【逆天】一份30个字的个人简历，令人震惊！
最近有在做个人简历网站,看到一个挺不错的文章,推荐给大家(标题是:30字以内的简历) 文章来源:北方网 这个世界上，总有很多人很自以为是地以为若是他们做不到的事情，别人做到了，必定不是什么光彩的正道，必定不是靠自己的实力。 这样的例子几乎每天都发生着，我也曾一度全然不觉自己在这样的渊里越堕越深。 直到大四有一次去参加一个公司的面试，面试通知邮件里最后有一条是：请携带不超过30字的个人简历。 我一看，疯了吧？30字？！我挨个把自己工作实习过的公司名字和读过书的学校名字列一遍都不止30个字了啊？！我想.
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2314
扫一扫
