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
1.3k累计阅读
1.3k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
手上工作刚弄完，就抽空上优快云看看，结果刚登录就发现一个bug（如上图）
按照优快云论坛积分规则的话，挨踢生涯积分不计算在专家分里，那么441+10怎么也加不出来449啊！
难道专家分不是自动加出来的吗？按照我的开发思路，我会根据每个类别的专家分自动计算出总分。
那显然计算机不会算错，难道优快云用了其他方法？
如果是将总分也存入了数据库，那么在业务计算的时候还是有问题，不相等啊。。。
苦思良久，怀疑是浏览器缓存问题，又特意下载了Chrome浏览器，登录后还是这个问题，然后就真不懂了。
而且即使是缓存问题，那么也不应该存在等式不相等啊。 无非就是显示上次刷新的积分啊。而且这样也不够人性化的，如果缓存一直不清，那积分不是一直不变吗？
求专家赐教！
Windows 10 下 Nacos 3.0.2 单机版保姆级安装教程（含JDK 17配置与MySQL 8.0连接避坑）
本文提供Windows 10下Nacos 3.0.2单机版的详细安装教程，涵盖JDK 17配置、MySQL 8.0连接优化及生产级安全设置。通过步骤详解和常见问题解决方案，帮助开发者快速完成Nacos的安装与配置，确保服务发现与配置管理的高效运行。
一个BUG引起的思考
问题来源于2个应用的相互跳转,代码如下. Intent intent = new Intent(); intent.setAction("com.qylk.call.main"); startActivity(intent);相当的简单,看似没有任何问题,其实是有一点问题的.我们假如是A应用跳转到B应用,当A应用跳转到B应用时,按下HOME键,然后在点击
LPDDR5/5X BG mode，8B mode和16B mode
LPDDR5/5X 器件，协议上支持多个bank架构可静态配置；配置在MR3：模式说明协议要求速率要求BLBG模式每CH 4BG， 4BALPDDR5/5X>3200MbpsBL16 & 328B模式每CH 8BALPDDR5任何速率BL3216B模式每CH 16BALPDDR5/5X<=3200MbpsBL16 & 32。
13 年的 Bug 调试经验总结
在《Learning From Your Bugs》一文中，我写了关于我是如何追踪我所遇到的一些最有趣的bug。最近，我回顾了我所有的194个条目（从13岁开始），看看有什么经验教训是我可以学习的。下面是我总结的最重要的经验教训，包括编码，测试和调试三个方面。 编码 下面这些都是我经历过的会导致难点bug的问题： 1.事件顺序。在处理事件时，提出下列问题会很有成效：事件可以以不同的顺序到
嵌入式开发中Tab与空格混用的危害与统一规范实践
在软件工程中，代码格式一致性是保障可读性与团队协作效率的基础。从原理上看，制表符（Tab）与空格（Space）在存储与显示机制上存在本质差异：Tab是控制字符，其显示宽度取决于编辑器设置；空格则是固定宽度的字符。这种差异导致混用时会引发代码对齐错乱、版本控制冲突及跨平台兼容性问题，严重影响工程的可维护性。尤其在嵌入式开发领域，资源受限环境与高可靠性要求使得统一的编码规范更为关键。通过配置编辑器、集成clang-format等自动化工具，可以强制实现缩进风格的一致性，从而提升代码质量与团队协作效率。本文聚焦于
PaddleOCR实战：DBnet++与DBnet模型训练全流程解析
本文详细解析了基于PaddleOCR框架的DBnet与DBnet++文字检测模型的完整训练流程。从环境配置、数据集准备、配置文件解读，到模型训练、评估调参及最终推理部署，提供了实战指南。重点对比了DBnet++与DBnet在精度、速度及适用场景上的差异，帮助开发者高效构建定制化的OCR检测模型。
嵌入式大牛的10年Bug调试经验，收获颇多！
作者十年来做过小的嵌入式系统，大的电信系统以及基于web的系统。使用过C ++，Ruby，Java和Python等。这篇文章中的经验教训旨在帮助减少编码，测试和调试三个阶...
CIC-IDS-2018数据集高效预处理实战：从数据清洗到特征整合
本文详细介绍了CIC-IDS-2018数据集的高效预处理方法，从数据清洗到特征整合的全流程实战。通过内存优化、异常值处理和特征工程等技巧，帮助网络安全研究人员快速处理大规模网络流量数据，提升机器学习模型的训练效率和准确率。特别针对特征数据的预处理提供了实用代码示例和优化建议。
IT行业怎么了？程序员按时上下班也被开除
近日看了一条新闻是京东员工按时上下班遭“被离职”。话说一员工入职一个多月以来，每天保质保量完成任务，没迟到过，没早退过，按时上下班。因为没有加班，被京东开除，领导的理由是：按时上下班，没有奉献精神。 我没有搞明白的就是工作本身就是我保证每天的8小时工作，你保证我的工资福利按时发，跟奉献精神有你妹的关系啊！不加班就没有奉献精神？ 真是个二逼老板，你干脆也别给员工发工资了，有人找你要，你直接说：上班还
TC397 EB配置ADC软件触发：从零实现周期采样与中断处理
本文详细介绍了如何在Infineon AURIX TC397芯片上使用EB Tresos工具配置ADC软件触发，实现周期采样与中断处理。通过硬件连接、EB模块配置、代码初始化及数据处理的全流程解析，帮助开发者快速掌握ADC软件触发技术，提升嵌入式系统开发效率。
2. Android_逆向的历史与发展
学完本节，希望你能够：了解 Android 逆向工程的发展历程，从早期 APK 破解到现代应用保护；入门先把这几类「在干啥」搞清楚，后面学脱壳、反反调试会顺很多。（反编译 APK 得到的类汇编代码，相当于程序的「菜谱」）就能绕过验证，到后来混淆、加固、反调试一起上，逆向难度越来越高。（第三节 什么是 CPU 指令集），帮你搞清楚「反汇编看到的那些指令」是从哪来的、和 Android 逆向有啥关系。有必要——先搞清「没加固时怎么玩」，再学脱壳和对抗，思路才顺。读起来费劲，但逻辑还在，耐心一点还能跟。
2011最全的程序员薪资，经验，学历，跳槽分析
2011：程序员的日子不算差 相信每个开发者在回忆当初高校毕业，加入滚滚求职大军的情形时，都能记得那番对美好生活的憧憬和闯荡世界的豪情。而在经济社会，判断成功的可量化方 式无疑是薪资了，尽管有点世俗，但暂时也找不到更好的标准。那么现在，中国的程序员们，总体收入水平如何呢？首先我们看程序员们对薪资水平的满意度。 我们发现绝大多数程序员（近73%）对自己的薪资并不满意，这种普遍不满意的情绪
uniapp - 实现移动端H5微信公众号网页内置浏览器中预览和下载word文档(doc)、excel表格(xls)、ppt文稿、pdf文档等文件，微信内部打开预览和下载到本地详教程，兼容安卓苹果手机
uni-app，微信公众号，h5，移动端，web平台端，网页，网站，Uniapp微信公众号H5网站，内置浏览器下载文档，如何在微信浏览器中预览office文件，word文档，excel文档，pdf文档，ppt文档，office，微信内置浏览器下载文件，下载文件，在微信浏览器里面实现下载任意文件，H5需要在微信浏览器中下载excel文件，UniApp实现网页在微信内置浏览器中下载文件详细教程，安卓点击下载会提示打开浏览器，后端返回流文件，如何解决无法下载文件，跳转至浏览器下载文件，发送到电脑微信，安卓，苹果，
asp.net网站优化需要考虑的方面
最近公司一个项目上线后，经常崩溃，于是开始重视性能问题，在网上看到了许多相关文章，整理下发了上来。以备参考。 在用ASP.NET开发网站的时候，性能是永远需要考虑和关注的问题，性能不仅仅只是程序代码执行时候的速度，而是涉及到方方面面的东西。 就拿ASP.NET的一个请求来讲，从浏览器向服务器的ASP.NET网站发送请求开始一直到最后整个页面呈现在我们面前，其中请求经过的每一个步骤，都是有不同的调优
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
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
四道智力题，挑战你的编程极限
说明：请用最少的代码算出以下问题！并贴出代码相互学习。 1> 在一50人的队列中，从左至右报数，为单数者出列，其他人再从左至右报数，为单数者出列，直至剩下最后一人，问此人是初始队列中的第多少号? 2> 在某月，周二比周一多一天，周三比周四多一天，划出该月日期表。 3> 1到9的9个数，排成三行三列的正方形，如何使其所有行、列、
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")
成为软件高手的7个致命忌讳
1） 不会英语 CS源于美国，重量级的文档都是英文的。不会英语，那么你只能忍受拙劣的翻译和大延迟的文档（翻译出来的文档几乎都是很久以前出版的东西）。 2） 急于求成 什么都没学习就开始编程是最大的机会。写C++程序语法都能错，数据结构连线性表都不知道，数据库不知道关系模型，TCP编程不知道socket，还是先坐下来学习几年再说（如果说工作急需，我只能说：早干嘛去了）
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
我是程序员，我为自己代言
你只看到前台优美的界面却看不到后台抽象的代码你嘲笑我不懂色彩搭配我鄙视你缺乏逻辑思维你有你的审美标准我有我的开发原则编程的路注定是艰辛和坎坷的但是我会用我的应用来证明这是谁的时代我是程序员我为自己代言！
《深入浅出Windows Phone7应用开发》试读心得
不是每个系统都有穿透力，也不是每个应用程序都可以摄人心魂 一篇篇读，一句句理解，一下午读完了所有试读章节 我喜欢winPhone的简洁，敏锐 尽管我对这个入世不深的系统并不完全了解 尽管我仍然无法准确的把握它的思想 总是仿佛雾里看花一样似是而非若隐若离 也许就像一位朋友说的：不一定要读懂，感觉到了就好 起码我已经清楚的知道，我要涉足它 我从来不是一个靠理性生存的程序员 在
嫁给程序员的10110个好处
0.专一的心，除了计算机就是你 1.一套衣服穿半年 10.只认识0和1，基本没理财能力，一定会主动把所有的钱都交给老婆管，还会千恩万谢 11.知道既然世界上不存在没有Bug的程序，就更加不会有没有缺点的人，所以绝不会老婆太过苛求 100.知道系统若不经常维护就无法保持稳定运行，所以一定会每天都对老婆精心呵护 101.会帮老婆把菜谱改写成if...then...do while的格式，并且
程序员的给力愚人手段，彰显程序员本色
朝九晚五的上班族也不想的快乐愚人节，怎样在办公室里、电脑前，动动手指就能愚乐一下呢？其实很简单呢，简单的在电脑上做做手脚，就能成全你的整蛊愿望咯！ 疯狂桌面 桌面是每一个电脑用户每天必须面对的，也是打交道最多的东西，如果你把对方的桌面给“黑”了，结果会怎样？好了，今年的愚人节，让我们首先拿对方的桌面开刀吧！ 一无所有的桌面 整蛊威力：★★★☆☆ 整
程序员无处安放的青春
也许从程序员到架构师要走很长的路，经历过生命中无数，突如其来的测试、变更、激情、冷静···才会变的知性与睿智。 一直以为喜欢学校的自己，可以不长大，可以不懂事，也可以不坚强高兴的时候就大笑，落寞的时候就痛哭现在才明白只是，破了流年，碎了梦编程的路，或长或短谁都不得而知以后是否仍可同行？ 春的希望，夏的激情，秋的成熟，冬的冷静不经意从指尖悄悄溜走左岸，无法忘却的回忆，右岸，紧握的璀璨年华，中间飞
Windows RT和Windows 8有什么区别
Windows RT和Windows 8有什么区别，应该如何选择？答：Windows 8有三个版本，分别是Windows RT、Windows 8和Windows 8 Pro，有些网友会感觉这几个版本比较难以区别，首先从名字上就比较混乱，笔者认为这还是要怪微软，如果把这三个版本命名为Windows 8 for ARM、Windows 8 Basic和Windows 8 Pro就一目了然了。三个版本
没人把程序员当回事儿
编程对很多人来说有点神秘。这就造成了在公司内部，人们对编程的事情产生了很多怀疑和疑惑。 通常，当你不了解一个东西是怎样做成的时，你只能说：可能是这样吧。 如果你从没见过工地，你也许会认为几个星期就能建出一栋大楼。 事实上，在这样的时间内是可以完成这栋建筑的，只是能不能用就不知道了。 如果你看过房子如何建造，跟踪它的建造过程，你能从物理实物看到地基如何浇灌，钢架结构如何搭成，等等。 但给电脑编写程序
2012年4月份编程语言排行榜
当年 Java 花了比较长的时间来超过C语言。由于 Android 平台的普及，Java 下降不会持续很久，C语言可能会保持几个月的领头羊。这可以看作这 2 种语言的交替。 前 20 名其它变化（与 3 月对比）：C++重新回归第三，Objective-C也超越 C# 成为第四，C#滑到第五（由8.244% 减少到7.348%）。T-SQL 退步较大，由 14 滑到第 18，份额也有较显著得
Chrome 扩展安全攻防实录：从攻击面到防御实践
本文系统剖析Chrome扩展安全风险，涵盖其架构组成、权限模型与通信机制，梳理权限滥用、脚本注入、消息信任漏洞等攻击面，结合XSS提权、伪造消息、供应链攻击等典型案例，提出最小权限、输入校验、CSP策略、依赖管理等防御体系，并提供静态检查、动态调试等审计实践。展望Manifest V3下安全演进方向，为开发者与安全研究者提供全面防护指南。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
320
扫一扫
