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
1.2k累计阅读
1.3k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
近日Utobia公司宣布将一款新品投放市场，这款名为“RAPSODY S25”的产品是具有OTG（ON-The-Go）功能的2.5英寸硬盘用硬盘盒。
OTG（ON-The-Go）就是可以不通过PC，而与具有USB接口的数码相、MP3、PSP等机器直接连接并进行数据的交换。另外，这款硬盘盒还内藏电池，即使所连接的机器处于电量不足的状态也可以安心使用。
“RAPSODY S25”售价为12800日元。对于用PSP玩家来说，使用这款硬盘盒即使长时间外出也可以提供PSP大量的游戏、影音等数据，十分方便。
手把手教你用Cesium和RayMarching实现逼真体积云（附完整Shader代码）
本文详细介绍了如何利用Cesium和RayMarching技术实现逼真的体积云效果，包括环境准备、核心逻辑、云层建模和光照增强等关键步骤，并提供了完整的Shader代码。通过噪声函数选型、动态风场模拟和多重散射近似等技术，开发者可以在数字地球可视化项目中创建沉浸式天气效果，显著提升场景的真实感。
不使用第三方变量交换两个变量的值
这需要进行位操作,必较麻烦的, 在学习程序语言和进行程序设计的时候，交换两个变量的值是经常要使用的。通常我们的做法是（尤其是在学习阶段）：定义一个新的变量，借助它完成交换。代码如下： int a,b; a=10; b=15; int t; t=a; a=b; b=t; 这种算法易于理解，特别适合帮助初学者了解计算机程序的特点，是赋值语句的经典应用。在实际软件开发当中，此算法简单明了，不会产生歧义，
dos攻击 --hping3
dos使用hping3攻击
移动硬盘盒推荐
移动硬盘盒推荐 文章来源：外星人来地球 欢迎关注，有问题一起学习欢迎留言、评论 转载于:https://www.cnblogs.com/lovebing/p/11197377.html
组态王|组态王通过选择日期实现历史数据的查询
②在弹出的【插入通用控件】对话框选择【Calender Control】控件，然后点击【确定】按钮，关闭对话框，然后在画面上适当的位置按住鼠标左键并拖动，绘制出一个矩形框，放开鼠标，就完成了控件的绘制。此函数将指定的时间格式（年，月，日，时，分，秒）转换为以秒为单位的长整型数，转换的时间基准是UTC(格林尼治)1970年1月1日00:00:00。实现内容，通过两个日历控件选择开始日期和结束日期，然后点击【历史数据查询】按钮，在报表中显示对应时间段的数据集。另外你用过哪些组态软件？
从采集到播放：RV1106+H264全链路开发避坑指南（含FFmpeg转码技巧）
本文详细解析了基于Rockchip RV1106芯片构建H.264视频从采集到播放全链路的开发实践。内容涵盖RKMPI框架设计、VI/VENC模块配置、内存泄漏排查及FFmpeg高效转码技巧，旨在帮助嵌入式开发者规避常见陷阱，实现稳定高效的低延迟视频处理流水线。
移动硬盘盒
移动硬盘，原是用于笔记本电脑的专用小型硬盘，由于其轻便、易携的特色，也用于不同电脑之间传送文件。另外普通的电脑硬盘通过硬盘盒或其他转换接口设备，也能做到移动硬盘的效果。通常采用USB接口与计算机连接，现也有以eSATA或USB 3.0接口与计算机接入的。[1] 与闪存盘以Flash Memory作为存储介质不同，移动硬盘物理上还是以标准硬盘或微硬盘作为存储介质。因此，移动硬盘的抗震能力...
pytorch实现手语识别
连续手语识别项目，中文数据集CSL
移动硬盘盒!
今天中午趁吃饭的时间到附近的电脑成买了个移动硬盘盒,花了85元.以后可以下些电影带回家看了.
CloudCompare 二次开发(9)——半径滤波
基于PCL对CloudCompare软件进行二次开发，实现的算法功能是半径滤波
基于ESP32的室内空气质量检测系统开发
随着环境污染问题的日益严重，室内空气质量的监测变得越来越重要。室内空气质量的好坏直接影响到人们的健康，尤其是对于在封闭空间长时间待着的人群。为此，基于ESP32的室内空气质量检测系统应运而生。ESP32作为一款集成了Wi-Fi和蓝牙的高性能微控制器，为嵌入式开发提供了良好的平台，适用于构建各种智能硬件设备。本博客将详细介绍如何基于ESP32开发一个室内空气质量检测系统。系统可以实时监测空气中的温度、湿度、二氧化碳浓度、甲醛浓度等指标，并通过Wi-Fi将数据传输到云端或移动设备，方便用户随时查看空气质量情况。
使用USB数据线连接PC端和Android端进行数据的交互
背景 公司有这样一个需求，一个萤火虫的开发板子，不要图形化界面，并且将公司的算法集成到板子中，由PC端传递数据到板子中进行数据的操作将结果返回给PC端，要使用USB来进行连接。这里的使用USB连接不是指，将手机当成一个U盘一样的东西存个文件就可以了。查阅了一些资料，总结一下遇到的问题，以及实现的步骤。 简单了解 虽然是使用USB连接，但是应用的技术还是Socket进行数据的传递工作。 PC...
【AI理论学习】手把手推导扩散模型：Diffusion Models（DDPM）
生成扩散模型DDPM如下图所示分为前向、逆向两个过程，它首先通过不断往原始清晰数据中添加噪声使其变成标准高斯噪声（前向过程），而后期望从标准高斯噪声中还原原始数据（逆向过程）。若能实现，那便可从已知的标准高斯分布中采样一个噪声数据，而后利用DDPM模型生成符合原始数据分布的新数据。 Diffusion模型包含两个过程：数学符号：y∝xy\propto xy∝x：y正比于x，即y随着x增大而线性增大。 条件概率：贝叶斯公式：p(A∣B)=p(B∣A)×p(A)p(B)p(A|B)=\frac{p(B|A)\
网络游戏软件销售渠道模式举例及分析
转自：新浪游戏 http://games.sina.com.cn/y/n/2005-11-24/1425134038.shtml本文主要以公司目前经营的重点业务——网络游戏为例，来举例说明当前市场上存在的尽可能多的、相对成功的渠道销售模式，并进行了部分分析和点评。由于我们公司在传统通路上积累得非常坚实，因此，本文对于传统渠道模式的讲述将比较少，重点是新增加的一些通路模式。此外，本文认为在必要的时候
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
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")
陈天桥的免费“阴谋”和史玉柱的网游“阳谋”
转自：DoNews http://www.donews.com/Content/200512/a4204aad-56d6-4fb3-b93b-388b01ded42d.shtm 一边是靠网游发家，被评为2004年度风云人物的盛大陈天桥，一边是在“脑黄金时代”跌倒，在“脑白金时代”爬起的巨人史玉柱。本来他们之间没有必然的联系，却因为盛大突然宣布《传奇Ⅱ》的免费和史玉柱投资网游的执著联系
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》。
《中国青少年网瘾报告》 2005.11.23
转自：新浪游戏 http://games.sina.com.cn/y/n/2005-11-23/1623133910.shtml 中国青少年网瘾数据报告(2005) 中国青少年网络协会 1.调查研究相关说明 1.1 研究背景 青少年已经成为网民的重要组成部分，网络在促进青少年快速成长发展的同时，也给他们带来了诸多不良影响，其中网瘾问题已引起社会各界的高度关注。青
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
2006年国内手机游戏领域十大预测
中国的手机游戏行业，在行将落下帷幕的2005 年艰难反复的求索中，已初具产业雏形。而在触手可及的2006年，手机游戏到底会朝怎样的方向发展呢？2005贺岁电影《无极》中有一句话，如果你跑得足够快，就能超越时间。在此，我们也有必要对手机游戏未来的趋势进行大胆的探讨和猜测，以超越过去，谋求更新的发展。下面是掌控手机游戏网对2006年国内 手机游戏领域的几点预测： 1、3
暴雪公司创始人揭密《星际争霸2》开发猜想
转自：天极 http://rss.yesky.com/RSS_redirect.htm?yy=***&toURL=http://pcgame.yesky.com/223/2231723.shtml暴雪公司的创始人之一Max Schaefer曾说过，“对于我们父母和更上一辈的人来说，制作游戏几乎不能算是一份工作!”但今天，暴雪公司推出的每一款游戏都可以保证达到白金发行量(100万份)
解读PS3的四大战略
转自：天极 http://rss.yesky.com/RSS_redirect.htm?yy=***&toURL=http://game.yesky.com/38/2248538.shtml XBOX360已经发售了。正如人们所预料的是，在欧美，它卖得断货；在日本，却是周销量不过500台的惨状。不过既使是事先有所预料，但这样大的反差，也是比尔可能没有想到的。而就在微软给业界带来然大波的同
IBM公布PS3处理器“Cell”性能测试报告
转自：天极 http://rss.yesky.com/RSS_redirect.htm?yy=***&toURL=http://tvgame.yesky.com/413/2216913.shtmlIBM 于今日公布了由SONY、TOSHIBA 与 IBM(合称 STI)所共同研发、预定用于 PS3 主机以及科学运算与多媒体运算等领域的新一代高效能微处理器「Cell」的效能测试报
英特尔明年将在Comdex发布新娱乐平台Viiv
转自：DoNews http://www.donews.com/Content/200512/ff6683d5-1105-40d3-bcae-25a365bbac45.shtm 据公司内部消息，英特尔将会在下个月美国拉斯维加斯举办的消费者电子大展会上，发布最新一代的Viiv娱乐电脑平台。 vaunet.com报道，据悉，最初一批的新型Viiv产品将会在明年第一季度发布，首发包括九
2005年，转型期的中国网络游戏
转自：DoNews http://www.donews.com/Content/200512/ca807f1f-0aa1-47b0-8370-087340c85f0d.shtm 2005年互联网行业的大事件似乎都与网络游戏无关，百度的NASDQ神话、传统的门户网雅虎改做搜索等等这些事件吸引了太多公众、媒体的眼球。但是，不可否认，网络游戏仍然是中国互联网行业最受青睐的应用模式之一。2005
鲍月桥开放联众平台 其他游戏可加盟
转自：DoNews http://www.donews.com/Content/200512/0008c8d1-8388-4f0b-a96b-44cb876ebfd3.shtm“我们要把平台开放出来，用户可在联众平台上玩到其他公司的游戏”2日联众公司创始人鲍岳桥表示要把联众开放出来给所有游戏公司使用，一周前盛大《传奇》、《传奇世界》开始免费运营。据鲍岳桥介绍，到2005年联众世界的
飞利浦宣布游戏环境控制技术amBX 2005.11.23
转自: 优快云 http://news.csdn.net/news/newstopic/29/29094.shtml飞利浦宣布了一款非常超前的游戏新技术，居然可以用来控制玩家周围的环境。 飞利浦预计于2006年推出一款名为amBX的游戏环境控制器，游戏软件将可以利用这款产品极大程度地控制周围的环境，包括玩家周围的光照、温度和气流等等。 游戏开发人员可以设置游戏脚本，在触发时改变玩家周围的环境
2005是网游商最尴尬一年 "涉赌投诉意外死亡"
转自：DoNews http://www.donews.com/Content/200512/dd6ff1fa-e85b-488e-b460-1daf8b003f06.shtm 虽然2005年中，网络游戏继续保持强劲的发展势头，游戏运营商们也斩获不小，但不时传出的“涉赌、被封、投诉、意外死亡”等字眼，也让网络游戏巨头们尴尬之极。这些尴尬事件时时提醒着我们：网络游戏的健康问题，仍然值得关注
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
415
扫一扫
