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
1.1w累计阅读
1.2w+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
因为工作原因需要移植SIP协议栈，所以阅读SIP协议的标准文档RFC3261就成为必要的工作。然而RFC的文档都是以txt纯文本格式发布（虽然也有pdf格式的，但没有目录书签功能），如果使用记事本来阅读，看起来那是相当的痛苦。之前都是使用文本工具来阅读RFC3261，需要不断的CTRL+F，经过一个多月原始、落后及刀耕火种的痛苦后，同时SIP协议栈移植工作也接近尾声，决心在网上看看能否找到合适的RFC文档阅读器。为了造福广大的技术工程师们，本人亲自测试网上能找到的RFC文档阅读器，并奉献测试报告。
1、qRFCView
qRFCView是IETF官方推荐的阅读工具，功能强大，非常实用。
推荐指数：★★★★★ 本人强烈推荐。
版权：免费， 安装版
支持在线下载RFC文档
支持生成目录树功能
支持打开多个文档
支持修改字体
支持文档内部的交叉链接
缺点就是右边的滚动条太小了，不注意看的还以为没有。
相关网址：http://qrfcview.berlios.de/
2、RFC Assistant
其实也是很好的一个软件，没有试用期限，而且非注
Hermes Agent文件操作5大核心配置详解
Hermes Agent 是面向终端的AI开发代理，其文件操作能力并非开箱即用，而是依赖严格的运行时环境配置。其底层原理基于终端进程继承的shell上下文，涉及路径解析、权限控制、编码识别与子进程执行四大技术环节。技术价值在于将HTML等前端文件的修改从手动编辑升维为可编程、可复现、可集成CI/CD的自动化流程。典型应用场景包括快速更新HTML meta标签、批量生成页面模板、同步修改多环境配置文件等。本文聚焦`file`工具失效的根因，系统梳理`tools.enabled`、`file.working_d
前端转型AI Agent应用开发：最短路径实战路线图
大模型时代的到来让许多前端开发者感到焦虑，担心传统技能被淘汰。然而，AI Agent应用开发的核心并不在于训练模型，而在于工程化的工具调用与流程编排。作为状态机与异步事件流的结合，Agent开发与前端的状态管理、接口交互有着天然的底层逻辑一致性。通过大模型API调用、结构化输出约束、Function Calling机制及Prompt调优，开发者完全可以使用TypeScript构建出稳定可靠的生产级Agent应用。从智能工单助手到数字员工管理界面，Agent与工具链的结合正在企业内部快速落地，催生了Agent
前端转AI全栈：Java后端学习路径与Spring Boot实践指南
面向对象编程（OOP）是一种以对象为核心的程序设计范式，通过封装、继承和多态三大特性构建模块化、可复用的代码结构。其核心原理在于将数据与操作数据的方法绑定为对象，从而模拟现实世界实体。在工程实践中，OOP极大地提升了代码的可维护性和扩展性，是构建大型复杂系统的基石。在Java生态中，这一理念与Spring Boot框架深度结合，使得开发者能够快速搭建稳健的企业级后端服务。随着AI应用开发热潮的兴起，掌握Java后端技术成为实现AI全栈能力的关键一环，开发者可以运用Spring Boot高效构建RESTful
Windsurf本地大模型前端实战：轻量交互框架原理与工程落地
Windsurf是一种面向AI工程师的本地大模型前端交互框架，本质是运行在桌面端、支持插件扩展的LLM人机协议转换器。其核心原理在于Rust+Electron分层架构——将模型通信、token流解析等重负载下沉至独立Rust进程，UI层仅负责渲染与事件调度，从而实现低延迟、低内存（<1GB）、高可控性。技术价值体现在‘最后一公里’连接能力：通过标准化JSON-RPC协议解耦前端与后端推理引擎（如llama.cpp、llm.cpp），支持模型即插即用、系统提示词动态注入、上下文状态可审计。典型应用场景包括本地
SeleniumBasic：基于VBA的浏览器自动化，解放Office用户的重复网页操作
浏览器自动化是现代办公提效的关键技术，其核心原理是通过程序模拟用户操作，控制浏览器执行点击、输入、导航等任务。这项技术的价值在于将人力从大量重复、机械的网页操作中解放出来，实现流程自动化，显著提升工作效率和准确性。其应用场景广泛，尤其适合与数据处理紧密相关的业务，例如电商运营中的价格监控、数据抓取，以及企业内部系统的定时填报、数据同步等。本文聚焦的SeleniumBasic，正是将这一强大能力无缝集成到VBA环境中的利器，它让熟悉Office套件的业务人员无需学习Python等新语言，就能直接利用Excel
Llama3本地部署指南：CPU/GPU均可运行的终端大模型实践
大语言模型（LLM）本地化部署正成为AI工程落地的核心能力，其本质是将云端推理能力迁移至终端设备，实现数据不出域、低延迟响应与离线可用。关键技术支撑包括模型量化（如GGUF格式）、轻量推理引擎（如llama.cpp）及软硬协同优化。Llama3凭借宽松的Llama Community License和多精度量化支持，成为当前最适合本地运行的开源大模型之一；结合Ollama、LM Studio、GPT4All等工具链，可在i5笔记本、ARM工控机乃至树莓派上完成端到端部署。本文聚焦CPUGPU均可运行的实操路
脚本自动化入门：从环境配置到实战备份脚本编写指南
脚本是实现自动化任务的核心技术，本质是一系列按顺序执行的命令集合，旨在将重复性手动操作转化为可重复执行的程序。其工作原理基于对系统命令和逻辑结构（顺序、条件、循环）的编排，通过解释器逐行执行。这项技术的核心价值在于提升效率、减少人为错误，是实现运维自动化、数据处理、文件批量操作等场景的基础工具。在工程实践中，环境配置（如解决“无法识别命令”的PATH问题）和选择合适的脚本语言（如Shell、Python或批处理）是成功的关键第一步。本文以构建一个实用的“自动备份今日修改文件”脚本为例，系统讲解从环境搭建、核
Python交互控制台：从REPL原理到IPython实战调试指南
Python交互控制台本质上是Read-Eval-Print Loop（REPL）机制的实现，它将代码输入、实时求值与结果反馈构成闭环，是建立编程直觉的核心认知工具。其底层依赖CPython解释器引擎，但Read和Print层可被IPython、Jupyter等前端增强，从而支持语法高亮、智能补全、多行输入与内省调试。这种即时因果反馈能力，使其成为零基础入门、pandas数据清洗调试、API快速探索及Flask路由验证等高频场景的首选沙盒环境。掌握`python -i`、IPython和VS Code集成R
qRFCView是IETF推荐的阅读工具，windows版安装免费好用。
qRFCView是IETF推荐的阅读工具，windows版安装免费好用。qRFCView是IETF推荐的阅读工具，是从德国服务器上下载下来的。
rfc文档阅读器rfc reader
阅读rfc文档，非常实用的工具，可以自定义标签，方便下次阅读。
RFC-browser:RFC查看器。 Singleton，Observer，MVC模式以及Command和Composite模式
RFC浏览器 在此RFC浏览器中，您可以： 在顶部的文本字段中按编号查找RFC 如果在顶部的文本字段中输入字符串，则按标题（特别是RFC）查找RFC 显示RFC和结果表 看到特定的RFC时使用键盘键进行导航 使用前进和后退功能 在RFC视图中搜索。 搜索到的单词将为粗体。 它已被用于UI框架Swing。 此外，对于搜索功能，插件Jsoup允许轻松管理来自特定URL的html内容。 该项目旨在研究图案设计。 确切地说，该项目使用Singleton ， Observer ， MVC模式和Command 。 此外，通过Swing库了解Composite模式设计。 技术领域 Java 摇摆 汤 参考书目 抢先设计模式-O'Reilly Media
qRFCView-专业阅读RFC软件
经典RFC阅读软件，能自动下载指定RFC
RFC阅读器--RFC Viewer 1.4绿色版
该该程序为RFC阅读器--RFC Viewer 1.4版本的绿色版，无需破解，给最需要的人。
RFCBrowser3.7 破解
安装好3.7版本的rfcbrowser， 然后再用它替换掉安装目录下的rfcbrowser.exe,第一次启动时会提示注册，可任意填注册信息注册
RFC Reader-开源
RFC Reader是基于GTK2 +的RFC浏览应用程序。 它可以解析原始RFC文档并生成用于内容浏览的目录树。 还包括多个文档查看。
rfcVIEWER 非常有用的东西
它是一个RFC浏览工具非常有用这个工具书很难得到 的啊
用Python实现古诗词填字游戏（三）
古诗词做填字游戏的第三部分代码，也是最核心的部分。实现对诗文和关键字的选定，并确定文字的输出位置。
红外弱小目标检测：IPI算法解读及MATLAB复现
参考文献：[1]C. Gaoet al., “Infrared Patch-Image Model for Small Target Detection in a Single Image,” vol. 22, no. 12, pp. 4996–5009, 2013. 本文整理????论文笔记，并附MATLAB实现代码。 一、阅读笔记 1. 摘要 IPI算法是单帧检测算法； 利用背景的非局部子相关性（non-local self-correlation ofbackground)，将目标检测转..
Quest 3开发第一步：搞定Meta账号登录和Oculus软件连不上设备的那些坑（2024实测）
本文详细介绍了Quest 3开发初期的关键步骤，包括Meta账号注册、Oculus软件安装与设备连接等常见问题的解决方案。针对国内开发者遇到的邮箱限制、验证码接收等难题，提供了实用的应对策略，并分享了开发环境配置和常见问题排查技巧，帮助开发者快速搭建Quest 3开发环境。
CCS20实战入门：第一个工程搭建示例
通过实际操作演示如何在ccs20中创建并配置首个开发项目，涵盖环境设置与基础调试步骤，帮助新手快速上手ccs20集成开发环境，提升嵌入式开发效率。
Microsemi Libero系列教程（全网首发）
关于Libero IDE和Libero SoC Libero分为Libero IDE和Libero SoC，Libero IDE最新版本是v9.2 SP3（2016年4月4日）已经不再更新维护了，而Libero SoC是Libero IDE的升级版，官方推荐的开发工具，文中的Libero指的是Libero SoC。 Libero SoC Libero® SoC是Microsemi（美高森美）官方...
【报错】（pycharm运行程序）OSError: [WinError 1114] 动态链接库(DLL)初始化例程失败。 Error loading
1 报错 OSError: [WinError 1114] 动态链接库(DLL)初始化例程失败。 Error loading 2 分析原因 通过 activate Distance 进行自己创建的 Distance 虚拟环境中，输入python会显示环境中python的版本信息，再依次import，显然不会报错。 这是因为在Anaconda的环境下有支持 import torch 的 dll，而在PyCharm中使用的是自己创建的新环境，还缺少相应支持的dll，仅需在PyCharm中配置环境变量。.
【2024/3/12 更新】Windows Server 2019 服务配置与管理汇总
本栏目一共介绍了17种Windows Server 2019 的服务配置与管理，为了方便大家阅读理解，特意总结了17种服务的一些内容。具体说明如下所示
用Python爬取大连商品交易所期货实时行情：从入门到实战
python复制编辑# utils.py"豆粕": "M0","铁矿石": "I0","聚乙烯": "L0","玉米": "C0","聚丙烯": "PP0","棕榈油": "P0"本项目展示了：✅ 如何从新浪财经 API获取主力合约实时数据✅ 使用Python异步爬虫技术) 提升效率✅ 利用pandas和matplotlib进行结构化分析与可视化✅ 具备良好的扩展性，可对接金融、农业、能源等数据需求场景✅ 可作为期货量化策略数据源✅ 可嵌入自动化报告系统。
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")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
473
扫一扫
