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
2.4k累计阅读
2.4k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
好久没有更新 BLOG了。。这里没有长草吧。哈哈
宝宝这个月20号长了第一颗牙。。。可爱的来~~~ 上个星期带她去拍了个写真集。。第一套最好。最配合。。后面两套好像是到了睡午觉的时间的缘故。。。眼睛半眯着象个加菲猫。。哈哈。
在这家公司干了一年。挺好的。。收获也不少。。可是就觉得缺了点什么。纯软件的东西也许不适合我。昨天申请离职了。。我想我更适合去写写和硬件相关的软件吧。。新公司好像牛人不少。做的东西也更底层。没有太多的数据库，可以做做硬件，网络。。我想我更适合去做这样的软件。 走了一圈。。。。。
2007年就要结束了。。2008年。奥运会要开始了。宝宝要1岁了。新工作会是什么样子的呢？期待着。
SpyGlass Lint脚本实战：如何用TCL自动化RTL代码检查（附完整配置模板）
本文详细介绍了如何利用TCL脚本实现SpyGlass Lint工具的自动化RTL代码检查。通过构建模块化、工程化的脚本框架，文章提供了从环境搭建、核心配置、规则定制到豁免管理的完整实战指南，并附有可复用的配置模板，旨在帮助IC设计工程师构建高效、一致的代码质量检查流水线。
寝室卫生问题
Description 东六—B104寝室四人经常记不住该谁扫地,他们是这样安排的:从2007年9月1号（星期六）起,每天按床号循环扫地，但是星期一除外,因为每个星期一都要检查卫生,他们决定星期一是大扫除。1号床：侯波（B），2号床：袁雄(X)，3号床：唐建华(H)，4号床：姚平(P)。9月1号就从1号床，侯波开始。请你编写一个程序帮他们解决寝室扫地问题。（不考虑节假日等其它因素） Input
509 寝室扫地问题
509 寝室扫地问题 题目描述 东六—B104寝室四人经常记不住该谁扫地,他们是这样安排的:从2007年9月1号（星期六）起,每天按床号循环扫地，但是星期一除外,因为每个星期一都要检查卫生,他们决定星期一是大扫除。1号床：侯波（B），2号床：袁雄(X)，3号床：唐建华(H)，4号床：姚平§。9月1号就从1号床，侯波开始。请你编写一个程序帮他们解决寝室扫地问题。（不考虑节假日等其它因素） 输入 输入一个日期，包括年(2007~2010)、月、日（用一个空格格开） 输出 输出轮到哪位同学扫地(输出该同学姓名后的
Localizing LabVIEW Application to Different Languages
本文探讨了LabVIEW应用程序的多语言本地化实现方案。文章首先分析了LabVIEW对多语言的支持现状，指出其默认仅支持ANSI编码，对Unicode支持有限，且仅适配中英法德日韩六种语言。然后重点介绍了JKISimpleLocalization工具包的使用方法，该工具能导出/导入JSON词典文件，实现界面语言的实时切换。文章还结合实际工程案例，分析了该方案的局限性：部分控件不可翻译、切换速度较慢（33个界面需50秒）、小语种支持不足等。最后提供了完整的应用流程和工具包附件，包括词典文件转换工具和工程案例。
医药行业新零售项目数据分析报告——基于Excel的分析与可视化
不同平台客户支付金额用数字+百分比展示更直观。各大区支付金额分析较为粗浅，后续可加入不同大区人数、配送费等进行细分分析。图表略微单一，可采用组合图，运用两个及以上维度对数据进行分析。数据来源本项目数据来源于某机构的项目案例，以上分析内容均为本人原创，不涉嫌抄袭。原做项目，新平台首发。
2007年9月6日
2007年9月6日这几天，呼！名言出：诗兴与兽性的距离要远小于穷人与富人的距离！ 给我媳妇的mail和回复：-------------------------------------- 日语长进是正常的。对我来讲算不上骄傲！ 就是诗兴大发，倒是有点自豪。 问我日本这么样？一半一半，要想知梨子的滋味，自己尝吧。 年轻好像比其他的都重要，当然也可以忽略，让躺在路边
Python 爬虫：获取网页数据的 5 种方法
requests：适用于简单的静态网页抓取，易于使用。requestslxml：适合需要高效解析大规模网页内容的情况，支持 XPath 和 CSS 选择器。Selenium：适用于动态网页（JavaScript 渲染）的抓取，模拟浏览器行为获取动态数据。Scrapy：强大的爬虫框架，适合大规模的网页抓取任务，支持异步请求和高级功能。PyQuery：基于 jQuery 语法，适合快速开发，提供简洁的 CSS 选择器语法。
Ethereal截获网络数据包任务示例
截获数据后的屏幕图象：（原始图1024*768），已经缩小为（800*600）如图：该图是在浏览器（IE）中访问www.yahoo.com所得到的数据截获结果，其中，顶栏的内容是按时间顺序根据不同协议截获到的数据，如前两条是DNS协议截获的数据，中间栏对应顶栏选择的某条具体数据包分层后的内容，最底下一栏显示的截获的某条数据的二进制原始信息。
Macbook Pro Bootcamp 安装触控板驱动mac-precision-touchpad在Windows系统下实现更好的触控板操作
由于很多软件的限制，所以不得不在Windows和MacOS之间进行切换，然而，Windows下虽然Bootcamp提供了触控板的驱动，然而只能实现简单的上下滑动和点击等操作，而且在滑动页面的时候滑动非常不流畅，体验极差。 今天无意间发现了一款第三方撰写的驱动，可以较为完美地实现Macbook笔记本在Windows系统下的触控板操作支持，通过在我的2015款Macbook Pro（A1502）进行安装测试，感觉体验很不错，在这里分享给大家。 驱动来自于Github上的imbushu，他的项目地址如下： htt
Google Earth Engine（GEE）——使用归一化燃烧指数 (NBR) 绘制地表烧伤严重程度图
归一化燃烧指数（Normalized Burn Ratio, NBR）是一种遥感指标，用于评估野火或烧伤地面后的植被恢复情况。NBR能增强较大范围的火灾区域，如大于200公顷。它是通过比较远红外波段 (SWIR) 和近红外波段 (NIR) 的反射率来计算的。SWIR波段测量烧伤地面的反射率，NIR波段测量没有受到烧伤影响的植被的反射率。NBR的计算公式为：NBR =（NIR-SWIR）/（NIR + SWIR）。其中，NIR为近红外波段，SWIR为短波红外波段。
寝室一伙计
Android一个APP里面最少有几个线程
Android应用启动时，默认会创建一个进程，该进程中最少包含负责处理用户交互、UI更新等核心操作，所有与界面相关的逻辑必须在此线程执行。若在此线程执行耗时操作（如网络请求），会导致界面卡顿甚至触发ANR（应用无响应）。当对象重写了finalize()方法时，该线程负责将这些对象放入队列并调用其finalize()方法，完成资源释放后再由GC回收。监控的执行效率。如果finalize()方法执行超时（默认10秒），此线程会触发虚拟机退出以防止应用长时间阻塞。
哇，上次登录BLOG还是2007年。。。好久
恩，以後多上來寫寫
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
2007年日历带农历表_2007年日历表,2007年农历表（阴历阳历节日对照表）
2007年日历表,2007年农历表,2007年阴历阳历节日对照表2007年是一个平年，它的第一天从星期一开始，国际日球年、国际极地年、国际海豚年。2007年1月日历表农历丙戌(狗)年庚子月建国58年2007年1月日历表第1周——2007年01月01日-2007年01月07日第2周——2007年01月08日-2007年01月14日第3周——2007年01月15日-2007年01月21日第4周——20...
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")
CSCD刊源（2007年-2008年）
CSCD刊源（2007年-2008年）
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
我的2007年总结
我的2007年总结今天是2007年的最后一天了，这份总结再不写就真得等到2008年了。1、 爹娘由于今年的加薪幅度略高于去年的预期，收入也略微有所增加，现在已经还上了自己从银行里面贷的5000块钱。不过银行的利息真是高呀，5年下来5000块钱的贷款本息就已经是6600块了。上半年把7000块钱给了爹娘，让他们帮忙还给家里的银行了，一个大的心事总算结了。等再过一个月，到了年下的时候再给
centos 2007年_2007年总结
centos 2007年 2007 was a crazy year for us. The new year really hits me when I make a new folder at my house called \\server\photos\2008. 2007年对我们来说是疯狂的一年。 当我在自己的房子中新建一个名为\\ server \ photos \ 2008的文件...
2007年计算机科学重要国际会议
The Computer Science Event List
CSCD.中国科学引文数据库核心库和引文库来源期刊列表（2007年-2008年）
CSCD.中国科学引文数据库核心库和引文库来源期刊列表（2007年-2008年） （按英文刊名字顺和中文刊名拼音音序排序） 说 明 中国科学引文数据库分为核心库和扩展库，数据库的来源期刊每两年进行评选一次。核心库的来源期刊经过严格的评选,是各学科领域中具有权威性和代表性的核心期刊。扩展库的来源期刊经过大范围的遴选，是我国各学科领域优秀的期刊。中国科学引文数据库（2007年-2008年）
2007年十二星座运势
除了关于2007的运势预测之外，落落还列出了每个星座在2007年的“重心变化表”、“爱情变化时间表”，这是一个非常特别的内容，不可错过！看看自己在特定时间里什么力量最强，提前做好规划吧！ 450){this.resized=true;this.style.width=450;}" border="0" src="http://b
2007年图灵奖揭晓
【图灵图书推荐】软件测试与质量保证 嵌入式系统：硬件与软件架构 软件测试圣经!!!! 嵌入式系统圣经!!!!据ACM的官方消息，Edmund M. Clarke，Allen Emerson和Joseph Sifakis因为“在将模型检查发展
2007年WindowsMobile6.0发布
2007年1月30日，随着新一代操作系统WindowsVista的正式上市了，操作系统和硬件的更新换代也随之正式拉开了帷幕。在今年6月的MEDC2007上，Microsoft Windows Mobile6.0也将正式与大家见面！ 对微软智能手机稍有了解的朋友，一定都会知道Windows Mobile操作系统，针对不同平台的移动终端有着不同的版本。就拿目前的Wind
2007年的春天
2007年的春天来的比以往更晚一些，吃完晚饭照的，温暖的天气，太阳快要休息 的时候好舒服哦。
2007年日历带农历表_2007年农历阳历表 2007年农历表 2007年日历表
导语：2007年农历阳历表是介绍农历和阳历的对照表。2007年，公历平年，共365天，53周。农历丁亥年(猪年)，无闰月，共354天。中华人民共和国成立58周年。农历起止时间为 2007年2月18日～2008年2月6日。以下是日历网小编为您罗列的2007年农历阳历表，2007年日历表，我们一起来看下农历和阳历的区别吧。2007年属什么2007年1月1日-2007年2月17日 农历丙戌年(狗年)20...
2007年日语三级真题及答案
http://www.jpwind.com/JP/JLPT3/20071205210657.html 2007年日语三级真题及答案 2007-12-06 来源：新世界日语 【大 中 小】 评论：1 条 收藏 请进入和风日语论坛讨论http://www.jpwind.com/bbs 词汇真题 上一页12 3 下一页 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
134
扫一扫
