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
6.9k累计阅读
7k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、Netlib
介绍：Netlib is a repository of software for scientific computing maintained by AT&T, Bell Laboratories, the University of Tennessee and Oak Ridge National Laboratory.[1] Netlib comprises a large number of separate programs and libraries. Most of the code is written in Fortran, with some programs in other languages.
2、
netlib:netlib包含用于netlib代码的C包装程序，特别是BLAS和LAPACK
格纳姆·NETLIB 包装程序包为NETLIB C BLAS和LAPACKE实现提供了接口。 安装 go get -d gonum.org/v1/netlib/... 安装OpenBLAS： git clone https://github.com/xianyi/OpenBLAS cd OpenBLAS make 然后安装CGO BLAS包装程序包： CGO_LDFLAGS= " -L/path/to/OpenBLAS -lopenblas " go install gonum.org/v1/netlib/blas/netlib 或CGO LAPACKE包装器包装： CGO_LDFLAGS= " -L/path/to/OpenBLAS -lopenblas " go install gonum.org/v1/netlib/lapack/netlib 对于
开源代码网站
<br /> <br />来自： http://blog.csdn.net/fisher_jiang/archive/2010/05/06/5561556.aspx <br /> <br />http://search.csdn.net/<br />优快云搜索，优快云还是有非常多的编程资源的，用它的搜索能搜出不少东西。代码类别也比较全面。<br />http://snippets.org/<br />简单实用的代码收集网站，强力推荐。比如你要找个DES加密，要找个数据压缩，找个INI文件操作的C代码等，
简约绿色个人介绍网站html源码
简约绿色个人介绍网站html源码 简约绿色个人介绍网站html源码
数学资源大全
发信站: 水木社区 (Wed Apr 30 13:14:00 2008), 站内http://www.math.org.cn/forums/index.php?showtopic=4427建议看此贴时，如果找某专题用ie查找，因为网站太多了！好不容易贴完了，国内、国外的，由小学到学术的、数学各个领域的精彩网址都在这了，够全的吧！中文数学专业网站:博士家园http://www.math.org.cn
Impala>Impala安装部署
文章目录1．安装前提2．下载安装包、依赖包3．虚拟机新增磁盘（可选）4．配置本地yum源5．安装Impala6．修改Hadoop、Hive配置7．修改impala配置8．启动、关闭impala服务 1．安装前提 集群提前安装好hadoop，hive。 hive安装包scp在所有需要安装impala的节点上，因为impala需要引用hive的依赖包。 hadoop框架需要支持C程序访问接口，查看下...
ksz9031 mmd读取不了_ZYNQ. LwIP.PHY.KSZ9031RNX
新一块板子米尔科技的z-turn 使用的PHY芯片是Micrel的 KSZ9031RNX 而不是zedboard上的Marvell的。直接使用lwip的echo server demo时会报错 ， 无法启动。在网上找了很久终于找到几篇关于这个问题的文章。修改PHY的驱动xemacpsif_physpeed.c文件该芯片的PHY Identifier 是 0x0022bsp设置中修改参数以提速MEM...
一个超全的数学资源网站(转贴)
一个超全的数学资源网站(转贴)中文数学专业网站:博士家园http://www.math.org.cnhttp://www.bossh.net数理逻辑、数学基础：http://www.disi.unige.it/aila/eindex.html意大利逻辑及其应用协会的主页，包括意大利数理逻辑领域的相关内容。http://www.plenum.com
【Ubuntu2404】Ubuntu24.04安装NVIDIA驱动/CUDA/cuDNN搭建神经网络训练环境
NVIDIA 驱动、CUDA和cuDNN是紧密相关但各自具有独特功能的技术，它们共同为图形处理单元（GPU）加速的应用程序提供了强大的支持。本文主要介绍如何安装 `NVIDIA` 驱动、CUDA及cuDNN，为后续神经网络训练提供支持。本文主要介绍Ubuntu24.04安装NVIDIA驱动、CUDA和cuDNN的流程。
国内外优秀的源码网站
国内外优秀的源码网站 不管你是初学一门计算机语言或技术，还是想学习别人的经验和创意。做为一个开发人员，都会经常需要到搜索一些代码，下面是7个地方可以帮助你快速寻找到你需要的代码。 GitHub Code Search http://github.com/search 热门的开源代码库和和版本控制服务。 GitHub 在最近启动了CodeSearch .即使它才启动不久，但凭借
555时基芯片的5种经典电路设计：从方波发生器到PWM调光实战
本文深入解析了555时基芯片的5种经典电路设计，从基础的无稳态方波发生器、单稳态触发器，到实用的占空比可调PWM信号源，并重点介绍了如何引入TVS保护电路增强系统鲁棒性。最后通过一个带保护的PWM LED调光台灯实战项目，综合展示了信号生成、功率驱动与电路保护的核心技术，是电子爱好者掌握模拟电路设计与应用的绝佳指南。
Jetson Nano 【1】入手开箱、烧系统
类似于半开箱哈哈 怀着小期待的心情，屁颠屁颠跑到村口领快递，拿到了这个香喷喷的Jetson Nano 开发板 开箱： 由于太激动了忘记拍点啥，于是在最后留了张全家福 板子的结构： 我觉得这个有必要记录一下，于是去官方文档拿了张图来：官方文档传送 1=SD card 的卡槽，位于第二层板子的背部，也就是大风扇屁股位置 2=40针扩展接头（还没开用） 3=USB的供电口，根据大佬测试（某哩...
Principles of Sustainable Software Engineering 项目常见问题解决方案
Principles of Sustainable Software Engineering 项目常见问题解决方案 1. 项目基础介绍和主要编程语言 该项目是一个关于可持续软件工程原则的开源项目，它旨在定义、构建和运行可持续的软件应用程序所需的核心能力。项目使用以下主要编程语言： SCSS (34.8%) JavaScript (33.2%) Nunjucks (32.0%) 2. 新手在使用...
图神经网络实战——利用节点回归预测网络流量
在机器学习中，回归指的是对连续值的预测。通常与分类形成鲜明对比，分类的目标是找到正确的类别(即离散值，而非连续值)。在图数据中，分类和回归分别对应于节点分类和节点回归。在本节中，我们将尝试预测每个节点的连续值，而非分类变量。
5个简单步骤：用gustavoguanabara.github.io零成本搭建你的专业教学网站
想创建个人教学网站但被技术门槛和成本吓退？gustavoguanabara.github.io项目为你提供了完美的解决方案！这个开源项目让你能在完全免费的情况下，快速搭建功能齐全的教学平台，分享编程知识、课程资料和学习心得。无论你是编程老师、技术博主还是在线教育创业者，这个工具都能帮你轻松实现在线教学梦想。 ## 为什么你需要一个个人教学网站？ 在数字时代，拥有个人教学网站不仅仅是展示专业能力
openpi 入门教程（二）droid libero 训练、推理
OpenPI是由物理智能团队发布的机器人领域开源模型与软件平台，提供基于流扩散式（π₀）和自回归式（π₀-FAST）两类视觉-语言-动作模型。平台支持在DROID、ALOHA、UR5等多种机器人系统上部署，包含预训练检查点（1万+小时数据）和微调示例。文档详细说明了各平台部署流程：DROID需启动策略服务器并配置摄像头；ALOHA提供真实机器人任务（取吐司、叠毛巾等）的检查点和场景设置建议；UR5示例展示自定义数据转换方法。实验性验证显示π₀-FAST在LIBERO基准测试中平均得分85.5。平台强调模型适
STM32 stack_size和heap_size大小设置的意义
在使用STM32编程时，一般情况下我们不会关注堆栈空间的大小，因为在STM32的启动文件中，已经帮我们预先设置好了堆栈空间的大小。如下图所示的启动代码中，Stack栈的大小为：0x400（1024Byte），Heap堆的大小为：0x200（512Byte）。 1、若工程中使用的局部变量较多，定义的数据长度较大时，若不调整栈的空间大小，则会导致程序出现栈溢出，程序运行结果与预期的不符或程序跑飞。这时我们就需要手动的调整栈的大小。 2、当工程中使用了malloc动态分配内存空间时，这时分配.......
GitHub 这份程序员强者生涯指南，成功斩获 4 万星！
来自量子位怎样成为一个更专业的程序员呢？先从留一个强者发型开始？或是能成功把各种 bug 变 feature？还是…… 来看看 GitHub 上大火的这份程序员超级清单？近 4w 的标星，...
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
探索开源社区的力量：pygame.org网站项目介绍
探索开源社区的力量：pygame.org网站项目介绍 项目介绍 pygame.org网站项目是一个开源的社区网站，旨在为pygame社区提供一个交流和展示的平台。该项目逐步开放网站的各个部分代码，并进行持续的优化和清理。用户可以在该网站上发布项目、评论以及在wiki页面上撰写内容。 项目技术分析 技术栈 编程语言: Python 3.6 Web框架: Flask 数据库: PostgreSQL ...
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。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
Golang 官方网站开源项目介绍
Golang 官方网站开源项目介绍 1. 项目基础介绍及主要编程语言 Golang 官方网站开源项目（项目链接）是 Go 语言官方社区的开发和维护项目。该项目包含了 Golang 官方网站的内容和服务器程序，旨在为全球的 Go 语言开发者提供学习、交流和资源共享的平台。项目主要使用 Go、HTML、JavaScript 和 CSS 等编程语言开发。 2. 项目的核心功能 该项目的核心功能包括： ...
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")
New Relic 开源网站项目推荐
New Relic 开源网站项目推荐 项目介绍 opensource-website 项目是由 New Relic 开发并维护的开源项目，旨在展示 New Relic 的开源生态系统。该项目基于 Gatsby 构建，生成了 opensource.newrelic.com 网站。通过这个项目，用户可以深入了解 New Relic 的开源项目、贡献者以及社区动态。 项目技术分析 技术栈 Gatsby...
php网站搭建源代码
在互联网的世界里，PHP是一种非常流行的服务器端脚本语言，广泛用于Web开发。通过使用PHP，开发者可以创建动态的、交互式的网页内容。本文将指导你如何从零开始，利用PHP源代码来搭建一个简单的网站。无论你是编程新手还是有一定经验的开发者，都可以跟随这份教程学习到基础的网站搭建流程。考虑到这种影响，在深入技术细节之前，我们需要了解一些关于PHP和网站构建的基础知识。（Hypertext Preprocessor）是一种开源的脚本语言，特别适用于Web开发，并能够很好地嵌入HTML中。而。
FPGA有哪些优质的带源码的IP开源网站?
HDL在这方面开源的并不多，但是我个人认为fpga4fun和opencores在这些里面就属于前二，完善的社区及完整的HDL代码是主要原因。其他的也是很完美的平台，大家斟酌使用。最后还有一些比较单一的网站，有兴趣可以看看国外VHDL& Verilog IP Resource 下载网站列表。
有哪些值得推荐的源码共享网站？最全免费下载源代码网站合集（16个）
在这篇文章中，我们整理了可免费下载源代码的16大网站：1. Stack Overflow；2.GitHub；3.开源中国 (OSChina)；4.优快云；5.码云 (Gitee)；6. CodePen；7. SourceForge；8. OSDN；9. Code My UI；10. CodeGuru；11. FossHub；12. GenerateWP；13. CodeProject；14. F-Droid；15. DevX；16. Google Open Source
FPGA有哪些优质的带源码的IP开源网站
Opencores的IP核心包括处理器、总线接口、视频、音频和其他数字电路组件，这些核心都是由社区的成员设计和共享的。总的来说，Jan Gray 的 RISC CPU 网站是一个对于任何想要学习 FPGA-based CPU 设计和实现的人来说都是一个有价值的资源，也是一个寻找可用于自己项目的开源 RISC CPU 核心的硬件设计师的宝贵资料。上面就是整个网站上的内容（翻译过的，原英文网站），不能用丰富形容，简直是太丰富，常用的接口，简单的项目（很具有代表性的项目），不说什么了，赶快去试一试吧。
微软买下 GitHub 后，又做了个开源网站！
公众号关注“GitHubDaily”设为 “星标”，每天带你逛 GitHub！大家好，我是小 G。众所周知，在 2018 年 6 月时，微软砸下 75 亿美元（折合人民币 480 亿）...
用开源代码如何建立网站_建立开源社区时要考虑的6件事
用开源代码如何建立网站 经常有人问我：“为什么决定将产品开源？” 在Kaltura ，我们之所以走开放源码之路，部分是由于好奇心和热情，部分是因为我们进入了一个竞争已经日趋激烈且显然缺乏开放源码和面向标准的解决方案的市场。 我们认为视频将像图像和文本一样无处不在，易于创建，与他人共享和共享，因此我们寻求创建视频维基百科，建立一种不限制您视频体验的开放技术，它将使它们免费。 为了支持...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2871
扫一扫
