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
2k累计阅读
2k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
作者：朱克锋
邮箱：zhukefeng@iboxpay.com
转载请注明出处：http://blog.youkuaiyun.com/linux_zkf
敏捷之旅（Agile Tour）是一个国际非盈利性组织，于2008年成立，总部位于法国。其目的是提供一个高效有趣的敏捷开发学习途径，在全球范围内推广敏捷的思想和实践，帮助企业更好的实施敏捷。敏捷之旅在中国行始于2009年成都。
从2010年开始，国内敏捷社区的一批先行者，包括知名的敏捷培训师和教练，开始在全国范围内组织敏捷之旅系列活动，以让更多的城市和更多的朋友借此平台，了解敏捷，结交朋友，交流互动，从而形成一个全国范围内的社区平台。2010年的敏捷之旅，全国共有8个城市参与举办；2011年，14个城市。
如果你有兴趣分享你的经验，如果你有兴趣参与其中，如果。。。。。。
请联系zhukefeng@iboxpay.com QQ396636394
全城征召志愿者：请联系zhukefeng@iboxpay.com QQ396636394
东方马达步进电机AZM66AK-HS100+AZD-KD调试经验记录
东方马达步进电机AZM66AK-HS100+AZD-KD调试经验记录（20170803YC） 本次总结主要实现的功能如下：用MEXE02软件在步进电机驱动器中设置好控制动作，每个控制动作有一个特定的编号。之后通过PC和驱动器之间的485通讯，发送相关指令，使步进电机按照一定编号的控制动作运转。 参考资料：东方马达步进电机AZM66AK-HS100+AZD-KD的产品手册，可在官网下载。 A....
敏捷之旅2013深圳站——Robotframework自动化测试workshop
本周六12月21日敏捷之旅2013深圳站将要举行了，博主将主持下午14:30-17:10进行的Robotframework自动化测试workshop。
用豆包+Skill从零制作AI漫剧：分镜、画面、配音到成片全流程
AI漫剧作为一种新兴内容形态，结合AI绘画与AI视频生成技术，正在改变短视频创作方式。其核心原理是利用提示词工程，将创意转化为结构化分镜脚本，再通过豆包等AI助手的Skill能力，将重复的脚本生成和分镜拆解流程固化为可复用的指令模板，从而大幅降低从构思到成品的生产门槛。这种模式无需剧组、演员和实景拍摄，让个人创作者也能借助图像生成、TTS配音与剪辑合成工具，批量化地生产剧情短片，适用于短视频平台连载、商业定制与个人IP打造。围绕豆包+Skill这条主线，从选题、剧本写作、分镜表设计，到画面提示词生成、视频片
2013深圳敏捷之旅
今天刚参加完2013深圳敏捷之旅，有幸在一天收获那么多敏捷知识，听那么多大牛分享管理经验，真是非常不错。 今天的议题比较多，吴穹老师的自动化测试，华为胡伟分享的打造自组织的敏捷团队，李小波的coding dojo，最后腾迅两个项目经理搞的ball-point游戏，还有中国平安的单超分享的敏捷经验都让我印象深刻。 吴穹老师的演讲恢谐幽默，同时内容也是非常丰
IFIX往Mysql数据库同步数据方法
通过IFix数据库向Mysql数据库同步数据
科研效率革命：Zotero与Web of Science联动实现千篇文献一键获取
本文详细介绍了如何利用Zotero与Web of Science联动实现科研文献的高效管理，包括批量导入、智能下载和自动整理千篇文献的技巧。通过精准检索、RIS文件导出和Zotero插件设置，科研人员可以大幅提升文献获取和管理的效率，特别适合开题报告和综述写作等场景。
相约深圳~敏捷之旅
一、相识敏捷开发 敏捷之旅 203年深圳站，活动组织130人左右，大家来自不同的公司，来自不同的职能岗位，来自不同的人生阅历背景，来自对敏捷开发的不同认知，来自对敏捷开发的不同实践，大家坐在一起学习、探讨敏捷，把大家很好的融合在一起，很好的合作。 最初接触敏捷是在博客园关注周老师(周金根)的博客，通过周老师的一些博客对敏捷多多少少了解些，加入敏捷交流群，关注群里的活动。简单收录一些敏捷开发的相关...
Mac M系列芯片用户必看：UTM虚拟机跑麒麟V10安装达梦DM8全流程避坑指南
本文为Mac M系列芯片用户提供了一份详尽的UTM虚拟机安装麒麟V10并部署达梦数据库DM8的实战指南。文章深入分析了在ARM架构下选择UTM而非其他虚拟化方案的原因，并详细拆解了从系统安装、SPICE工具配置、麒麟V10深度调优到DM8安装与避坑的全流程，重点解决了ARM环境下的兼容性与配置难题，帮助开发者高效搭建国产化开发测试环境。
敏捷之旅广州2013总结回顾
感谢一起组织的同学们，还有认识的广州本地的其他社区的可爱的童鞋们，一起办了一场三年来最大的一次敏捷之旅：
OpenClaw实战系列06：持久记忆与RAG知识库构建——让AI真正“记住”你
本文介绍了OpenClaw AI助理的持久记忆与RAG知识库构建功能。OpenClaw采用"文件即真理"的独特设计，所有记忆都以Markdown文件形式存储，支持直接编辑和Git版本管理。记忆系统分为三层：长期精炼记忆（MEMORY.md）、日常日志（按日期存储）和归档记忆。文章详细说明了环境配置步骤，包括安装必要组件、创建目录结构、设置API密钥，并提供了OpenClaw主配置文件的完整参数说明。该系统实现了跨会话、跨平台的持久化记忆，使AI助理能真正理解用户需求。
三峡大学-微机原理与接口技术实验
其中，A15接E1，因此，A15为1，A14A13A12A11A10A9A8A7通过八输入与非门74LS30与E2连接，因此A14A13A12A11A10A9A8A7为11111111，A6A5A4与CBA连接，因此A6A5A4为101，A3A2A1A0不参与译码，因此IO5的地址范围为1111 1111 1101 0000B～1111 1111 1101 1111B，即0FFD0H～0FFDFH。如图1所示，若IO0输出为低电平，则需要E1接高电平，E2接低电平，E3接低电平，CBA的输入为000。
深圳敏捷之旅火热报名中，聚焦2013.12.21
Agiletour（以下称为敏捷之旅）是一个国际非盈利性组织。其目的是提供一个高效有趣的敏捷开发学习途径，在全球范围内推广敏捷的思想和实践，帮助企业更好的实施敏捷。 本次深圳敏捷之旅旨在将本地的同行聚集在一起，分享知识，交流经验，拓展圈子。你可以从演讲中获取一手的敏捷实践经验，你也可以在游戏中感受敏捷，在工作坊中动手实践敏捷，还可以和大家共同探讨敏捷能带你去哪里？能带你所在的组织去哪里？
MuJoCo 入门教程（一）
在 MuJoCo 仿真中输入自定义数字有三种方法。首先，可在 XML 中定义全局数字字段。它们有一个名称和一个实数值数组。其次，可以通过特定元素的自定义数组来扩展某些模型元素的定义。具体方法是在 XML 元素大小中设置 nuser_XXX 属性。第三，数组 mjData.userdata 不用于任何 MuJoCo 计算。用户可以在这里存储自定义计算的结果；请记住，所有随时间变化的内容都应存储在 mjData 中，而不是 mjModel 中。自定义文本字段可以保存在模型中。
重新定义开发者体验
2016年的夏天，除了火热的奥运会之外，最吸引ICT界的无疑是华为在上海举办的2016华为全联接大会，此次大会不仅创造了华为历届大会规模之最，也向整个业界表明了华为不仅要做一家大公司，而且要做一家伟大的公司的决心。而作为一家伟大的公司，需要能够带领整个ICT界共同发展，一起进步，因此，华为在此次全联接大会上着重强调打造一个互生、共生、再生的ICT生态系统。而其中，构建开发者生态联盟是华为ICT生态...
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")
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
CnOpenData 线上招聘网站信息数据
CnOpenData线上招聘网站信息数据库是一个覆盖中国主流招聘平台、时间跨度长、更新频率高的劳动力市场需求侧大数据集合。本数据库汇集了，为学术界和业界提供了一扇实时观察中国劳动力市场动态的窗口。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
IOS 按钮（button）用法与属性实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf IOS 按钮（button）用法与属性实例 - (void) toggleButton: (UIButton *) button { if (isOn = !isOn) { [button setTitle:@"On" fo
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
IOS UIWebView加载网页实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf 效果如图 //要实现UIWebViewDelegate代理 @interface TestViewController : UIViewControllerUIWebViewDelegate> { UIWebV
IOS UIScrollView常用代理方法
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf IOS UIScrollView代理方法有很多，从头文件中找出来学习一下 //只要滚动了就会触发 - (void)scrollViewDidScroll:(UIScrollView *)scrollView; {
IOS UITableView分组与索引分区实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf 示例效果如图 分组图示 索引图示 #import @interface S
IOS重写导航栏左侧返回按钮实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf 关键代码 { self.navigationItem.leftBarButtonItem = [[[UIBarButtonItem alloc] initWithTitle:@"首页" style:UIBarButton
OC (IOS) 字符串 字符 NSData相互转换（NSStrng char NSData）
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf + (NSString*)hexStringForData:(NSData*)data { if (data == nil) { return nil; } NSMuta
IOS 录制保存视频实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf //保存 - (void)imagePickerController:(UIImagePickerController *)picker didFinishPickingMediaWithInfo:(NSDictionary *)in
IOS 获取UIWebView加载网页的上的数据实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf @interface TestViewController : UIViewControllerUIWebViewDelegate> { UIWebView *phoneCallWebView; UIWebView
IOS二维码拍照相机自定义界面实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf 这个简单的实例实在ZBarReaderViewController的view层上再加一层用于定义自己的界面 - (void)QRscan { ZBarReaderViewController *reader = [ZBar
IOS Button title居中实现方法实例
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf 这里是先定义一个button，然后在button里添加label视图，错开一定的位置 类似的问题都可以用类似的方法来实现 -(void)drawTitleLabel:(UITableViewCell *)cell
IOS UITableView 方法及属性学习
作者：朱克锋 邮箱：zhukefeng@iboxpay.com 转载请注明出处：http://blog.csdn.net/linux_zkf 在IOS开发中uitabelview及其常见，用法也非常的多，几乎每个应用都会设计UITableView 下面我从头文件中抽取一些方法出来学习，希望对读者也有一点帮助，这些方法在苹果的文档中都有详细的介绍 1，UITableVi
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
