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
1.8k累计阅读
1.9k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
ciweekly 628
问题分析：
解决方案：用友GRP地税管理系统特点
1，系统体系结构合理，采用网络计算模式，技术先进，设计流程规范，系统功能齐全，能灵活处理复杂的税收业务，切合税收业务实际。
2，运用先进的多层次结构和瘦客户端设计思想，整个系统按三层体系结构设计为：数据层，应用层和客户端。系统软件设计开发运用工具化方法，大量采用控件化，模块化，中间件开发技术，提供了系统开放，灵活应用的技术基础。
3，基于大型数据库的安全机制，保证了数据的安全。
4，良好的开放性，适应性，扩展性和互联性，可以与相关的部门进行实时数据和信息服务，系统 的用户界面友好，运行效率高。
5，该系统采用集中式网络，数据集中在市或者区存储，下级单位不保存数据，偏于管理，大幅度减少了数据被污染的可能性。
6，该系统采用功能，角色，权限分离的概念，构造了完备的授权，安全控制，确保了系统数据的安全性和保密性。
。。。。。。。。提高了税务机关的工作效率
DDR4内存PCB设计实战：8层板Fly-by拓扑信号完整性优化
本文深入探讨了DDR4内存条在8层PCB板上采用Fly-by拓扑时的信号完整性优化实战。文章详细解析了层叠规划、阻抗控制、电源分割、等长布线及串扰抑制等关键设计要点，并强调了仿真验证的重要性，为硬件工程师提供了从理论到实践的完整设计指南与自查清单。
DSG公司简介及案例
DSG是领先的致力于数据存储管理的专业厂商，提供优秀的数据管理软件和数据安全、灾难恢复、数据抽取共享、数据归档检索和一体化管理平台在内的解决方案，产品包括：备份、容灾、数据复制/抽取、数据共享、数据归档、数据稽核等，在国内...
STM32+A4988控制步进电机
基于A4988芯片驱动42步进电机，在STM32F1上进行测试，最高可以实现16细分。
开放式社区?太小儿科了，智慧城市才是重点
开放式社区只是智慧城市建设的一个很小的具体方案方法，碧桂园主导的“森林城市”建设及其发展模式才最为符合智慧城市的发展愿景，不过以目前马来西亚的经济实力及城市发展水平，依靠碧桂园一家民营企业主导建设，风险性还是比较大的;但不管怎么样，碧桂园能有如此之胆魄，是值得全世界尊敬的。**开放式社区，最应开放的不是实墙，而是“心墙”** 春节刚过，2016年2月2...
手把手教你用YOLOv11-seg-LSCD搞定树脂件瑕疵检测（附数据集与代码）
本文详细介绍了如何使用YOLOv11-seg-LSCD模型进行工业级树脂件瑕疵检测，包括环境配置、数据集构建、模型训练与调优、部署优化等全流程。通过LSCD模块的创新设计，有效提升了气泡、裂纹等微小缺陷的检测精度，适用于各类树脂制品的质量检测场景。
NGSIM数据集字段解析：从车辆轨迹到交通行为分析
本文深度解析NGSIM数据集的核心字段及其在交通行为分析中的应用。详细解读了车辆时空定位、状态属性及交互关系等关键字段，并通过高速路“幽灵堵车”和城市路口左转行为两个实战案例，展示了如何利用该数据集进行微观交通行为建模与驾驶特征提取，为交通流研究和自动驾驶算法测试提供数据基础。
系统分析：西南药业
出处CIWEEKLY 040621 原文提纲 1,项目背景 缺少一个集中，统一，规范共享的数据库。客户无编码，财务不成一套。 部门信息不能集成共享，重复劳动，工作效率低，数据失真。 生产计划准确性差，生产平衡及控制能力弱。 库存量大，流动资金被占用。 生产经营过程不规范，缺乏控制，难以有效监督。 产品成本高，成本管理注重与事后成本核算。缺乏信息收集和分析手段，各部门不能准确提供生产、销售、财务
【YOLOs-CPP-图像分类部署】04-项目优化（加速部署）
本文详细介绍了将YOLO图像分类C++部署项目从CMake迁移到Visual Studio控制台应用的全过程。针对低配CPU性能瓶颈问题，作者通过替换多线程HPP代码为官方实现，并采用448x448固定输入尺寸优化推理速度。项目配置包含OpenCV和ONNX Runtime环境设置，实现了图像批量处理、分类结果显示及结果日志输出功能。关键步骤包括依赖库配置、DLL部署和代码调试，最终在Windows平台成功实现高效CPU推理。该方案显著提升了低配硬件的兼容性，为图像分类任务提供了稳定的部署解决方案。
系统分析与设计笔记
系统开发方法：方法包括模型，工具，技术。开发方法有传统的结构化方法和面向对象方法。系统开发的生命周期
【AI大模型应用开发】1.0 Prompt Engineering（提示词工程）- 典型构成、原则与技巧，代码中加入Prompt
Prompt典型构成、原则与技巧，以及OpenAI API重要参数解释，助你轻松入门Prompt
MySQL 一一 MySQL基本使用
1、数据库 简单来说，所谓的数据库就是存储数据的容器，而且是永久存储的。 2、为什么需要数据库 3、为什么要学习MySQL数据库 最早MySQL数据，瑞典AB公司开发的一款开源型的关系型数据库。 随着时间的推移，瑞典AB公司把MySQL数据库转让给Sun公司（Java语言的创始公司） 后来，Sun公司经营不善，又把MySQL数据库转让给甲骨文公司（Oracle数据库） 4、数
系统分析：泸州老窖ERP
出处CIWEEKLY 040621 出现的问题：物流上的漏洞。 销售成本的上升，资金流、物流和信息流相脱节。 系统的建设：主要集中在进、销、存上。 ? 在进货方面：采供部通过ERP系统查询逾期未到的货物、填制入库单、质检审核、申请入库，并可查询在验的物料，录入采购的发票，根据入库单逐笔确认发票是否合法等。 在库存方面：处理各种库存业务，包括采购入库、生产入库、盘盈入库，自动盘点业务对生产领料控制。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
GCC使用手册及常用命令行
GCC使用手册及常用命令行 GCC使用手册 作者：Clock 1.前言 GCC编译器的手册(GCC MANUAL)的英文版已经非常全面，并且结构也非常完善了，只是一直都没有中文的版本，我这次阅读了GCC编译器的主要内容，对手册的内容进行了结构性 的了解，认为有必要对这次阅读的内容进行整理，为以后的工作做准备。 由于我对这个英文手册的阅读也仅仅是结构性的。因此有
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
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")
第九章 工具3-内置中间件
本章介绍LangChain中剩余的内置中间件，涵盖能力扩展、输出质量、测试开发及文件搜索四大类。能力扩展类包括：TodoListMiddleware实现任务拆解与进度跟踪；FilesystemMiddleware提供虚拟文件系统与上下文卸载，支持持久化与安全执行；SubAgentMiddleware实现子任务委派，缓解上下文膨胀；ShellToolMiddleware赋予持久化Shell会话，结合Docker等策略保障安全。输出质量方面，RubricMiddleware通过自我评估迭代优化结果。测试开发使用
第八章 中间件2——内置中间件
第七章介绍中间件的核心作用，涵盖容错、成本控制、安全合规与上下文管理四大类。内置中间件如ToolErrorMiddleware和ToolRetryMiddleware实现异常捕获与自动重试；ModelFallbackMiddleware应对主模型故障；ModelCallLimitMiddleware防止无限循环；PIIMiddleware与HumanInTheLoopMiddleware保障数据安全与人工审批；SummarizationMiddleware压缩长对话上下文，LLMToolSelectorMi
Java 字节，阿里，滴滴面试 31 题全解析：基础 / 框架 / 事务 / 中间件 / 数据库缓存 / 高并发，每题都给你「考点 + 答案 + 追问」
参考答案int corePoolSize, // 1 核心线程数（常驻，allowCoreThreadTimeOut 可回收）int maximumPoolSize, // 2 最大线程数long keepAliveTime, // 3 非核心线程空闲存活时间TimeUnit unit, // 4 时间单位BlockingQueue<Runnable> workQueue, // 5 任务队列ThreadFactory threadFactory, // 6 线程工厂（一定要自定义，方便排查）
LLM应用的标准开发框架LangChain（八）- 中间件
钩子是框架或系统在某些关键执行点暴露的扩展接口。开发者可以“挂上”自己的逻辑，在那些点上插入、修改或替换行为，而无需改变主流程代码。就像在流水线上某个环节设置了一个“检查点”或“插入器”。
DeepAgents框架TodoListMiddleware（任务列表中间件）
当面对多步骤、长周期的复杂任务时，Agent 会自动生成一个 TODO 列表，并在执行过程中逐步更新任务状态（如：待办、进行中、已完成）。这能有效防止 Agent 在长上下文中“迷失方向”或遗漏步骤。在 LangChain 的 DeepAgents 框架中，TodoListMiddleware（任务列表中间件）是一个非常强大的组件。它的主要作用是赋予 Agent 动态规划和追踪复杂任务的能力。
通信中间件
简单来说：通信中间件就是位于应用程序和底层通信机制之间的一层软件，它负责帮助不同程序之间交换数据，并处理通信过程中大量复杂的问题。举个例子。假设你现在有两个程序：雷达数据采集程序雷达数据显示程序A 需要把采集到的数据发送给 B。程序 A操作系统网络协议栈| 网络操作系统网络协议栈程序 B但是，这里面有很多事情需要自己处理：数据如何序列化？接收端如何知道数据是什么类型？数据丢失怎么办？接收端暂时不在线怎么办？多个接收端如何管理？如何实现消息订阅？如何管理数据发送频率？
16_MySQL 运维监控与管理工具 —— MySQL Enterprise Monitor / ProxySQL / 中间件（对标 EMCC）
16_MySQL 运维监控与管理工具 —— MySQL Enterprise Monitor / ProxySQL / 中间件（对标 EMCC） 系列定位 ：《MySQL 数据库全栈运维实战系列》第 16 篇，与《Oracle 数据库全栈运维实战系列（VMware 版）》同构对标（Oracle 16…
Agent/RAG开发：如何判断处理逻辑是封装在Tool工具里还是封装在Middleware中间件里
在LangChain 1.0中，Tool与Middleware的核心区别在于：是否由LLM决策调用。若需根据上下文判断“做不做”（如搜索、计算），且参数来自用户自然语言，则用Tool；若为固定流程控制（如日志、鉴权、限流），参数来自系统上下文，且必须执行，则用Middleware。前者支持0%~100%调用概率，后者100%触发，且可直接操作AgentState。通过三问法（谁决定？参数来源？失败处理？）可精准选择封装方式。
第七章 中间件
中间件为Agent核心循环提供钩子机制，分为节点式与包裹式。节点式钩子在固定节点执行，适用于日志、校验等一次性操作；包裹式钩子则包裹模型或工具调用，可控制执行流程，实现重试、请求修改等功能。通过ModelRequest和ToolCallRequest，可安全修改调用参数、路由不同角色请求，提升Agent的灵活性与可控性。
Gin 中间件机制详解：从洋葱模型到 JWT 身份认证
深入解析 Gin 中间件的定义、执行流程及底层原理，重点讲解 c.Next()、c.Abort()、HandlerChain 和 Context 索引机制，并结合 JWT 身份认证实战，理解中间件在 Go 后端工程化开发中的应用。
四路 CAN 转 4G 网关
SG‑CAN‑4G‑410 为**四路隔离 CAN 转 4G 工业网关**，把 CAN2.0A/B 报文封装成 TCP/UDP 报文，通过 4G 无线网络实现 CAN 总线远程监控、远程控制。四路 CAN 相互独立；以太网仅用于本地配置，不做业务数据传输；支持移动 / 联通 / 电信 4G 网络。
【计算机网络】断点续传是怎么做到的：从 Range 请求到分片上传的完整机制
断点续传在下载侧靠的是 HTTP 现成的 Range 协议，Content-Range 保证偏移对得上，If-Range 防止文件变更导致的错误拼接；上传侧没有标准，需要自己设计 init/part/complete 三段式交互，核心是让服务端记住“哪些块已经收下”，从而把失败粒度从整个文件降到单个分片。 这套机制可以迁移到任何长耗时操作的设计上。判断方法很简单：先问失败粒度是多少。如果一次操作失败就得从头再来，那它迟早会在生产环境里出问题——传输、批量导入、数据迁移、长事务，都是同一个道理。把大操作切成
汽车电子标定与测量的核心基石XCP协议
控制逻辑（算法）与标定参数（数据）。如果每次优化参数都要修改源码、重新编译并刷写Flash，整个研发周期的效率将趋近于零。标定（Calibration）技术正是为了解决这一痛点而生。它允许工程师在ECU运行过程中，动态观察内部变量（测量，Measurement），并在不中断运行的前提下实时修改控制变量（标定，Calibration）。在这一领域，XCP（Universal Measurement and Calibration Protocol，通用测量与标定协议）是公认的行业标准与核心基石。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
340
扫一扫
