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
268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
Unix/Linux
Unix操作系统基础教程 Part1
本文还有配套的精品资源，点击获取 简介：本教程深入讲解Unix操作系统的基础知识，包括其设计哲学、命令行工具、文件与目录管理、shell脚本编写、进程管理、网络功能和文本处理工具。通过阅读PDF文件，读者将逐步掌握Unix的基本概念和操作，为深入学习Unix打下坚实基础。 1. Unix系统概述与设计哲学 Unix系统是IT行业中不可或缺的操作系统之一，其设...
【操作系统】Unix的哲学
Douglas McIlroy是Unix系统上管道机制的发明者，也是Unix文化的缔造者之一。他归纳的Unix哲学如下： 程序应该只关注一个目标，并尽可能把它做好。让程序能够互相协同工作。应该让程序处理文本数据流，因为这是一个通用的接口 总的来说是："简单原则"----尽量用简单的方法解决问题----是"Unix哲学"的根本原则。这也就是著名的KISS（keep it simple, stupi...
unix 哲学.pdf
Unix 哲学 Unix 哲学 Unix 哲学 Unix 哲学 Unix 哲学 Unix 哲学 Unix 哲学
设计模式 - 组合思维_Unix 设计哲学三大原则
Unix哲学源于20世纪60年代的操作系统设计经验，其核心思想可归纳为三大原则：简单清晰性、组合理念和数据驱动思维。首先强调"一个程序只做一件事"，通过减少硬编码、谨慎技术选型和统一规范来降低复杂度。其次倡导模块化组合设计，通过标准接口实现组件可替换性，避免定制化驱动的烂设计。最后提出数据驱动编程，将数据结构与算法分离，注重数据兼容性设计。这些原则不仅影响了早期软件开发，至今仍对构建可维护、可扩展的系统具有重要指导意义，体现了聚焦实效、挑战权威的思考方法。
RDMA性能调优实战：如何用ib_*命令榨干你的Mellanox网卡带宽？
本文深入探讨了如何利用ib_*命令工具集对RDMA网络进行深度性能调优，以充分释放Mellanox网卡的带宽潜力。文章从理解Send/Write/Read三种核心通信原语的差异入手，逐步指导读者通过调整消息大小、队列深度、内联数据等关键参数，并结合系统级的NUMA绑定、中断亲和性等优化策略，实现从基准测试到逼近硬件极限的性能提升。
Ubuntu 解决WPS缺少宋体，微软雅黑等中文字体
这篇博客解决Ubuntu 18.04 无法使用中文字体的问题 问题描述
Unix的哲学
Unix的哲学是“没有消息就是好消息”。
lidar点云比赛-Southlidar软件使用入门
lidar点云比赛-Southlidar软件使用入门 广西高校重点实验室培训基地 系统控制与信息处理重点实验室 本篇博客来自河池学院: 智控无人机小组 写作时间：2020.09.29 一、软件资源及安装 1.下载地址： https://pan.baidu.com/s/1jN1pynmAZOqj5mMx774pVg 提取码：gkvv （资源来自南方测绘） 2.安装 进入链接，找到软件文件夹， 内含文件即为安装包 3.下载成功后按提示安装即可 4.安装成功后桌面自动创建一个快捷方式 二、界面布
Unix基本哲学
[本人baidu博客全部搬家到csdn,baidu博客地址：http://hi.baidu.com/new/miracleconf] Unix哲学起源于Ken Thompson早期关于如何设计一个服务接口简洁、小巧精干的操作系统的思考，随着Unix文化在学习如何尽可能发掘Thompson设计思想的过程中不断成长，同时一路上还从其它许多地方博采众长。
极空间NAS零基础部署Wiki.js：Docker+PostgreSQL全流程避坑指南
本文提供了一份在极空间NAS上从零部署Wiki.js私有知识库的详细指南。通过Docker容器化技术，结合PostgreSQL数据库，手把手讲解环境准备、核心组件配置、性能优化及安全加固等全流程，并特别针对极空间平台特性提供了避坑要点，帮助用户打造安全、高效、自主可控的知识管理系统。
SRE校招面试全攻略：从基础理论到实战场景解析
本文为SRE（站点可靠性工程）校招面试提供全面攻略，涵盖计算机基础、运维核心技能、场景设计与系统架构等关键模块。文章结合真实面试真题，解析了从Linux原理、网络协议到容器化、监控告警等实战考点，并分享了高可用设计、故障排查等工程思维，旨在帮助应届生夯实基础、理清思路，从容应对SRE校招挑战。
“一切皆文件”是Unix/Linux的基本哲学之一。
“一切皆文件”，指的是，对所有文件（目录、字符设备、块设备、套接字、打印机等）操作，读写都可用fopen()/fclose()/fwrite()/fread()等函数进行处理。屏蔽了硬件的区别，所有设备都抽象成文件，提供统一的接口给用户。虽然类型各不相同，但是对其提供的却是同一套操作界面。更进一步，对文件的操作也可以跨文件系统执行。 这时候就不得不提虚拟文件系统了。 虚拟文件系统（Virtua...
芯片设计中的STA实战：如何避免时序违例（含常见问题解析）
本文深入探讨了芯片设计中静态时序分析（STA）的实战应用，重点解析了如何避免时序违例。文章从STA的核心逻辑与约束制定出发，强调了将时序意识植入RTL编码与综合阶段的重要性，并详细介绍了后端物理实现中的时序收敛策略。同时，针对跨时钟域路径误报、多工艺角违例等常见问题提供了深度解析与调试技巧，旨在帮助IC设计工程师系统性地掌握时序分析与优化方法。
Unix哲学
Unix philosophy K.I.S.S rules: Keep It Simple, Stupid copy from Basics of the Unix Philosophy Basics of the Unix Philosophy More of the Unix philosophy was implied not by what these elders said but by what they did and the example Unix itself set. Lookin
无限泛化！AI背景文字识别，腾讯文字六宫格
本文介绍了生成大规模文字验证码数据集的方法，通过使用上百种字体和2万+字库，结合随机背景和数十种图像增强技术，生成了2000万+的多样化样本。该方法采用二阶段训练策略，确保模型对字体、形态、形变等具有强泛化能力，可适配腾讯、咸鱼等多种平台的文字验证码识别，包括生僻字和复杂形变情况。生成的模型在多种验证码场景下表现优异，但强调该方法仅用于技术研究，严禁非法用途。
地下管网巡检机器人：基于YOLOv8与UI界面的智能化系统设计与实现
通过YOLOv8模型的目标检测功能结合实时视频流，我们能够实现对地下管网巡检机器人的智能化控制。系统通过图像识别技术帮助巡检人员快速识别管道中的各种缺陷和障碍物，从而提高巡检效率和准确性。未来，我们可以继续优化模型，增加更多的目标类别，并通过强化学习等方法提高机器人的自主巡检能力。此外，随着硬件技术的发展，未来的巡检机器人可能会具备更强的感知能力和更高的智能水平。
KISS──UNIX/LINUX哲学思想
KISS──UNIX/LINUX哲学思想
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")
In Unix Everything Is A File
一篇讲述unix基本原理的小文章。 http://ph7spot.com/musings/in-unix-everything-is-a-file
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
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。
Unix设计哲学概述
Unix哲学的几条准则看似简单。事实上，它们简单到会容易使人们忽略其重要性。这就是它们颇具欺骗性的地方。其实，简单的外表下掩盖着一个事实：如果人们能够始终如一的贯彻它们，这些准则可是非常行之有效的。以下这份清单会让你对Unix哲学的准则有初步的认识。（1）小即是美。相对于同类庞然大物，小巧的事物有着其无可比拟的巨大优势。其中一点就是它们能够以独特有效的方式结合其他小事务，而且这种方式往往是最初的设...
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
Unix编程艺术
本书写作了五年之久，作者将UNIX三十年中未见纸端的艰难胜利的软件工程智慧融入文字，使UNIX家族成为最好最具创新软件的哲学、设计模式、工具、文化和传统，Raymond将之第一次带给我们，并向我们展示它们如何影响着当今的Linux和开源运动。通过大量来自顶尖项目的实例，你将学会如何运用这些智慧经验来建造更优雅、更可移植、更加好用和更加长久的软件 序 xxv Part I 1 第1章 哲学
Unix的基础哲学
在读了Eric Raymond的”Unix编程艺术“一书之后，我总结了17条Unix的基本哲学。对我来说，这些也是编写高质量软件的基本原则。1 模块化：将它分为若干个简单的部分，通过清晰的界面连接起来。2 简洁：简洁，比小聪明来得好3 组合：可以与其他程序相互连接4 分离：结构上要采取分离的策略；将界面与引擎分开5 简单：仅仅在必需的时候才增加程序的复杂性6 节俭：除非无路可走，才去写那些大型程序
unix编程艺术读书笔记
unix哲学 让每个程序就做好一件事。如果有新任务，就重新开始，不要往原程序中加入新功能而搞得复杂。假定每个程序的输出都会成为另一个程序的输入，哪怕那个程序还是未知的。输出中不要有无关的信息干扰。避免使用二进格式输入，而是坚持使用文本流，不要坚持使用交互式输入。尽可能早地将设计和编译的软件投入使用，对于拙劣的代码别犹豫，扔掉重写。优先使用工具减轻编程任务，工欲善其事，必先利其器。花哨的算法复
Unix的基础哲学(转贴)
原帖地址：[url]http://chn.blogbeta.com/89.html[/url] [color=red]By Ronny De Winter Tipped by Solidot[/color] 在读了Eric Raymond的”Unix编程艺术“一书之后，我总结了17条Unix的基本哲学。对我来说，这些也是编写高质量软件的基本原则。 1 模块化：将它分为若干个简单的部分，通过...
UNIX编程艺术感觉这本书，挺好的，不知道大家看过没呢？
介绍了Unix系统领域中的设计和开发哲学、思想文化体系、原则与经验，由公认的Unix编程大师、开源运动领袖人物之一Eric S. Raymond倾力多年写作而成。 其实，我也没有看过这本书，但是一直都想去买的，但是，现在工作了，都没有时间学习这个啦，工作的话，都是用其它的方式的，都很少接触其它新的东西啦。感觉自己真的要落后的那种，比较苦逼的哦。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1116
扫一扫
