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
200+累计阅读
278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
已经是2010年了。今年就要毕业了，也马上就要参与工作了。之前用过的是baidu的BLOG，都三年了。
现在转战优快云，一方面是要走想社会交际的范围就更广了。我想加入优快云这种专业编程网站，这个平台对自己
的能力的提高是非常有必要的，也可以交流下大家的技术水平，共同讨论学术问题。也希望在未来几年能茁壮成长。希望优快云的高手能多多指教！废话不多说了，转入正题。
2010年上半年Plan
1:学习完数据结构，之前未学后悔莫及啊。上半年努力学。
2:数据库原理，这种课也没听，认真学完吧。
3：操作系统（理论课听下）
4：WINDOWS程序设计（估计学不完，能看多少是多少吧）
2010下半年就要走想社会参加工作了，前途真的凶多吉少啊，也不知道能否找到个好工作。
累苦都不算什么，待遇也不成问题，关键不要让自己倒退，技术要学好就行。
最后希望毕业的时候能完成上半年的计划，哈哈。come on！
三维重建笔记_光束平差法(Bundle Adjustment, BA)
目录 1 光束平差法(Bundle Adjustment, BA) 1.1 SFM (Structure‐from‐Motion) 定义 问题描述 1.2 重投影误差 (Reprojection Error) 目标函数 1.3 使用 Levenberg‐Marquardt Algorithm 进行优化 问题描述 简化目标函数 参考 Gauss‐Newton Method ...
2010上半年协会工作总结及下学期工作计划
一眨眼又过了一个学期，一个充实有趣而又忙碌的学期。同时也是协会新旧交替的学期。今年我们09的学生才开始进一步的接触自己所在的部。我所在的部很小，就我和小云两个人（目前）。不过人少有人少的好处，问题的讨论时间短，易得出结果。这个学期因为协会采取的是小组交流制，各个部门都没有什么具体要做的事，我们策划部差不多也就做了两件事：1、协会宣传画的制作；2、4月小组成果展的流程安排以及座
数学文化赏析MOOC笔记【2023】
深圳大学UOOC课程《数学文化赏析》课程笔记
微软周三将宣布Office 2010上市时间
微软高层证实,当地时间周三,微软将正式宣布Office 2010已经结束开发,将在明年上半年投入批量拷贝.微软负责Office产品的高级副总裁Chris Capossela向媒体披露了上述消息.Office 2010也就是之前外界所称的“Office 14”.这位高层表示,产品发布六个星期到四个月之内,Office 2010将面向PC用户销售.另外,对于企业用户或者个人用户、以及下载和光盘消费者,
Photoscan+Smart3D+CC组合建模实战：如何用三款工具打造高精度实景模型
本文详细介绍了如何整合Photoscan、Smart3D和ContextCapture三款软件，构建高效高精度的实景三维建模工作流。通过利用Photoscan稳健的空三解算、Smart3D精准的刺点优化，以及ContextCapture强大的最终建模能力，该方案能有效应对复杂地形与海量数据，显著提升模型质量与生产效率，适用于测绘、文化遗产数字化等专业领域。
Ubuntu双系统开机黑屏？3分钟搞定NVIDIA显卡驱动冲突（18.04/20.04实测有效）
本文详细解决Ubuntu双系统开机黑屏问题，特别是由NVIDIA显卡驱动冲突引起的故障。提供从临时进入系统到永久安装专有驱动的完整方案，适用于Ubuntu18.04/20.04用户，帮助快速恢复系统并优化显卡性能。
MFC+Modbus-TCP工业温湿度采集实战：从协议解析到抗干扰部署
Modbus-TCP是工业以太网中最基础、最广泛使用的开放通信协议，其核心在于标准帧结构（6字节头+功能码+寄存器地址+数量）与确定性数据交互机制；它不依赖复杂中间件，直接基于TCP/IP实现PLC、传感器与上位机间的低开销数据交换。该协议的技术价值在于极高的现场兼容性与可调试性——配合Wireshark抓包可逐字节验证通信状态，是产线数字化改造的首选‘数据引桥’。典型应用场景包括老旧设备接入、边缘数据采集、HMI本地监控等对实时性、稳定性和Win7/XP环境兼容性有硬性要求的工业现场。本文聚焦MFC这一W
手把手教你用TiggerRamDisk绕过iPhone/iPad激活锁（支持iOS16.3，Win/Mac双平台保姆级教程）
本文详细介绍了如何使用TiggerRamDisk工具绕过iPhone/iPad的激活锁，支持iOS16.3系统，并提供Windows和Mac双平台的保姆级教程。从工具准备、设备连接到核心解锁流程，一步步指导用户完成操作，帮助二手设备或旧设备重获新生。
2010 ending
今天看了lg推荐给我的《十年总结》，有所感悟,觉得自己是该写点什么了，于是想起了年初时开的这个空间。这一年期间都没有打开过，十分的惭愧。我想自己还是需要坚持写些东西才比较好。长期从事技术工作，缺少语言的沟通，人会变得越来越...
手把手教你用RSoft BPM仿真一个1x2光分束器：从参数设置到结果分析全记录
本文详细介绍了使用RSoft BPM模块设计和仿真1×2光分束器的完整流程，包括参数设置、结构建模、仿真配置和结果分析。通过实战指南，帮助读者掌握光波导器件的仿真技术，实现50:50功率分配的设计目标，适用于光通信和集成光学领域的研究与应用。
uniapp(全端兼容) - 最新详细实现接入腾讯视频播放器功能插件，uniapp全平台端（小程序/H5网页/App/nvu）调用引入并使用腾讯视频播放组件完整全流程（详细示例源码，一键复制开箱即用）
uniapp腾讯视频，uniapp微信小程序腾讯视频，uniapp小程序接入腾讯视频详细示例教程源码，uniapp怎么在微信小程序平台使用腾讯视频插件，在uni-app中使用腾讯视频插件播放视频，uniapp调用腾讯视频，uniapp引入腾讯视频插件，uniapp小程序中引入腾讯视频无法播放，uniapp微信小程序平台引入腾讯视频播放不了黑屏，在uniapp开发的微信小程序中使用腾讯视频，uniapp如何引入腾讯视频插件播放视频，uni-app小程序平台引入腾讯视频插件播放腾讯视频，uniapp 小程序接入
2010年软考 考试日期安排
2010年计算机技术与软件专业技术资格（水平）考试日期安排 根据人力资源和社会保障部办公厅的文件通知（人社厅发[2009]117号），全国计算机技术与软件专业技术资格（水平）考试2010年上半年的考试日期为5月22日(周六)、23日(周日)，下半年的考试日期为11月13日(周六)、14日(周日)，具体的考试计划另文通知。 ...
Python爬虫实战：扒取专利数据库核心信息，我用这招搞定反爬+数据结构化（附完整可运行代码）
这套爬虫方案从「实际需求」出发，解决了专利数据库抓取的核心痛点：反爬突破、数据结构化、标题创作。核心价值不在于代码多复杂，而在于「实用」——我用这套代码半天就抓取了800+条Python爬虫相关专利，比手动效率提升了几十倍。最后想说：爬虫技术的核心是「解决问题」，而不是炫技。专利数据能帮我们快速了解行业技术趋势，尤其是程序员，从专利中扒出的核心逻辑，远比零散的博客文章更系统。希望这篇实战分享能帮到有需要的小伙伴，也欢迎在评论区交流专利爬虫的更多技巧！
英特尔没有改变在连发展目标的计划
2007年9月英特尔大连芯片厂奠基。13个月后，昨日当记者再次走进这片曾经荒凉的土地时，厂区内平坦的黄土地已被高大的建筑和绿草覆盖。办公区、主厂房、动力车间、仓储库等均已完成主要工程。“我们的芯片厂是按期建设的，而且我们也非常高兴地看到这个工程是保质保量在进行的。”见到记者，英特尔大连芯片厂总经理科比·杰斐逊显得很高兴，“大连芯片厂的建设执行的是英特尔最高的标准，即使如此我们的进展仍然很
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")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
年终总结，以及新一年规划
<br />2010年目标：<br />1.开始重新进入学校学习，考试不要挂科，争取最后可以拿到学位<br />2.上半年一定要考出“系统集成项目管理工程师”证书
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
电影制片厂movie studio
中国第三大电影公司北京保利博纳电影发行有限公司CEO表示，保利博纳将计划在2010年下半年或2011年上半年在纽约交易所上市。请看外电的报道：A third leading Chinese movie studio is aiming for a listing -- this time on the New York Stock Exchange -- as the countrys
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
软考软件设计师 | 2010年上半年错题相关知识点整理
选择题部分知识点 1.寄存器 为实现程序指令的顺序执行，CPU 中程序计数器（PC)的值将自动加1。 地址寄存器（AR)用来保存当前CPU所访问的内存单元的地址。 为了保证程序指令能够连续地执行下去，CPU必须具有某些手段来确定下一条指令的地址。而程序计数器正起到这种作用，所以通常又称为指令计数器。 2.中断 按照是否可以被屏蔽，可将中断分为两大类：不可屏蔽中断（又叫非屏蔽中断）和可屏蔽中断。 不可屏蔽中断源一旦提出请求，CPU必须无条件响应，而对可屏蔽中断源的请求，CPU可以响应，也可以不响应。 典
关于2010－2011年系统集成项目经理继续教育考试安排的说明
我平台设置的2010年继续教育课程，在2011年上半年继续有效。尚未通过继续教育考试的用户，可以继续学习并参加2011年的考试安排（原则上，2011年每月安排有2个考试日，具体考试时间将于2010年12月24日之前发布）。 需要通过我平台提供的继续教育进行资质延续换证的项目管理人员，应在本人的资质有效期内，每年参加一次继续教育学习并通过考试积累20学分...
［转］WebGL标准最新进展
名为“WebGL”的绘图技术标准允许把JavaScript和OpenGL ES 2.0结合在一起，为多种浏览器提供3D加速功能，而这个技术入驻浏览器已经逐步演变为现实。 据了解，上周，Mozilla的程序员已经开始将WebGL植入最新的Firefox builds。而本月初，程序员也已经开始将WebGL植入WebKit引擎，而WebKit引擎目前正被用于苹果的Safari和谷...
轩凯生物IPO被终止：年营收2.5亿 曾拟募资7.69亿
雷递网 雷建平 9月30日南京轩凯生物科技股份有限公司（简称：“轩凯生物”）日前IPO被终止，轩凯生物曾准备在科创板上市。轩凯生物原计划募资7.69亿，其中，4.89亿用于微生物制品产业化项目，2.4亿用于年产20万吨饲料，4000万用于轩凯生物技术研究院改扩建。年营收2.53亿轩凯生物成立于2010年4月，集生物技术研发、制造与服务于一身，以“功能性微生物、细菌类分泌物、真菌类分泌物、酶催化产物...
三星公开自主开源系统Bada，后年将全面弃用塞班
三星公司近日对外透露了其自主开发的开源Bada移动平台操作系统的消息。这款操作系统以韩语大海的发音命名，三星计划使用这款操作系统向 Android和LiMo等移动操作系统发起冲击。尽管目前三星还没有透露这套作系统的详细信息，但据称该操作系统会内建APP Store功能，并允许运营商进行自行定制。三星预计首款应用Bada系统的手机将于明年上半年随App Store一起上市，而明年下半年其它
微软新数据库向Oracle宣战
Microsoft takes on Oracle <!-- if we are on an article page we have a massive path --><!--Testing new ads format--><!--End test tag--> MICROSOFT WILL REPORTEDLY begin adapting SQL ...
AIR2.0新功能介绍
2009年11月1日，周末，大雪纷飞，这个世界越来越疯狂了。。 赏够了雪到处逛blog，在7yue的blog上看到ari2.0的新功能，有些还是比较令人兴奋的。 MAX09的大会上，Adobe透露了AIR2.0的计划，其路线图是将在明年上半年推出，而新的功能，我替各位总结一下：1.性能提升。更快速的运行速度及更好的利用系统资源。当AIR应用隐藏在后台时，空闲状态将降低CPU使用率为0%。减少A...
总结2009，计划2010
2009年还有几天就这么过完了，似乎还有点留恋，想想写点什么吧，留点印象。 1.2009年上半年，一次长长的出差结束了，广州其实不错，虽然话听到不大懂，可是那里有太多太多美好的回忆，也有不好的回忆。总之，成长不少，做事稳重很多，不会再毛手毛脚了，现在力争把工作做好，不留后患。技术上的事不大，做人做事方面的需要学习。 2.新公司，还好，待遇差不多，工作不累，有时间学习新东西。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
