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
3.6k累计阅读
3.6k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
1.入口。路边停的很多好车，还有Smart很多辆，看来小资MM应该有不少。
2.剑指东方
3.前台
4.到处是武侠场景
5.大事记。很好奇，每年这面墙都要重新做吗？
6.完全靠网上淘零件拼装成的超跑，已经成为了一个传奇
7.极具武侠气息的草庐
8.“宝可不淘，信不能弃”
9.园林与现代建筑的结合
10.恬静一角
11.绿茵葱葱
12.小篮球场
13.工人在清理水塘。挂红果的是什么树？北方好像没见过这种树。
14.地处西溪湿地边缘，水量很充沛。北方很难做成这样。
15.不知这种玻璃幕墙在夏天的耗能怎么样。
16.光棍节的氛围很浓厚
17.连战主席的题字——“汇聚台湾”，不知道为什么挂在电梯间的门口。
18.UED，仰慕已久的地方。话说到处都是武侠世界的名称，极不适应，我找洗手间都找了很久，竟然叫“听雨轩”。。。
19.天色渐晚
20.灯火通明
21.阿里不愧为是个了不起的企业，总体感觉是朝气蓬勃，很活力很年轻。不像某些企业，虽然规模大但给人的感觉是沉重和压力，老气横秋。
【理论&实战篇】大模型RAG技术详解（一）-基础篇
RAG的初衷是为了增强大模型的事实性、时效性，减少幻觉，引入专业知识优化生成回复，是一种结合了信息检索技术与语言生成模型的人工智能技术。通过，并将其作为提示（Prompt）输入给大模型（LLM），来。
阿里财报今天公布！新势力将成为阿里巴巴集团的主营收
最近蚂蚁集团暂缓上市的消息刷爆全网，我们每个人都从中起到了很大的作用！蚂蚁集团作为一家金融科技公司，技术的作用是提升了效率，降低了边际成本。 在借贷业务领域，之前信贷员一天处理十个借款申请，现在用系统来处理，一天可能处理上百万上千万的申请，但蚂蚁业务核心是借贷，同样需要杠杆率等方面的控制，不能因为科技属性不接受监管。所以发展成现在大家看到的这样。我们不聊暂缓上市的原因，大家已经了解得差不多了。 你以为阿里巴巴会为此产生很严重的影响？ 你错了，就算是蚂蚁重新融资上市，阿里可以说也是有这个底气的！
帆软报表JS导出避坑指南：如何正确处理sessionid和参数传递
本文深入探讨了帆软报表中通过JavaScript实现一键导出的关键技术，重点解析了如何正确获取并传递sessionid以确保会话不丢失，以及如何构造包含必要参数的导出URL。文章详细对比了预览后导出与直接URL导出两种方式的差异，并提供了从参数拼接、前端触发下载到高级场景（如SPA集成）的完整避坑指南，帮助开发者构建稳定可靠的自定义导出功能。
阿里集团雅虎和软银就支付宝问题达成协议
网易科技讯 2011年7月29日消息，据国外媒体报道，阿里巴巴集团、雅虎以及软银今天宣布，他们已就支付宝达成了一项协议，协议包括阿里巴巴在支付宝未来的公开募股中获得回报等。该协议符合双方在谈判伊始确立的原则：即确保支付宝和淘宝的关系结构可以维持淘宝的价值，从而确保阿里巴巴集团的价
eDP/DP接口简介
目前，在视频传输协议以及接口领域，外部接口主要是DP与HDMI两分天下，当然之前出现过很多接口-VGA, DVI等等，最新平台基本以这两个为主；笔记本内部接口就基本上使用eDP((Embedded Display Port))作为标准接口来驱动液晶屏了。那么问题来了，eDP和DP，是完全兼容的么？eDP，DP，HDMI，这三种接口的显示器，可以插在同一个接口上使用么？这篇文章，就会从硬件和一部分协议的角度分析一下这三大协议。
MTK Linux Charger驱动分析（二） - power_supply_core.c
的核心作用可以概括为：提供统一的电源管理框架；管理电源设备注册、属性访问、事件通知；封装sysfs 接口和 uevent 通知，屏蔽硬件细节；驱动开发者只需要实现，不关心底层通知和接口细节。简单来说，它是电源子系统的“大脑和中枢”，具体的电池/充电器只是“信息源”。
Java面试宝典！阿里巴巴集团技术专家
蚂蚁金服一面： 先自我介绍，讲讲自己基础掌握情况，以及项目经历平时会用到哪些数据结构？ 链表和数组的优缺点？ 解决hash冲突的方法有哪些？ 讲讲自己对HashMap的理解，以及和Weakhashmap的区别？ 你刚才讲的是JDK1.7版本的实现，知道JDK1.8做了哪些改动么？ 你们在微服务中用RPC通信还是REST？ RPC和HTTP的关系是什么？ 谈谈什么是HTTP的长连接和短连接？ TCP的三次握手和四次挥手，以及为什么要三次握手，而不是二次？ TCP 有哪些状态，相应状态的含义?并发包中锁的实现
WebUI自动化测试框架搭建（python+pytest+selenium+allure）
将鼠标移动到要定位的元素上面>右键>点击“检查”>在元素代码上右键>复制>复制XPath。
Java面试宝典！阿里巴巴集团高级技术专家
蚂蚁金服一面： 先自我介绍，讲讲自己基础掌握情况，以及项目经历平时会用到哪些数据结构？ 链表和数组的优缺点？ 解决hash冲突的方法有哪些？ 讲讲自己对HashMap的理解，以及和Weakhashmap的区别？ 你刚才讲的是JDK1.7版本的实现，知道JDK1.8做了哪些改动么？ 你们在微服务中用RPC通信还是REST？ RPC和HTTP的关系是什么？ 谈谈什么是HTTP的长连接和短连接？ TCP的三次握手和四次挥手，以及为什么要三次握手，而不是二次？ TCP 有哪些状态，相应状态的含义?并发包中锁的实现
基于Cadence IC617的共源级放大器设计：从直流到交流的virtuoso仿真实践
本文详细介绍了使用Cadence IC617的Virtuoso平台进行共源级放大器设计的完整仿真流程。从电路图绘制、直流工作点分析，到负载电阻RD的参数扫描及其对增益和带宽的影响，再到交流小信号频率响应仿真，提供了从理论到实践的全面指导，帮助初学者掌握模拟集成电路设计的核心仿真技能。
5分钟搞懂双目相机标定：从棋盘格到3D点云的完整流程（附Python代码）
本文详细介绍了双目相机标定的完整流程，从棋盘格准备到3D点云生成，涵盖单目标定、双目标定、立体校正、视差计算等关键步骤。通过Python代码示例，帮助读者快速掌握双目立体视觉技术，实现高精度的3D重建。特别适合机器人导航、工业检测等应用场景。
云栖印象丨科技创新让很多距离在变得更近
摘要：一天半的云栖大会，对我而言最幸运的不仅仅是感受到了想象力和科技创新的力量，更重要的是聆听了他的分享，简单小结两条。 本文转载自新浪微博原文链接作者：@胡家亮 照片中的这个人虽然拍的不太清楚，但一天半的云栖大会，对我而言最幸运的不仅仅是感受到了想象力和科技创新的力量，更重要的是聆听了他的分享，简单小结两条。 1、他说因为郭台铭，让他思考和感触了很多——初...
8.9华为OD机试真题 新系统 - 查找最佳充电策略 (Java/Py/C/C++/Js/Go)
8.9华为OD机试真题 新系统 - 查找最佳充电策略 (Java/Py/C/C++/Js/Go)
阿里巴巴集团总参谋曾鸣：战略决定成败
前几天听一位CEO分享创业感悟，有一句印象极其深刻：“战略执行中，最怕的是在偶然性的机会上不小心赚了一笔大钱。 作者：曾鸣，阿里巴巴集团执行副总裁、参谋长 前几天听一位CEO分享创业感悟，有一句印象极其深刻：“战略执行中，最怕的是在偶然性的机会上不小心赚了一笔大钱。”赚钱不可怕，可怕的是因此而动摇了战略，管理者要经受短期利益与长期战略之间的抉择纠结，这种纠结可能损耗极大。 真...
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
阿里巴巴集团副总裁陈丽娟对话VMware全球副总裁原欣：助力企业数字化转型
在数字化浪潮下，传统企业背负着早期基础架构投入较大的“包袱”，同时面临着新兴技术不断涌现的新业态。如何赶上云时代的列车？ 阿里巴巴合伙人、阿里巴巴集团副总裁陈丽娟（花名浅雪）和VMware全球副总裁、大中华区总裁原欣（Bessie）在阿里云《大咖说·对话生态》展开了交流，分享了企业上云转云、数字化转型、企业文化等话题。双方表示，两家公司会通力协作，帮助越来越多的传统企业顺利完成数字化转型。 对谈嘉宾 陈丽娟（浅雪）：阿里巴巴合伙人、阿里巴巴集团副总裁 原欣（Bessie）：VMware全球副总裁、大中华区总
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")
A~Z--2019年IT圈哪件事让你印象最深
原创：享学课堂 转载请声明出处！ A 阿里巴巴“双十一”购物节成交额2,684亿人民币 中国电商巨擘阿里巴巴“双十一，购物节”全日总计交易总额2,684亿人民币(383.79亿美元)，按年升26%，增幅略低于去年的27%。是次购有逾20万个品牌参与，包括来自78个国家逾2.2万个国际品牌，提供逾百万项新产品。外媒报道指，昨日的“双十一”购物节成交总额，相等于美电商巨擘亚马逊半季成交总额，与及美国黑色星期五、数码星期日与亚马逊会员日三天成交总额总计的2倍。 B Blockchain区块链成为“网红” .
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
商汤科技宣布C轮战略融资6亿美元 阿里领投苏宁跟投
来源：雷帝网 人工智能平台公司商汤科技SenseTime宣布完成6亿美元C轮融资，由阿里巴巴集团领投，新加坡主权基金淡马锡、苏宁等投资机构和战略伙伴跟投。商汤科技联合创始人、CEO徐立表示：商汤科技C轮融资将进一步夯实公司在人工智能领域的地位：首先，以商汤原创技术为核心，赋能更多行业；其次，与全球头部伙伴进行深度合作，进一步拓展商业版图；第三，强化上下游产业链，深化商汤在人工智能产业链布局。”阿里
“淘宝商城”更名“天猫”
阿里巴巴首席市场官王帅：淘宝商城更名为“天猫” 亲： 今天上午即2012年1月11日11点11分，是阿里巴巴集团一个标志性的时刻。此刻，刚刚独立成军不久的淘宝商城,将正式更名为“天猫”（www.tmall.com）。 这是阿里巴巴集团形成并完善生态体系的战略决定。拥抱变化，绝非为了变化而变化。拥抱变化是在变化中
阿里云解决方案架构师张平：云原生数字化安全生产的体系建设
今天我们讲数字化安全生产，大家可能第一印象想到的安全生产还是比较传统的。比如一些工厂、车间、煤矿或者建筑工地上，我们经常会看到一些标语、海报和一些相关的理念。传统的安全生产，是指在生产经营活动中，为了避免造成人员伤害和财产损失的事故而采取相应的事故预防和控制措施。我们今天讨论的这个数字化安全生产，其实是跟我们的业务数字化转型升级是相结合的，主要解决企业业务连续性管理问题。
阿里巴巴王帅就改名天猫给员工的公开信
这次淘宝商城正式更名为“天猫”，就是对天猫基因的战略寻找与其未来的战略展望。一定会有人说，你淘宝商城是急于摆脱淘宝的原罪，摆脱淘宝的低价的固有印象。或者说要踩着淘宝网的肩膀成长。 各位同事，我来与大家探讨，何为原罪。 以下为王帅邮件全文： 阿里巴巴集团各位兄弟姐妹，亲： 今天上午即 2012 年 1 月 11 日 11 点 11 分，是阿里巴巴集团一个标志性的时刻。此刻...
阿里巴巴YunOS加入物联网标准组织ZigBee联盟
ZigBee联盟(ZigBeeAlliance)今日宣布，全球领先电商公司阿里巴巴集团旗下YunOS加入ZigBee联盟，成为参与级别(Participant level)的会员。ZigBee联盟是一个代表多家公司的非营利组织，致力于创建、维护和实现低功耗无线物联网(IoT)的开放性全球标准。 YunOS于2011年问世，通过大数据和云服务将云应用软件和...
2019年“网红”芯片大盘点，哪一颗让你印象最深刻？
作者 | Aaron来源 |TechSugar（ID:TechSugar)【导读】今年的芯片发布会是一场接着一场，不管是传统芯片厂商，亦或者一些新进者，都在2019年牟足了劲，秀一把芯片...
阿里安全资深专家神盾：这是一个有温度的组织
“Work hard, have fun and make history TOGETHER!”这是阿里巴巴集团安全部资深技术专家LIMINGHAO在内网留下的签名，他的花名“神盾”则是其工作的最好注脚。学霸读中学的时候，神盾就是个不折不扣的学霸。按照他的话说，参加了很多的竞赛，物理、化学、数学，凡是属于理科范畴的几乎都没有落下。而且几乎都取得了不错的成绩，学霸本质暴露无遗。正因为如此，在高三上半...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
373
扫一扫
