《阿信》讲述了日本着名的百货连锁企业八佰伴创始人艰苦的过程

Rapid SCADA MQTT 一、配置RapidSCADA 1、准备KpMqtt.dll、Jint.dll库文件,从网盘下载。 2、将以上两个文件拷贝到SCADA安装目录的Comm/KP目录下,如下: C:\SCADA\ScadaComm\KP 3、新建SCADA项目 4、新建Line 5、新建Device 6、拷贝Config目录下的KpMqtt_001.xml文件、KpMqtt_Job.js文件到项目Comm\Config下,如下示例链接 C:\SCADA\Projects\MQTTProject\Instances\Defau 阅读详情
《阿信》讲述了日本着名的百货连锁企业八佰伴创始人艰苦的过程。她从最底层做起,历尽艰辛,终于获得了成功,正是千千万万个阿信,使日本成为世界经济强国。
  这个日本女人的故事,在国人心中埋下了个人奋斗成才的种子。若乾年后的第一批下海经商的人士,或多或少都受过"阿信精神”的鼓舞。
   阿信,是日本电视连续剧《阿信》的主人公。这位中国以至整个亚洲妇孺皆知的传奇式人物,其生活原型就是一夫的母亲和田加津。和田加津是八佰伴的创始人, 终其一生都是"八佰伴的灵魂人物”,与阿信一样充满传奇色彩。1994年10月,母亲"阿信”溘然仙逝。但作为一个传奇、一种精神,她永远活着。

  1977年岁末。
  濒临崩溃边缘的巴西八佰伴,得日本的骏河银行施以援手,有了一线生机。临危受命的和田一夫的四子和田光正,准备启程前往巴西就任巴西八佰伴的总经理。到了巴西后,光正得面对债主及重建八佰伴的全部困难。正在收拾行装的光正,光洁的脸上也不免显露出凝重的神色。
  突然,70岁的老祖母和田加津把一只小手提箱摆放在光正的行李旁,以不容置疑的口吻说:"光正,奶奶和你一起去。”光正心里虽然希望德高望重的老祖母前往助阵,可这毕竟不是短途。巴西山长水远,祖母年事已高,万一有些差池,就不得了了。
   但无论孙儿怎么劝阻,祖母只慈爱地微笑,一口咬定,要去巴西给孙儿及全体职员帮点忙。无奈之下,光正只好找来了父亲和田一夫。和田一夫很为母亲的举动感 动,他能理解母亲的心情。这么个烂摊子,大弟尚己都难以坚持,现又负咎辞职。一切担在20多岁的光正身上,确是个重担子呀!但念及母亲年事已高,还是冒险 不得呀。
  和田一夫劝道:"母亲你放心好啦,光正是个懂得收拾烂摊子的人,他会把巴西八佰伴重建起来的。”但母亲充耳不闻,好像没有听见一般。后来,和田一夫只得让步,让她去了巴酉。和田加津在巴西,成为了八佰伴的灵魂。
  她一到巴西的圣保罗市,先对孙子光正说:"虽然冈田大律师和许多人都在为巴西八佰伴尽力,但你可不能偷半分懒,你要比任何人都更努力才是!”
   她自己以七旬的高龄身体力行了这些原则,以热情的态度和积极的努力,起到了表率的作用。那时,八佰伴仍处于困境之中,负债累累,与1300家债主正在谈 论着债务偿还的问题。和田加津毫无畏难情绪,她坚持要去亲自拜访债主。一她说:"这是八佰伴精神!我们认真地对待问题,就是解决问题的最有效方法。”若不 是光正坚决地劝阻她,不让祖母过度疲劳,这1300家的债主,和田加津都会跑遍的。光正只答应让祖母帮忙做做一些谈判没有进展的债主的工作。
  中国有句俗话,"姜是老的辣”。和田加津是经过大风大浪的人,她的温婉和蔼蕴含着神奇的力量。八佰伴的一位大债主,因八佰伴租用了他的店面,在他最窘迫时,拖欠了他两个月的租金。他大为不满,动用法律手段,要收回店面。
   后来,八佰伴采取了缓和矛盾的措施,还清了所欠的租金,但他却死活不肯再出租店铺给八佰伴了。这位债主脾气倔犟,态度恶劣,毫无商量的余地。派去的人无 不扫兴而归,说无法可想了。和田加津平静地对孙子说声"我去试试”,便从从容容地去拜访他。加津先给他赔罪,说:"都怪我的人做得不对,令你生气。请你大 人雅量,原谅我们,让我们继续租用吧!”七旬的和田加津诚恳地对他鞠躬道歉。债主却漠然置之,根本不理会老太太说什么。
  和田加津不愠不恼,毫 不介意,继续以诚恳的态度恳求他,债主却毫无反应。加津便平静地返回住所。第二天,和田加津照样去拜访他,情形照旧,毫无进展。第三天、第四天、第五天、 第六天……和田加津天天去拜访他,用诚恳的态度要求债主收回法庭的控诉,继续把店铺租给八佰伴使用。可一无所获。第七天,和田加津照例又来了,此番她还未 开口说话,一直沉着脸的债主竟然面带微笑开口了:"老婆婆,你老人家一片诚心,使我硬不起心肠来了。好吧,我答应你,继续跟八佰伴合作!”和田加津充满感 激地深深欠身,向对方鞠了个90度的深躬!
  一场误会冰消雪释了,大家重又像一家人一样,言谈欢洽。事后,债主笑称,是这个70岁的老太太不慌 不忙、从容笃定的一片诚心感化了他,令他再也狠不下心来。和田加津的坚强信念与顽强精神,如春雨润物般,细密无声地化解着困难与焦虑的情绪。在八佰伴遭遇 危机时,替八佰伴解除了重大的围困。重建后的八佰伴,经过艰苦的努力,终于回复了正常的经营,再次成为巴西的最大百货企业集团。和田一夫曾充满感情地说过 这样一番话:一负债过亿的巴西八佰伴,经过3年的长期艰难日子,终于还清全部欠债。其中最令我敬佩的,是我那位70多岁的母亲!新加坡八佰伴开张,遭遇到 宗教方面的误会,最后能圆满解除误会的,也是我母亲。”
  时光回溯到1974年9月,新加坡。
  新加坡第一间八佰伴开张之前,公司对当地职员进行培训教育,一夫的母亲和田加津照例代表董事部到新加坡对当地职员作演讲。当时,一夫的父亲和田良平已于一年前(即1973年)去世。教育职员的工作都落在了母亲加津身上,她更加忙碌了。
   但和田加津从不懈怠。每逢新店开张,她总是亲自前往,不顾年老体衰,宣传八佰伴的精神,教育新职工。新加坡没有"生长之家”教团的分会,因而在讲解八佰 伴精神时,就不如在巴西那么容易取得当地人谅解。新加坡绝大多数民众是华人,余下是印度人、马来人等多民族共处,是个多民族、多宗教的国家,其宗教包括佛 教、回教和基督教多种。
  和田加津会长了解了此地的概况后,按原定计划从容开讲。和田加津总是从"感谢双亲”这一点开始讲起。她发现东南亚的青 年人也和日本的青年一样,没有受过"感谢双亲”的教育。她的开场白总令他们睁大双眼,屏息静听,似乎十分新鲜!接下来讲到的"为顾客服务”的公司精神,他 们虽也是初次听到,不过马上就领会了。一切按程序进行如仪,并无什么反常之处。
  可是,有一天,新加坡八佰伴的董事左纳明突然对一夫母亲说:" 今天不能再讲'生长之家’与八佰伴精神啦!”和田加津会长吃了一惊,忙问缘故。左纳明解释说,接受培训的职员中,有73名是回教徒,他们不愿接受日本的宗 教思想。和田加津听说后,马上请回教职员派代表来沟通。见到了回教职员的代表之后,和田加津和颜悦色地让他们敞开思想,讲述自己的心里话。
  代 表不再拘束,他们向加津会长解释说:"我们之所以有不满,是因为回教徒只相信真主,不会接受你的日本神。如果一定让我们信奉你的神,那么我们只好辞职不乾 了!”气氛顿时有些剑拔弩张。宗教信仰历来是个神圣而富于原则性的问题,为教派异悻诉诸武力、造成流血战争的,在历史上屡见不鲜。
  和田加津慈 爱温情的性格魅力再次显现奇效。只见她温和地笑笑,这一笑,顿时如春风化雨般舒缓了回教代表紧张的对立情绪。接着,她用和顺的话语,如淙淙清泉般洗却了前 来谈判者的不安。她语调舒缓地说:"我不是传教者,八佰伴也不是宗教团体。只是,八佰伴的企业精神,是以幸福共享作为最终目的的。"所以,我们才特定一个 "生长之家’的思想为企业的宗旨。我们不会强迫他人的信仰,也不会批评其它宗教,请大家安心。”
  代表的面部表情放松了:既是主张人类友善与幸 福的,这是万教合一的共通目的,何况它只是企业的宗旨,与真主的教义并不背悖。和田加津又着重说明了八佰伴的理想,令回教职员明白八佰伴不是传教企业。培 训课程又得以顺利进行。一场风波化险为夷。和田一夫对母亲充满了感激和钦佩。
  和田一夫的母亲和田加津,在亚洲是个声名昭彰的传奇式人物,她的影响之大,达到了家喻户晓、妇孺皆知的程度。这一切都因为一部名为《阿信》的日本电视连续剧。
   主人公阿信白手起家,历尽艰难困苦,终凭耐心与爱心,创立了成功的人生,成为亚洲人心目中的传奇式英雄。和田加津就是阿信的生活原型。这位生活历程及仁 慈爱心与阿信极为相近的日本妇女,以她卖蔬菜起家的平凡起点,与八佰伴今日在世界上16个国家创立自己的百货公司的辉煌成绩,在中国人的心目中树立了极高 的声誉。和田加津一夜红遍中国和亚洲,成为活着的"阿信”。
  大名鼎鼎、一手创立了八佰伴国际集团的现任总裁和田一夫,在中国反而子因母贵,要被称为"阿信”之子,方才引人注目。文学艺术的影响力、鼓动力可见一斑。
  故而,和田一夫最初很难接受此一称谓及这种影视明星般的待遇。他不无苦恼地把它称之为"误解”。他说:"不知什么原因,《阿信》的真人被误解成我母亲和田加津。无论怎样解释,还是有不少人想一睹'阿信’真人的风采,对我母亲颇为关心。”
  "我们访华的整个过程中,由中央电视台三位摄影师随时拍摄,由电视台播放。即使是该电视节目,也把我母亲当成'阿信’真人。”
  "我们所到之处,都有很多人一直等着,想看一看'阿信’真人的风姿。我们对此误解感到为难与尴尬。”
  但误解也好,尴尬也罢,1990年10月,和田一夫首次应中国政府邀请踏上中国的土地,八佰伴最高顾问和田加津作为访华团顾问,在中国受到了极热烈的欢迎。被当作"阿信”真人的和田加津尤为引人注目。
  80多岁的和田加津是抱病访华,中方特意为她配备了针炙治疗,令为人子的和田一夫感念不已。更为感人的是,在参观万里长城时,四个警卫人员把八旬老人和田加津连人带轮椅一起抬了上去!并专门把他们带到了日本前总理田中角荣先生攀登过的地方。
  和田加津感动得老泪纵横!她一边一迭声地称谢,一边感慨万分地说:"现在的日本人办得到吗?”看得出,她对中国人的礼遇和热情极为感念,终生难忘!
  和田一夫毕竟是个精明的企业家,他虽然对此称谓颇有微辞,但他显然更了解这一"名人效应”是广告和金钱都换不来的。何况,被称为"阿信”的母亲,是他最亲爱的妈妈,对他的一生影响至深!
  1995年10月,和田一夫在日本大阪接受香港《信报》记者的独家采访时,便已巧妙地转换了口风。
  记者问:"《阿信》这部电视剧在亚洲很有名,听说这是一部以你母亲为原型的电视剧。当然八佰伴的成功与'阿信’的刻苦耐劳精神很有关系。除此之外,是否还有其他的商业成功秘诀?”
  和田一夫答:"正如你所讲的,吃苦耐劳的精神很重要。吃苦耐劳的意思是:诚心诚意,诚实努力,这是一切事业成功的源泉,我也是一直这样对我的职员讲。这些都是我从被称为'阿信’的母亲那里学来的。”
  换言之,和田一夫已经认可了母亲被称为"阿信”这一事实。
   母亲"阿信”——和田加津,曾被和田一夫称之为"八佰伴的灵魂人物”,对他的一生影响至深。和田一夫说过:"父亲的决断力和母亲的爱心,对我来说都是珍 贵的遗产。”母亲为人热情、善良、宽厚,从最早提议开办水果蔬菜杂货铺开始,做了几十年的小生意,她的为人,在热海市极有口碑。她讲道德,为顾客着想,以 工作为乐。她无论有什么不顺心的事,只要一站到商店,总是满面春风,服务热情周到。她反对牟取暴利,没有过多的欲求,能在热海市的老店铺里做做生意,就已 经很满足了。
  对于和田一夫来说,母亲的达观、开朗、善于接受新事物,也给他留下了极深的印象。而最令和田一夫受益终身,对母亲感激不已的,是母亲引领他找到了"生长之家”教团,使他从此有了人生的信仰和精神的寄托。
   他把"生长之家”的信念,当成人生观的全部,又把自己的人生观当成了八佰伴的经营理念。年轻时的和田一夫,接受激进思想,愤世嫉俗,对现实社会充满了破 坏欲。是母亲深切地关怀着他,以一颗慈母之心,谆谆引导,把他引上了幸福的人生之路。从此,他对世界充满了感激和爱。激愤的情绪化为融融的爱心,生活在充 满阳光的明丽世界。
  "生长之家”的观念和思想对他影响至深。从每日晨起的"神想观”清晨祈祷,记"光明日记”(只记好事的日记),到晚上临睡 前的晚祈祷,"生长之家”教义要求的活动贯穿他的每一日。自他20岁得遇"生长之家”之后,这些活动一日不曾中断,坚持至今已有40多年了。可以说,"生 长之家”的教义贯穿了他的一生。
  在他的思想上,每一个念头,每一个决定,都力图按"生长之家”教义所要求的去做,他敬爱父母,对人心怀善意, 遭遇任何不顺利的意外打击,都不怨天尤人。他把这个令自己心境开阔、深怀爱心、充满积极进取精神的教义,结合到八佰伴的经营活动中,把它的思想当成八佰伴 的企业精神,以之教育职工,常抓不懈,从而有了一个精良能乾、精神面貌全新的职工队伍。
  可以说,"生长之家”的教义,已经深入了和田一夫的灵魂,重铸了一个对世界充满爱心的企业家!和田一夫常常念叨:我一生最有幸的事,是得遇"生长之家”。"我能遇上'生长之家’,是托母亲的福!”年过花甲、成就斐然的和田一夫,念念不忘母亲的恩德。
  1994年10月,和田加津在热海的老家溘然长逝。
   守护在病榻前的长子和田一夫泪流满面,嚎啕失声!母亲已经是87岁的高龄,早年的艰苦生活给她留下了病痛的隐患,她晚年疾病缠身,长久缠绵于病榻。虽然 这是意料之中的事,和田一夫还是难以接受。他不能想象有着那么慈爱面容、性强坚强达观的母亲从此便撒手人寰,绝尘西去。
  65岁的和田一夫仍然像少年时代一般,依恃着母亲,视母亲为永远的精神守护神。但其实,作为声名赫赫、超越了国境的成功企业家的和田一夫,其高瞻远瞩的眼界与宏大的气魄,无数次令世人折服,其能量与作为已远远超越了家喻户晓的"阿信”母亲。
  仿佛就在昨天,和田一夫清晰地记得,当他在国内遇到困境,提出去巴西开店时,母亲的那种惊讶神情。母亲不知道这是和田一夫冥思苦想后确定的海外战略。她瞪大双眼,那神情,好像儿子在发高烧、说胡话呢!母亲的神情,倒把郑重其事的和田一夫逗乐了。
   后来有了巴西分店,八佰伴走出了国界,和田一夫乘胜追击,提出"开设环太平洋连锁店”的设想,并说自己的目标是:"决心实现成为世界模范企业的远大理 想。”母亲闻言,几乎吓呆了。母亲也是实业家,当然了解做生意的艰辛。她本分守业,只要在热海做做生意就心满意足了。后来,和田一夫的理想一一实现了,他 长袖善舞地在美国、加拿大、英国、南美洲、东南亚等国家和地区开业经商。母亲不辞劳累地飞赴各地,为新职员讲述八佰伴的精神与宗旨,进行就业前培训。
   其实,八佰伴的发展亦有母亲的一份功劳。若非母亲在母子意见相异时,能对儿子持信任的态度,投下赞成的一票,和田一夫也不能如此无所顾忌地大展拳脚吧。 母亲的开明、达观使和田一夫有了坚强的后盾,没有丝毫的后顾之忧。母亲相信事实。她已凭直觉断定,儿子是个有远大理想的帅才。自幼她所期待着的成大才的禀 赋正在儿子身上一一发挥作用。那些她所不理解的事,只要不违背做人的原则和"生长之家”的教义,就让儿子放手去乾。
  母亲的深明大义,尤其突出 表现在同意将八佰伴总部迁香港这一决定上。将八佰伴的总部迁港,这个现在广为人所称道与叹服的大胆举措,在6年前曾引起了日本经济界的一片哗然,毁誉交 加。这是要冒很大风险的呀!在别人看来,八佰伴已功成名就,只要平稳发展,便可坐收渔利,大可不必冒此风险。
  而在和田加津心中,却完全是另一番滋味。八佰伴与她血肉相连,八佰伴总部在热海,于她来说,已是天经地义的事,何必要迁移呢?况且,一夫定居香港,远离她身边,也是她所不习惯的。这些年来,尽管儿子经常在各地飞来飞去,但他的家总在热海呀!此一去,便不同了。
   和田一夫把他的设想与迁港的种种优势跟母亲说了,母亲异常信赖和田一夫的设想,为八佰伴的发展前景着想,80多岁的母亲,果决地投了赞成票。母亲一如既 往地支持他,和田一夫心里很感动,他知道母亲担心与儿子天各一方的孤单寂寞,亲热地拉着母亲的手说:"香港到日本,不过4个小时的飞机,你就当我出门去 了。我会常来常往的。”辞别母亲、离开日本赴香港的那天,母亲眼含热泪,一夫却豪气十足地说声:"我去去就来!”便挥手而别。
  不错,对于自幼想当外交官的和田一夫来说,非凡的气概早已令他将狭隘的国界视为乌有了。他在回答美国《纽约时报》的采访时说过这样一番话:"我以为世界就是我的家。因此从香港到美国,或者从美国赴英国,无论去哪儿,我总是对出发地点有一种'我去去就来’的外出感觉。”
   他是一个以世界为家的,充满了"去去就来”慷慨大气的企业家。但和田一夫明白,正是母亲的博大、宽容、慈爱滋养了他这位以世界为家的儿子。他理解母亲为 他作出的牺牲,他永远感激母亲给他的爱心与教益!在他心中,母亲不老,母亲长在!一位在亚洲深具影响的不平凡的女性,走完了她的一生。
  "安息吧,母亲!”她杰出的儿子默默祈祷,她的事业正在和田一夫的手中发扬光大。

------------------------------------

永远相信

专集:九三滚石年度精选(1993)
词 : 姚若龙
曲 : 许愿/赵增熹
电视剧《阿信》主题曲

没有月亮
我们可以看星光
失去星光
还有温暖的眼光
抱着希望 等待就少点感伤
仿佛不觉得寒夜太无助太漫长

我泪流下
当你说我很坚强
不是那样
我只是不肯绝望
因为最怕 茫茫然随风飘荡
忍痛不放手 紧捉住梦想的 翅膀

永远相信远方(相信远方)
永远相信梦想(相信梦想)
走在风中雨中都将心中烛火点亮
给你温柔双手 给我可靠肩膀
今夜可以拥抱可以倾诉忘却彷徨
永远相信远方(相信远方)
永远相信梦想(相信梦想)
希望是迷雾中还能眺望未来的窗
心酸酿成美酒
苦涩迎来芬芳
回头风里有歌歌里有泪
泪中有 阳光

我泪流下
当你说我很坚强
不是那样
我只是不肯绝望
因为最怕 茫茫然随风飘荡
忍痛不放手 紧捉住梦想的 翅膀

永远相信远方(相信远方)
永远相信梦想(相信梦想)
走在风中雨中都将心中烛火点亮
给你温柔双手 给我可靠肩膀
今夜可以拥抱可以倾诉忘却彷徨
永远相信远方(相信远方)
永远相信梦想(相信梦想)
希望是迷雾中还能眺望未来的窗
心酸酿成美酒
苦涩迎来芬芳
回头风里有歌歌里有泪
泪中有 阳光

永远相信远方(相信远方)
永远相信梦想(相信梦想)
走在风中雨中都将心中烛火点亮
给你温柔双手 给我可靠肩膀
今夜可以拥抱可以倾诉忘却彷徨
永远相信远方(相信远方)
永远相信梦想(相信梦想)
希望是迷雾中还能眺望未来的窗
心酸酿成美酒
苦涩迎来芬芳
回头风里有歌歌里有泪
泪中有 阳光


SAP公司间STO业务解析(包含主数据解析、后台配置解析、前台业务演示) SAP公司间STO业务解析 阅读详情

相关推荐

LangChain4j 开发

市场上主流的 Java 调用大模型的工具库有两种:LangChain4j 是一个 面向 Java 的开源框架,用于构建 基于大语言模型(LLMs) 的应用程序。它是 LangChain(Python 生态中非常流行的 LLM 应用框架)的 Java 实现,旨在让 Java 开发者能够轻松地集成和使用各种 LLM 服务,快速开发 智能聊天机器人、智能搜索、文档问答、Agent系统 等 AI 驱动的应用。官网文档:https://docs.langchain4j.dev/。引入依赖(JDK17 及以上): 构建

m0_62943934的博客 2794

谢谢你的爱,老婆!

又是一个滂沱大雨的周日午后,刚从电脑城冒雨回来的我早已变成一只湿溜溜的落汤鸡,此时一杯热腾腾的茶就是人间甘露,使我神绪慢慢安稳了下来,可安坐片刻的宁静又让思绪不知不觉飞扬到家中,来到老婆的身边。。。这些年来,也许不认命有点自傲的我,一直放纵着让爱的情感封闭在黑暗世界中,从不让一丝一柳灿烂的阳光去扫除那一分一毫的霉气与黑暗。工作是忙碌的,生活是邋遢的,每分每秒也许都要用劳累做情感的麻醉剂,日复一日,

清风阁 2万+

滤波器设计实战:Filter Solutions软件从入门到精通

本文是Filter Solutions滤波器设计软件的实战指南,从入门到精通。通过设计一个低通数字滤波器的完整流程,详细讲解了参数设置、FIR/IIR选择、窗函数及逼近函数应用。文章重点介绍了如何利用这款经典工具高效完成滤波器设计、性能权衡,并将设计成果导出至MATLAB等平台进行实际验证与应用,是信号处理工程师提升效率的实用参考。

weixin_29095049的博客 531

爱一个人(最痛苦OR最快乐)的一些事

当你说爱她的时候,她说你说笑当你说挂念她的时候,她说你自私当你关心她的时候,她说你不务正业当你帮她俳优解难的时候,她说你多管闲事当你对她说真心话的时候,她从不相信当你讲任一句为她好的假话时,她从不原谅当你打电话去慰解的时候,她说你无聊当你为着她未来的好日子而努力奋斗的时候,她就说你从不顾她当你一天又一天实现自己的若言的时候,她却一次又一次晦气曾说的话当你不在电话旁的时候,她总说你有意不接她的电话当

清风阁 1865

【实战分享】低成本K型热电偶测温方案:单运放放大与STM32 ADC采集优化

本文详细介绍了低成本K型热电偶测温方案,通过单运放放大与STM32 ADC采集优化,解决了信号微弱、负电压处理和冷端补偿等核心挑战。方案采用LMV358运放和T型网络降低噪声,结合STM32的ADC校准和软件滤波,实现±0.5℃精度,物料成本控制在15元以内,适用于工业测温场景。

weixin_30839881的博客 169

MPU6050 vs BMX055 vs ICM20602:如何为你的项目选择最佳陀螺仪(附实测数据对比)

本文深度对比了MPU6050、BMX055和ICM20602三款主流六轴IMU传感器的核心性能。通过实测数据,分析了它们在精度、噪声、温漂、接口速度及资源占用上的差异,并提供了从项目需求出发的选型指南,帮助开发者根据预算、精度要求和处理器性能选择最合适的陀螺仪与加速度计组合。

h0i1j2k3l的博客 972

想女孩,你活该!

想女孩,睡不好!想女孩,吃不香!想女孩,心烦躁!想女孩,身体差!想女孩,效率低!想女孩,你活该!

清风阁 5323

第三方系统(异构系统)基于token身份认证方式访问Ecology9的Restful接口Ecology9服务器配置部分

通过Token的认证方式调用Ecology9系统Restful业务接口服务器配置部分

svsou的专栏 2175

亲爱的,我们分手吧

张传琳 阳明大学心理谘商中心主任 分手,的确是一种令人伤痛的感受!是人生中极难学习的一大课题!因为在舍与不舍之间常有许多情愫的牵绊与纠葛,许多的留念与不甘?!有时候,实在很难了解是什么原因使两人不能再快乐相处?是什么原因使甜蜜的感觉逐渐远去? 又是什么原因让两人之间的感情变了质? 不管是「决定的一方」,或是「被决定的一方」!对许多人而言,是不是能在该结束的时候就让它好好的结束,是一件不容易

清风阁 9795

Istio ICA考试之路---3-2

部署2个测试容器,分别是test和test2.test注入标签subset=v1。这里文档中省略了metadata的3行,可以从前面任意一个yaml复制粘贴过来。通过test2测试容器访问,50%概率触发500故障注入。通过test测试容器访问,20%概率触发延迟注入。发起20次请求,一共10次被500。

Q先生 725

基于Simulink的光伏+储能家庭能源管理系统仿真

本文通过Simulink建模,分析了家庭光伏+储能系统的优化调度问题。针对光伏发电与用电高峰不匹配导致电费节省有限的问题,构建了包含5kW光伏、10kWh电池和6kW负荷的完整模型,设计了无控、规则控制和24小时经济优化三种策略。仿真结果显示,经济优化策略可使日电费降低32%,光伏自用率从45%提升至89%,尤其在晚高峰时段能显著减少高价购电。文章详细介绍了物理层建模、分时电价实现和控制策略设计方法,并探讨了天气预测、V2H等高级扩展功能,为家庭能源智能管理提供了实用解决方案。

xiaoheshang_123的博客 188

【PAT - 甲级1094】The Largest Generation (25分)(dfs建树)

题干: A family hierarchy is usually presented by a pedigree tree where all the nodes on the same level belong to the same generation. Your task is to find the generation with the largest population. I...

xuanweiace的博客 6431

【unity】【WebRTC】从0开始创建一个Unity远程媒体流app-构建可同步场景

本文介绍了如何利用Unity和WebRTC技术实现远程画面传输。通过配置Render Streaming组件、设置信令管理器和视频流发送器,构建了一个可同步的Unity场景。文中详细说明了从场景搭建到浏览器端测试的完整流程,并提供了常见问题排查方法。该方案适用于远程调试、云游戏、VR共享等场景,具有低延迟、高兼容性等特点。文章还包含项目源码下载链接,方便读者实践操作。最终实现了Unity端到浏览器端的实时画面传输,为后续实现双向互动奠定了基础。

每日出拳老爷子的博客 1843

我的这两年

昨晚想了好多事情,回忆了很多事情,想说很多很多的说话。。。生命满希望,前路由我创!

清风阁 6032

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

原谅我的自私

今夜看到你从德国带回来的照片,本来我想留言说“好漂亮,有没有更多呢?”又或者“这次路途很有趣吧,几时有空写个游记分享下呢”。。。但我此刻只感到莫名的空虚,莫名的害怕,眼角不知道为什么挤出了几滴眼泪。。。什么都不想干,好像找个人来聊天,幸好晓娜妹在线上。。。多谢!好想唱首歌。。。原谅我的自私。 安琥《天使的翅膀》落叶随风将要去何方只留给天空美丽一场曾飞舞的声音像天使的翅膀划过我幸

清风阁 2万+

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

PAT-ADVANCED1036——Boys vs Girls

我的PAT-ADVANCED代码仓:https://github.com/617076674/PAT-ADVANCED 原题链接:https://pintia.cn/problem-sets/994805342720868352/problems/994805453203030016 题目描述: 题目翻译: 1036 男孩 VS 女孩 这一次,你需要求出所有男生中的最低分数和所有女生...

清风阁 7123

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

我爱PPA

0 系统愿景:  在不干扰研发人员工作的情况下收集软件研发相关的数据,为管理者提供量化决策管理的指标1 为什么要进行数据抽取 1) 数据是非集成的、不规范(td有自定义字段) 2) 处理时会对生产系统造成性能影响(td服务器端性能调优做得不好) 3) 后台存放用的数据库类型不同 2 数据抽取的方法(都涉及到抽取周期的问题)  1) 全部抽取 2) (增量)抽取变化部分 3) 不抽取(已

豆豆他爹的生活随笔 1万+

常用网址链接

xml格式化网址: https://tool.oschina.net/codeformat/xml

LadyYang的博客 7011

男人有时总是口不对心,你能用心体会吗?

很多时候我们只是用眼去看而不是用心去体会,所以我们错过了很多,希望这片文章能给亲爱的板油们提个醒.我告诉你说:"我今天扫楼梯时,差点儿从楼梯上摔下来."本来我以为你会安慰说:"亲爱的,小心点儿."但你说:"扫慢点,不就得了." 我伤心,我觉得你一点儿不爱我,不在乎我. 后来,我发现我们的楼梯异常干净,干净的都不用我扫;一个月后我才发现,那是你每天抽出5分钟的结果. 我告诉你:"我的车子坏了

清风阁 4790

eth0,eth1,eth2,lo是什么

 eth0,eth1,eth2……代表网卡一,网卡二,网卡三……lo代表127.0.0.1,即localhost  参考:Linux命令:ifconfig  功能说明:显示或设置网络设备  语 法:ifconfig [网络设备][down up -allmulti -arp -promisc][add][del][] [media][mem_start][metric]

软件工程 plus 人工智能 11万+

阿猫阿狗的爱情游戏2

// 案例5 阿猫阿狗的爱情游戏2 #include #include #include #include using namespace std; class Boy { public: bool House; //有房; int Age; //

王军辉的专栏 1877

我爱折腾

高中时电脑在我脑袋里是个盲点,大学也和它耗了一段时间,今个总结总结:1 如果你买的是小黑,那么刚开始,可能会遇到个情况就是它没事会不定时、不定位置地出现亮点,如果没意外的话,过上一阵就没啥事了,网上看了看很多人都有类似经验。2 不知是不是个案,我为了升级病毒库快点(网速网限……),曾采用过直接复制病毒库的方法,立马蓝屏,印象里是因为时间不对,反正该办法要杜绝故省略细节。3说实在的,

Hotzizi的专栏 721

OJ 1874: 我爱数学

描述题目描述: viewsetting特别喜欢数学,但是他算除法的时候特别不熟练,常常会出错。为了维持他对数学的兴趣,你能不能帮他做一下除法运算呢?输入: 第一行是一个整数T(T≤1000),表明数据组数。 每组数据包括一行的两个整数a、b,用空格隔开。输入保证在int的范围内,且保证运算合法。输出: 每组数据输出一行a÷b的值。保留6位小数。样例输入 2 114 514 1919 81

未来以来 422

用什么方式来忘记爱过的人

第一种: 比如, 有些词语我不会再用, 每次要用到的时候,我很小心, 绕开它,换另一个, 这样就可以少想你一次。 第二种: 比如, 有些地方我不会再去, 因为那里有太多你的足迹。 不去了,就又可以丢掉一些回忆。 第三种: 比如, 我改变一种习惯, 从前我一向爱吃甜食, 因为你也喜欢, 所以甜食也归你了,我改吃辣了。 第四种: 比如, 有一天我无意中翻看相册, 发现那上面有你, 于是我再也不上那

清风阁 1137

学习视频网

慕课网 mooc网 网易公开课

tianzhijiaozi19的专栏 968

我爱网站收录集

http://www.hackbase.com/

shuijingyude的专栏 1863
上一篇: 用DataList控件和ObjectDataSource在ASP.NET 2.0中实现高效能数据分页
下一篇: 硬盘分区技巧 1.99G变成2G整数
linqingfeng
博客等级 码龄21年 69粉丝 140原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值