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
900+累计阅读
946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
Red5 0.9.1 Final (21 February 2010)
Red5 0.9.0 Final (27 January 2010)
OSX | Windows | ZIP | Tarball | Source
Red5 0.9.0 RC2 (03 November 2009)
OSX | Windows | ZIP | Tarball | Source
Red5 0.9.0 RC1 (03 August 2009)
OSX | Windows | Windows (Java5) | ZIP
Red5 0.8.0 Final
OSX | Windows | Windows (Java5) | Tarball | Tarball (Java5) | WAR | WAR (Java5)
消费级CPU+核显实现本地AI视频生成
AI视频生成正从云端走向桌面，其核心在于突破传统GPU依赖，转向CPU缓存优化、内存带宽调度与集成显卡协同推理的新范式。Stable Video Diffusion等模型虽计算密度较低，但数据搬运成为瓶颈，而AMD锐龙7000系列通过3D V-Cache、Infinity Fabric和RDNA3核显（如Radeon 780M）构建了低延迟、高带宽、可预测的本地推理环境。这种架构适配使INT4量化模型在无独显条件下稳定运行，兼顾生成质量与实时性，支撑分镜预演、教学复现、广告快速迭代等轻量影视生产场景。本文聚
RED5-0.9.1Final流媒体服务器安装（一）
RED50.9.1Final流媒体服务器安装 一．安装JDK6到官方下载最新版本并安装，本机安装Java SE 6 Update 35 http://www.oracle.com/technetwork/java/javase/downloads/index.html 二．安装RED5这里面用0.9.1Final版本，到https://code.google.com/p/r
合同RAG实战：结构化切分+四层过滤+LangGraph可调试工作流
RAG（检索增强生成）是一种将外部知识库与大语言模型结合的关键技术，其核心原理在于通过可控检索提升生成结果的准确性与可信度。在法律、金融等强合规场景中，传统RAG易因文档结构失察、召回泛化、输出失控导致高幻觉率。本文聚焦合同类结构化文档处理，深入解析语义感知的PDF解析、基于条款类型的多级元数据过滤、向量+BM25混合检索，以及LangGraph驱动的11步可审计决策链。技术价值体现在响应速度压至2.3秒、幻觉率降至6.7%，并支持Streamlit单机热重载部署。适用于合同审查、知识库问答、企业内部培训助
Youtube上面的Red5 官方视频下载教程，带字幕【亲测成功】
前言 近来在学习Red5 开源流媒体服务框架，官网上的信息足以让一个新手入门
Imagen与DALL·E 2硬核对比：架构、文本保真与工业落地差异
文本到图像生成是AIGC核心范式，其技术本质在于文本语义如何精准映射为视觉表征。扩散模型架构决定生成路径的可控性与效率，而CLIP引导机制或T5强编码器则深刻影响prompt fidelity——即提示词意图在图像中的忠实还原度。高文本保真度带来更强的工业价值：在电商多视角一致性、医疗影像可解释性、教育个性化内容等场景中，模型对语义细节（如材质、几何、专业术语）的建模能力直接决定落地成败。本文基于三类硬件实测、级联扩散与像素空间对比、T5与CLIP编码器性能分析，揭示隐空间分辨率、数据清洗质量、温度敏感性等
单变量异常检测：为什么3倍标准差会失效？鲁棒统计实战指南
单变量异常检测是数据质量管控与业务风控的基础技术，其核心在于识别偏离主体分布的离群点。传统方法依赖均值与标准差，但二者对异常值高度敏感，导致‘异常值拉高阈值、进而隐藏自身’的逻辑悖论。鲁棒统计学通过中位数（Median）和中位数绝对偏差（MAD）构建抗干扰的位置与尺度估计器，从根本上规避该问题。这种不依赖正态假设、适应偏斜与长尾分布的特性，使其在订单金额、响应时长、住院天数等典型业务场景中具备更强的工程鲁棒性与业务可解释性。本文聚焦Data Analysis中的单变量异常识别实践，详解鲁棒z-score与调
Red5 1.0.6 整合到Web (1.0.2 ~ 1.0.7M4 通用)
由于原来项目中用到的是red5 0.8 只支持flv格式，最近要用到mp4格式，查看官网 red5 1.0.6 支持 FLV, F4V, MP4, 3GP格式。 网上找了半天最新的整合都是1.0.1及以下版本的，1.0 版本视频录制有个小bug，无奈只能自己整合了。1.0.2之后作者将red5分成了几个子工程，仓库也从google迁移到了github. 地址:https://github.com/R
red5-1.0.6（内含基本直播界面的HTML文件，在live中，需要的朋友可自行修改）
Red5的主要功能和Macromedia公司的FMS类似，提供基于Flash的流媒体服务的一款基于Java的开源流媒体服务器。它由Java语言编写，使用RTMP作为流媒体传输协议，这与FMS完全兼容。它具有流化FLV、MP3文件，实时录制客户端流为FLV文件，共享对象，实时视频播放、Remoting等功能。注意：red5存在不同版本jdk的兼容问题，此1.0.6版本本人只在jdk1.7上使用，完美兼容，其他版本jdk需要自己去测试 。
GRASS GIS 8.5 v.buffer 模块配置：矢量缓冲区生成的 3 种模式与精度控制
本文详细解析了GRASS GIS 8.5中v.buffer模块的三种缓冲区生成模式（固定距离、属性字段驱动和负距离缓冲）及其精度控制技巧。通过实测数据和性能优化建议，帮助GIS专业人员高效利用GEOS库进行工业级空间分析，提升缓冲区算法的准确性和效率。
red5_1.0.1安装版
基于Flash的流媒体服务的一款基于Java的开源流媒体服务器
ESP32实战：破解校园网WPA2-Enterprise认证的完整指南
本文详细介绍了如何使用ESP32开发板破解校园网WPA2-Enterprise认证的完整指南。通过硬件准备、环境搭建、核心代码实现及常见问题排查，帮助开发者解决企业级WiFi连接难题，特别适用于校园网环境下的物联网设备开发。
π0.7：面向工业落地的自动化Prompt编译器
Prompt工程正从依赖人工试错的经验主义，转向可量化、可复现的系统性工程。其核心在于将自然语言任务描述形式化为结构化指令，通过确定性算子（如语义强化、约束显化）生成高稳定性Prompt，并以轻量评估器（格式校验+事实核查）闭环优化效果。该技术显著降低大模型在制造业质检、金融风控等场景中的幻觉率与部署延迟，使Prompt成为可版本管理、可跨团队复用的AI基础设施。π0.7正是这一范式演进的关键实践——不靠大模型生成Prompt，而用编译思维实现精准可控的指令交付。
别再只会用串口助手了！手把手教你用手机App调试HC-05蓝牙模块（STM32F103实战）
本文详细介绍了如何利用手机App调试HC-05蓝牙模块与STM32F103的无线连接，突破传统串口助手的限制。通过实战指南，开发者可以掌握移动性测试、实时监控和快速验证等高效调试技巧，优化蓝牙透传的稳定性和性能。
Nano Banana 2边缘AI开发板：5个离线视觉生成实战玩法
边缘AI是指在终端设备本地完成人工智能推理的技术路径，其核心原理是依托专用NPU等异构算力单元，实现低延迟、低功耗、数据不出端的智能处理。相比云端AI，边缘AI显著提升隐私安全性与实时响应能力，技术价值体现在工业质检、智能家居、老年看护等对网络依赖弱、合规要求高的场景。当前主流落地形态包括轻量视觉识别、语音驱动本地生图、手绘转线稿、异常热力标注及多图风格迁移——这些任务无需大模型，而依赖模型量化、DMA直通优化与原子级提示词工程。Nano Banana 2正是面向此类需求设计的国产嵌入式AI平台，支持RKN
Virtualbox “Kernel driver not installed (rc=-1908)”问题全面解析与修复指南
本文全面解析了Virtualbox出现'Kernel driver not installed (rc=-1908)'错误的原因及修复方法。详细介绍了如何通过重新安装virtualbox-dkms、处理Secure Boot特殊情况等步骤解决该问题，并提供了预防措施与最佳实践，帮助用户避免类似错误再次发生。
LDPC码介绍：基础&编码&译码
本博客介绍了LDPC码的基本原理，其中包括校验矩阵的构造、Tanner 图和编译码的基础知识。
如何在3小时内将K线预测模型部署到Flutter移动应用
你是否曾想过将专业的金融预测模型直接集成到移动应用中，让投资者随时随地获取精准的市场预测？传统的金融模型部署往往面临模型体积庞大、预测延迟高、移动端兼容性差等挑战。Kronos金融大模型通过创新的架构设计和移动端优化技术，实现了在移动设备上的高效部署，让专业级金融预测触手可及。 本文将带你从零开始，将Kronos金融预测模型部署到Flutter移动应用中，实现毫秒级的K线预测。我们将采用全新的技
CST微波工作室端口设置保姆级教程：从波导端口到离散端口，手把手教你搞定S参数仿真
本文提供CST微波工作室端口设置的详细教程，涵盖波导端口和离散端口的选择与配置，助力工程师精准完成S参数仿真。通过微带线滤波器案例，详解端口尺寸、阻抗设置及常见问题排查，提升仿真效率与准确性。
渗透测试 ( 0 ) --- XSS、CSRF、文件上传、文件包含、反序列化漏洞
渗透测试 --- http协议、XSS、CSRF、文件上传、文件包含、反序列化漏洞
CPD (Coherent Point Drift) 算法实现点云配准 C++版
作为和icp并列的点集配准算法cpd为什么没有icp火，等我把整个方案跑完才明白。 首先下载cpd https://github.com/gadomski/cpd 包含的fgt https://github.com/gadomski/fgt 下载到win10的解压后 运行cmake来进行编译 这个时候会提醒缺少eigen3 fgt python 这几个都安装排除后 在build文件夹下会生成vs2017的源码，右键全部生成后在 .\cpd-master\build\Debug 下会生成一个cpd.li
【全局路径规划模块全覆盖算法】（三）代码实现：Boustrophedon Cellular Decomposition Path Planning用珊格地图生成每个cell的覆盖路径
认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！本文先对Boustrophedon Cellular Decomposition Path Planning用珊格地图生成每个cell的覆盖路径做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章提示：以下是本篇文章正文内容。
MATLAB关系运算实战：从逻辑判断到数据筛选的六大运算符与进阶应用
在数据处理与科学计算中，逻辑判断是构建程序决策能力的核心基础。其原理是通过比较操作生成布尔值（真/假），形成逻辑数组，为条件筛选提供精确的“地图”。这一技术的核心价值在于实现高效的数据清洗、条件分支与自动化决策，是数据预处理、图像处理和仿真控制等高级应用的基石。在MATLAB等工程计算环境中，掌握关系运算与逻辑运算符的组合使用，能显著提升代码的向量化水平和执行效率。本文聚焦于**逻辑数组**的创建与运用，并深入解析**浮点数比较**中的常见陷阱与解决方案，通过实际案例展示如何将这些基础概念应用于数据筛选、异
Linux 内核参数：meminfo
内存管理是一个相对复杂的内核模块，错综复杂的数据结构和管理逻辑。Linux 内核为了帮助开发者从宏观上把握内存的使用情况，在几大核心数据结构中都有相应的计数统计，如物理页面使用情况、伙伴系统分配情况、内存管理区的页面使用情况、内存回收扫描回收情况、内存规整触发情况等等。本文要分析的节点meminfo是Linux 操作系统中查看系统内存最准确(meminfo 中有内存黑洞)的方法，它包含当前时刻系统的所有物理页面的信息。
Flutter三方库适配OpenHarmony【compass】罗盘 UI 项目完整实战
本文介绍了基于Flutter实现的Compass罗盘UI项目，该项目通过CustomPainter实现罗盘绘制功能，并保留了对OpenHarmony平台的适配支持。文章重点讲解了三个核心内容：1) 如何使用_heading和_direction变量表达罗盘状态；2) 如何利用Flutter的CustomPainter、Canvas等绘图API实现罗盘UI；3) 项目在OpenHarmony平台适配时的能力边界，目前仅实现UI模拟而未接入真实传感器。该项目适合作为学习Flutter自定义绘制和跨平台开发的案例
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
Codeforces Rund 977 div2 个人题解(A~E1)
Codeforces Rund 977 div2 个人题解(A,B,C1,C2,E1) Dashboard - Codeforces Round 977 (Div. 2, based on COMPFEST 16 - Final Round) - Codeforces 火车头 #define _CRT_SECURE_NO_WARNINGS 1 #include <algorithm> #include <array> #include <bitset> #include
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")
AIGC 应用工程师(5-10年)面试题与答案全解析（2026 前沿版）
AIGC 应用工程师面试题与答案全解析（2026 前沿版） 摘要 本文系统整理了 2026 年 AIGC 应用工程师岗位的核心面试内容，包含 19 大模块、68 道关键题目及 15+ 代码示例。内容覆盖： 岗位定位：强调工程落地能力（RAG、Agent、系统集成）与业务闭环思维 技术体系：从基础理论（Transformer、涌现能力）到前沿应用（MCP协议、多模态生成） 工程实践：包含推理优化、成本控制、安全合规等关键落地能力 评估体系：详细讲解 golden set 构建、LLM-as-judge 等评估
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
488
扫一扫
