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
1.1k累计阅读
1.1k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
期待已久的事情终于发生了，如果是事实的话，飞鸽传书将集成网络电话功能，因为终于有网络电话供应商开放源码了。世界著名VoIP通信软件Skype决定开源了！
事情的起因源自一名法国的Skype用户，最新版飞鸽传书下载他在给Skype发送的一封邮件中表示，希望有朝一日可以使用Mandriva(Linux发行版)版本的Skype。随后Skype客户支持人员与其进行了沟通，并给予这样的答复：我们很高兴的告诉你，Skype即将开源，很快会遵循开源协议发布Linux客户端，只需要你耐心的等待一些日子。
开源版本的出现可能会影响到Linux下Skype客户端的发展，官方人员表示，开源版本会以特定版的形式进行发布飞鸽传书FreeEIM买还是不买？。
Skype软件本身是免费的，血气方刚的飞鸽传书不过开源版对很多热爱技术的用户来说也是个更好的飞鸽传书消息，但随之即来令人担忧的便是其安全性方面的考验，毕竟对用户来说账户相关资源才是最关键的。为什么飞鸽得以传书目前，官方还未透露开源版具体发布日期。
Skype的开源替代品ProjectTox.zip
Tox 是一款集文字聊天、语音通话及视频电话于一身的即时通信软件， 其特色是通过采用加密算法来保护用户的隐私，从而有效避免来自政府的网 络监视。 作为 Skype 的开源替代品，Tox 支持 Linux、Mac OS X、Windows 等平台。 介绍内容来自 LinuxToy 标签：ProjectTox
skype_Skype的7种开源替代品
skype 这是一个在家工作的远程设备，数字Nomad民和全球办公空间的时代。 这是唯一可行的方法，因为我们所有人都可以通过一些惊人的技术保持联系。 如果您已经工作了十多年，那么您可能还记得进行音频和视频会议的高昂成本和复杂性。 电话会议是通过第三方供应商安排的，而视频会议需要在每个端点都配备昂贵设备的专用会议室。 随着网络摄像头成为主流计算机设备以及Skype和相关服务进入市场，一切都在2...
基于迁移学习的花卉识别系统
本研究采用了预训练的经典深度学习模型，包括ResNet、AlexNet和VGG，通过微调的方式在Oxford-102数据集和一个自制花卉数据集上进行训练，并对图像进行了多种数据增强操作，以提高模型的泛化能力，致力于实现花卉的高效分类。
推荐开源项目：Skype4Pidgin - 一款集成Skype功能的Pidgin插件
推荐开源项目：Skype4Pidgin - 一款集成Skype功能的Pidgin插件 项目简介 Skype4Pidgin 是一个由Eion Robb开发的开源项目，它将流行的即时通讯软件 Skype 的功能无缝集成到了 Pidgin 中。Pidgin是一款跨平台、多协议的即时通讯客户端，支持多种网络协议如 AIM, ICQ, Google Talk, Jabber, MSN, Yahoo, 等等。...
YOLOv11多模态融合实战：基于YOLOFuse的RGB与红外线(IR)协同检测技术解析
本文深入解析了YOLOv11多模态融合技术，重点介绍基于YOLOFuse框架的RGB与红外线(IR)协同检测方法。通过动态权重分配、跨模态特征对齐等创新设计，实现在低光照等复杂环境下的高精度目标检测，mAP提升高达37%。文章包含实战案例、训练技巧和部署方案，为计算机视觉开发者提供完整的多模态融合解决方案。
避坑指南：vue-print-nb打印隐藏元素与空白页的那些事儿
本文深入解析了使用vue-print-nb插件时，打印出现空白页及隐藏元素问题的根本原因与解决方案。核心在于理解浏览器打印原理，并通过CSS媒体查询精准控制样式。文章提供了从重置根元素高度、处理隐藏元素到控制分页的完整避坑指南，帮助开发者彻底解决打印样式难题。
倾听用户呼吁 Skype决定开源
http://news.youkuaiyun.com/a/20091104/214508.html 倾听用户呼吁 Skype决定开源2009-11-04 09:03 | 2607次阅读 | 来源：驱动之家 【已有10条评论】 发表评论关键词： | 感谢ydj9931的提供 | 收藏这篇新闻世界著名VoIP通信软件Skype决定开源了！事情的起因源自一
第四章、Isaacsim在GUI中构建机器人（3）：添加摄像头和传感器
本节。
GNU Call 开源的Skype替代项目
3月21日，来自国外媒体的报道，为了创建替代Skype的开源软件，GNU Project 宣布计划GNU Call，该项目希望提供安全的在线呼叫给所有的用户，与流行的Skype VoIP服务竞争。GNU 项目，提供了一系列的自由软件，包括流行的Linux发行版。GNU Call项目，与Skype的主要不同点在于，它将使用P2P(点对点)SIP协议，所以该协议并不会依赖单个服务提供者。该组织希望创造...
第5.1节 构网控制：电压源特性与电压调节
摘要： 构网型变流器的核心物理本质是作为可控交流电压源，通过戴维南等效模型（受控电势源+低输出阻抗）自主建立并调节电压，增强电网电压刚度。其电压调节通过无功-电压闭环控制实现，内环为自动电压调节器（AVR），外环为无功-电压下垂特性，模拟同步发电机功能。关键技术包括自适应增益、虚拟阻抗补偿及动态限流策略，以应对弱电网稳定性、故障过流等问题。该设计满足《规范》对电压调节范围、动态无功支撑的要求，是高比例新能源电力系统电压稳定的关键解决方案。
【OpenClaw从入门到精通】第45篇：Skill供应链安全——如何识别并避开恶意技能插件？（2026实测版）
随着OpenClaw生态爆发式增长，全球Skills总量近75万个，日均新增2.1万个，但恶意/问题插件已超600个，数十万用户受影响。本文基于奇安信威胁报告及360安全实践，拆解恶意技能的五大核心特征，提出"安装前三步法"安全审查流程，详解安全技能来源白名单与定期审计方案，并深度解析360龙虾Skill安全超市的分级认证机制。读者可掌握从技能筛选、安装审查到术后审计的全流程安全防护手段，通过实操命令与案例演示，零成本构建Skill供应链安全防线，避免遭遇私钥窃取、资产损失等安全事件。
理解 Linux 动态库加载：LD_LIBRARY_PATH
flyfish
54、生物神经网络建模全解析
本文系统解析了生物神经网络的建模方法，涵盖从单个神经元到神经网络的多个时空尺度。首先介绍神经元层面的生物物理模型（如霍奇金-赫胥黎模型和多隔室模型）与多种简化模型（如菲茨休-纳古莫、莫里斯-勒卡尔、积分发放模型等），并分析其适用场景。随后探讨突触层面的信号传递机制，对比电突触与化学突触在结构、传输速度和方向上的差异，阐述其在神经网络建模中的理论意义。文章旨在为理解神经系统的信息处理机制、构建受生物启发的人工智能模型提供理论基础。
Linux-iostat命令详解
Linux命令学习记录
36、T5L 迪文屏C51开发之绘制动态曲线
T5L 迪文屏C51开发之绘制动态曲线1、介绍2、例程功能简介3、GUI界面设计3、C51程序设计 1、介绍 本文将利用DGUS Tool软件中的【动态曲线控件】来绘制曲线效果，在T5L迪文屏中总共支持8个通道的曲线，而曲线数据是需要缓冲区的，如果 8 通道曲线同时使用，0x1000-0x4FFF 将作为曲线缓冲区地址，此时该部分变量地址不能被其他控键使用，其他控键地址使用范围为0x5000-0xFFFF，当某曲线通道不被使用时，那么其所对应的缓冲区地址可以做其他用途，曲线通道具体的地址分布如下图所示：
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。
【Linux】APT 本地 deb 安装与 `-f` 参数总结笔记
apt install ./xx.deb 可自动解析并安装依赖，无需 -f；-f 仅用于修复已损坏的依赖状态，非首次安装时必需。apt install -f 可单独运行，修复 broken dependencies。两者职责不同：前者是安装与依赖解决，后者是故障修复。完全离线时需提前准备依赖包或本地源。
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/
Linux 服务器性能排查手册（2026）：CPU、内存、磁盘IO、网络四大瓶颈定位
iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级，避坑改了防火墙把自己挡在服务器外面的翻车事故。
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")
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
Linux rm 误删文件恢复实操教程
Linux使用rm删除文件时，并不会直接抹除磁盘上的数据，只是移除文件索引，让系统不再识别这块空间。只要没有写入新数据，原有扇区内容就会保留。新文件写入才有可能覆盖这些区域，一旦覆盖就很难找回。恢复的本质就是扫描磁盘，找到这些还存在、但索引丢失的数据条目，再把它们导出保存到其他分区。越早停止写入，恢复成功的概率越高。
Linux sudo
如果输出 → 无 sudo 权限 如果输出 → 拥有全部 sudo 权限 辅助验证命令 ⚠️ 注意：在 wheel 组 ≠ 一定能 sudo，必须 开启 Ubuntu/Debian： ✅ 重要：修改组之后，用户要重新登录才生效！ 或者执行 临时生效 看到这行（没有 #注释）才生效： 方式 2：visudo 直接单独给用户授权（精细化权限） 找到 ，下面添加一行： 自带语法校验，写错会告警，不要直接 vim 改 ，写错直接 sudo 炸掉！ 想免密 su
Windows/Linux下强实时运动控制内核(二)：基于Qt的Delta机械手的开发应用
强实时运动控制内核MotionRT750下Qt开发Delta机械手的完整开发流程。
Linux epoll 一篇讲透：从 select/poll 到红黑树、LT/ET，再到完整 TCP 服务器
一万个客户端已经连上服务器，眼下只有十个客户端发来了数据。服务器怎样把时间花在这十个连接上？理解这个问题，就抓住了 epoll 的主线。接下来，我们沿着“为什么需要它 → 接口怎么用 → 内核如何实现 → LT/ET 怎么写 → 完整服务器怎么运行”的顺序，把知识连起来。**阅读基础：**了解socketbindlistenaccept的基本用途即可。本文示例面向 Linux，服务器使用 C++17，实验脚本使用 Python 3。
Linux、Shell、MySQL 测试卷逐题细讲（下篇：MySQL）
本文为Linux、Shell、MySQL测试卷下半段MySQL部分逐题讲解，包含填空、选择与SQL分析三类题型。填空题覆盖COUNT、HAVING、DISTINCT、事务、约束、索引等核心语法；选择题辨析存储过程、索引类型、ACID、存储引擎、用户管理等考点。SQL大题围绕员工、部门、职位、地点四张关联表，考察多表连接、分组聚合、自连接、相关子查询、NULL处理等高频写法，标注LEFT JOIN统计计数、NULL判断、子查询别名等易错坑点，同时梳理试卷OCR识别带来的干扰问题，重点提示SQL实操中的常见失误
Linux 网络基础详解：IP、子网、路由与 ip、ss 命令实战
建库建表、增删改查、连接查询（内连左连右连）、聚合函数、权限控制 GRANT/REVOKE，每条命令配可运行示例，零基础也能跟着敲会 SQL 基础。
深入浅出聊聊 Linux 的 PageCache 与系统极致性能
本文深入浅出解析了 Linux PageCache 的核心机制，揭示其如何通过“延迟写、预读读”提升系统性能。以监控告警为切入点，阐明 free -h 中 buff/cache 并非真正占用，真正可用内存由 available 决定。结合 Kafka、Elasticsearch、MySQL 等实战场景，说明中间件如何依赖 PageCache 实现极致性能。强调不可手动清理缓存，并建议合理调优脏页参数，避免卡顿。最终指出：内存满≠危机，而是系统高效运行的体现。
Linux 下 OpenCode 接入自定义大模型 API 教程：以 DeepSeek-V4.1-Flash-1017 为例
本文介绍在Linux下通过Python脚本配置OpenCode接入自定义大模型API（以DeepSeek-V4.1-Flash-1017为例），实现永久化、非侵入式配置。通过修改~/.config/opencode/opencode.json文件，添加OpenAI兼容服务商BLSC，注册模型并设置APIKey。支持命令行测试、默认模型设定及安全权限控制，操作简单且不影响原有配置。适用于各类支持OpenAI接口的自定义模型服务，提升开发灵活性与安全性。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2756
扫一扫
