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
827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
【已验证】基于STM32F407与AD9833的幅频特性测试装置设计与实现
本文详细介绍了基于STM32F407微控制器和AD9833 DDS芯片的低成本幅频特性测试装置设计与实现方法。通过扫频原理，该装置能自动生成正弦波信号，测量滤波器等电路的输出幅度变化，并在LCD屏幕或示波器上绘制幅频特性曲线。文章提供了从硬件选型、CubeMX工程配置、关键驱动代码编写到数据处理与可视化的完整教程，帮助电子爱好者与工程师快速搭建实用的滤波器测试工具。
一首诗，一个人
《定风波》 ——安君 花落人非难尽书，问君心事几何如。恐是关怀犹未了，多少，依稀记忆似当初。我有月华今夜满，温暖，余辉遥寄几行书。心若黄花皆瘦损，归隐，苟能相忘即江湖。 一个才女的大作，谢谢你的关心。 转载于:https://www.cnblogs.com/bandy/archive/2010/01/27/1657830.html...
基于ADS1299的8通道脑电采集系统硬件设计实战
生物电信号采集是医疗电子与可穿戴设备中的关键环节，微弱信号的高保真放大与数字化处理直接影响系统性能。高精度模数转换器与低噪声模拟前端设计成为工程实践的核心。ADS1299作为专用生物电测量芯片，集成多通道低噪声放大器与24位Δ-Σ ADC，广泛应用于脑电、心电等生理信号检测。本文基于ADS1299构建8通道脑电采集系统，详细阐述硬件架构、电源与参考设计、输入保护、PCB布局布线、固件SPI配置及数据读取，并结合实测数据分享噪声抑制与调试经验，为EEG采集设备开发提供完整参考。
无意翻到一首大一写的诗《一个人的战争》
题记：在一节《高等数学》课上，闲来无事，写在绿色的封面的另一面。 然后经常用它占座，某一天发现下面留了一行清秀的笔迹：”一个男人的战争“。 【kimmking的诗】一个人的战争 没有硝烟滚滚,没有喧腾只是残阳如血的黄昏秋千上的古老蔓藤就是所有的场景和佐证纠缠着你我曲折的爱情绿波上长长的倒影书写下战斗的气氛你的泪从风中传来血腥回忆里定格下你漠然的表情轻轻的你走了留下了沉重溢满了我的...
别再纠结Dify了！实测对比RAGFlow和Dify，聊聊企业知识库到底该怎么选
本文深度对比了RAGFlow和Dify在企业知识库选型中的实际表现，从技术架构、性能指标、部署成本等多维度进行分析。RAGFlow在复杂文档处理和准确率方面表现突出，适合有专职技术团队的企业；而Dify则以低门槛和快速部署见长。文章提供了六维度评估法，帮助企业根据文档复杂度、准确率要求等技术指标做出明智选择。
使用PyTorch设计卷积神经网络（CNN）来处理遥感图像Indian Pines数据集
使用PyTorch设计卷积神经网络（CNN）来处理遥感图像Indian Pines数据集
写首小诗表达我的孤独，独自一个人熬着那些只属于我一个人的夜
火光在飘散，散落在我的心间。 火花在跳动，跳动着蹦进我的心！ 你把冷漠披在身上，独留我一人盘旋。 我渐渐堕入火中，你却无动于衷。 刹那间，我在火中跳舞，渐渐离开了你。 我看不透这个月亮，也看不透内心的孤独。
Canoe CAPL TCP通信避坑指南：从OnTcpConnect回调不触发到Socket句柄管理
本文详细解析了Canoe CAPL中TCP通信的常见问题与解决方案，包括OnTcpConnect回调不触发的三大原因、Socket句柄管理的内存泄漏风险、数据发送截断规则等。通过实战案例和代码示例，帮助开发者规避TCP通信中的典型陷阱，提升车载网络测试的稳定性和可靠性。
大厂h5开源视频系列 - 搜狗:每一个人都是一句诗
前言 大厂h5开源视频系列 是一个专题，在这个专题中我们会解析一些酷酷的线上h5,在每一个细节，每一个细腻的过渡背后都能看到前端工程师付出的心血，本篇带来的是
自动换挡频率计的设计精髓：如何用数字电路优雅地解决量程切换难题
本文深入解析了自动换挡频率计的设计精髓，重点探讨如何利用数字电路优雅解决量程切换难题。通过74系列通用数字集成电路构建智能化的自动量程切换系统，详细介绍了状态检测、决策逻辑和档位执行等核心模块的设计方法，并对比了不同实现方案的优劣，为电子测量领域的工程师提供了实用的硬件设计参考。
Python爬虫实战：公共资源交易平台招标数据采集实战 - 从零构建企业情报系统（附CSV导出 + SQLite持久化存储）！
我长期专注 Python 爬虫工程化实战，主理专栏 👉 《Python爬虫实战》：从采集策略到反爬对抗，从数据清洗到分布式调度，持续输出可复用的方法论与可落地案例。内容主打一个“能跑、能用、能扩展”，让数据价值真正做到——抓得到、洗得净、用得上。
爱情的诗·1～5节
1.一梦千年 从今天起，我将写下一百首诗谣来祭奠你我的爱情，怀念你我的相遇，追忆你我的分分秒秒。 每一首诗谣都将泛着文墨的书香去追寻你昨夜的嫣然一笑，而我只是一个一心想回到你怀抱的小小孩童。 每一首诗谣都将带着晚夜星光去追寻你夜梦中的璀璨容颜，而我只是一个一心想拥你入怀的痴痴少年。 每一首诗谣都将带着春日的明媚，夏日的热烈...
【目标检测】IoU（交并比）详解及代码实现
1. IOU概述 IoU的全称为交并比（Intersection over Union），是目标检测中使用的一个概念，IoU计算的是“预测的边框”和“真实的边框”的交叠率-，即它们的交集和并集的比值。最理想情况是完全重叠，即比值为1。 2. IoU计算 IoU等于“预测的边框”和“真实的边框”之间交集和并集的比值。IoU计算如下图，B1为真实
写一首名为《牧星人》的诗
好的，这是一首名为《牧星人》的诗: 牧星人，足迹清晰， 山岗上的守护者。 他与星星相知相识， 把他们牵手长眠。 他有着明亮的眼睛， 把晚上的黑暗照亮。 他用他的歌声唤醒， 星星闪烁的光辉。 牧星人，他拥有力量， 以抚慰山间的动物。 他走过每一个小路， 引领着他们走向明天。 他是大自然的眷顾， 把山岗上的美景照耀。 他是每一颗星星的守护， 让它们永远绽放光辉。 ...
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
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")
最爱看的一首诗
未曾选择的路(罗伯特•弗罗斯特) 森林叶黄，林中岔路各奔一方。 我一人独行，无限惆怅， 不能把两条路同时造访。 良久伫立，我朝第一条眺望， 路转处唯见林森草长。 我再把另一条探望， 一样美丽，一样坦荡， 但或许更令人向往。 虽然两行路都曾有人过往， 但这条芳草萋萋，更少人踏荒。 那天早晨的落叶扑满
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
组合诗
看过这首诗的两个翻译版本，觉得都不错，我将其组合起来后发现更不错： 装饰一行诗， 并不是我的梦； 只有在瓦尔登湖滨， 才与上帝和天堂最近。 我是多石的湖滨， 微风在湖面吹拂； 而我的手心捧着 它的水，它的沙， 而它最深的水底行宫， 就躺在我的心中。 这不是我的梦， 用于装饰一行诗； 我不能更接近上帝和天堂 甚于我之
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
转一首诗
【面朝大海, 春暖花开】 <br />-海子 <br /><br />从明天起, 做一个幸福的人 <br />喂马, 劈柴, 周游世界 <br />从明天起, 关心粮食和蔬菜 <br />我有一所房子, 面朝大海, 春暖花开 <br /><br />从明天起, 和每一个亲人通信 <br />告诉他们我的幸福 <br />那幸福的闪电告诉我的 <br />我将告诉每一个人 <br />给每一条河每一座山取一个温暖的名字 <br /><br />陌生人, 我也为你祝福 <br />愿你有一个灿烂的前程 <br
赵老师的诗
2019独角兽企业重金招聘Python工程师标准>>> ...
一座城，一个人
繁华的城市， 喧闹的街头， 只有我一个人， 一切都变得很冷。 炫目的霓虹， 多彩的商店， 只有我一个人， 一切都变得失真。 年轻的我们， 以为放弃一个人， 就可以得到一座城， 却不知道寂寞的残忍。 年轻的我们， 虽然放弃一个人， 却没有得到一座城， 只体会了心灵的陌生。 为爱放弃一座城， 只因为我不想再一个人， 来到你的身边，
《越人歌》-诗经
这是《诗经》里面的一首《越人歌》， 今夕何夕兮 藆洲中流 今日何日兮 得与王子同舟…… 蒙羞被好兮 不誓诟耻 心几烦而不绝兮 得知王子 山有木兮木有枝 心悦君兮君不知…… 最早的译诗 汉代刘向编纂的《说苑》记载有这样一个历史故事： 楚国的襄成君刚受爵位的那天，穿着华丽的衣裳，被随从们簇拥着来到河边。楚大夫庄辛刚好路过，他拜见完襄成君站起来，想和襄成君握一...
【SPFA】桐人的约会
桐人的约会 题目大意： 删掉一条边，让一个图中的最短路最长
野白仿古诗一首
二零零七年正月初十晚七时,余将赴网.忽电闪雷鸣,俄顷大雨倾盆,不得出.惆怅间,好友刘屎李(野)白前来避雨,三人欲行乐,奈何三差一.遂寻梦,与周公乐。 君不见苍天之泪倾盆下,千流齐泻落九天. 君不闻雷庭之吼震彻地,山崩地裂水倒流. 人生不爽十八九,岂能万事皆坐大? 天生我材必有用,麻雨蝇吟奈我何? 裹衣扯被且来睡,入梦周公来相会. 刘睡神、李睡仙、把觉睡、梦寞停.
桐人的约会
桐人的约会 题目 这是一个风和日丽的日子，桐人和诗乃在约会。他们所在的城市共有N个街区，和M条道路，每条道路连接两个不同的街区，并且通过一条道路需要花费一些时间。他们现在处于N号街区，正在享受幸福时光的桐人完全忘记了他的手机被亚丝娜安装了监控装置的事情，此时亚丝娜已经得知了桐人的位置以及他正在和一个妹子约会的事实，十分愤怒，于是从她所在的1号街区火速赶往N号街区。现在这个城市中有一条道路正在维修，...
【SPFA】【图论】桐人的约会
一道SPFA题，需要变形
生活不止眼前的苟且，还有诗和远方---面朝大海，春暖花开
【原诗】 面朝大海，春暖花开 【网络英译版】 Facing the sea with spring blossoms 作者：海子 By Haizi 从明天起，做一个幸福的人 From tomorrow on, I will be a happy man; 喂马，劈柴，周游世界 Grooming, chopping, and trav...
做一个豁达的人
做一个豁达的人 王黎光 网址：http://blog.sina.com.cn/s/blog_4fe27e800100bh7s.html~type=v5_one&label=rela_prevarticle 人生像一首诗，有甜美的浪漫也有严酷的现实；人生像一支歌，有高亢的欢愉也有低旋的沉郁；人生像五彩绚丽的舞台，有众星拱月的主角也有默默无闻的配角。面对世事沉浮想要
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
120
扫一扫
