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
1.9k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
语言统计分析期末大作业要求我们统计全唐诗中的对偶字，并用所得到的统计结果反过来评判出对仗最工整的诗句。我在数据处理过程中突然想到，鉴于互成对偶的两个字之间有一定的语义联系，我们便有了一个庞大的汉字语义关联库；如果把所有汉字之间的关联画成一张图会是什么样子呢？于是我用 Mathematica 7 提出了全唐诗中处在对偶位置上的所有字对，得到了 464448 个可能的对偶关系；再利用一些算法得到了最稳定、最常用的 2000 个对偶关系，把它们都描绘在一张大图上，于是便有了上面的这个图。点击这里查看高清无码大图，1600x1600 像素。可以看到，有语义关联的汉字自动地聚合到了一起。
利用 Mathematica 7 的 CommunityStructurePartition 算法，我把这个图中的顶点大致分成了几个团体，每一个团体内的字基本上就构成了一个词类。这几天打算就这个题目继续研究下去，希望能得到一些更有意思的结果。
Design of Design
Windows 10/11下R与RStudio最新版安装避坑指南（含镜像加速配置）
本文提供了Windows 10/11系统下R与RStudio最新版的详细安装指南，包含镜像加速配置和常见问题解决方案。通过分步教程帮助用户避开安装陷阱，优化开发环境设置，特别适合国内用户快速搭建高效的数据分析平台。
用C#来学习唐诗三百首和全唐诗
Begin 最近把项目做完了，闲来无事，就想做点好玩的事情，刚好前几天下载了【唐诗三百首】和【全唐诗】这两个txt文件，正好用C#来整理一下。 然后导出QData格式，可以给其他软件读取。 以后弄个开机自动显示一句诗，岂不是美滋滋？（逃 【唐诗三百首】文件格式 【全唐诗】文件格式 目标 将每一首诗提取之后存入Poem对象中 Poem类 软件界面 - 【匹配唐诗三百首】 提取每一首...
【EtherCAT实践篇一】TwinCAT 3安装、使用
FULL（XAE）安装包：包含了XAR的功能，并能进行多种语言的编程和硬件组态，通常安装在编程电脑上；XAR安装包：包含了ADS的功能，是实时运行环境，对 TwinCAT 模块进行加载、执行、管理、实时运行与调用，通常安装在PLC中；RM安装包：在装了高版本的TwinCAT 3后，发现PLC中的TwinCAT版本较低，就需要安装相应低版本的RM安装包切换版本使用（注：4024无法使用RM安装包切换到低于4022的版本，如4020/4018/4016版本。
《全唐诗》数据库分享
之前由于论文等相关原因，需要一个诗词文字对仗库，苦于手头没有，网上也没有找到较好的定义好的格式。因此，琢磨着自己想办法做一个出来。而做词库的数据源很重要，选来选去，最后决定使用全唐诗作为数据库。至于原因，首先是因为其数据量比较大，诗词覆盖面比较广；其次，由于《全唐诗》中大都是唐宋时期的诗词名篇，结构相对严谨，平仄相对，对仗清晰。更重要的是。。苦于国学水平所限，我不知道还有啥别的数据库可用...
Mendix 开发实践指南｜Mendix平台概览
低代码开发是一种将编码从文本形式转变为视觉形式的应用开发方法。它提供了一个模型驱动的、拖放式的界面，而不是传统的编码环境，使得各种技能水平的开发者——包括专业开发人员、新手、主题专家、业务利益相关者和决策者——都能使用低代码工具来构建驱动价值的企业业务应用。低代码的核心在于提高开发的可访问性和效率，让更多人能够参与到应用开发中来。Mendix适用于多种应用场景，包括企业级应用、移动应用、物联网(IoT)应用和微服务架构等。
首发！谷歌倾斜摄影数据转换生成OSGB格式
全球首发，谷歌倾斜摄影模型文件能直接转换成OSGB格式！
诗词对仗常用字表（笠翁对韵）
诗词对仗常用字表（笠翁对韵）卷一2009-04-10 00:22 诗词对仗常用字表（笠翁对韵）卷一 一 东 天对地，雨对风。大陆对长空。山花对海树，赤日对苍穹。雷隐隐，雾蒙蒙。日下对天中。风高秋月白，雨霁晚霞红。牛女二星河左右，参商两曜斗西东。十月塞边，飒飒寒霜惊戍旅；三冬江上，漫漫朔雪冷渔翁。 《左传?昭元年》载，传说高辛氏有二子，长阏伯，季实沉。兄弟不睦，日寻戈矛
5G MBS（组播广播服务）深度解析：从标准架构到商用实践
5G MBS（组播广播服务）深度解析：从标准架构到商用实践
原创Pascal程序：批量导出mp3内嵌专辑封面图片
英文发布页：http://www.matrix67.com/blog/article.asp?id=2590.11版发布，主要更新如下：使用二进制方式打开文件，加快程序运行速度（处理我的600多个mp3文件不到半分钟）自动检测重复专辑，同一专辑只写一次文件修正当ID3v1中有发行年份、歌曲类型等信息时发生的错误修正找不到ID3v1时歌曲名出现乱码的错误修正没有专辑图片时错
API Streaming Failed 400 ＜400＞InternalError.Algo.InvalidParameter input content must be a string解决方案
本文主要介绍了API Streaming Failed 400 <400> InternalError.Algo.InvalidParameter input content must be a string解决方案，希望能对使用vscode中cline的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
(七)独立按键
(七)独立按键
某大牛直接用机器码Debug编程
搞信息奥赛的赶快来看看，传说某年编程一等奖的作品，居然直接用Debug编出动画了。 在DOS下输入debug回车，然后把下面的代码粘贴去。 不知道它想表达什么，不过看起来像一个游戏的演示动画一样。e100 33 f6 bf 0 20 b5 10 f3 a5 8c c8 5 0 2 50 68 13 1 cb e 1f be a1 1 bf 0 1e11b 6 57
SAP UI5 控件剖析系列之 sap.m.DatePicker：单日选择的工程化用法、最佳实践与常见坑
在 SAP UI5 的输入控件族里，是最常被使用的日期选择控件。它把一个可编辑的输入框与一个弹出的日历整合在一起，允许用户用触摸、鼠标或键盘在本地化格式下选择某一天；控件既可以从弹出的日历里点选，也可以直接在输入框里键入日期。官方 Fiori 设计规范对它的定位就是：完成单个日期的选择，不牵涉时间，也不负责跨天的范围选择。
Geek饰物DIY：粘土工艺之Sierpinski三角形
一提到水果，人们首先想到的往往是苹果；一提到AV女优，最先想到的总是武腾兰；同样地，一提到分形图形，大多数人都会首先想起Sierpinski三角形。Sierpinski三角形可能是最具有代表性的分形图形了，随身佩戴一个Sierpinski三角形绝对够酷。回想Sierpinski三角形的构造方法，将三个同样的三角形的边长缩小一半，再与一个空白的倒三角相拼即可得到一个更高阶的S
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
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
关于ID3标签：一个完美主义者的经历
我从来不承认我是一个完美主义者，不过昨天不得不承认了。我花了3个小时的时间重新整理了我的F:/mp3/*.mp3所有近600个文件的ID3标签。 在我的播放列表里添加一个文件非常的麻烦。首先下载歌曲，然后重新压成96Kbps或128Kbps的mp3文件，然后把文件名改成“歌手+空格+歌名”的样子。然后用Mp3 Gain把音量统一为89dB。然后，下载.lrc歌词文件，去
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")
学了拓扑学，我猛然领悟到了儿时游戏的真谛……
小时候曾想，为什么一个人从屏幕左边跑出去，立即就从屏幕右端钻进来……现在我们知道了，因为游戏是在一个柱面上进行的……我有预感此日志又要火了
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
习一文一乐，便入安宁万世……
我曾经在这里介绍过一个叫做 mnemonic 的文字游戏： 数学家 George Pólya 曾说过一句经典的话： How I need a drink, alcoholic of course, after the heavy chapters involving quantum mechanics! 依次数出每个单词的字母个数，你会惊讶的发现它正好是圆周率的前 15
Original Ideas
首先呢，小小的庆祝一下我的订阅数终于过千了。真可惜，昨天的订阅数1023，差一点就是1024了…… 最近不知道为什么，思维特别活跃，脑子里经常蹦出一些牛B的想法。先声明，这篇文章为matrix67.com原创；谁要是用了里面的东西而没署名，或者拿去用作商业用途的话……Alan Shore的模样将会像幽灵一样缠绕着你，出现在你的每一个恶梦中。关于输入法：为什么能打出“
绝对牛B！由多联骨牌拼出的钟表盘面
由n个单位正方形拼接而成的图形叫做n联骨牌。一联骨牌和二联骨牌显然都只有一种。三联的有两种（长条形和拐角形）。四联、五联、六联和七联骨牌则分别有5种、12种、35种、108种。有牛人竟然把所有这些多联骨牌拼成了一个圆形，更神的是12个五联骨牌的位置让整个圆盘变成了一个钟表的盘面！这12个五联骨牌正好分布在圆盘周围12个间距相当的地方，其中5和10的位置分别用罗马数字V和X表示
献给所有单身的数学Geek
<br /> <br />
（组图）模式、分形与混沌：数学无处不在
以上图片来自http://www.flickr.com/groups/emergence/ 附几张我最近照的照片： Mr.G餐厅的餐具边沿是一个定宽曲线 麦当
非常可耻地发布一个原创asp小程序
常去mimima(已封，因此该asp程序不支持), 2kdown, pidown等种子host网站的同志都知道，这类站点有一个非常麻烦的地方就是不支持FireFox，点击Download后不能下载，而是出现一整页的乱码。上这种站点又怕有毒，开IE Tab开得胆战心惊的。今天搞烦了，决定把这个问题解决了。初步认为，错误原因应该是那边的php返回的Content-Type不对。然
才阿ASP同学录v5.3免费版 修改少量代码以适应FireFox
近来可能有人需要这个，我在这里简单说一下。 我没有找到好的同学录服务提供商，基本上都是些又打广告又骗钱的地方，并且缺乏web 2.0的基本元素。相比之下，可能有的同学会选择自己架设私人单班同学录，这样感觉更自由一些。很可惜，我也没有找到比较好的asp同学录源码，不见任何web 2.0不说，代码奇丑无比。最终我选择了才阿ASP同学录v5.3免费版，因为关键字“asp同学录
分享我的一些PJBlog小技巧
Update: 现在已经不用PJBlog了，文章中的很多链接已经失效。需要什么帮助请直接联系我。 1. 去掉UBB斜体标签 经常在Blog发布代码的同志会发现斜体标签[i]很恶心，一旦你代码里的某个数组遇上了循环变量，原本整齐的代码就会歪掉一大半。考虑到反正平时不太需要斜体，估计一定有人会像我一样想去掉这个UBB标签。 去掉它要改两个地方。在common/ubbcod
人生就是一个接一个的杯具
四路 CAN 转 4G 网关
SG‑CAN‑4G‑410 为**四路隔离 CAN 转 4G 工业网关**，把 CAN2.0A/B 报文封装成 TCP/UDP 报文，通过 4G 无线网络实现 CAN 总线远程监控、远程控制。四路 CAN 相互独立；以太网仅用于本地配置，不做业务数据传输；支持移动 / 联通 / 电信 4G 网络。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1006
扫一扫
