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
100+累计阅读
169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
前段时间失业, 经一同下岗的同事介绍，去了另外一个公司。因为做的事情觉得还有意思，就答应了。
进去的第三天就被要求去西安出差了。
和老总坐的飞机， 桂林-西安，机票还算便宜，350酱紫。东航的。 有趣的是飞机上面的杂志头条便是
"东航集体罢飞背后xx" 觉得十分讽刺。东航的空姐貌似可以, 高挑而且亮丽，我个人觉得比国航和南航的好些。
当然样本十分不足.
在飞机上吃了有史以来最难吃的包子，不过大家可能都饿了，居然没人抱怨。 和我同座的有一老外。飞机飞行一半的
时候我实在无聊只好和她攀谈起来。 她是意大利人，和老公还有其他一帮人来玩的。
我04年回国后，基本上就没怎么用过英语了/除了阅读和书写。 和她聊了1小时，发现听力和口语也没怎么退步. 而且
当年对意大利的口音基本上接受力为零，现在倒是听得不很费劲.
意大利人很不错，天生就会三种语言了。。她告诉我她没学过spanish和french 也能知道对方说什么..
我建议她学中文, 她摇头，表示年纪大了，不方便。后来居然聊到了她们的总理的选举.
下午5点40分，飞机在咸阳降落。看着夕阳下的这块土地，突然意识到，我将在这里渡过最少45天.
【一战成硕】西安，我们换种身份再见！
导师不要求工作时间，每月都额外发💰。晚上，躺床上虽然很累，但久久不能平复，和初试完的晚上一模一样，初试完的晚上半夜1点，打开手机对了对数学英语答案，很刺激←_←。高中毕业后干完暑假工，和朋友报了旅行团首次来西安，去了海洋馆，回民街，音乐喷泉，大雁塔，兵马俑其他好像没有了。路上和大佬交流了，他研究方向，技术路线，聊了西电本科生学习的情况，以及未来规划，并且请教他自媒体运营的问题。第二天，早早起床去学校参加笔试，题型意料之中，发挥一般，平均水平，够用了。去了西安城墙，鼓楼，回民街，大雁塔，不夜城，走的脚疼。
mathGL
mathGL就是用来绘制一些统计图形的一个CPP的库， 实际上就是和gnuplot类似的一个C＋＋的库，很适合科学计算的结果分析和统计，另外还有QT，python等支持的接口，只是在编译库的时候要加上相应的option，这个库用起来很好，减少了很多工作量，其核心调用方式就是使用一个函数指针. int mathgl_callback(mglGraph *gr) { const Polar
mathgl21.4.1
基于C++的数据可视化工具，在做机器学习研究的时候会用到
西安游记(钟楼 -- 回民街 -- 西安古城墙)
偷着浮生半日闲，和大家分享一下西安半日游玩过程。
pgpool-II安装部署
文章介绍了pgpool-II的核心功能、架构组成以及实际部署的关键配置步骤
光学遥感显著目标检测初探笔记总结
一张图片里最吸引注意力的部分就是显著性物体，其实是模拟人的一个注意力机制。目标是希望通过计算机的方法让我们自动定位和模拟人的这种感知能力，从而去定位场景中的一个让人感兴趣的目标。
VS2010使用感受
工作的关系，现在使用ms的工具越来越多。从最早的vs 6.0开始到现在的vs 2010。目前给我感觉最好的还是vs 2010虽然很多人抨击说还不如vs6.0。 今年技术新闻唯一让我感到有些兴奋的还是.net 4.0和vs2010的发布。 工作所需，对并发，并行还有一些性能相关的技术较为关注。.net 4.0的到来带来了tpl. 以前的工作很容易使用tasks将其分解。最近花了一...
FreeModbus源码详解
本篇按照FreeModbus协议栈的工作流程，对源代码进行总结解析；FreeModbus协议栈作为从机，等待主机传送的数据，当从机接收到一帧完整的报文后，对报文进行解析，然后响应主机，发送报文给主机，实现主机和从机之间的通信； 1：demo.c中三个函数，完成协议栈的准备工作； eMBInit()函数：(mb.c) /*函数功能： *1:实现RTU模式和ASCALL模式的协议栈初始化; *2
[2023ICPC西安邀请赛] 西安游记
第一次线下赛，拿到了xcpc第一块牌牌，玩的也很开心，但是演的太厉害了，开篇先强调一下流水账一下这次西安之旅。
Appstore 3.2(f)违规自救指南：从触发到申诉的完整应对策略
本文详细解析了Appstore 3.2(f)违规的应对策略，从触发原因到申诉流程，帮助开发者有效自救。文章涵盖隐瞒行为、账户关联和信息造假三大违规场景的判定逻辑，并提供申诉信写作的黄金法则和长期合规防御措施，确保开发者能够顺利通过苹果审核。
TMC2240 芯片数据手册解读｜第十三篇 StallGuard4负载测量（StallGuard4 Load Measurement）
摘要： TMC2240的StallGuard4技术专为StealthChop2静音模式设计，通过SG4_RESULT实时测量电机负载，实现堵转检测、无传感器回零和CoolStep节能。其核心原理基于负载角检测，通过SG4_THRS阈值调节灵敏度，并支持四通道独立测量（SG4_IND_0~3）优化相位平衡。独特功能包括无抖动模式切换补偿（sg_angle_offset），解决StealthChop2与SpreadCycle切换时的电流突变问题。调优时需结合SG4_THRS设定与DIAG验证，确保堵转精准触发。
相信美好就能遇见美好—西安独行三日短途穷游 攻略
@TOC相信美好就能遇见美好—西安独行三日短途穷游 攻略 出发日期/2019/03/29 天数/4天 人均费用/1700元 人物/独自一人 玩法/第一次 穷游 徒步 摄影 人文 前言：来世做春风 流浪又自由 孤独又享受 说说这次旅行：时间治愈的都是愿意自渡的人 旅行即修行，2019年的我已经步入20岁，面对已经过半的大学生活，面对准备考研的压力，面对未来的焦虑和对既定目标的怀疑，重重压力席卷而来，...
【Neo4j × Python】基于知识图谱的电影问答系统（含问题记录与解决）附：源代码（含Bug解决）
此前，曾介绍过Neo4j的一些基础知识，本篇将在PyCharm中与Neo4j建立关联，从0到1实现一个基于知识图谱的电影问答系统，实现过程中，没有一帆风顺，而是遇到了一些问题，因此也包含问题的记录与解决。
西安高新区企业参观感想
花痴痴同学百忙之中抽出一个星期来到西安古城，对7个西安高新区的企业进行了参观交流。下面写写自己的感想，希望跟大家交流交流。这里也为西安做个广告，这真的是一个很有底蕴的城市，欢迎大家也来看看。 1.比亚迪 公司几个领导带领参观了焊接工厂和组装工厂，被场面震撼住了。焊接是第2道工艺，汽车还是很丑的，组装是第4道即最后一道工艺，汽车喷漆后就非常漂亮了。参观时候想，这个企业的老板得
【QNX+Android虚拟化方案】12 - 设备虚拟化 之 Passthrough透传、Vdev Trap、HAB Socket 原理解析
【QNX+Android虚拟化方案】12 - 设备虚拟化 之 Passthrough透传、Vdev Trap、HAB Socket 原理解析
DFI协议时序
参数名称典型值应用场景关键影响tcmd_lat1-2个时钟周期命令与地址锁存同步地址错误风险tphy_wrlat1-2个时钟周期写操作响应速度写带宽与延迟2-3个时钟周期写操作端到端延迟系统吞吐量1-2个时钟周期连续写命令间隔信号干扰与资源冲突tphy_rdlat1-2个时钟周期读操作响应速度读带宽与延迟trddata_en由CL决定（如0.41 ns）读数据返回时间系统延迟10-20 ps写数据与命令对齐数据丢失风险<1 µs低功耗模式切换。
手绘 | 7天自助游玩古都西安 4（完结）
我是不熬夜，来自武汉。 西安一直是我想去的地方，高温假去西安游玩后回来画了游记，纪念这次出游。 手绘 | 7天自助游玩古都西安 1 手绘 | 7天自助游玩古都西安 2 手绘 | 7天自助游玩古都西安 3 PS：矮西瓜是我画图时用的名字。 第七天是和大家告别的日子，在...
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
中年中产程序员从西安出发到海南三亚低成本吃喝万里行：西安-南宁-湛江-雷州-徐闻-博鳌-陵水-三亚-重庆-西安(2.游玩过程)
Day1基本上是在赶路，没转什么特别的地方，实在太冷。没想到中国三大半岛之一的雷州半岛晚上竟然要穿羽绒服！太冷，于是决定为第二天渡海预留时间，前往雷州茂德公鼓城住宿，这个地方离徐闻100公里一小时就到。后备箱装满行李，整个轮渡过程，稍微需要点驾驶技术，各种蠕动，半坡起步，直角转弯。中午十一点左右出发，下午五点左右抵达湛江市金沙湾观海长廊。正好赶上鼓城晚上的演出和出城仪式，小朋友看呆了。落地领了个新车，只跑了700公里。
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")
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
【电子科学系保研】-- 西安交通大学保研之旅
文章目录西交大线上夏令营情况面试过程结果启发 西交大线上夏令营情况 面试过程大概5分钟，英文自我介绍+中文自我介绍大概3分钟，两分钟的问答环节： （在钉钉上进行，只需要单机位，开启一个摄像头即可以；对方是没开摄像头的，黑乎乎的一片） 面试过程 英文自我介绍和中文自我介绍我会在另外整理； 两分钟的问答环节： 1、你对什么方向感兴趣？ 2、你有联系导师了吗？你有感谢的导师吗？ 我：我对软件、嵌入式软件设计、图像处理方面感兴趣； 老师：你是不是报错学院了？？？ 我：老师没错，就是电子学院，我对集成电路、FPG.
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
华山西安三日行
学习
西安行20200830-20200904
［回民街，大雁塔，城墙遗址，曲江池，秦二世陵，不夜城，喷泉，大唐芙蓉园，大明宫，永兴坊，西安城墙，华清宫，西安事变，兵马俑，陕西历史博物馆，华山］ 30号 （睡觉时间三个半小时，01：00——4：30，睡觉时间没加车上睡的时间） 早上从伍业峰家出发到机场，然后取票登机。 8点多上飞机，10点多下飞机，然后打车到回民街，此时11点多。 逛了逛，去吃了牛肉泡馍，很坑。黄庆买了份上央视的10元糕，峰哥买了份15元的鸡翅包饭。 然后找了酒店，酒店就三张床，发现酒店大爷很有趣，是中航的退休
陕西省西安市五一出行攻略
希望这份攻略能帮助你规划一个愉快的西安五一旅行！
西安汤峪深度游玩攻略：温泉、山水，人文的完美邂逅
蓝田汤峪集自然风光、历史文化和养生体验于一体，无论是周末短途游还是长假深度游，都能让人远离城市喧嚣，找回内心的宁静。希望这份攻略能帮助你规划一次完美的汤峪之旅，在秦岭山水的怀抱中，感受"桃花三月汤泉水，春风醉人不知归"的意境。院内有干净的木头，太阳一晒，热腾腾的，踩上去非常舒服。本攻略将带你深度探索汤峪的精华所在，从交通方式到景点推荐，从美食体验到住宿选择，为你规划一场2-3天的温泉养生与自然探索之旅。汤峪河也有可以游泳的地方，位置汤二村，一路走，会看到一个很大的免费停车区，旁边下去就是可以游泳的地方。
西安交大学位论文LaTeX模板：从零开始的完整配置指南
作为西安交通大学官方发布的XJTU-thesis LaTeX模板，专门为硕博研究生设计的学位论文写作工具，能够自动生成符合学校格式要求的专业文档。无论你是初次接触LaTeX还是有一定使用经验，这份指南都将帮助你快速掌握模板的核心使用方法。 ## 环境配置与基础设置 在开始使用LaTeX模板之前，你需要确保系统环境准备就绪。首先检查TeXLive版本，建议使用2023年或更新的发行版： ```
西安交大论文模板3步极简指南：零基础也能轻松排版
还在为毕业论文格式问题辗转反侧吗？西安交通大学官方推出的XJTU-thesis LaTeX学位论文模板，为你扫清排版障碍，让学术创作回归纯粹。这套智能排版系统专为硕博研究生设计，从封面到参考文献，一切格式细节都已预设完成。 ## 🎯 模板核心价值：解放你的创作精力 **告别格式焦虑** 传统Word排版需要反复调整每一个细节，而XJTU-thesis模板内置完整的西安交大论文规范，你只需要专
西安交大学位论文LaTeX模板终极指南：5分钟搞定完美排版
还在为论文格式调整而头疼不已吗？西安交通大学官方推出的XJTU-thesis LaTeX学位论文模板，专为硕博研究生量身打造，让你彻底告别繁琐的排版工作，专注于学术研究本身。这个强大的模板能够自动满足学校对论文格式的所有要求，从封面设计到参考文献格式，所有细节都已预设妥当。 ## 🎯 为什么选择XJTU-thesis模板？ ### 解决四大论文写作痛点 **格式调整太耗时？** 传统Wor
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
795
扫一扫
