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
600+累计阅读
693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
打开了csdn，开始了运维人生的第一成，添加了几个文章分类，写下了各种运维相关的文章分类，为了是记录下前进中每一步的log。
百度的实习招聘在我这块已经结束了，最后我以失败告终，没能如愿去百度工作，或者就是我没有把以前自己做过的东西写出来，一点点的log下来。现在打算准备百度的2012校招。目前学校的课程马上就快完了，结课后做课设，再考试。那么在暑假就可以完成的我目标了，一切的一切，从零开始。
我不在乎以前的一切，事实上完全没有必要去在乎那些，以后我们不应该为过去的耿耿于怀，更多的应该在乎今天我在努力的去做，而明天又能把今天做的事情做得更好，这个比一味的去在乎过去的更值得。当然，对于过去我们失误的部分必须要好好的总结，那样对我们接下来的工作和学习都是会有很多利处的。
computer人生
运维工程师——学习路线技能图谱
传统的认知是，运维场景中网络技能很重要。实际上，网络技能分物理网络和虚拟网络，而虚拟网络其实更多的是Linux技能层面的支撑。Linux作为一款非常稳定和安全的操作系统，更适合在服务器上使用。对于运维人员来说精通Linux操作系统是拿到高薪的关键，如果不会Linux那么网络再精通也很快会遇到职业瓶颈、上升困难。...
专家特写 | 乾龙：一切都是从拆电脑开始的
一个技术硬且嘴硬心软的隐藏段子手。
FPGA波束形成：从算法到硬件的艺术之旅
本文深入探讨了FPGA在波束形成技术中的应用，从算法原理到Verilog硬件实现的全过程。文章详细分析了FPGA并行处理、低延迟和可重构特性如何优化波束形成系统性能，并提供了Verilog关键模块代码示例和资源优化策略，为工程师实现高效FPGA波束形成解决方案提供实用指导。
三个步骤帮你决定你今天吃什么（附20多个免费可用的高质量 API 推荐）
今天吃什么：随机返回一顿美味食物，解决你今天吃什么的难题。
YOLOv8 PCB缺陷检测系统全流程实战：从开发到UI展示详解
毕设路上难免有波折，但只要跟着这个教程把“数据集处理、模型训练、UI开发”每一步都落实，你就已经超越了大多数同学。这个“PCB缺陷检测系统”既有技术深度（YOLOv8是工业级主流算法），又有工程价值（解决电子制造的实际痛点），还具备出色的可视化展示——这样的毕设，拿高分是水到渠成的事。
HQChart实战教程19 - PC端分时图定制tooltip
HQChart实战教程19 - PC端分时图定制tooltip序效果步骤1. 创建一个外部tooltip的div2. 注册标题绘制事件3. 标题绘制回调函数格式说明eventdataobjtooltip显示函数HQChart代码地址 序 hqchart分时图是不带tooltip， 如果我们需要在PC端页面显示tooltip，我们可以通过注册绘制标题事件，来自己做一个div显示数据。 参考教程HQChart实战教程7-自定义显示手势点击K线显示信息 效果 步骤 1. 创建一个外部tooltip的div 在外
驱动人生服务器版本_驱动人生8.0版本客户端8月13日正式上线，新版功能预告
相信对于大部分用户来说，安装电脑驱动都不是一件困难的事，但一定是一件很麻烦的事。所以借助工具就成为“懒人”们的首选。例如——驱动人生这款软件。今天给大家介绍的是驱动人生官方即将在推出的驱动人生客户端8.0最新版本。清爽UI设计从整体上看，驱动人生8.0版对比7系列版本在UI上确实下了不少的功夫。大家可以很地明显看到8版本的驱动人生“颜值”更高。整个画面的色彩搭配更富有清爽感的同时功能布局也更合理。...
BevFusion (5):逐行代码详解
论文中给出了Bevfusion的架构图，它的输入是多视角的相机和点云图，经过两个特定的head,分别用于做检测任务和分割任务。图1 Bevfusion 结构图Bevfusion因为有两个模态的输入：多视角相机和点云，所以对应两个分支：相机分支和点云分支。相机分支：输入6个视角的图片后，提取特征，然后经VT(View Transformer)转换之后得到相机的Bev特征。激光雷达分支：输入点云数据，经过Encoder编码得到体素化Lidar特征，然后沿z方向展平，得到Lidar Bev特征。
IT云运维技术分享
上云之后省钱省力更安全可靠，是否意味着包括运维人员会被替代？云端不需要运维？ 在云时代，对运维的正确理解应该是：云独有的特性，带来了更多的运维工作，将更多的精力放在业务的稳定性建设上，结合公司实际情况，制定体系标准和运维流程，从闭环的角度来看待业务的全生命周期管理。
【即插即用模块】注意力篇 | TGRS 2025 | SCPP：独家复现！三特征多尺度注意力融合，涨点必备！
摘要：SCPP（Scale-aware Pyramid Pooling）是一种创新的多尺度特征融合模块，专为U型网络瓶颈设计。它通过局部特征提取（1×1卷积）、多尺度膨胀卷积（1/3/5膨胀率分支）和全局特征聚合（全局平均池化）三重结构，结合SE通道注意力机制和自适应加权融合，显著提升特征表达能力。实验表明，SCPP能有效解决边缘模糊和错误检测问题，在遥感图像分割等任务中表现优异。该模块支持即插即用，适用于各类需要多尺度特征增强的视觉任务。
地统计插值学习心得（一）
（创建地统计图层工具用于根据现有的地统计图层或者地统计模型来创建包含新要素数据集的地统计图层，也就是使用构建好的地统计模型用到新的数据集中）这表明，远离极值的区域预测不受极值的影响，并且还表明，包括极值会导致钼元素浓度高的区域周围的预测明显变高。通常，我们使用同一个数据集进行建模和预测，但是在实际插值过程中，这两步的数据可以是不同的，这就是处理极值的诀窍。如果你的数据集有无法忽略的极值时（比如这些钼元素浓度），一种常见的方法是首先显式移除极值进行建模，然后在预测中使用整个数据集（包括极值）。
高级运维工程师打怪升级之路
人生就像一场游戏，这场游戏给我们带来了的许多困难，但是我们为了梦想，为了家人，为了自己不断奋斗着，努力工作。 今天就让我带着大家一起回顾高级运维工程师打怪升级之路。 运维工程师在刚入行阶段是一很苦逼的，可能干着修电脑、掐网线、搬机器的活，显得没地位！时间也很碎片化，各种零碎的琐事围绕着你，也很难体现个人价值，渐渐的对行业很迷茫，觉得没什么发展前途。 这些枯燥无味工作的确会使人匮乏！技术是枯燥无味的...
广东省低应变题库
11.按《建筑地基基础检测规范》DBJ/T15-60-2019的规定，采用低应变法对混凝土预制桩进行检测时，地基基础设计等级为甲级的桩基工程抽检桩数不应少于总桩数的30%，其余桩基工程抽检桩数不应少于总桩数的20%，且不得少于10根;16.按《建筑地基基础检测规范》DBJ/T15-60-2019的规定，当对某桩的桩身完整性判定为III类时，可认为该桩不满足验收条件，不用进一步确定该桩桩身缺陷对桩身结构承载力的影响程度。2.地基基础检测所用计量器具均应在检定(校准、验证)的有效期内，性能符合相关技术要求。
程序员的成长之路：从代码到人生哲学
程序员的成长之路充满了挑战和机遇。从初学者的“Hello, World!”到大型系统的架构设计，程序员在代码的世界中不断探索、创新，并将这些经验和智慧应用到生活的方方面面。无论是编写代码，还是解决生活中的问题，程序员的职业生涯不仅仅是一场技术的旅程，更是一场关于人生哲学的思考与实践。
智能园艺：AI Agent控制的室内种植系统
随着城市化进程的加速和人们对健康生活的追求，室内种植逐渐成为一种流行的生活方式。然而，传统的室内种植方式往往需要人工进行大量的监测和管理，效率低下且难以保证植物的生长质量。智能园艺：AI Agent控制的室内种植系统旨在利用先进的人工智能技术和传感器设备，实现室内种植的自动化和智能化管理，提高种植效率和植物生长质量。本系统的范围涵盖了从植物生长环境的监测到种植过程的自动化控制，包括温度、湿度、光照、土壤水分等环境参数的实时监测，以及灌溉、施肥、通风等种植操作的自动执行。
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")
运维工程师的打怪升级之路
人生就像一场游戏，这场游戏给我们带来了的许多困难，但是我们为了梦想，为了家人，为了自己不断奋斗着，努力工作。 今天就让我带着大家一起回顾高级运维工程师打怪升级之路。 运维工程师在刚入行阶段是一很苦逼的，可能干着修电脑、掐网线、搬机器的活，显得没地位！时间也很碎片化，各种零碎的琐事围绕着你，也很难体现个人价值，渐渐的对行业很迷茫，觉得没什么发展前途。 这些枯燥无味工作的确会使人匮乏！技术是枯燥...
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
运维人的斜杠人生：技术栈跨界融合的破局之道
本文探讨了运维工程师在数字化转型中的职业发展路径，强调技术栈跨界融合的重要性。通过云计算、DevOps等技术的应用，运维人员可以转型为DevOps工程师、云原生架构师等复合型人才，提升职业竞争力。文章提供了详细的技能矩阵和实战转型路线图，助力运维人员实现职业跃迁。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
驱动人生离线版_驱动人生8.0版本全新来袭，这些功能你知道吗？
相信对于大部分用户来说，安装电脑驱动都不是一件困难的事，但一定是一件很麻烦的事。所以借助工具就成为“懒人”们的首选。例如——驱动人生这款软件。今天给大家介绍的是驱动人生官方在2019年全新推出的8.0版本客户端，在本当年度为驱动人生的大版本更新，其中更新内容包括对界面、功能、底层代码等都做了升级。一、清爽UI交互设计从整体上看，驱动人生8.0版对比7系列版本在UI上确实下了不少的功夫。大家可以很地...
从自动化运维到自动化人生：让技术提升生活品质
作为一名运维工程师，我在工作中享受自动化带来的便利。现在，我也在生活中享受自动化带来的便利。我相信，技术不仅可以改变工作，也可以改变生活。关键是，我们要学会运用技术思维，让技术服务于我们的生活，而不是让我们被技术奴役。希望这篇文章能给你一些启发，也欢迎你分享自己的"生活自动化"经验。本文作者：侯万里（万里侯），把自动化思维运用到生活的运维人。
7.24运维日福利：运维都是段子手，张口就是100条！
各位运维宝宝，节日快乐，今天加个鸡腿吧！在运维帮的公众号看到一篇文章，是关于“一句话说运维”的活动，看完以后不得不感慨——运维都是段子手中的老司机！我从中抽取了100条比...
【程序人生】今天我 rm -rf 了，你呢？
今天上午，我还在群里吃着 微盟删库 的瓜。 没想到下午，我就在公司内部服务器上用 root 账户执行了 rm -rf ~
一个苦逼运维工程师的年终总结-逗哥
2019 我们一起扬帆起航，奔向人生巅峰。 您好，我是邱月涛(逗哥)土生土长北京人，安逸、懒惰这样的词,可能是您给我的标签，如果您看完这篇文章，我相信您会认识一个不一样的北京人，我不安于现状，凡事追求极致，对于技术、家庭幸福，当然也包含物质。另外我这我喜欢总结，因为我脑子“笨”，好记性，不如烂笔头。2012年 我在51cto记录了第一篇自己的文章，从最简单协议工作原理，生...
我没有开挂的人生！自律和坚持，是我走IT之路的唯一捷径
异步导读：作为一个半路出家的自学Linux系统运维的杭漂，他的这十年，可以说是遍历艰辛。他在大家都认定“运维要被自动化替代”时坚定发声：“这是一个错误的理念，运维人员会一直存在”，并成...
站在人生的月台
站在人生的月台 站在人生的月台，火车即将启程，手揣着简单的行囊。带着充满稚气的思想，踏上马上即将启程的人生之路。 不知道为什么，我老是喜欢想昨天这个时候我在干吗，上个星期这个时候我在干嘛，上个月的这个时候我在干嘛，去年的这个时候我在干嘛。可能是因为怀旧吧,每次想起心里不禁的就有点忧伤。可能今天我是小孩，明天我就是大人了；可能今天我还是别人的儿子，明天我
运维的难点到底在什么地方？
运维要做的，不仅是手动发布代码，还要搭建自动化部署流程，比如 CI/CD，来尽量降低出错的概率。• 容器化的复杂性：Kubernetes 是个好东西，但配置复杂到让人抓狂，一个 Pod 挂了，你可能得看一下午文档，才能找到问题。有一次老韩的运维同学刚过春节，想着系统应该没啥大问题了，结果用户的一个高并发接口出问题，他愣是在除夕夜修了 5 个小时的 bug。没错，运维是公司里天生的“锅王”，但凡系统出了点问题，第一个被拎出来问责的，往往是运维。所以，运维的难点不光是技术上的，还有心理上的。
预测携程过后IT运维将成为一种享受
这个内容可能有点长，但请认真看下去，这是一个IT运维界十几年的老兵的经验，相信对你的职业生涯乃至你的人生有很大的帮助，也希望能影响到更多的人。所以我预测携程事件过后，IT运维人反思过后，企业的运维将会是一种享受。 相信这段时间挂在IT界人士嘴边的还是携程网宕机事件，从28号中午11点截止晚上8点，携程首页还是指向一个静态页面，所有动态网页都访问不了。关于事故根源，网上众说纷纭，有说是数据库数据和
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5826
扫一扫
