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
600+累计阅读
663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
程序的问题，如何编译，函数库等内容。
make等。
还有静态函数库与动态函数库的区别。
静态，a为后缀。编译成功的可执行文件可以独立执行，而不需要其他东西。较大。
动态，so为后缀，在程序里只有一个指针指向动态函数库的位置。较小。
很明显，动态的更新要比静态的简单。
对于动态，可以将常用的动态库添加到内存中（高速缓存，cache）。使用到ldconfig，/etc/ld.so.conf的帮助。
ldd用于判断某个可执行的二进制文件有哪些动态函数库。
检验软件正确性，为重要文件建立指纹数据库。md5sum。
金蝶云苍穹-插件开发（一）加载数据
此系列博客是进行金蝶云苍穹开发时的插件开发的教程，一是在明年要是还要参加软件杯金蝶A6赛题的话，可以看此系列教程的博客来进行复习，同时如果要是我实验室的学弟学妹要参加的话，我这个系列的博客可以给他们提供学习参考，因为插件开发学习的路上很艰难，我学习的时候，能参照的讲解少，要花费大量工夫去猜测去调试才能学会那些语法。在插件开发上，希望我这个系列的博客能帮助到别人。这个系列的博客只专门讲解插件开发，基本的那些金蝶云苍穹的知识点在这里不多作讲解。
鸟哥Linux第二十一章-软件安装：源代码与Tarball简记
获取这几个参数才能让Linux上网：IP，子网掩码，网关，DNS主机的IP ifconfig -a:列出全部网卡 nmcli是通过一个名为连接代号的名称来设置是否要上网，通常将连接代号和网卡名称设置成一样。 hostnamectl：修改主机名 timedatectl：时区的显示与设置 ntpdate：手动网络校时 localectl：语系 dmidecode：查看硬件设备 lspci：显示目前的...
基于aarch64分析kernel源码 六：kernel_init进程(1号进程)、kthreadd进程(2号进程)
kernel_init进程(1号进程)、kthreadd进程(2号进程)分析
Linux源码与Tarball套件管理程序
一. gcc简单用法 # 1. 仅将原始码编译成为目标文件，并不制作连结等功能： [guest@test guest]# gcc -c hello.c # 会自动的产生 hello.o 这个文件，但是并不会产生 binary 执行档。 # 2. 在编译的时候，依据作业环境给予最佳化执行速度 [guest@test guest]# gcc -O hello.c -c # 会自动的产
深信服防火墙路由模式开局部署-手把手教学（小白篇）
手把手教学，拿到深信服的防火墙路由模式该如何开局？
从碰撞电离到雪崩击穿：Sentaurus仿真中的模型选择与验证艺术
本文深入探讨了Sentaurus TCAD中雪崩击穿模型的选取与验证方法，特别关注平行平面结的仿真实践。通过对比Chynoweth、van Overstraeten等主流模型的适用场景与精度差异，结合具体案例展示了从几何建模到边界条件设定的完整验证流程，并针对非理想因素提供了有效的补偿技术，助力工程师提升器件仿真的准确性与可靠性。
源码与tarball套件管理程序笔记摘录
1.file命令，用于查看文件的类型， 2.tarball套件解压后通常会有：源码文件、检测程序文件（可能是configure或config等文件名）、本套件的简要说明与安装说明。 3.tarball文件一般的扩展名会写成*.tar.gz或简写为*.tgz，以tar先打包，再压缩而成。 4.gcc –O –Wall -O产生优化的参数，-Wall为产生更详细的编译信...
ScanNet数据集下载全攻略：从申请到解析的保姆级教程（含常见问题解决）
本文提供了ScanNet数据集从申请授权到下载、解析的完整实战指南。针对这个大规模室内RGB-D数据集，详细介绍了官方申请流程、优化下载策略、数据验证方法，并重点解决了深度图解析等常见问题，帮助三维视觉研究者高效获取和使用这一宝贵资源。
鸟哥Linux私房菜笔记（三）：系统管理、源码与Tarball、RPM与SRPM套件管理程序
磁盘配额 真正的磁盘配额是读取/etc/mtab,这个文件需要重新启动后才能用/etc/fstab的新数据改写。 例行性命令的建立 仅进行一次用 at命令： at [-m] TIME 其中-m当工作完全用邮件通知用户。at [-m] TIME后会出现at提示符，用户可以执行多个命令。 可利用/etc/at.allow和/etc/at.deny来限制at的使用。 atq可查询当前主机...
【语音识别算法】深度学习语音识别算法与传统语音识别算法的区别、对比及联系
深度学习语音识别算法与传统语音识别算法在理论基础、实现方式、性能表现等方面存在显著区别，同时也有一些联系。下面将从几个方面详细比较这两种方法，并给出应用实例和代码示例。
从示波器波形看懂CAN/RS485/RS422：一个TVS管放错位置，通信全挂的教训
本文通过示波器波形分析，深入探讨了CAN/RS485/RS422通信系统中TVS管布局错误的故障诊断与解决方案。文章详细解析了错误布局导致的波形特征，如信号钳位、阻抗失配等，并提供了正确的保护电路设计方案和终端匹配技术，帮助工程师快速定位和解决通信故障。
linux下源码的编译与安装Tarball套件管理程序
——摘自鸟哥的linux私房菜
基于STM32的家庭环境监测毕业设计（全部资料）
本文设计并实现了一套基于STM32的家庭环境监测系统，具备温湿度、烟雾浓度和PM2.5检测功能，通过OLED屏实时显示数据，并能自动或手动控制风扇、加湿器等设备。系统采用分层架构设计，包含数据采集、处理、显示和控制执行模块，经测试性能稳定可靠。研究结果表明，该系统能有效提升家庭环境监测与控制的智能化水平，但仍存在传感器精度和智能化程度不足等问题，未来可进一步优化硬件配置并引入AI算法提升性能。
Linux学习笔记（二十二）
源码与Tarball套件管理程序 通过Linux操作系统里面的执行问价，来理解什么时候可执行程序，什么是编译器，以及与程序息息相关的函数库。本章中，希望读者可以了解如何将开放源码的程序设计、加入函数库的原理、编译源码成二进制文件，最后执行该文件可被我们所用的一连串的过程。 了解这些的好处：在Linux的世界里，我们常常需要Linux系统自行安装套件，所以，如果有简单的程序编译概念，就会很容
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")
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Linux系统软件安装的几种方式
Linux系统，一个文件能不能执行看的是有没有可执行权限x，不过真正的可执行文件是二进制文件（binary file），举例来说Linux上的c语言源码编写完后，通过gcc程序编译后就可以创建一个可执行的二进制文件。 1、什么是make 与configure make是一个程序，会去找makefile（记录了源码如何编译的详细信息），通常这个检测程序文件名为configu...
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
tarball rpm
tarball rpm Tarball文档，其实就是将套件的所有原始码档案先以TAR打包，然后再以压缩技术来压缩，通常 最常见的就是以gzip来压缩了，因为利用了tar与gzip的功能，所以tarball文件一般的后缀名 为.tar.gz或者简定.tgz，也就是说，Tarball套件解压缩之后，里面的文件通常就会有：原始程 序代码文件，侦测程序文件（可能是confi
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
跟我一起学“网络安全”通识-Linux
本篇文章是《跟我一起学“网络安全”通识》的第三章，介绍了Linux操作系统里的一系列基础知识，包括：Linux常用Shell命令、Linux文件和目录操作、Linux磁盘管理、Linux安装Nginx、docker等。
并行算法超简略的笔记..
并行算法就是用多台处理机 联合求解问题的方法和步骤,其执行过程是将给定的问题首先分解成若干个尽量相互独立的子问 题,然后使用多台计算机同时求解它,从而最终求得原问题的解. 当然，需要有特定的硬件支持和软件支持。 硬件支持方面，并行计算机是并行程序设计的硬件平台。典型的并行机系统，有阵列处理机（SIMD，single instruction multiple data，单指令多数据流机）。通常有
<决战大数据>感触
嗯，不错的书，例子好多好现实…2. 大数据的本质就是还原用户的真实需求 能否识别用户身份；了解价值；收集数据时的场景 Interesting Sample：电脑浏览，然后开会转成手机浏览。单纯从手机来看，是第一次访问 ===> 碎片化的数据，多屏思维 还原场景非常重要，知道造成事情的原因（ipad浏览量增加，二维码打不开等sample） 站在用户的角度去看需求，sample就是提问CEO想看的消息
《鸟哥linux2》-阅读摘要-第7章-限制linux对外连接的端口
网络联机是双向的，需要在一个端口上进行通信。共65536个端口，其中小于1023（包括1023）的端口需要使用root权限进行启动，这些是服务于一些常见的协议，对应记录在/etc/services里。大于1024的端口一般是作为client端的软件启动。 观察端口情况，可以使用netstat或nmap命令查看。 作为主机的系统，开启的端口应该越少越好，这样可以避免不必要的入侵管道。关闭某一端口
《web应用程序安全性剖析》——三种密码方式
针对对称加密，非对称加密，哈希，三种，进行说明。 在对称加密算法中，数据发信方将明文（原始数据）和加密密钥一起经过特殊加密算法处理后，使其变成复杂的加密密文发送出去。收信方收到密文后，若想解读原文，则需要使用加密用过的密钥及相同算法的逆算法对密文进行解密，才能使其恢复成可读明文。在对称加密算法中，使用的密钥只有一个，发收信双方都使用这个密钥对数据进行加密和解密，这就要求解密方事先必须知道加
《Effecitve C++》简略笔记——1~17
Item 1 c++其实是个大杂烩。 Item 2 使用const，enums，inlines等，容易定位错误。宏有很多坏处，比如著名的max函数宏定义问题。 Item 3 多使用const，保证正确性等等。比如返回类型、const的函数等。还有const非const的转换问题。 Item 4 进行初始化。使用初始化列表，注意初始化和赋值，是不同的东西。还有传说的local stat
<数学之美> 读后感
嗯，真的是数学之美啊！ 自然语言，从规则到统计，从鸟飞派即模仿人脑思考的方式等等的方法，到用统计学的观点用概率来实现自然语言处理。数学模型，好强大。 一个事件，可不可能是这样呢？看它概率。 中文分词，那种情况更为合理？看它概率。 两个网站，是不是它们相似呢？看它们余弦值。 挖掘垃圾网站，反作弊，看两个网站余弦or用图论的方法。 熵的概念，用于衡量信息的不确定性。还有最大信息熵模型。
《程序员修炼之道》简略笔记：5-8章
囫囵吞枣地看完了。书的道理很浅显，也提出一些实际的做法。在 以后的工作中多回顾吧。 第5章：弯曲，或折断 这一章，主要是讲代码会不断变化，如何去应对这些变化。 解耦。编写羞怯的代码：不向别人暴露你自己，不与太多人打交道。这里有个例子，对传输的参数进行示例说明：应该直接提供你所需的东西，而不是自行“挖通”调用层次。 一种写法是： public void plotDate
《鸟哥linux2》-阅读摘要-第5章-linux常用的网络命令
介绍常见的网络命令。 ifconfig——手动修改、观察、启动网络接口的相关参数。具体到那个Interface，如eth0，eth1，ppp0等的状态。 ifup,ifdown——根据/etc/sysconfig/network-scripts里的ifcfg-ethx等文件设置的参数来启动。（根据文件启动） route——路由器的设置观察等。添加删除等等。 ip——功能强大，集合ifcon
《鸟哥linux2》-阅读摘要-第11章-linux防火墙与Nat主机
防火墙分硬件防火墙和软件防火墙两类。软件防火墙又可分为代理服务器（Proxy）以及Ip Filter两大类。代理服务器仅是代理Client端向Internet请求数据。由于Proxy其实已经将可代理的协议限制得很少，并且由于内部与外部计算机不能直接互通，所以可以实现良好的保护效果。而IP Filter，利用数据包过滤的方式实现防火墙的功能。 防火墙的一般部署，可以单一的linux防火墙主机，可以
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3584
扫一扫
