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
2.3k累计阅读
2.3k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
那个傻子的网站突然打不开了，直到下午3点左右，才能打开，黑客的攻击，逼得那个傻子换了服务器，大半天虚拟光驱没能打开网站，那个傻子很是担心排名会下降很多，但是让人欣慰的是，排名并没有太大变化，还在前五，只是快照比较旧了一些。现在那个傻子排名第三。一直低调的努力的做着外链。支持他。
以上对走与留做了个简单的虚拟光驱分析，走与留需要程序员自己做出判断，要从各方面多做分析，权衡利弊后再做出决定，把自己的强项和弱点都力举出来，无论跳还是留，都要发挥自己的强项，不要把自己的弱项暴露在别人面前，否则可能陷入跳槽的怪圈，而形成跳槽的习惯，不利于自己的职业发展。当对自己的取舍都已经做出决定的时候，走还是留已经不是问题了。
我们没有资金和人力物力和开发商去拼，虚拟光驱这个时候我们只有扎扎实实做好基本功，发展个人和小团队的优势，做精做细，增加站点本身的权重，做好百度收录，才能取得更好的发展。最厉害某个高手从职业程序员到目前什么东西er，在实际操作中是如何实现思维的转变? 某个高手程序员思维缜密，脑子里全是代码和数字，从技术员角度考察这些是他们的优势。
jlink驱动安装
jlink驱动下载安装及keil识别
电脑浏览器突然打不开某个网页，只有某个网页打不开，如打不开多吉搜索，百度等等，其他网页正常使用
打开 控制面板----网络和 Internet----网络连接，选择你上网用的那个连接， 右击，然后双击ipv4， 使用下面的DNS服务器地址，首选备用改为如下，确定然后再试试。 ...
ADS入门学习笔记——射频振荡器的设计
振荡器是射频系统中的基本部件之一，可以将直流功率转换为射频功率，在特定的频率点建立起稳定的正弦振荡，成为所需的射频信号源。
(转)守护进程原理分析以及linux下的daemon函数使用
以下讲的是守护进程的原理，linux下不用这么麻烦，但是看看还是有必要的。转自：http://www.cppblog.com/tx7do/articles/5963.html Linux守护进程的编程方法 守护进程（Daemon）是运行在后台的一种特殊进程。它独立于控制终端并且周期性地执行某种任 务或等待处理某些发生的事件。守护进程是一种很有用的进程。Linux的大多数服务器就是用守...
【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。
FlightStream实战：如何用面元法在笔记本电脑上完成无人机气动分析（附NASA案例）
本文详细介绍了如何利用FlightStream面元法在笔记本电脑上高效完成无人机气动分析，包括其核心技术优势、NASA D8案例实战解析及高效工作流建立。FlightStream作为快速CFD分析工具，显著提升了早期设计阶段的迭代速度，适用于概念设计验证和多气动构型比较。
桥
如何将98升级成XP?评论(0)发表时间： [%repeat_0 match="/data/option"%] [%=@title%] [%=@count%]票 [[%=@percent%]％] [%_repeat_0%] 1.如果你网速够快的话是可以在网上下载一个XP的镜像，这里有...
【QGIS】软件下载安装及GIS4WRF插件使用
【QGIS】软件下载安装及GIS4WRF插件使用
0.4 文件与文件夹：数据是怎么存放的，一篇讲清目录树
电脑里几万个文件怎么归类？本文讲清文件是有名字的数据单位、文件夹（目录）是可层层嵌套的收纳容器，二者共同构成目录树，最顶层是根目录；建立字节/KB/MB/GB 的大小直觉，介绍 Linux 一切皆文件的设计；用一张表讲清复制、移动、重命名、删除的区别，以及 Delete 进回收站、Shift+Delete 永久删除的差异；最后从安全视角讲文件上传（伪装脚本上传即 WebShell）与路径穿越（ZipSlip 把文件写到敏感位置），提醒凡是文件读写都要警惕路径被操纵。
倾斜摄影与地面激光点云融合高精度建模研究
本文研究了倾斜摄影与地面激光点云融合精细化建模技术，并通过相应的源代码实现了建模过程。该方法将倾斜摄影和激光扫描相结合，能够获得高精度的三维建模结果，为相关领域的研究和应用提供了有力支持。近年来，倾斜摄影和激光扫描技术的快速发展为高精度三维建模提供了新的机遇和挑战。本文针对倾斜摄影与地面激光点云融合建模这一前沿领域展开研究，旨在通过相应的源代码实现精细化的建模过程。同时，使用激光扫描仪进行地面激光扫描，获取地面的点云数据。经过数据融合和精细化建模处理后，我们获得了高精度的三维建模结果。
【C++/嵌入式梳理】bootloader
【C++/嵌入式笔试面试八股】bootloader
LangGraph 本地 build 频频翻车，最终在服务器跑通流式对话
先说结论:我本地那个,一次都没成功过。三次,三次,全挂在拉镜像上。而顺得像刚上过油。这就很像我高中那辆自行车:骑着能走,一上锁就坏。那天晚上我盯着终端里那行红字看了很久,想的不是技术方案,想的是——为什么同一个工具,可以一边让我觉得自己很行,一边让我觉得自己不太行。
图神经网络实战——利用节点回归预测网络流量
在机器学习中，回归指的是对连续值的预测。通常与分类形成鲜明对比，分类的目标是找到正确的类别(即离散值，而非连续值)。在图数据中，分类和回归分别对应于节点分类和节点回归。在本节中，我们将尝试预测每个节点的连续值，而非分类变量。
VSCode_RemoteSSH_一直卡在下载服务器_解决教程
解决VSCode远程一直卡在下载服务器
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
自建 Git 服务器和裸仓库差在哪：要能提合并请求
在一台 Linux 上 git init --bare 就能自建 Git 服务器，但它只能推拉代码，没有网页、合并请求、评审和按仓库分配的权限。对照裸仓库和 AngusGit 各自能做什么，再走一遍在 AngusGit 上发起合并请求的最短路径，以及已有裸仓库怎么完整搬过来。
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")
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。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
宝塔装在服务器上，极目装在本机，差别到底在哪
宝塔 极目 装服务器 装本机 区别，不是比谁好用，是比"软件落在谁的账上"。宝塔的端口、资源、维护都记在服务器；极目这些都落在你电脑，服务器保持和纯 SSH 管理一样的干净。想保护服务器资源和安全面，选装本机的方案；想浏览器点就完事，装服务器的面板也行。
推理服务器的调度器：连续批处理与请求生命周期
推理服务器的性能上限不取决于模型，取决于调度器——同样的模型，换一个调度策略，吞吐可以差三倍。传统深度学习服务的静态批处理在 LLM 场景下完全失灵：请求的输出长度不可预知，短请求被长请求拖着浪费算力。这篇文章实现 LLM 时代的标准答案——连续批处理（continuous batching），并管理一个请求从到达到完成的完整生命周期。
Nginx代理服务器从入门到实战：静态部署、反向代理与负载均衡全解析
本文系统讲解Nginx代理服务器：涵盖核心概念、安装启动、配置结构，静态部署与虚拟主机，正向/反向代理原理与实战，以及五种负载均衡策略，适合后端开发与运维入门学习。
把电脑变成一台“假“GNSS 设备 —— 一个蓝牙 SPP 服务器从零到联调
本文介绍如何用Qt6实现一个蓝牙SPP服务器（H11BtServer），将电脑模拟为一台可被发现的GNSS设备。该服务器支持经典蓝牙SPP协议，注册SDP服务并监听连接，响应AT命令（如AT+DEVINFO），每秒主动推送带正确校验和的NMEA帧（$GNPOS/$GGA等），数据基于时间驱动正弦与随机扰动，实现位置、精度等参数动态变化。通过解析行式协议、计算校验和、严格对齐字段顺序，可在无真实硬件情况下联调RTK客户端（如rtklib SDK或手机App），完整验证数据链路。代码结构清晰，参数集中配置，易于
高性能图形服务器搭配云飞云共享云桌面的方案
非标自动化、智能装备、工程机械等行业研发，大量使用 SolidWorks 开展大装配建模、干涉检查、运动仿真与工程图输出。传统一人一台图形工作站的模式，硬件资源独占，设计师不跑大模型时 CPU、GPU 长期闲置，算力利用率偏低；图纸分散存放在工程师本地电脑，项目迭代衍生大量版本文件，文件互传、版本对齐耗费大量时间。同时每台工作站单独安装 SolidWorks 与各类插件，版本很难统一，图纸导出、外发管控难度大，存在核心资料泄露风险，多台工作站分散运维，IT 维护工作量高。
企业级物理服务器的备份策略
备份策略
银河麒麟高级服务器操作系统日志采集标准处理流程
本文档提供银河麒麟高级服务器操作系统标准化日志采集流程，便于统一技术支持标准、缩短问题定位周期，且确保采集的信息完整、准确、可直接用于根因分析。本文档适用于技术支持工程师及具备操作系统操作权限的技术人员，覆盖银河麒麟高级服务器操作系统，适用阶段为服务器故障排查、问题复现、根因分析阶段的日志采集工作。执行1次，快速定位负载类型# 系统整体负载与CPU占用# 内存与虚拟内存状态# 进程维度信息（按CPU/内存排序）# 异常进程排查。
不装宝塔，怎么一个服务器放多个网站
不用装宝塔 多个网站 反向代理，核心是一个 Nginx 按把不同域名引到不同目录或后台端口。面板、客户端、命令行做的都是同一份配置，差别只在你用什么写。记住域名解析到这台机、改完nginx -t再 reload、同机多站要盯资源，这三件比工具要紧。
CFCA推出首款抗量子密码产品：签名验签服务器SVS-PQC
SVS-PQC在标准签名验签服务器基础上，实现抗量子算法能力的集成，具备抗量子算法数字证书全生命周期管理功能和灵活的数字证书绑定机制。SVS-PQC产品是CFCA运用抗量子密码领域技术累积进行产品化输出的首款成果，覆盖主流业务场景的安全强度需求，标志着CFCA在抗量子密码产业化方面迈出坚实的一步。后续，CFCA将陆续推出PKI体系抗量子算法系列产品，构建完整的抗量子替代解决方案，助力客户完成平滑切换，让密码技术、产品和服务成为能够持续承载数字信任的坚实底座。
在 Linux 服务器上用 Docker 从零部署 Nexent：从环境准备到首次登录验证
本文解决：拿到一台干净的 Linux 云服务器，如何用 Docker 把开源智能体平台 Nexent 完整部署起来，并确认它真的能用——包括容器状态检查、浏览器访问、超级管理员首次登录、租户初始化以及进入主工作区。全文命令均基于 Nexent 官方 AtomGit 仓库（）当前版本实测整理，照着做即可，不依赖任何图形界面。文中也会把我实际踩中的两个高概率坑（）连同排查过程一起写清楚。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3万+
扫一扫
