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
7.5k累计阅读
7.5k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
作者 |西乔 责编 | 张红月
出品 | 《新程序员》编辑部
熟悉程序员杂志的读者可能都知道，无论每期的主题是什么，但有一个栏目会一直陪伴着读者，那就是《神秘的程序员们》。如今，时隔20年，《新程序员》杂志再次印刊上市，《神秘的程序员们》栏目也如期而至。
在《新程序员001：开发者的黄金十年》中，《神秘的程序员们》把目光聚焦在了”古典程序员“与“新生代程序员”身上，两种程序员在学习编程、解决问题以及跳槽时，都会有着怎样的思考与遭遇呢？
---------更多精彩漫画内容---------------------
----------------欢迎大家订阅《新程序员001-004》---------------
现代C++核心特性解析：从智能指针到移动语义的编程实践
C++作为一门经典的编程语言，其核心价值在于对系统资源的精细控制和高性能计算能力。现代C++通过引入智能指针、移动语义等特性，在保持高效的同时显著提升了内存安全性。智能指针如std::unique_ptr和std::shared_ptr，通过RAII（资源获取即初始化）机制自动管理内存生命周期，有效避免了内存泄漏和悬垂指针问题。移动语义和右值引用则通过转移而非拷贝资源所有权，大幅优化了大型对象的性能开销。这些特性共同构成了现代C++编程范式的基础，广泛应用于游戏开发、高频交易、嵌入式系统等对性能和可靠性要求
古典程序员 vs 新生代程序员？
UE5项目现代C++实践：智能指针、Lambda与移动语义优化
现代C++通过智能指针、Lambda表达式和移动语义等特性，从根本上提升了代码的内存安全性、表达清晰度和运行效率。智能指针如std::unique_ptr和std::shared_ptr实现了资源的自动生命周期管理，有效防止内存泄漏；Lambda表达式则简化了回调逻辑，支持函数式编程范式。这些技术对于构建大型、高性能应用具有重要价值，尤其在游戏开发、实时系统等对性能和稳定性要求极高的场景中。本文结合UE5引擎特性，探讨如何将现代C++的智能指针与Lambda表达式等热词特性安全高效地融入项目开发，平衡引擎生
扔掉代码，程序员月薪达到了10k+
公司开发新项目，程序员开始加班敲代码；产品经理提出新需求，程序员开始加班敲代码；测试工程师发现bug，程序员开始加班敲代码。程序员认为当自己可以以一当十的时候，就能成为一名优秀的程序猿。然而事实是，技术大牛并不值得去完成10个普通程序员的工作量，也很难完成。互联网圈有一个词：10xProgrammer。理解其传递的价值，我们更愿意称其为：10%xProgrammer，即10%程序员。工作与生活的平
机械臂标准DH建模及正运动学分析（以IRB4600型工业机械臂为例）
对于工业机械臂而言，运动学是不考虑力学特性的情况下对机械臂的几何参数与其位置、速度、加速度等运动特性的关系研究。DH建模是运动学的基础，全称为Denavit-Hartenberg建模方法，是一种广泛应用于机器人运动学中的建模技术。该方法通过在每个连杆上建立坐标系，并利用齐次坐标变换来实现连杆之间的坐标转换。通过依次变换，可以推导出末端执行器相对于基坐标系的位姿，从而建立机器人的运动学方程。以IRB4600型六自由度工业机械臂为例，选择标准DH建模方法，建立其正运动学模型。
大智慧L2实时api接口的逐笔委托功能执行代码分享
用过l2行情接口的投资者应该都了解大部分的接口都是有逐笔委托功能的，那么大智慧L2实时api接口也有着很强大的逐笔委托功能，投资者可以通过这个逐笔委托功能可以看到一个股票的每天出现的全部委托指令，那么在这个逐笔委托功能里包含了委托价格、委托时间、委托量和委托方向四个要素！那么接下来小编就分享一下大智慧L2实时api接口的逐笔委托功能执行代码！那么在这里提个醒：投资者可以在大智慧L2实时api接口进行设置过滤，在逐笔委托列表里，就仅仅只会显示超过设置委托量或委托额的委托单，而不再显示小单。
程序员在古代相当于什么职业？
程序员在现代社会发展中，是一个不可或缺的角色，不管是自动化、还是通讯等，都离不开程序员的辛勤工作，如此重要的工作种类，很容易就让人将目光聚焦在上面，从而发散出一些有趣的东西。 比如，就有个网友在脉脉上发问：程序员在古代相当于什么职业？ 对于这个问题，每个看到提问的小伙伴都提出了自己的不同看法，脑洞大开的同时有理有据，让你不信服都不行。 有网友分析了程序员的工作特征，收入高；获得出路；不稳定；生命健康有损害；青春饭；竞争力缺失等，通过这些内容得出结论：程序员在战乱年代相当于士兵、和平年代就是工匠、近现代就是一
HID报告描述符实战解析：从Usage到Item的完整设计流程
本文深入解析了HID报告描述符的设计流程，从核心概念Usage（用途定义）入手，详细阐述了如何通过Item（条目）的三种角色——全局、局部与主干，构建出能被系统正确识别的设备“说明书”。文章以标准USB鼠标和键盘为例进行实战拆解，并介绍了使用Report ID与自定义设备等进阶设计方法，帮助开发者掌握这一实现USB设备即插即用的关键技术。
现代程序员的几个错误观点
1、VC、VB、Delphi …… ，你该学哪个？ 具体到编程而言，我要告诉你：任何一种计算机语言，都是计算机科学理论的载体或表现形式。C++很神吗？Java很酷吗？它们差距很远吗？是的。但从理论的层面上讲，它们没有区别，都是“面向对象”理论的一个具体形式而已。 现在的程序员们被发行编译软件（通常我们将其称为“系统软件”）的商家不断推出的产品搞得眼花缭乱，头痛欲裂。不断地跟在新语言后面跑，这条路还
从零构建工业级SPI-CAN网关：CH347与CH9431的软硬件协同设计实战
本文详细介绍了基于CH347和CH9431芯片构建工业级SPI-CAN网关的完整方案。通过硬件架构设计、Linux驱动定制、并发处理优化和EMC抗干扰测试，实现高可靠性通信网关，适用于工业自动化和汽车电子等严苛环境。
OBYC自动科目确定整理
WGI是用来重估发货的，通过比较发货时的价格和最新计算的价格，以此将所有差异过账到分配给此事务码的总账科目。是工厂还是公司，一般项目中都是使用工厂，使用工厂的意思就是物料在每个工厂下有一个价格，如果使用公司，则一个公司下的所有工厂都使用一个价格。如果该物料用的是移动平均价，那么该库存依然还存在的情况下，这个价格差异会过账到存货科目上而不会过账到存货的价格差异科目上。用于确定存货评估过账的存货冲抵科目。事务码WGR是用来重估工厂收货的，根据 计算出来的价格差异，把库存的调整过账分配给这个事务码中的总账科目。
程序员眼中的古典名画
“程序员是现存最大的手工艺人群体，黑客与画家的共同之处，在于他们都是创作者，都试图创作出优秀的作品。” 硅谷“创业教父”保罗 · 格雷厄姆如是说。 从一定角度来看，编程确实可以看作是一种艺术创作活动。那么我们其实可以认为，要创作出更好的软件和程序，程序员就需要尽可能地培养艺术家的特质。方法之一就是欣赏古典名画。 那么，在程序员的眼中，古典名画究竟表达了...
ARM功耗管理之功耗状态及功耗模式
思考：功耗状态？功耗模式？Core&Cluster&Device&SoC如何映射？
老板想要的简单方案 vs. 程序员理解的需求 |漫画
作者 |西乔 责编 | 张红月出品 |《新程序员》编辑部把需求转换成代码，是程序员日常最重要的工作。因此大家往往会产生一种，只要老板、用户提的需求，程序员都能实现的错觉。于是乎，各种合理的，奇葩的需求统统来了：1000块钱做个淘宝够吗？WiFi有点慢，你能写代码提速一下吗？你能把我们的APP颜色调整成根据用户心情自动变色吗？在《新程序员002》的《神秘的程序...
matlab RANSAC拟合圆柱【2025最新版】
RANSAC拟合圆柱
Jetson Thor平台JP7.0版本96712 GMSL相机驱动调试记录
摘要：本文档记录了在Thor Custom Board (JP7.0GA)上配置GMSL摄像头时遇到的视频流问题及调试过程。问题表现为视频设备（/dev/video11）能正常创建，但获取视频时出现"Internal data stream error"，而相同配置在AGX Orin JP6.0上运行正常。通过梳理硬件拓扑、v4l2-ctl测试、提升时钟频率及分析内核日志，发现VI引擎未接收到帧数据包。调试步骤包括检查设备树冲突、调整I2C总线配置、修正通道名称，最终通过屏蔽传感器启动时
穿越时空的对话：现代VS2022与古老汇编语言的完美结合
本文探讨了如何在现代VS2022开发环境中高效使用古老的汇编语言，特别是MASM（Microsoft Macro Assembler）。文章详细介绍了VS2022对汇编开发的核心优势，包括无缝调试体验、智能感知增强和项目管理便利，并提供了从零搭建MASM开发平台的步骤和实战技巧。通过混合编程模式和高级调试技巧，展示了现代IDE如何提升传统汇编编程的效率。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
新程序员001：开发者黄金十年
创立于2001年、影响了中国几代技术人的《程序员》，在2021年以全新的风貌重新启航，《新程序员001：开发者黄金十年》邀请到多位国内外知名的技术领袖和新锐代表：从Unix开发者Brian W. Kernighan，到OpenCV创始人Gary Bradski，再到Vue.js作者尤雨溪……立足于行业前沿，深度探索技术未来，通过音视频、图文专栏等丰富的多媒体形式为载体，全方位解读技术与产业，为中国开发者打开新时代的技术之门。 目录 卷首语：《新程序员》，开启新时代 专题：开发者的黄金十年 十万亿开发
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
情绪金句的现代工程化：从古词到可落地的内容产品
情绪金句正成为数字时代内容生产的关键基础设施，其本质是将抽象心理状态转化为可感知、可测量、可交互的技术对象。基于神经科学原理，高唤醒意象（如‘鹤冲天’‘顾镜自怜’）能激活镜像神经元与运动皮层，显著提升注意力留存；通过动作指令（如‘提眉’）、时间锚点（如‘青春过半’）和多模态反馈，实现情绪从认知到行为的闭环转化。这类文案已广泛应用于UI动效设计、语音交互提示、健康类APP状态反馈及职场心理干预系统，尤其适配KPI压力下的28-45岁数字原住民用户。本文聚焦情绪金句的产品化路径，揭示古典语汇如何借力眼动追踪、f
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")
逗比的程序员流派划分，你是哪派中人？
问题：程序员有流派吗？ 问题：程序员有流派吗？ 像成了名的剑侠 都有什么 拨刀流，二刀流，不知火流忍术。。。 没见哪个程序员高手 有什么流派的啊! 你能不能 瞎编几个 给我看看 copy派 ctrlCV流 回答者：觉浅，老程序员 第一种分法： 1.科班出身专业派 2.青鸟达内
别再只卷技术了！资深程序员亲测：提升职场幸福感的几本“非技术”宝藏书单
本文推荐了5本提升程序员职场幸福感的非技术书籍，涵盖沟通技巧、协作能力、情绪管理等关键领域。资深程序员亲测有效的《关键对话》《Radical Collaboration》等书籍，帮助技术人突破职业瓶颈，构建更高效的人际关系和工作方式。
苏轼十六字中年校准术：从古籍残卷到现代职场微表情训练
‘中年危机’作为普遍存在的生理与心理交叉状态，其本质是时间感知偏移、自主神经失衡与社会角色张力叠加的结果。理解其底层原理需回归具身认知、神经内分泌调节与行为设计学三重维度——如面部微表情可反向调控情绪体验，特定声韵节奏能影响皮质醇分泌，而‘青春过半’这类量化表达实为认知重锚技术。这些机制在宋代文本中已有系统化雏形，尤以苏轼酒后口占的十六字词句为典型载体，涵盖意象唤醒、节律同步、进度可视化与肌肉工程化训练四大模块。本文聚焦该文本的跨时空实践转化，为35岁以上知识工作者提供一套可测量、可重复、有神经科学支撑的日
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
350
扫一扫
