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
300+累计阅读
329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
【数学建模】 进化计算与群体智能
遗传算法（GA）是一种用于优化和搜索问题的启发式算法。它模拟了自然选择的过程，其中个体通过遗传和变异进行繁殖，逐渐进化出更优的解。基本步骤初始化：生成初始种群。适应度评估：评估种群中每个个体的适应度。选择：根据适应度选择个体进行繁殖。交叉：选定个体对进行基因交换，生成新的后代。变异：对一些个体进行基因变异，以增加多样性。迭代：重复评估和繁殖过程，直至达到停止条件。粒子群优化算法（PSO）是一种基于群体智能的优化算法，由Kennedy和Eberhart于1995年提出。其灵感来源于鸟群觅食的行为。
关于智榜样学习过程中1day漏洞的学习心得
看到“1day漏洞”，脑中自动关联：概念与本质情报获取路径 5. 公开渠道监控：GitHub、Twitter、安全论坛、漏洞赏金平台、邮件列表6. 暗网与地下市场：漏洞交易论坛、Telegram群组、犯罪即服务市场7. 攻击流量分析：蜜罐捕获异常流量、IDS/IPS告警聚类、威胁情报共享8. 厂商通告分析：安全公告的措辞、严重性评级变化、临时缓解措施发布攻击者视角 9. 武器化速度竞赛：从PoC到稳定利用的时间压缩，自动化漏洞利用工具包集成10. 目标选择策略：高价值且易受攻击的系统（如VPN网关、邮件服务
全桥LLC谐振变换器变频控制工作原理与仿真
全桥LLC谐振变换器以其效率高、全范围软开关、器件电应力小等优点，越来越多地应用于大功率场合。电力电子技术的发展日益追求高频化，所带来的问题是半导体开关器件高频运行时的开关损耗急剧增加。各种软开关电路随之出现。可以有效减小开关损耗，使进一步提高开关频率成为可能。谐振式开关因其可在电流自然过零点开通半导体器件，实现零电压开关，特别适合采用MOSFET作开关的装置。最简单的谐振电路有串联谐振（SRC）和并联谐振（PRC）。SRC只能工作于降压状态，应用受限；
cad 学习 day14 天花大样节点 day15 报价
主龙骨: 800 * 1200mm 副龙骨: 400 - 600mm 龙牌 泰山 可耐福, 主龙骨型号 38mm 50mm, 副龙骨50mm。龙骨(轻钢龙骨、木龙骨) - 表面封石膏板(1220 * 2440mm) 厚度10mm。退出360, 解压文件, install 文件拖拽到CAD绘图区即可安装。SGB(石膏板) MGB(木工板) JB(夹板) THDC(天花灯槽)索引符号标注: 添加索引符号(刨切索引) SY快捷键。灯槽发光 T5灯管和灯带。天花(灯槽、窗帘盒)
数据助力行业发展：BJTU-RAO转向架数据集介绍
BJTU-RAO转向架数据集是完全公开的，何研究人员皆可以通过后文的下载链接免费下载数据，且在标注数据来源的前提下，研究人员可以自由使用BJTU-RAO转向架数据集。因此，聚焦各类列车转向架传动系统在途安全保障新技术研究和新算法开发，实现牵引电机、驱动齿轮箱和轴箱等关键部件的实时状态监测与智能故障诊断，对保障列车安全可靠运行具有重要的现实意义。BJTU-RAO转向架数据集包含51种健康状态的样本，涵盖正常状态、部件级单一故障、部件级复合故障以及系统级关联复合故障，数据量达116GB。
python电子学会三级的零碎笔记
示例：如果s = ['a', 'b', 'c']，则' '.join(s)+'\n'的结果是'a b c\n'，写入文件时所有元素会在一行内显示，每个元素之间用空格分隔，末尾有一个换行符。(2) '\n'.join(s)：如果s = ['a', 'b', 'c']，则'\n'.join(s)的结果是'a\nb\nc'，写入文件时每个元素会占据文件的一行。(1) ' '.join(s)+'\n'：这种方式首先将列表s中的每个元素通过空格连接成一个字符串，然后在字符串末尾添加一个换行符\n。
Spacemacs-14-Days：通往高效编程的新路径
Spacemacs-14-Days：通往高效编程的新路径 去发现同类优质开源项目:https://gitcode.com/ 是一个精心设计的学习计划，旨在帮助新手和经验丰富的开发者在14天内掌握Emacs编辑器，特别是其极具影响力的Spacemacs分支。Spacemacs结合了Vim的操作风格和Emacs的功能强大，提供了一种高度可定制、功能齐全的开发环境。 项目简介 Spacemacs-14-...
用STM32手搓一个体温计
市面上大多额温计、测温计精度。
视频教程-【企业定制课】AI软件illustratorCC应用与平面印刷视频教程-UI
【企业定制课】AI软件illustratorCC应用与平面印刷视频教程 教学...
2026年AI视频生成大模型全景指南：国内外主流工具深度对比与选型建议
AI视频生成技术在2025年至2026年间取得了突破性进展，从"能用"进化到"好用"，商业化应用加速落地。中美双轨竞争格局基本成型，国内模型在技术追赶和本土化体验方面展现出强劲竞争力。对于用户而言，选择合适的AI视频生成工具需要综合考虑技术性能、使用门槛、成本预算和具体需求。零基础新手推荐海艺AI、通义万相等低门槛工具；进阶创作者可根据需求选择可灵AI、即梦AI、海艺AI等；专业开发者和企业用户可考虑智谱清影的开源能力或可灵AI的商业化服务。
【Unity实战篇 】| Unity实现 文本框可以自适应大小，到达最大宽度之后再缩小字体
Unity实现 Text文本框可以自适应大小，到达最大宽度之后再缩小字体 需求：在文本框可以自适应大小拉伸的前提下，增加一个最大限制宽度，使其到达最大宽度后 再启用 Best Fit 实现自适应改变文字大小以适应文本框的大小。 在Unity中经常会用到文本组件的自适应大小功能，一般使用HorizontalLayoutGroup和ContentSizeFitter组件配合即可实现文本自适应的效果。
【10天企业定制课】2018秋PS软件photoshop/CC应用计划学习视频-孙伟-专题视频课程...
企业定制课程，10天计划，搞定photoshop！ 目标：photoshopCC设计软件应用，培养学习能力，培养商业设计思维，为后续工作做好准备。
6、 实时家禽健康识别与疾病检测系统的深入解析
本文深入解析了一种基于物联网的实时家禽健康识别与疾病检测系统，结合图像分析和音频分析技术，能够有效识别病鸡并防止疾病传播。文章详细介绍了系统的测试环境、数据采集与预处理方法、图像与音频分析流程，并对系统性能进行了全面评估。最后提出了未来改进方向，包括多模态融合、深度学习应用及实时性优化等。
17-day14RAG、MCP和Agent
当 LLM 遇到自身无法直接解决的问题（如实时数据查询、复杂计算、操作硬件等）时，会生成结构化指令（如 JSON 格式），调用对应的函数工具完成任务，再将工具返回的结果整理成自然语言回答。搜索引擎返回的原始结果（如 10 条网页链接）经 RAG 处理后，转换为 “问题 - 答案” 形式的摘要，或按语义聚类（如按 “技术突破”“产业应用” 分类），提升用户获取信息的效率。核心特点：LLM 作为 “决策者”，决定何时调用、调用哪个工具，工具负责执行具体操作，两者形成 “决策 - 执行” 闭环。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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
从0起步学习网络安全（学习篇）：DAY14 内网渗透（2）
本文聚焦 Metasploit 框架的实操学习。内容包括 Windows 11 安全软件隔离文件夹配置、Metasploit 的安装、核心模块、常用指令及 Msfvenom、Meterpreter 工具用法，通过靶场复现永恒之蓝漏洞实现理论落地。全文强调技术仅用于合法授权测试，需坚守法律底线，为内网渗透入门者提供实用指引。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
Figma 30 天学习计划
《Figma 30 天学习计划》为前端开发者提供系统化的产品设计转型路径。该计划分四周循序渐进：第一周掌握界面基础操作（框架、图层、排版等）；第二周学习Auto Layout、组件系统和设计体系搭建；第三周专注原型交互与动画设计；第四周进行实战协作与项目交付。每天设置明确学习目标和实践任务，通过临摹主流App界面、创建完整交互原型等实战，帮助开发者快速掌握Figma核心技能，最终具备独立完成产品原型设计的能力。学习周期约60-80小时，适合希望转型产品负责人的前端工程师系统提升设计能力。
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")
视频教程-【10天企业定制课】2019年PS软件photoshop/CC应用计划学习视频-UI
【10天企业定制课】2019年PS软件photoshop/CC应用计划学习视频 ...
30天快速入门AI大模型：从理论到实践的详细学习方案
大模型的时代已经到来。它不再是少数人的专利，而是每一个愿意学习、敢于实践的开发者的工具箱标配。遵循这份计划，30天后，你将不再是被动的信息接收者，而是能够。
python 人工智能基础 14 day(上)
MYSQL 数据库 1 数据存储：结绳记事，甲骨石刻，图书。 缺点：不易保存，备份困难，查找不便 2 现代化手段----文件 特点：使用简单，例如python中的open可以打开文件，用read/write对文件进行读写，close关闭文件 缺点：对于数据容量较大的数据，不能够很好的满足，而且性能较差 不易扩展 3 现代化手段----数据库 数据库就是一种特殊的文件，其中存储着需要的数据 特点：持...
实习日记07/14 day5
关于后端架构，以及学习目标 基础技术 J2SE:Java标准板，在项目中的重点有所侧重于数据库连接、接口定义、输入/输出以及网络编程。 J2EE：一套针对企业级分布式应用的计算环境，定义了基于组件的方式设计、开发、组装和部署企业应用系统的各个组成部分。 Spring：Spring框架是一个开放源代码的J2EE应用程序框架。最近要将Spring in Action读完，了解Spring的相关知识。理解DI和AOP的相关概念，并强化理解。虽然大部分企业都采用的是SpringBoot框架，不再使用设置繁琐的Spr
react-base16-styling 主题化实战：为 React 组件接入 base16 配色体系
react-base16-styling 是 redux-devtools 仓库中负责"主题驱动样式"的独立工具包：它以 [base16](https://link.gitcode.com/i/1db76c0b9b908082188961d62431462e)）理解其完整调用链。 ## 背景：什么是 base16，为什么需要 styling 工具 base16 是一套由 Chris Kemps
Big Calendar技术栈揭秘：Next.js 14与TypeScript打造高性能日程工具
Big Calendar是一个功能丰富、响应式的现代日程管理应用，采用Next.js 14、TypeScript和Tailwind CSS构建，为用户提供专业级的事件管理和日程规划体验。这款开源日历工具不仅界面美观，还具备强大的技术架构，支持多种视图模式和实时交互功能。 ## 🎯 为什么选择Big Calendar技术栈？ Big Calendar的技术栈选择体现了现代前端开发的最佳实践。N
hadoop_day03-day04 学习笔记 —— MapReduce
MapReduce简介、mapper和reducer组件、序列化反序列化、分区、排序、合并、shuffle流程、小文件处理、数据倾斜、yarn
Django学习（3）模板定制
在Django学习（一）一首情诗中，views.py中HTML被直接硬编码在代码之中，虽然这样便于解释视图是如何工作的，但直接将HTML硬编码到视图却不算一个好主意。因为： 对页面设计进行的任何改变都必须对Python代码进行相应的修改，而站点设计的修改往往比底层Python代码的修改要频繁得多。 Python代码编写和HTML设计是两项不同的工作，大多数专业的网站开发环境都...
LightTable主题定制教程：创建个性化编辑器外观的完整指南
LightTable是一款创新的代码编辑器，以其高度可定制性而闻名。本教程将为您详细介绍如何通过主题定制来打造个性化的编辑器外观，让您的编码环境既美观又实用。 ## 🎨 LightTable主题系统概述 LightTable提供了丰富的主题系统，包含30多种内置主题和皮肤，可以让您完全自定义编辑器的视觉体验。主题文件位于 `deploy/core/css/themes/` 目录，包含了从经典
【企业定制课】2018秋AI软件illustratorCC应用与平面印刷视频教程-孙伟-专题视频课程...
2018秋AI软件illustratorCC应用与平面印刷视频教程：该课程为企业定制课程，课程不仅讲解工作中ai软件的应用，还包含标志设计以及印刷规范流程等相关内容。...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1113
扫一扫
