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
4.7k累计阅读
4.8k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
某位职场新人，干了四天,辞职了,冲动的惩罚
个人认为，其实主要是，心里承受能力，或者说脸皮厚不厚的问题！
我是新人我怕谁，为啥年轻没有失败？
先看一个症状：在与上级的沟通中我确实感到吃力,不敢问简单的问题,说话太过小心谨慎,似是而非的时候,我自己会打住不问了。
不敢？为啥不敢？你是新人，被人“骂”，被人“欺负”是正常的，搞清楚自己来的目的，那就是想尽一切办法，学到东西。
脸皮厚，吃个够，脸皮薄，吃不着。
没有人会看不起新手，他们也是从新手过来的，但如果不谦虚的新手，脸皮太薄自己看不开的新手，则是不可“原谅”，孺子不可教也。
银河麒麟V10系统下，手把手解决Ollama安装报错‘GLIBCXX_3.4.25 not found’
本文详细介绍了在银河麒麟V10系统下解决Ollama安装报错‘GLIBCXX_3.4.25 not found’的实战指南。通过隔离编译新版libstdc++、环境变量引导和服务化封装等安全方案，确保在不破坏系统稳定性的前提下顺利运行Ollama，适用于国产操作系统与AI工具的兼容性需求。
有关职场
靠谱
NRF52832调试方法1——HardFault_Handler问题定位
一、遇到问题 keil debug模式下，直接点击全速运行（Run）发现程序卡死，点击stop按钮后，停到了HardFault_Handler位置，如下图所示。 此时使用navigate backwards（蓝色左箭头）是无效的，找不到程序卡在哪里。 二、解决办法 此时首先观察register窗口 若Stack为MSP，则复制R13（SP）的值到memory观察窗的地址搜索栏。每一行显示连续的28个地址上的存储信息，每个地址上存有一个字节。 从第21个位置起的连续四个字节是LR的值，
职场是个技术活-马未都
观复嘟嘟:职场是个技术活-马未都 职场是个技术活 1. 职场的定义 2. 兴趣和职场哪个更要？ 3. 如何处理职场关系 5. 如何与不喜欢的人打交道 6. 职场的生存法则一：勿打听 7. 职场的生存法则二：融入集体 8. 职场的生存法则三：承受委屈 9. 职场的生存法则四：勤快，不惧小 10. 职场的生存法则五：学会尊重 11. 职场生存法则六：不怕...
基于STM32的简易电压、频率、占空比测量仪
任务详解：我们需要实现三个功能： 第一个是测频率的功能，输入信号为频率为1kHz~10kHz的三种波形（方波、三角波、正弦波），这也是我们最常见的三种波形。幅度是不需要测量的，所以先不关心幅度。 第二个是电压报警功能，当输入信号的幅度超过15V时，我们需要报警（这里我用了一个红色LED当报警器，有条件的还可以加个蜂鸣器）并且把此时的信号幅度显示在OLED屏幕上。 第三个是通信方式的要求，需要有串口通信功能。 第四个是计算占空比的任务，这个任务的输入是幅度为1V~10V、频率为20Hz ~1kHz的方波，需要
深入解析Unity3D中PostLateUpdate突然占用大量时间的原因
在Unity3D的生命周期中，是一个在LateUpdate之后被调用的方法。它通常用于处理一些需要在所有更新（包括物理更新和动画更新）之后进行的逻辑。由于它在游戏循环的后期阶段被调用，因此它通常用于处理与渲染直接相关的任务，如相机调整、UI更新等。突然占用大量时间的问题可能由多种原因引起，包括复杂的逻辑处理、频繁的资源加载、不恰当的渲染优化、插件或第三方库的副作用以及内存泄漏或垃圾回收等。为了解决这个问题，开发者需要仔细审查和优化中的代码，同时利用Unity提供的工具来监控和分析游戏性能。
投简历七字诀：胆大心细脸皮厚
使用Captum库对CIFAR数据集进行模型可解释性分析
为了训练模型，我们需要指定损失函数和优化技术。损失函数用于衡量模型的性能，在训练过程中，我们通过调整模型参数来最小化损失。本教程使用。
初入职场的自己
To 初入职场的自己： 在此，再次提醒自己需要做到的： 1 摆正心态，学会忍耐 可能工作内容会和预想的差距太大，可能上面下达的任务过于繁重，可能和同事和领导有不愉快的沟通与合作等等。请你一定要冷静，一定要忍耐，职场如战场，苦是你该吃的，咬着牙也要坚持。同时，多角度、换位思考，是不是沟通不到位，有没有更好的解决办法？ 2 杜绝抱怨，做一个正能量的人 少说...
SAP 关于替代料物料混用问题处理方案简介
电子料很多都是需要进行替代的，并且需要考虑当A物料库存不足时，需要考虑B物料的库存来满足需求，当需求不满足的时候也需要考虑物料的价格因素，同时考虑价格低的物料进行采购。3、还遇到过比较奇葩的处理替代料的解决方案就是将SAP系统中的需求数据用接口的方式全部传输到外围系统，同时还将所有物料的库存信息都通过接口的方式传输到外围系统中，然后通过外围系统进行替代料逻辑的处理，然后在回写回SAP更改BOM中的优先级，然后在重新下单，貌似解决了替代料的问题，但是好像又没有解决。时间：2024-01-27。
基于STM32、HAL库的IP2736U_EF快充协议芯片简介及驱动程序设计
@param connected: 连接状态指针 (1=已连接, 0=未连接)= 0x2736) // 检查厂商ID。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。* @param hip: IP2736U句柄指针。
不可不看，年轻人必须丢掉的10条幼稚职场心理
初入职场，每位年轻人都怀揣着梦想与憧憬，但往往也伴随着一些“成长的烦恼”。那些不经意间流露出的幼稚心理，如果不及时察觉并调整，可能会成为你职业道路上的绊脚石。今天，我们就来聊聊那些需要必须丢掉的幼稚职场心理。职场，是一个需要你自我驱动、主动探索的新天地。有啥不会，先自己搜索下解决方法，尝试自己解决，而不是当一个伸手党。学会独立思考，勇敢地面对每一个挑战，主动去寻找答案，无论是翻阅资料、请教同事还是自我琢磨，都是在为你的职场之路铺设坚实的基石。
基于STM32单片机智能循迹小车毕业设计
本文介绍了一种利用STM32F103C8T6单片机为控制核心，结合多种传感器以及PID算法实现循迹避障功能的智能小车。随着我国高科技水平的不断提高和工业自动化进程的不断推进，智能小车被广泛应用于各种玩具和其他产品的设计中，极大地丰富了人们的生活。本次设计利用反射式红外光电传感器探测路面黑线实现小车循迹，利用超声波测距传感器探测路径上的障碍，控制小车自动避障，整个系统具有自动循迹、自动避障、速度检测和无线遥控功能。其中，控制部分采用STM32F103C8T6单片机，STM32F103C8T6单片机是一
给IC新人的一点建议
初入职场的新人，容易有一个毛病，就是喜欢自己解决问题。其实有钻研精神是对的，但是一定要注意效率。对于公司来说，效率第一，而是否能体现你的钻研精神，其实并不是那么关心。对于一个项目，sche...
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
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")
第六讲 简历投递七字诀：胆大心细脸皮厚
撑死胆大的，饿死胆小的 投简历时间：周三上午最佳9点-11点，下午1点-3点 招聘要求（了解）面试时 发邮件：意图明确的标题、大有讲究的正文（简历图片），附件也有简历 有备无患的附件、不可忽略的细节 心中有猛虎，细能嗅蔷薇 脸皮薄吃不着，脸皮厚吃个够 放下面子、放下瞻前顾后 纸质简历的小细节 简历一定要带、递简历注意（半年更新简历、成长） 转载...
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
【职场】打工不要脸面，一切就顺了
????????最新2024IDEA永久激活(支持全家桶）???????? 关注上面公众号回复“激活码”，获取2024年最新激活码网上有个话题：真正厉害的职场人，身上都有哪些特质？看过一个回答，我很赞同：“职场里能做出成绩的人，从来不在乎面子，脸皮都可以撕下来扔到地上。”工作当前，面子朝后。毕竟，面子再重要，也充不了饥，管不了穿。懂得放下脸面工作，一切自然就顺了。01知乎上有人问：“什么东西让绝大多数人身心俱疲，又心甘情...
从校园到职场 - 提问与交流
从校园到职场这个系列很久没更新了，那么很多人还不知道如何搜索历史文章，后台留言是没有搜索功能的，点击菜单栏“历史文章”，向下拖动，顶部会出现搜索框，搜索关键词 “从校园到...
那些脸皮厚，多问的人，成长贼快
这一年，我们很多人都在被知识付费产品包围着，包括我自己。也买了很多知识付费产品，因为这也是我对自己一种投资，有好的，有不好的。知识付费最重要的点，是价值，是有用，一些诉求...
职场厚黑学与上下级博弈：理论、案例与应对策略
职场厚黑学作为一套复杂的生存策略体系，其理论根源可追溯至民国时期李宗吾先生所创立的《厚黑学》。1911年，李宗吾以“独尊”为笔名发表相关论述，1917年正式形成系统学说，其核心命题“古之英雄豪杰者，不过面厚心黑而已”，颠覆了传统儒家伦理对“仁义道德”的单一诠释，构建了一套基于人性博弈的生存智慧体系。
观复嘟嘟:职场是个技术活-马未都
职场是个技术活 职场是个技术活 1. 职场的定义2. 兴趣和职场哪个更要？3. 如何处理职场关系5. 如何与不喜欢的人打交道6. 职场的生存法则一：勿打听7. 职场的生存法则二：融入集体8. 职场的生存法则三：承受委屈9. 职场的生存法则四：勤快，不惧小10. 职场的生存法则五：学会尊重11. 职场生存法则六：不怕吃亏12. 职场生存法则七：钝感力13. 职场生存法则八：学会妥
居然还可以这样，把锅顺滑的甩给别人（这招可以不用，但不能不懂）
职场中，有不少需沟通，讨论，判责的场景，如果掌握这三条，成为强势的一方：1. 脸皮厚；2. 声音大；3. 善于诡辩；则能在不合理立项，抢功，甩锅... 等众多场合立于不败之地。脸皮厚+声音大不用多说。今天就借着很多工作中被欺负的场景，聊聊看似逻辑顺畅，实则诡辩的四大方法。诡辩一：歪曲对方观点。A：没有想清楚业务流程，不宜启动系统研发。B：你怎么能丢掉“业务第一”的团队文化，这有违企业价值观。A：哎...
职场上个人的核心技术_职场潜规则：那些真正厉害的人，往往做到了这3点，尤其第三点...
职场潜规则：那些真正厉害的人，往往做到了这3点，尤其第三点日期：2021-01-09浏览 次做房地产项目的时候，曾经在会议上跟员工分享：想要在事业上有所发展，脸皮要厚。马上就有员工皱起眉头，反驳说：脸皮厚，会被别人排斥吧，怎么可能发展得好呢！我补充说：被别人嫌弃的，是不要脸，做事没有原则底线，不择手段的人。脸皮厚，是说敢想，敢做，不被个人颜面约束，不被外界各种因素干扰，一心把事情做好。从这个定义...
【职场】当上领导后，不要怂，干就对了！
晚上朋友请吃饭，他刚被提拔为部门主管，本该是值得庆祝的事，可他坐下就一脸忧心忡忡：“他们不服我怎么办？我怕镇不住场子。这题我会。想当年，我也是从一个小编辑一步步做到内容负责人。
职场笔记笔记总结
2.服从命令听指挥，积极主动有反馈。3.我办事你放心，汇报工作有结果。
《从校园到职场：一名网络工程师的“摸爬滚打”一年记》
一年后，当我深夜在机房一边啃着面包一边排查网络黑洞时，突然意识到：校园里的‘理想网络’和现实中的‘复杂战场’，差的不仅是技术，更是一整套生存逻辑。“这一年的摸爬滚打，让我彻底明白：网络工程师的终极命题，不是配置命令的堆砌，而是在混沌的流量洪流中，搭建秩序之桥。校园里考完CCNA觉得天下无敌，入职后才发现连VLAN隔离都配不利索，而且CCNA、HCIA的含金量不高，有只能证明你懂一些，但是距离真正实操还差得远。”（这已经不是丢脸的事情了，已经差不多是丢饭碗的事情了）”“不，是你没抓包！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
484
扫一扫
