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
700+累计阅读
779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
Embedding Perl under Win32
1.C:/Perl>perl -MExtUtils::Embed -e xsinit; //generate the perlxsi.c in C:/Perl
2.Open the IDE of Microsoft Visual C++
3.Select the Menu of Tools->Options...
set Executable files->C:/Perl/bin
set Include files->C:/PERL/LIB/CORE
set Library files ->C:/PERL/LIB/CORE
4.new Projects->Win32 Console Application->An empty project
5.Select Menu Project->Add to Project->Files
perlxsi.c,perl58.lib(C:/PERL/LIB/CORE) and others files of yours
6.Ctrl+F5 ok
应用程序向导
应用程序向导 何志丹 使用应用程序向导可以快速生成程序框架。选择菜单“File→New”命令，此时会弹出“New”对话框，下面对该对话框中的常用选项进行逐一说明。1．文件（Files）属性页 单击“Files”标签，打开“Files”属性页，如图1-3所示。图1-3 文件属性页文件类型虽然多，但常用的只有两种：C/C++ Header Fi
perl的几个小知识点
1 关于自己编写模块时在模块结尾的1;语句 这是因为当别的模块中引用该模块的时候，use 相当于可执行语句，为了在语句最后返回为true，因此加上语句1;实际上你可以写任何返回值为true的表达式 2 use和require的不同 先看perl FAQ上的回答 The use statementis the same as a require run at compile
基于Lumerical FDTD的光栅耦合器宽带特性仿真与实验验证
本文详细介绍了基于Lumerical FDTD软件对光栅耦合器进行宽带特性仿真的完整流程。通过复现一个针对1310nm波段优化的经典光栅耦合器案例，文章从结构建模、光源设置、监视器布置到仿真运行与结果分析，逐步解析了如何准确模拟其耦合效率与带宽特性，并将仿真结果与实验数据进行对比验证，为硅光芯片的设计与优化提供了实用指导。
perl embeded into c++
发信人: wideexpress (冬瓜), 信区: Perl标 题: 菜鸟历程——将perl嵌入到vc++发信站: 水木社区 (Sat May 28 23:36:25 2005), 站内因为要在vc环境下进行文本解析，所以想将perl嵌入到vc环境中来，在网上看到ActivePerl支持Windows环境，于是下了ActivePerl5.8.6，安装之后将环境变量和库文件设好，就可以在dos下
Mumax3高效模拟技巧：如何利用代码模板快速完成磁性材料特性分析
本文介绍了利用Mumax3代码模板库提升磁性材料微磁学模拟效率的核心方法。通过构建模块化的环境配置、材料库和特征长度计算模板，研究者可以快速组装模拟方案，自动化参数扫描与结果分析，从而将精力聚焦于物理问题本身，实现工作效率的指数级提升。
LMX2594时钟配置实战：TICS PRO从入门到寄存器导出
本文详细介绍了LMX2594时钟芯片的配置实战，重点讲解了如何使用TICS PRO调试软件简化复杂的寄存器设置过程。通过实例演示从基础频率配置到高级参数调优的全流程，并分享SPI写入的嵌入式系统移植技巧，帮助工程师快速掌握高性能时钟芯片的配置方法。
perl里面对子函数的引用
perl里面，对于变量 / 容器的引用，直接加一个"\"即可。但对于子函数来说，引用方式不一样，必须是前面加"\&"
GAN模型中的常见变体有哪些，如DCGAN、WGAN和CGAN等？
生成对抗网络（GAN）是一种强大的深度学习模型，它由生成器和判别器两个网络组成，通过对抗训练的方式实现生成数据的能力。随着研究的发展，出现了许多GAN的变体，每个变体都有其独特的改进和特点。
微软技术日报 2026-11-05：安装器变现链被拆开、OneLake 托管 MCP、Agent 365 进 Gartner 象限
把这几条放在一起看，共同点是把已经铺开的东西补上治理。安装器那条最直白。用户自己点开的程序，装完还会往回连，落地的东西藏在计划任务里、Program Files 里，用户不知道。微软给的检测思路也是往这个方向走的，看临时目录、看回调、看 SYSTEM 任务，而不是追域名。OneLake 那条是给 agent 补路标。以前每种 item 类型都要维护一份端点清单，现在让服务自己报出来。好处是 agent 不用猜，代价是判断责任转移到了客户端，技能要不要加载得自己决定，标签也不能当成授权。
k3s cpu load 和 cpu 使用率很高处理
在这期间还执行过缩减 sqlite3 数据库操作,不知道是哪个操作起了作用，亦或者两个操作有影响，删除 ns 促进了数据库缩减的执行（没删除之前数据库缩减不成功，db文件大小未减小，但不确定是不是执行完 VACUUM 之后需要时间 db 文件才会减小，或者是因为删除了 ns 才导致其减小），再或者是两个操作都起了作用。kubectl get ns 发现有很多卡在删除状态的 ns。k3s 官网关于这个问题的谈论。执行如下脚本删除掉这些 ns。有人详细说过这个问题。
通用、可复用的 AI Skill 开发基本流程
-----name：唯一标识符（建议用领域-功能格式）：自然语言描述触发条件（AI 依赖此判断是否激活）tags（可选）：便于分类和搜索version：支持后续迭代步骤输出物1. 定范围触发场景描述2. 写元数据name3. 填内容结构化 Markdown 文件4. 做验证可运行 + 符合规范5. 去集成放入对应 IDE 目录6. 持续维护跟进框架更新通过这套流程，你不仅可以开发（Hooks 最佳实践）（原生 WebGL 优化）（Pandas/Numpy 高效写法）
微软技术日报 11-09：.NET 8 与 9 明日同时停止支持，注册表编辑器出了 WinUI 3 版
今天这四条消息的共同点是收口。.NET 8 和 9 的支持期到点，注册表编辑器的新界面只放在仓库里给人看，GitHub 把一类危险触发器按住默认，微软在安全报告里把防线从地址黑名单挪到行为。收口并不等于关门。.NET 10 还在支持期里，被按住的触发器可以用策略按文件放回来，实验室里的样例随时可能变成产品。区别在于这些动作要有人签字，不再是默认开着。如果今天只做一件事，去看一眼构建机上的 .NET 版本。明天之后，8 和 9 的漏洞补丁不会再来了。
华为OD机试真题 新系统2026-04-01 C++ 实现【勇攀数字高峰】
请你在给定的数字地形图中寻找登山路径，数字代表当前位置的海拔高度，要求从最低海拔出发，不断攀登，最终到达最高山峰。你需要寻找所有满足条件的登山路径。地图已经保证最低海拔和最高山峰都只有一个。
AI驱动数据处理的安全边界：行业现状、风险权衡与本地化实践路径
本文基于第三方数据，分析AI用于数据处理的安全议题。大模型应用加速普及，但伴随数据出境、影子AI、幻觉与成本失控等风险。行业共识指向“脚本复用”路径：将分析逻辑本地化固化，实现数据可控、结果可复现、成本可降。产品如数以轻舟提供本地处理、多模型接入与一次付费永久使用方案。建议企业从数据落点、可控性、可复现性与合规性四维度评估选型，推动AI在安全边界内释放价值。
Google Earth Engine（GEE）——将sentinel - 2影像所有波段重采样到10m分辨率 （resample 和 projection的使用）
影像重投影是将一个影像从一个坐标系投影到另一个坐标系的过程。这通常涉及到将像素从一个平面坐标系变换到另一个平面坐标系。这可以用于许多应用中，例如建立数字高程模型（DEM）和地图制图。影像重投影通常需要进行数学计算，包括转换矩阵和插值算法，以确保像素值的准确性和精度。这次我们将对哨兵2好数据中20m分辨率的波段，重采样到10m分辨率中，然后同一参与计算。
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...
微软技术周报 11-02~11-09：VS Code 混装 Claude 与 Codex、EF Core 11 静默改行为、.NET 11 倒计时
11 月 6 日，Power Platform 通过消息中心通知管理员，Copilot Studio、Power Automate 和 Power Apps 里所有跑在 Anthropic Claude、xAI Grok 以及旧版 GPT 上的 prompt，12 月 2 日自动迁移到 GPT-6 系列，档位价格不变，模型选择收窄到一条产品线。效果是这样的：让 Claude 评审一个 Copilot chat 写出的方案，或者把同样的任务交给 Codex，两边并排跑在同一个会话里。更要紧的是下周的时间线。
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
微软技术日报 11-08：Foundry 与 Entra 各挂一个 10.0 分漏洞，Foundry 接 fal 五款视频模型
这一周的动作可以分成两类。一类在收。Copilot 从电视上退场，搜索里的 AI 改成可选，云端漏洞只发通知不收补丁。共同点是承认铺得太开，代价比预期高。另一类在放。Foundry 一次摆上五个视频模型，容器版应用网关一个入口挂 64 个 MCP 服务器。共同点是把能力做成可组合的积木，让使用者按需挑。两个方向背后是同一个判断。把能力塞到每一个界面上，短期看覆盖率高，长期要解释为什么删不掉。新的做法是先给一个能关的开关，再谈覆盖。对每天写代码的人来说，今天有两样现成的东西可以试。
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
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")
微软输入法标点乱跳解决方案
微软拼音输入法常因“中文输入时使用英文标点”开关被意外开启，导致标点自动切换为英文且快捷键失效。本文提供一键批处理脚本，通过修改注册表（HKCU\Software\Microsoft\InputMethod\Settings\CHS）强制锁定中文标点，覆盖多个相关键值，确保设置持久生效。相比手动操作，该方案可抵御更新、同步等导致的配置重置，提升稳定性。执行后需重启输入法或系统以使更改生效，建议提前备份注册表。
微软 BioEmu2 实测：AI 设计的抗体，能否通过动态模拟提前筛选？
微软 BioEmu2 实测：AI 设计的抗体，能否通过动态模拟提前筛选？**2026 年 10 月 26 日，展示了一个 AI 抗体候选的 10 纳秒传播动画。**但这个案例留下的最大问题，仍是实验室门前那道选择题：一批看起来合理的设计，究竟该把哪几个送去测试？Ford 正在参与 Adaptyv 与 Anthropic 的蛋白设计竞赛，也在开发抗体语言模型。**但他在原文中坦言，生成候选容易，挑出值得测试的候选依然困难。**本文解读他的公开实测，并对照微软文档核查证据边界，未独立运行模型。
情感交互机器人融资，四川具身科技的「爱湫」登场
当前人形机器人的主流战场是工业、仓储、巡检这些「干活」的场景，而「爱湫」把重心放在了「陪伴」上——通过面部投影和情绪识别，让机器人和人之间多一层情感层面的交互。情感交互机器人的市场，其实一直存在，只是过去被「能干活」的主流叙事盖住了。它主推的产品「爱湫」，是一款主打情感交互的人形机器人，搭载 3D 投影面部技术，情感交互机器人的逻辑，是面向养老陪伴、文旅服务、展厅导览这类「不要求重体力、但要求互动感」的场景。真正的考验不在发布会，而在它能不能在真实的养老和陪伴场景里，被用户用起来、留下来。
微软技术日报 2026-11-06：本地服务器补丁将自动安装、画图 8.1 分漏洞修复卡在商店、DACS 开源
今天这四条，能拼出一条共同的线：默认值在往自动那一侧挪。补丁从等人装改成到期自动装，紧急缓解从需要开启改成默认开启。智能体的权限从长期持有改成按任务发、按风险收，普通用户的提权从整块管理员切成改一个网络设置这样的单点。这条线有同一个前提，策略得先写对。自动装补丁的前提是你能接受某天早上服务器自己重启；按任务发权限的前提是任务边界描述得足够清楚。默认值变聪明，不等于判断变简单。还有一条更细的教训来自画图那个漏洞。修复版本发布在商店里，公告写着需要客户操作，但商店里那几天没有可装的东西。
微软技术日报 2026-11-07：Copilot 本机跑 27B 模型、Front Door 默认后量子 TLS、Beta 转 26H2
四条消息挤在同一天，方向各不相同：Foundry Local 把 27B 的编码模型压进了 24GB 显存并接进 GitHub Copilot；Azure Front Door 把入站 TLS 1.3 的混合后量子密钥交换设成了默认；Windows Insider 一次放出五个构建，Beta 通道正式转到 26H2；Power Platform 通知管理员，12 月 2 日提示模型换血，Claude 与 Grok 一起退出。四条放在一起看，有两条在改默认值，两条在改节奏。
Gemini 语音混音入门：在 AI Studio 用文字调整音色和口音
说明在 Google AI Studio 基于已有音色用自然语言做 Voice remixing：选择基础音色、输入相对调整、试听预览并保存为独立 voice ID，再用混音后的声音合成旁白。
微软Copilot生态深度解析：从办公助手到超级应用的整合趋势与实战技巧
在人工智能技术飞速发展的今天，微软Copilot已成为连接用户与AI生产力的核心桥梁。虽然“copilot-analysis”这一特定仓库可能指向具体的分析脚本或文档，但从更宏观的视角来看，它代表了当前对微软Copilot生态系统的深度探索。Copilot不仅仅是一个聊天机器人，它已经深度嵌入到Excel、Word、GitHub等核心生产力工具中，甚至正在向“超级应用”演进。
微软技术日报 2026-11-11：补丁日 1093 个漏洞、Outlook 零日在野、.NET 11 正式发布
把这几条放在一起看，会发现它们指向同一个方向，留给维护的窗口在变短。补丁日一次一千多条、Azure Linux 一次四百多条 CVE 引用、ACL 把代码完整性做成可选审计再加一层默认镜像、.NET 把两个版本的支持期放在同一天结束，做的都是同一件事，把「以后再说」往后压。要做的事不算复杂。把对公网暴露的 Exchange 与 SharePoint 排进本周的窗口，Exchange 那条要预留重启时间；
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3706
扫一扫
