在好友mmpire的推动下,终于开始写博了!
其实之前有想过写博,只是怕自己懒的去经营,不过既然开张了,这儿就是我的家了。
想想以后自己可以在这随心所欲,还是挺兴奋的。
开业大吉,希望以后常有朋友们来做客!
ps:受够智能abc了,下紫光去
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
1.4k累计阅读
1.5k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 →
码龄20年
在好友mmpire的推动下,终于开始写博了!
其实之前有想过写博,只是怕自己懒的去经营,不过既然开张了,这儿就是我的家了。
想想以后自己可以在这随心所欲,还是挺兴奋的。
开业大吉,希望以后常有朋友们来做客!
ps:受够智能abc了,下紫光去
记录一下本地部署Dify的坑
1. 截止2025-3-4为止,请注意,不要直接拉Dify的1.0.0版本。请先试用0.15.3版本。1.0.0有一个bug需要解决。3. 请使用docker-ce 新版本,docker-engine等老版本可能会有部分容器启动脚本执行莫名报错。2. 注意,请使用docker-compose V2版本,或者V1较高版本,否则会导致解析官方yml模板错误。
“长按地址在浏览器中打开”的解决办法
部分网址制作出来是和微信不兼容的,所以有部分可以打开有部分不行。 某些网页不支持微信中打开的例如淘宝天猫之类的,毕竟微信的浏览器是阉割版的不是完全功能的浏览器,微信主要功能也不是用来浏览网页的。 解决问题: 1.0版本、遮罩引导法,这种事最简单的方法。方式如下图(适用于下载,微信活动等) 2.0版本、安卓手机的话是通过点击链接,直接跳转出微信。自动打开手机默认的浏览器。但是这个方法IO...
docker安装fastdfs+nginx配置
docker安装fastdfs+nginx,实现图片或文件的上传与下载
在浏览器中打开手机app
在浏览器中打开手机APP 如果手机中没有安卓则跳转到下载页面 其实不管用户有没有安装App 最终都会跳转到App下载页,因为判断不了用户是否安装App,只能是每次尝试去打开 不管成功或者失败都会到下载界面<html> <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8"> <meta na
BGE(BAAI General Embedding)模型详解
BGE(BAAI General Embedding)是北京智源人工智能研究院(BAAI)推出的通用文本嵌入模型系列,旨在为各种自然语言处理任务提供高质量的向量表示。
PCI-Express、MiniPCIe、ExpressCard接口转换说明/引脚互换关系
通过引脚PIN互换可以在PCI-Express、MiniPCIe、ExpressCard之间切换不同的接口;提供接口引脚表和标准尺寸图。
安卓手机微信浏览器中长按提示“在浏览器打开”解决方法
安卓手机在微信网页内长按时,如同鼠标右击事件,会触发微信浏览器的默认事件,弹出“在浏览器打开”的提示语只需在长按事件触发时,取消鼠标右键事件的默认动作即可document.oncontextmenu = function(e){ e.preventDefault();}...
字节系,ali系,ks,pdd最新抓包方案
各大厂安卓逆向
数字化导师坚鹏:2025年银行开门红营销规划、方法及案例工作坊
7、 XX数据中台的7大主要功能(包括多端数据可视化分析、智能决策、运营洞察、营销风控等)及相关特色应用案例。2、 制定全行营销战略规划:包括未来3-5年的营销目标、营销模式、营销策略、营销措施等。3、 组织制定全行级开门红营销方案:夯实基础、抢抓客户、广泛蓄客、实时抢收、二次攻势。银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。5、 XX营销 中台工具包(包括客户、员工、管理层、业务部门、合伙人等)3、 研讨银行重点客群、重点产品、重点渠道、重点工具、重点措施及重点保障。
Python 爬虫教程:财经新闻实时抓取(最新资讯 + 关键词提取)
在当今信息爆炸的时代,财经新闻的实时获取对于投资者、研究人员以及普通大众来说都具有重要的价值。通过 Python 爬虫技术,我们可以高效地抓取财经新闻,并提取其中的关键信息,以便更好地进行数据分析和决策支持。本文将详细介绍如何使用 Python 编写一个财经新闻实时抓取系统,并结合关键词提取技术,帮助读者快速掌握 Python 爬虫的核心技能。
JavaScript实现量化交易策略(附完整源码)
JavaScript实现量化交易策略(附完整源码)
有种!阿里家的开门红居然发了……
大年初七,话说今天叫醒你的除了闹钟,还有梦~想~和~红~包,对吧!像橙子我,早早到了园区,为啥,阿里老传统——开~门~红!抢~个~好~彩~头~呀~ 财神爷早就在门口迎接了~ 前台小姐姐递过来福袋——上面写着两个大字:有·种!? 还有一行小字——做个奔向阳光的小青年……这个名为“阿里春种”的福袋里装着一袋种子,有向日葵、番茄和小彩椒。让大家“播种希...
YOLOv8改进-利用图像去雾网络UnfogNet提升检测精度的探索【附核心模块代码】
YOLOv8-UnfogNet联合模型的提出为目标检测和图像去雾领域提供了一个新的思路。通过将图像去雾网络和目标检测网络结合,不仅可以提升在恶劣天气下的目标检测精度,还能够为实际应用中的自动驾驶、监控安防等领域带来更强的鲁棒性和适应性。随着去雾技术和目标检测算法的不断发展,我们相信,这种联合方法将在多个领域中获得更加广泛的应用,并为进一步提升图像质量和检测精度做出重要贡献。
银行数字化转型导师坚鹏:2025年银行数字化开门红方法及案例
7、 XX数据中台的7大主要功能(包括多端数据可视化分析、智能决策、运营洞察、营销风控等)及相关特色应用案例。4、 XX营销中台的8大主要功能(包括活动平台、权益平台、SCRM、企业微信等)及相关特色应用案例。银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。5、 XX营销 中台工具包(包括客户、员工、管理层、业务部门、合伙人等)8、 银行数字化营销成功案例分享(包括国有银行、股份制银行、城商行等)1、 银行数字化开门红宣传内容策略:包括文章、海报、短视频、H5等。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
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")
数字化转型导师坚鹏:2025年银行开门红重点活动设计方法及案例
银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。2025年银行开门红之员工竞赛活动设计方法及案例。2025年银行开门红之活动整体设计方法及案例。2025年银行开门红重点活动设计方法及案例。7、 中小企业家客群营销活动设计方法及案例。8、 二手房中介客群营销活动设计方法及案例。5、 商户老年客群营销活动设计方法及案例。6、 他行潜在客群营销活动设计方法及案例。Ø 不知道银行开门红重点活动设计案例?5、 “春节七天乐”活动设计方法及案例。7、 元宵节之后活动活动设计方法及案例。
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...
银行数字化转型导师坚鹏:2025年银行开门红蓄客方法及案例
银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。3、 第三个难题:银行需要做哪些准备工作?4、 第四个难题:如何抛开疑虑、放手去做?1、 第一个难题:银行锁定哪些目标客户?2025年银行开门红蓄客方法及案例。1、 重点社区场景蓄客方法及案例。2、 网点邀约场景蓄客方法及案例。3、 客户面谈场景蓄客方法及案例。4、 礼品赠送场景蓄客方法及案例。5、 线上平台场景蓄客方法及案例。Ø 不知道银行开门红蓄客方法?Ø 不知道银行开门红蓄客难题?Ø 不知道银行开门红蓄客案例?
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
职场那些事儿之新年开门红
据说“开门红”这个词汇在宋代就有了,那时在中原的房屋一进门都有一块门墙,逢年过节的时候大家都爱往门墙上贴点红色福字啊、红纸门神啊等,以期开门见红,来年风调雨顺,日子兴旺发达。后来,“开门红”就用来比喻工作、事业一开始就取得好的成绩、获得成功。如今,各行各业在正式开工前,都要按惯例举办一个“开门红”的仪式,以期望在新一年里生意红红火火。 这一天正是春节假期过后的第一天...
今天开门红,好兆头
今天开门红,好兆头
银行数字化转型导师坚鹏:2025年银行开门红绩效管理方法及案例
银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。6、 银行开门红绩效管理第五环-绩效结果应用。2、 银行开门红绩效管理第一环-绩效计划。3、 银行开门红绩效管理第二环-绩效辅导。4、 银行开门红绩效管理第三环-绩效考核。5、 银行开门红绩效管理第四环-绩效沟通。7、 银行开门红期间绩效管理方案实施案例。2025年银行开门红绩效管理之体系建设。1、 银行开门红绩效管理存在的主要问题。2025年银行开门红绩效管理之考核方式。2025年银行开门红绩效管理之目标管理。
数字化转型导师坚鹏:2025年银行数字化开门红方法及案例工作坊
7、 XX数据中台的7大主要功能(包括多端数据可视化分析、智能决策、运营洞察、营销风控等)及相关特色应用案例。4、 XX营销中台的8大主要功能(包括活动平台、权益平台、SCRM、企业微信等)及相关特色应用案例。银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。5、 XX营销 中台工具包(包括客户、员工、管理层、业务部门、合伙人等)3、 研讨银行重点客群、重点产品、重点渠道、重点工具、重点措施及重点保障。1、 银行数字化开门红宣传内容策略:包括文章、海报、短视频、H5等。
银行数字化转型导师坚鹏:2025年银行开门红活动如何开展?
通过以上措施,国有银行、股份制银行、城商行、农商行等各类银行可以有效开展开门红活动,提升客户体验和市场竞争力,实现业务增长和可持续发展。2. 产品策划:根据市场调研结果,设计具有吸引力的开门红产品,包括存款、贷款、理财、信用卡等,确保产品能够满足客户需求并具备竞争优势。2. 创新营销手段:结合线上线下资源,采用多种营销手段,如社交媒体营销、线下活动、广告宣传等,提高活动曝光度和参与度。
数字化转型导师坚鹏:2025年银行开门红重点产品营销方法及案例
银行营销、运营、数字化营销、数字化运营、网点负责人、中高层干部等相关人员。2、 银行开门红重点产品包括哪些:开门红“对”的产品。2025年银行开门红重点产品之存款营销方法及案例。6、 AI助力开门红保险营销产能提升方法及案例。2025年银行开门红重点产品营销方法及案例。6、 法人贷款客户及项目贷款客户的营销案例。Ø 不知道银行开门红重点产品营销方法?Ø 不知道银行开门红重点产品营销案例?3、 网点厅堂场景信用卡营销方法及案例。1、 存量客户的信用卡营销方法及案例。2、 增量客户的信用卡营销方法及案例。
银行数字化转型导师坚鹏:2025年银行开门红四类宣传口号(10)
解析:“家温馨” 体现出人们对温馨家居生活的向往,银行在 2025 年蛇年的开门红活动中融入家居生活元素,打造家居金融服务,让客户在打造舒适宜居的家居环境同时,收获财富助力,使财富与美好的家居生活紧密相连,面向关注家居生活品质的客户群体。解析:“电竞赛” 突出当下热门的电竞领域,银行在 2025 年蛇年开门红活动中融入电竞元素,打造电竞金融服务,让财富的获取就如同在电竞比赛中打出超神操作一般,充满激情与挑战,吸引广大电竞爱好者以及年轻的客户群体,展现银行紧跟潮流的一面。电竞创富,财富夺冠。
来了一个开门红
恭喜小四,专业的服务,赢得了客服的信赖,开年第一天,就拿到了一个单子。
银行数字化转型导师坚鹏:2025年银行开门红六类宣传口号(8)
解析:“星闪耀” 营造出浩瀚星空璀璨夺目的画面感,银行在 2025 年蛇年的开门红活动里,引入星空探索元素,打造星空金融概念,意味着财富如同那浩瀚星空中的星辰一样,有着无尽的可能和广阔的空间,激发客户对未知财富领域探索的兴趣。解析:“跃起来” 展现出充满活力、积极运动的状态,银行在 2025 年蛇年的开门红活动中,融入运动元素,打造运动金融概念,让财富如同运动时的节奏一样,富有律动,充满生机,激励大家在追求健康运动的同时收获财富增长。运动创富,财富奔腾。2. “灵蛇织梦开门红,银行 2025 梦幻境。
1147
3067
1520
1374
1190
777
1163

被折叠的 条评论
为什么被折叠?



