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
200+累计阅读
270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
1、LearningOpenGL翻译：https://learnopengl-cn.github.io/intro/
2、ABB机器人PCSDK在线文档（使用谷歌翻译配合着读贼快乐）：https://developercenter.robotstudio.com/pc-sdk
3、火萤动态桌面：https://blog.youkuaiyun.com/yang958554999/article/details/89743356
4、开源代码搜索平台：https://searchcode.com/
5、Latex在线快速编辑网站：www.latexlive.com
眼底相机杂散光抑制实战：柯勒照明与黑点板应用，鬼像能量降低至0.1%以下
本文详细介绍了眼底相机杂散光抑制的实战方案，通过柯勒照明系统优化与黑点板协同设计，成功将鬼像能量降低至0.1%以下。文章从工程溯源、柯勒照明精密调校、黑点板抗鬼像工程到系统集成验证，提供了一套完整的解决方案，显著提升了眼底相机的成像质量和诊断精度。
1-Aza-12-crown 4-Ether，功能化1-氮杂-12-冠4-醚，试剂4,10-二氮杂-12-冠4-醚
1-氮杂-12-冠4-醚是一种有机化合物，其分子式为C12H25N(CH2CH2O)4，它是一种常见的冠醚化合物。此外，4,10-二氮杂-12-冠4-醚还具有良好的络合性能。4,10-二氮杂-12-冠4-醚具有良好的配位能力。1-Aza-12-crown 4-Ether，功能化1-氮杂-12-冠4-醚，试剂4,10-二氮杂-12-冠4-醚。1-氮杂-12-冠4-醚是一种具有重要应用价值的化合物。4,10-二氮杂-12-冠4-醚是一种。中文名称：1-氮杂-12-冠4-醚。4,10-二氮杂-12-冠4-醚。
【线段树】P10381 「HOI R1」杂赛选比|普及+
## 题目背景 你说得对，但是小 $\iiint$ 在打 CF 时将 Earn or Unlock 错看成了下面的鬼畜样子，痛失 2h 遗憾离场，希望大家引以为戒。 ## 题目描述 给定一个长度为 $n$ 的数组 $a$，初始只有 $a_1$ 是已被解锁的。现在有一个整数 $i$，初始值为 $1$。现在小 $\iiint$ 在对这个数组进行一个游戏： - 如果 $a_i$ 未被解锁，游戏结束。 - 否则他可以将 $a_{i+1\sim i+a_i}$ 设置成已被解锁的，或是获得 $a_i$ 个金币（
ABAP - 变量杂例1
【代码】ABAP - 变量杂例1。
Python实战：5分钟搞定N-CMAPSS航空发动机数据集解析（附完整代码）
本文提供了一份针对N-CMAPSS航空发动机数据集的快速解析实战指南。通过Python的h5py库，详细演示了如何读取HDF5文件结构、理解数据分类（如传感器、健康参数、场景描述符）并加载为Pandas DataFrame。文章还澄清了数据集中常见的变量数量疑惑，并给出了从数据加载到构建剩余使用寿命预测模型预处理流水线的完整代码，帮助工程师和研究人员高效入门航空发动机预测性维护分析。
数据清洗（Data Cleansing）
数据清洗（Data Cleansing）是指对数据进行处理和纠错，以去除或修复数据集中存在的错误、不致、不完整和冗余的数据，从而使数据更加准确、可靠和有用。数据清洗是数据处理和数据分析中一个非常重要的步骤，它可以帮助我们提高数据的质量，从而提高数据分析和机器学习的准确性和可靠性。数据清洗是一个重要的过程，它可以帮助我们提高数据的质量，从而提高数据分析和机器学习的准确性和可靠性。在实际应用中，我们可以使用一些工具和技术来实现数据清洗，例如 Pandas、NumPy 和 OpenRefine 等。通过数据清洗，
tracepro杂散光分析例子_光学系统杂散光分析（1）
摘要：杂散光是光学系统中所有非正常传输光的总称，杂散光对光学系统性能的影响因系统不同而变化。因此，在现代光学设计中，杂散光分析成为光学设计工作中的一个重要环节。杂散光产生的原因比较复杂，讨论了漏光和透射面残余反射引起的杂散光，针对漏光杂散光给出了高密度取样的分析方法，对于残余反射的杂散光建立了带能量因子的光线光学模型和光线二叉树的数据结构，在保证计算精度的同时减少了计算时间。对一个卡塞格...
arcgis密度分析
密度分析 密度分析是指根据输入的要素数据集计算整个区域的数据集状况，从而产生一个连续的密度表面。通过计算密度，将每个采样点的值散布到整个研究区域，并获得输出栅格中每个像元的密度值。在 ArcGIS 中，分布密度的计算方法有点密度分析、线密度分析和核密度分析三种。 1.点密度分析 导入实验数据居民点图层和道路图层 在自定义里勾选空间分析模块Spatial Analyst 点击空间分析工具中密度分析内的点密度分析， 参数设置如下，其中输出像元大小表示输出栅格数据集的像元大小。值越小.
2,5-二氧杂吡咯烷-1-基3-(3-甲基-3H-二氮杂-3-基)丙酸酯
产品名称：2,5-二氧杂吡咯烷-1-基3-(3-甲基-3H-二氮杂-3-基)丙酸酯，NHS-双吖丙啶。(9H-氟人-9-基)甲基(3-溴丙基)氨基甲酸酯。6-(叔丁氧羰基-氨基)己酸 N-琥珀酰亚胺基酯。4-(4-马来酰亚胺基苯基)丁酸琥珀酰亚胺酯。英文名称：NHS-Diazirine。3-(Fmoc-氨基)-1-丙醇。N-(6-羟基己基)三氟乙酰胺。1,4-双(马来酰亚胺基)丁烷。化学式: C9H11N3O4。外观 白色至浅黄色粉末至晶体。储藏条件：冷藏-20℃。叠氮-三聚乙二醇-氨基。
HDMI协议介绍（二）--DataIsland Packets
前文简单介绍了HDMI传输的三个周期：控制周期、DataIsland周期和Video周期。DataIsland传输音频和辅助数据，这些数据以Packet的形式传输。本文简单介绍DataIsland Packet。
一文读懂资管系统里的“清算路径”：钱和券的“导航地图”
简单来说，清算路径就是给每一笔交易预设好的“导航路线”。钱从哪个银行账户出？通过哪家证券公司去买？用哪个股东账户去登记？买回来的股票记在谁的名下？“清算路径”就是把这一连串问题的答案提前配置好。它连接了银行托管户（钱的源头）、券商（交易的中介）和交易所（买卖的市场）。没有配好这条路，交易就无法闭环。清算路径是金融基础设施的缩影。资金如何安全地从银行流向市场；资产如何合法地归属到产品名下；交易数据如何在不同系统间流转。它是资管系统能够日复一日、准确无误地处理亿万级交易的基石。
灵感画廊入门必看：SDXL 1.0如何通过‘尘杂规避’精准过滤低质纹理与畸变
本文介绍了如何在星图GPU平台上自动化部署📜 灵感画廊 · Atelier of Light and Shadow镜像，基于SDXL 1.0实现高精度AI图像生成。该镜像通过‘尘杂规避’机制智能过滤低质纹理与结构畸变，典型应用于艺术创作中对质感、光影与人体结构的精细化控制，显著提升生成图像的专业性与表现力。
基于深度学习的人脸识别考勤管理系统，采用YOLOv11和Dlib算法实现人脸识别和考勤签到，前台人脸识别和签到系统 + 后台人脸和考勤管理系统，全网独发
基于深度学习的口罩人脸识别的考勤管理系统，采用YOLOv11和Dlib算法实现人脸识别和考勤签到，前台人脸识别和签到系统 + 后台人脸和考勤管理系统，全网独发
php好杂,php 杂1
接触php不久，闲来无事看看demo，把一些基础的东西记录在本文，以便到时候翻阅。1、项目默认首页设置在apache服务器的httpd.conf文件里设置DirectoryIndex xxx.php这样xxx.php就是默认首页了。具体操作：1、命令行输入 sudo vi /etc/apache2/httpd.conf2、查找 dir_module3、修改设置我们通常设置的首页文件名都是inde...
【知识分享】IBIS 建模指南 05
本文详细阐述了IBIS模型创建过程中的关键技术和数据规范要求。主要内容包括：1. 数据完整性检查要点，强调I-V和V-T数据必须覆盖所有工艺角且匹配；2. 数据限制处理方法，介绍100/1000点限制下的两种数据筛选算法；3. 特殊数据处理技术，包括内部终端电阻调整和V-T表时间窗口选择；4. 高级关键字应用，涵盖[ModelSelector]、[Sub model]、[DiffPin]等复杂功能实现方法；5. 预加重缓冲器等特殊结构的建模方案。
linux v3h平台开发系列详解（GMSL摄像头篇）：1.12 解串器MAX96712输出4 lane 变 2 lane的配置
本文详细介绍了在Linux v3h平台上，针对Max96712解串器进行MIPI 4lane到2lane配置。内容包括串行器解串器介绍、链路框架、硬件连接、以及软件寄存器如何配值和一些问题的解决方法。
灵感画廊实操手册：SDXL 1.0反向提示词‘尘杂规避’策略与案例库分享
本文介绍了如何在星图GPU平台自动化部署📜 灵感画廊 · Atelier of Light and Shadow镜像，实现AI绘画创作。该镜像内置SDXL 1.0模型，通过“尘杂规避”反向提示词策略，可有效排除图像中多余手指、面部扭曲等瑕疵，生成高质量人物肖像、风景画等视觉内容，提升创作效率与画面纯净度。
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")
冠醚分子-1-Aza-18-crown 6-Ether，1-氮杂-18-冠-6-醚，CAS：33941-15-0可用于分离提纯
在分离提纯方面，1-氮杂-18-冠-6-醚可以用于分离和提纯有机化合物。1-氮杂-18-冠-6-醚（1-Nitrogen-18-crown-6 ether）是一种冠醚分子，其分子结构中包含一个氮原子取代其中的一个醚环。在化学合成方面，1-氮杂-18-冠-6-醚可以作为金属离子催化剂，促进有机反应的进行。在催化反应方面，1-氮杂-18-冠-6-醚可以作为催化剂促进化学反应的进行。冠醚分子-1-Aza-18-crown 6-Ether，1-氮杂-18-冠-6-醚，CAS：33941-15-0可用于分离提纯。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
英语基础-杂句1
英语基础-杂句，以及对应的语法规则。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
【202307-1】整数边界杂散IBS
例如fref=100Mhz，fpll=2.001GHz，FCW=20.01，那么距离最近的Nfref为20fref=2GHz，那么PLL输出会在2GHz和2.002GHz处存在一阶IBS。IBS出现在fPFD整数倍处，且当接近它们时最强，如果可以改变fPFD，使得输出信号频率与整数边界具有较大频偏。fref-(N+1/2)*fref=(0.f-1/2)*fref (当0.f靠近0.5但仍>0.5时)fref=(1/2-0.f)*fref (当0.f靠近0.5但仍
Stable Diffusion XL 1.0新手教程：灵感画廊‘梦境描述’与‘尘杂规避’写法指南
本文介绍了如何在星图GPU平台上一键自动化部署'灵感画廊·Atelier of Light and Shadow'镜像，快速搭建AI绘画环境。该镜像基于Stable Diffusion XL 1.0，用户可通过编写'梦境描述'与'尘杂规避'提示词，高效生成高质量的艺术图像，适用于概念设计、插画创作等视觉内容生产场景。
杂1
1.大数据量统计 原始表--统计表 实时统计或者定时统计 2.oo思想，用OO思想去思考问题。 3.JDK5并发库 获取线程执行返回值 执行一批任务，哪些任务完成就返回 Lock && Condition && ReadWriteLock 4.注意wait的假唤醒,用while循环 5.Semaphore实现信号灯，对文件的共享 6.CyclicBarri
SQL杂练1
SQL杂练11、删除2、约束3、数据查询4、排序5、聚合函数6.模糊查询7.空值处理 1、删除 ①若想删除表中全部数据，建议使用truncate truncate特点： 1>truncate语句不能跟where条件（无法根据条件来删除，只能全部删除数据） 2> 同时自动编号恢复到初始值。 3>使用truncate删除表中所有数据要比delete效率高的多。 4> trunc...
灵感画廊实战手册：用‘尘杂规避’关键词组合有效抑制SDXL 1.0手部畸变
本文介绍了如何在星图GPU平台自动化部署📜 灵感画廊 · Atelier of Light and Shadow镜像，通过其“尘杂规避”关键词组合有效抑制SDXL 1.0模型的手部畸变问题。该方案能显著提升AI生成图像中手部的自然度和准确性，适用于人物肖像、动态手势等图片生成场景，提高创作质量。
【杂】1
磁盘坏了，折腾了两天，终于有惊无险，里面程序都在
CAS:887144-97-03，3-二甲基-1-(三氟甲基)-1,2-苯并碘氧杂戊环的反应机理等相关介绍
3,3-二甲基-1-(三氟甲基)-1,2-苯并碘氧杂戊环（Togni's Reagent）是一种重要的有机合成试剂，具有特定的物理和化学性质。1214741-14-6 (αS)-α-[[(1R)-1-[3,5-二(三氟甲基)苯基]乙氧基]甲基]-α-乙烯基苯甲胺单马来酸盐。54396-44-0 2-甲基-3-三氟甲基苯胺 2-Methyl-3-trifluoromethylaniline。86404-63-9 2'4'-二氟-2-[1-(1H-1,2,4-三唑基)]苯乙酮。分子量 330.086。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
349
扫一扫
