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
7.8k累计阅读
7.9k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
AWVS安装与使用教程
Acunetix Web Vulnerability Scanner（简称AWVS）是一款知名的自动化网络漏洞扫描工具，它通过网络爬虫测试你的网站安全，检测流行安全漏洞。它可以扫描任何可通过Web浏览器访问的和遵循HTTP/HTTPS规则的Web站点和Web应用程序。适用于任何中小型和大型企业的内联网、外延网和面向客户、雇员、厂商和其它人员的Web网站。WVS可以通过检查SQL注入攻击漏洞、XSS跨站脚本攻击漏洞等漏洞来审核Web应用程序的安全性。
好比你有一个衣橱，里面塞满了各种衬衫，你会怎么整理这些衬衫，好让你以后找衬衫的时候容易些 - Google 谷歌 百
好比你有一个衣橱，里面塞满了各种衬衫，你会怎么整理这些衬衫，好让你以后找衬衫的时候容易些 - Google 谷歌 百
论文阅读笔记---Deep HDR Video from Sequences with Alternating Exposures
Kalantari N K, Ramamoorthi R. Deep HDR Video from Sequences with Alternating Exposures[C]//Computer Graphics Forum. 2019, 38(2): 193-205. 摘要: 在本文中，提出了一种基于学习的方法来，我们使用两个顺序卷积神经网络（CNN）对整个HDR视频重建过程进...
前端面试题总结(Node.Js部分)
九、移动 APP开发…172 1、移动端最小触控区域是多大？…172 十、NodeJs…172 1、对 Node 的优点和缺点提出了自己的看法：… 172 2、需求：实现一个页面操作不会整页刷新的网站，并且能在浏览器前进、后退时正确 响应。给出你的技术实现方案？…172 3、Node.js 的适用场景？…173 4、(如果会用 node)知道 route, middleware, cluster, nodemon, pm2, server-side rendering 么?..173 5、解释一下Backb
ThinkBook 16 2024 Ubuntu驱动全攻略：从无线网卡到触控板
本文详细介绍了ThinkBook 16 2024在Ubuntu系统下的驱动问题解决方案，涵盖无线网卡、蓝牙、显卡和触控板等关键硬件的驱动修复步骤。通过具体命令和配置指南，帮助用户快速解决兼容性问题，提升Ubuntu在ThinkBook上的使用体验。
MFC+Modbus-Tcp协议实现温湿度传感器采集
本文简单介绍MFC使用-Tcp通信实现系列MODBUSTCP型温湿度传感器采集数据。
前端面试宝典超
一、HTML和CSS 1、你做的页面在哪些流览器测试过？这些浏览器的内核分别是什么? IE: trident内核 Firefox：gecko内核 Safari:webkit内核 Opera:以前是presto内核，Opera现已改用Google Chrome的Blink内核 Chrome:Blink(基于webkit，Google与Opera Software共
雪莉果的Axure原型工厂vol.006 中继器应用（二）——多选穿梭框
如果你用axure有一段时间了，那么你很快就能琢磨出一个大体设计流程，比如加一个中间过度的元件，来储存需要穿梭的内容；但是如果你再想一想，就会发现，这样做，似乎只能解决单选，那么多选需要怎么操作呢？ 这时候，中继器就会告诉你，我还能做的更多。
String s = a+b+c+d+e;创建了几个对象的详细分析?
最近看到许多类似的帖子，大致意思如下：问题1： String s = "a" + "b" + "c" + "d" + "e"; 问此语句共创建了几个对象， 答案是 就创建了一个 String s = "a" + "b" + "c" + "d" + "e"; 赋值符号右边的"a"、"b"、"c"、"d"、"e"都是常量 对于常量，编译时就直接存储它们的字面值而不是它们的引用
分子动力学模拟学习1-采用AmberTools21的MCPB.py构建金属蛋白的top文件
分子动力学模拟学习1-采用AmberTools21的MCPB.py构建金属蛋白的top文件
姿态传感器/陀螺仪之LSM6DS3TR-C应用原理图设计
LSM6DS3TR-C是一款由意法半导体（STMicroelectronics）推出的高性能、低功耗的惯性测量单元（IMU），集成了3轴加速度计和3轴陀螺仪，用于测量加速度、角速度以及设备的姿态和运动。
在一个重男轻女的国家里，每个家庭都想生男孩，如果他们生的孩子是女孩，就再生一个，直到生下的是男孩为止。这样的国家，男女比例会是多少？ - Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题,
原文地址：http://www.java2000.net/p11054在一个重男轻女的国家里，每个家庭都想生男孩，如果他们生的孩子是女孩，就再生一个，直到生下的是男孩为止。这样的国家，男女比例会是多少？ 答案：1:1分析：每个孩子出生男女概率是50%，所以每次出生的男女比例是相同的。假设这个国家有n对夫妇，那么n对夫妇将生下n个男孩，这n个男孩是这样生下的，假设生男生女的概率是50
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
面试问题:你为什么希望到我们公司工作？
个人认为比较好的回答方式，比如我觉得贵公司力量雄厚，领导得力，上下一心，适于一切有才干的人发展。我看中贵公司的发展前景，而我的能力非常适合这个职位。公司的企业文化吸引力我不好的回答：“我是学电子的，我到这里才是专业对口。““我来这里上班离家近。”“我喜欢这个城市。”“听说你们公司月薪较高。”回答问题要从对方入题，引起对方好感，使对方感到你能尊重，关心公司的需要，愿为
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")
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
如果在高速公路上30分钟内到一辆车开过的几率是0.95，那么在10分钟内看到一辆车开过的几率是多少 （假设为常概率条件下） - Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题,
答案：0.95
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
Java求自然对数底e的值
编写一个java程序jse.java，按下面的公式计算自然对数底e的值（n的值取20）：e=1+ 1/1!+1/2!+1/3!+1/4!+…1/n!直接看代码吧。2个方法，第一个很好理解，第二个我没看懂，又是算法的能量展示。/** * 自然对数的底e的计算。 * 1+1/1! + 1/2! + 1/3! + ... * * @author 老紫竹研究室
公司老总直接面试，我该如何准备?
公司的一面没有通过，给公司电话，老总要亲自面我，达人给些建议，我该怎么做，他会问我什么，需要注意些什么？表现你好学，踏实的一面呗（不推荐，太一般了）要么就是表现你与众不同的优点，比如：非中文语言流利到和中文一样，之类的（这个。。。勉强不来的）要么，你就自己看着办吧。临场发挥这东西天生的，学不来，但可以锻炼出来。你如果可以看着他，面不改色的从进门第一句话很自然的扯到java上面，
时钟的指针一天内会重合几次？ - Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题,
答案：http://www.java2000.net/p1105022次，如果你考虑从0点开始，0点结束的重合，那么是23次。永远不会，因为两个指针形状不同分析：如果是没有秒针且分针不是按1分钟递进的那种钟表，那么可以重合多次（22次吧），如果是按分钟递进的或者有秒针的，那就重合两次。另外，还要考虑齿轮的齿距和制表匠的水平。因此从微观上讲，那两根或三根针针的很难重合。。。。。因
逻辑面试题:3顶黑帽子,2顶白帽子,我戴的是黑帽子吗？
有3个青年都说自己最聪明，这时来了个老头，拿出来3顶黑帽子，2顶白帽子，让3个人都闭上眼睛，老头把3顶黑帽子一人头上戴上了一顶，让3个人都睁开眼睛，说谁能说出自己头上的帽子是什么颜色的谁就最聪明。3个人面面相觑，有一个人突然说我知道了，我戴的是黑帽子？问他怎么知道自己戴的是黑帽子？答案看这里：http://www.java2000.net/p11982
要是让你清洗整个西雅图的所有窗子，你会收取多少费用？ - Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题,
备选答案：那要看这个人愿意给多少钱!体现一种思维方式:站在他人的角度想想问题整個西雅圖的面積，以每平方10美元的價錢收取100个亿，把它吓跑为止。如果他出得起，我就用100个亿来雇别人我没去过西雅图,我也不知道有多少窗子。给我报销路费我少收点钱我也愿意去。听说西雅图很漂亮我肯定不收钱，但是你窗子用来贴上我的广告，而且，广告费用中给你10％的回扣。呵呵
面试逻辑题:三个精灵说真话假话的判断难题
甲乙丙三个精灵说真话(Da)假话(Ja)和随机选择真假的判断难题 根据已故的麻省理工( MIT )哲学及逻辑家George Boolos，以下的趣味逻辑问题可算是全世界最难的一个。你可以解决这个难题吗？有甲、乙、丙三个精灵，其中一个只说真话，另外一个只说假话。还有一个随机地决定何时说真话，何时说假话。你可以向这三个精灵发问三条是非题，而你的任务是从他们的答案找出谁说真话，谁说假话
一辆学校班车里面能装多少个高尔夫球？ Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题
原文：http://www.java2000.net/p11045备选答案： Google 一下为什么要装高尔夫球！？够一车人使用就好不知道。其实这道题是考察“诚实度”和“处事态度”。不知道就是不知道，没有必要欺骗自己和考官。作为财务也不可以对不清楚的事情自己主观方面的猜测，这很重要校车不知道尺寸，因为题目没有提供，所以如果你自己模拟猜测一个也是可以的。比如车为一般的大轿车，内不空
如果你看到钟的时间是3:15，那一刻时针和分针的夹角是多少？（肯定不是0度！） - Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题,
答案： 7.5度分析：也就是时针1/4小时走的角度，也就是 360/12/4 = 30/4 = 7.5
你需要从A地去B地，但你不知道能不能到，这时该怎么办？ - Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题
这题考的是当你迷茫时,你的态度.哥伦布也不知道地球是圆的啊,他出去的时候就可能在也回不来了,面对迷茫时怎么办?生活给了你太多的无赖,种种的困难面前,怎么去应对.是继续还是放弃??答案是:不试试,那就永远不知道了.我会先google一下,问问有经验的老者,用用人肉引擎,在试尽所有的方法后还是没有答案的话,那我决定自己去走一走.用GOOGLE EARTH看一下地形，搜索
你要向你8岁的侄子解释什么是数据库，请用三句话完成。 - Google, 谷歌,百度,baidu,阿里巴巴,alibaba,微软,华为,huawei面试题,
备选答案：数据库就是你装玩具的抽屉，一个抽屉装一类玩具，这就数据库嘛就象一個智能的玩具箱，所有玩具都放在里面很整齊，當想玩哪個時只要喊一聲它就會自己從箱里跑出來孩子，你还小，大了就知道了
输出1到100中的偶数，一行5个
/** * 输出1到100中的偶数，一行5个. * * @author 赵学庆 www.java2000.net */public class T { public static void main(String[] args) { for (int i = 1; i 100; i++) { if (i % 2 == 0) { System.out.printf(
C++ 实习面试第一阶段：面向对象基础
C 和 C++ 都是通用编程语言，但设计思想和语言特性有所不同。C++ 相比 C 增加了以下重要特性：面试回答： C++ 并不是完全取代 C 的语言，它兼容了大量 C 语言的编程方式，同时提供了面向对象、泛型编程和资源管理等更丰富的特性。指针是存储对象地址的变量，引用是对象的别名。代码示例： 需要注意：两者都用于表示空指针，但类型和使用方式不同。为什么引入 nullptr？因为 NULL 在一些实现中本质上是整数 0，可能导致函数重载时产生歧义。 面试重点： C++11 以后优先使用 nullptr
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4099
扫一扫
