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
1.5k累计阅读
1.6k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
今天，在卓越买的两本书终于到了，一本是著名的wrox红皮书《C#高级编程》第6版，事实上这本书似乎更适合当参考用书而不是学习用书，原因很简单，这本书的厚度居然超过了1500页，是我所有买过的参考书中最厚的，实在无法想象需要用多长时间才能将它读完。这本书基于VS2008，但前面的基础部分却是完全与版本无关的。与《C#入门》相比，这本书讲的应该会更详细一些，更深入一些。不过我才拿到，还没有认真开始读，等读一读后再进行评论吧。
另一本是《敏捷软件开发》C#版，人民邮电出版社出版。其实我也真的认为，应该好好学一学软件开发的方法了，以前也买过一些书，但始终没有认真的读下去，这本书我想我会认真的读上一两遍，看看到底什么是敏捷开发，这种方法对我们这种中小型软件开发来说，真的适用吗？
Unity集成阿里Qwen2.5-Omni全模态大模型实战：语音交互与多模态AI开发指南
本文详细介绍了在Unity中集成阿里Qwen2.5-Omni全模态大模型的实战指南。通过C#脚本开发，实现语音交互、图像分析等多模态AI功能，涵盖API调用、音频处理、流式响应解析等核心步骤，为游戏、虚拟人等Unity应用提供沉浸式智能交互解决方案。
1500页技术人的黑皮书 免费下载！
技术人不可错过的年度重磅百宝书来了！作为阿里巴巴新零售技术的王牌军，基于淘系丰富的商业和业务形态，淘系技术在大前端、音视频、端智能、用户增长、客户端架构、服务端架构、云原生、技术质量、以...
英飞凌ADS开发环境搭建全流程：从安装到第一个程序烧录
本文详细介绍了英飞凌ADS开发环境搭建的全流程，包括环境准备、ADS安装与配置、MemTools烧录技巧等关键步骤。针对嵌入式开发者，特别提供了从安装到第一个程序烧录的实战指南，涵盖常见问题解决方案和优化建议，帮助开发者快速上手英飞凌AURIX系列微控制器的开发工作。
CSAPP《深入理解计算系统》，我的学习心得
大家好，我是小林。 今天跟大家聊聊《深入理解计算系统》，这本书的英文全称叫ComputerSystem:A programer perspective 英文名翻译过来是「程序员视角下的计算机系统」，也被简称为 CSAPP。 贴心的小林，也把这本书找给大家了：计算机电子书下载 可能大家以为这本书是讲操作系统的，我最开始也以为是这样。后面当我开始啃这本书的时候，发现我大错特错，它远不止我想的那样。 这本书是从程序员的角度学习计算机系统是如何工作的，通过描述程序是如何映射到计算机系统上，程序是如何执行的，以及程
别再手动发通知了！用Python+飞书机器人，5分钟搞定自动化消息推送（附完整代码）
本文详细介绍了如何利用Python和飞书机器人实现自动化消息推送，大幅提升工作效率。通过Webhook调用和Python脚本，可以轻松发送告警、日报等各类消息，并与业务系统深度集成。文章还提供了完整代码示例和避坑指南，帮助开发者快速上手。
python基于语音识别的智能垃圾分类系统
大家好我是蓝天，混迹在java圈的辛苦码农。今天要和大家聊的是一款《python基于语音识别的智能垃圾分类系统》毕业设计项目。项目源码以及部署相关请联系蓝天，文末附上联系信息。🎈作者：蓝天🎈🎈个人简介：精通 Java、Python、C#、C、C++ 等编程语言，同时对微信小程序、Php 和 Android 等技术也能熟练掌握，可为大家提供全面的技术支持与交流。我拥有丰富的成品 Java、Python、C# 毕业设计项目经验，能够为学生提供各类个性化的开题框架及实际运作方案。🎈。
一些软件黑盒测试工具列表
WinRunner 8.0 企业级测试工具下载 http://www.verycd.com/topics/56939/ 约190M QuickTest Pro 8.2 中文版 强大测试工具下载 http://www.verycd.com/topics/56964/ 约250M QACenter--软件黑盒测试工具Compuware的QACenter家族集成了一些强大的自
通信系统原理[郭宇春]——模拟调制系统——课后习题答案
通信系统原理[郭宇春]——第三章课后习题答案，出错望指正！
开发模式学习笔记之——OCP 开放-封闭原则
我们需要在标准GUI上绘制贺和正方形的应用程序，圆和正方形必须要按照某种特定的顺序来绘制。下面的例子中，分别使用了结构化的方案，以及实现OCP原则的演化过程。什么也不说了，看代码吧。 1、结构化方案 class __过程化方案 { //一但需要增加新形状，所以用到此枚举的地方全部需要重新编译和布署！ enum ShapType
＜PLC＞＜汇川＞汇川PLC基于EtherCat协议使用转矩模式控制SV630N伺服驱动电机
本系列是关于PLC相关的博文，包括PLC编程、PLC与上位机通讯、PLC与下位驱动、仪器仪表等通讯、PLC指令解析等相关内容。PLC品牌包括但不限于西门子、三菱等国外品牌，汇川、信捷等国内品牌。除了PLC为主要内容外，PLC相关元器件如触摸屏（HMI）、交换机等工控产品，如果有值得记录的内容，也会添加进来。
Codex 接入国产大模型指南：客户端与 CLI 双端实战
CC Switch是目前最流行的 Codex / Claude Code 模型切换工具，内置了协议转换功能，支持几乎所有主流国产模型。核心原理Codex → 本地 8317 端口（CC Switch）→ 协议转换 → 国产模型 API整个过程对 Codex 完全透明，Codex 以为自己在跟标准的 Responses API 对话。用户类型推荐方案理由新手 / 不想折腾配置简单，免费额度够用追求稳定体验通义千问（原生接入）官方兼容，功能最完整企业用户自建 AI 网关可控性强，支持多用户管理预算有限。
软件开发方法——实用为王
在博客软件工程首页上看到了邓永庆的一文，《Joel vs Bob, 敏捷其实很无聊》，读后正和我现在的理解相近，实用才是最重要的。我最近也一直在学习敏捷开发，买了《敏捷软件开发 c#版》，才读了不到1/5。还在webcast上下载了关于开发模式的教程看，也只看到不到5章的课程。其中讲的东西第一遍看，基本是不知所云，第二遍看，若有所悟。第三遍看，还是若有所悟。所讲的东西看是看明白了，也基本理解了
一文吃透 OData Deep Insert：从框架原理到 ABAP 实战
本文面向ABAP工程师，解析OData服务中的Deep Insert技术。文章首先阐述Deep Insert的业务背景，说明其适用于父子层级数据必须成组创建的场景（如销售订单与行项目）。随后深入框架实现机制，介绍SAP Gateway如何通过CREATE_DEEP_ENTITY方法处理嵌套请求，并强调开发者的责任边界。通过销售订单案例，文章对比了Deep Insert与$batch的适用场景差异，提供请求负载示例和DPC_EXT实现骨架代码。最后给出MPC_EXT声明深结构的三种套路，以及事务处理和错误处理
【JVM】对象内存布局
HotSpot JVM 中，Java 对象内存布局由对象头（12字节，含Mark Word与压缩Klass Pointer）、实例数据及对齐填充构成，总大小为8字节倍数。对象头支持锁状态动态复用，指针压缩使引用仅4字节，但堆超32GB时失效。实例字段按类型优先级重排序以减少间隙，最小对象大小为16字节。通过JOL工具可精准验证布局，理解锁机制、GC、伪共享等底层行为。
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")
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...
Lua 与 ToLua：运行机制及热更新原理
本文解析 Lua 与 ToLua 在 Unity 中的运行机制及热更新原理。Lua 作为可嵌入语言，通过编译字节码由虚拟机执行，支持运行时加载新脚本；ToLua 实现 C# 与 Lua 的双向调用，通过生成 Wrap 代码注册类型接口；热更新依赖于宿主动态加载并执行新脚本，结合资源管理、版本控制与状态处理机制。关键点包括：table 共享引用、函数值不随重定义更新、闭包捕获状态、元表实现类逻辑，以及对象跨语言传递的生命周期管理。完整热更新需独立设计补丁分发与回滚策略。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
使用lxml操作 Word 的 OpenXML 底层
本文综合介绍了使用lxml操作Word底层OpenXML文档的基础知识，并给出了一个效率远超VBA的提取Word文档中的表格的HTML表结构的实例，演示了用lxml获取及修改部分Word文档组成部件的文本、属性的方法。
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
C#使用opencv和Yolo模型识别车牌号
本文基于OpenCVSharp与OnnxRuntime，结合YoloV8n-pose_plate模型（检测车牌位置）和OCR模型（识别车牌文字），实现高效车牌识别。通过预处理、目标检测、NMS筛选及文字识别流程，最终输出车牌框位置与识别文本。代码封装良好，支持自定义路径与置信度阈值，具备实际应用价值。
C# NAFNet 图片去模糊
基于NAFNet与ONNX Runtime的C# WinForms图片去模糊工具，支持DirectML GPU加速与CPU回退，实现一键去模糊、大图分块处理、并排对比及拖拽打开。具备高DPI适配、自绘圆角界面、命令行批量处理等功能，适用于Windows 10/11系统，可灵活配置模型路径与分块大小，解决显存不足与边缘接缝问题。
使用C#代码提取、修改或删除 Excel 中的超链接
通过 C# 和 VB.NET，可以方便地管理 Excel 文件中的超链接，包括提取、修改和删除等操作。提取超链接： 获取工作表中的超链接集合，读取每个超链接的地址和类型，并将相关信息保存到文本文件中。修改超链接： 更新超链接的显示文本和目标地址，确保链接信息准确。删除超链接： 移除指定的超链接，同时可以选择保留单元格中的原有显示文本，或清除单元格的全部内容。这些操作可以帮助开发人员更高效地管理 Excel 文档中的链接信息，减少重复的手动操作，也便于在数据迁移、文档维护和自动化报表处理等场景中使用。
C#: 控件不支持透明的背景色
把透明度固定为255。
week11-词云图
核心逻辑：词频越高，文字字号越大；适合快速看文本高频关键词（影评、评论、摘要文本非常适配 CommentInfo.csv）
C# 基于OpenCv的视觉工作流-章115-单节点条件
本章介绍C#基于OpenCv的视觉工作流中单节点条件的设置，涵盖列表值范围判断（支持“与”“或”逻辑）、模块结果参数匹配判定，以及结果显示图像与字体配置。通过灵活设定条件，实现检测结果的OK/NG自动判定，提升视觉系统智能化水平。配套工具“VisionTool 探迹”已更新，新增海康相机、PC相机采集及多类通讯优化功能，助力工业视觉应用。
基于 OPC UA 的半导体工厂化学气体传输 SCADA 监控系统：架构设计与 C# MVVM 实现
本文提出一套面向半导体化学气体传输的可演进SCADA系统，基于OPCUA统一信息模型与C#+WPF+MVVM技术栈，实现从气源到机台的全链路实时监控、安全联锁与追溯。通过资产树建模、分层解耦架构与标准对齐（SEMI E30/E95/S2），确保系统可扩展、可维护、可审计，满足高安全、高可靠要求，支持快速落地与持续演进。
C# 程序一键打包(PupNet-Deploy)
它允许开发者通过一个统一的配置文件（.pupnet.conf）和一个简单的命令行指令，自动完成 .NET 代码编译（dotnet publish）与目标平台原生安装包（如 Windows 的 Setup 安装程序、Linux 的 AppImage / Debian / RPM 包等）的封装。一键全自动： 完美打通了“源码编译 -> 依赖收集 -> 路径替换 -> 快捷方式/元数据注册 -> 原生安装包生成”的全套自动化流水线。一次配置多端适配： 只需维护一份配置文件，即可搞定多端发布。
把本地 docx 半自动发到 优快云 创作页（python实现）
本文介绍一套基于Python的自动化工具链，实现将本地Word文档（.docx）半自动发布至优快云创作页。通过docx2md.py将文档转为Markdown并导出图片，再用auto_upload.py自动粘贴文本与图片至网页编辑器，全程仅需双击脚本和点击输入框，支持40张图片按序粘贴，显著提升内容发布效率。
04 · Diagram —— 示意图与接线图
CCDiagramDiagramDiagrams把一组"节点 + 连线"画出来：机车各柜体之间的连线关系、系统拓扑、信号流向。节点是矩形框（可带标题），连线可以带箭头。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
315
扫一扫
