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
400+累计阅读
449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
一些好用方法，新鲜思想，奇技淫巧等等
do while(false)
do {
if(error) break;
} while (false)
out.error();MySQL用BLOB字段存储多个id
$bins = pack('N', (int)$id1). pack('N', (int)$id2). pack('N', (int)$id3);
$sql = "UPDATE table SET `rel_ids` = CONCAT(`rel_ids`, UNHEX('".bin2hex($bins)."')) WHERE `uid`={$uid}";产业园区如何高效对接企业技术需求与高校科研成果？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
看到哪学到哪系列之Java集合框架
为什么要重写某些类的hashCode和equals两个方法一，回答标题的问题二，小常识 一，回答标题的问题 Person对象 public class Person { private String userName; private int age; public Person(String userName, int age) { this.userName = userName; this.age = age; } publi
第六章 汇川技术InoProShop入门之modbusTCP从站协议解读
摘要：ModbusTCP从站协议是Modbus协议在TCP/IP网络上的扩展，作为服务器端被动响应主站请求。它采用MBAP+PDU帧结构，通过IP地址和502端口实现网络通信，支持标准功能码（如读/写寄存器、线圈）。相比传统串行Modbus，具有高速传输、远距离通信优势。从站需解析请求、执行操作并返回响应，同时处理错误校验和并发连接。该协议广泛应用于智能传感器、PLC等工业设备，实现高效可靠的主从数据交互。
看到哪学到哪系列之Springboot整合Thymeleaf遇到的问题
Springboot整合Thymeleaf遇到的问题一，问题1，背景2，描述3，原因4，正确的做法 一，问题 1，背景 @Controller public class HomeController { @Autowired private IndexService indexService; @GetMapping({"/ ","/home"}) public String showIndex(){ return "calculation"; }
【无人机智能避障】基于深度强化学习的城市复杂环境路径规划实战
本文探讨了基于深度强化学习的无人机在城市复杂环境中的智能避障与路径规划。针对传统算法难以应对动态与非结构化障碍的痛点，文章详细介绍了如何利用DQN算法，通过设计合理的状态空间、奖励函数，并结合经验回放、目标网络等技巧，训练无人机自主学会在楼宇间安全、高效飞行的策略。
Photoscan+Smart3D+CC组合建模实战：如何用三款工具打造高精度实景模型
本文详细介绍了如何整合Photoscan、Smart3D和ContextCapture三款软件，构建高效高精度的实景三维建模工作流。通过利用Photoscan稳健的空三解算、Smart3D精准的刺点优化，以及ContextCapture强大的最终建模能力，该方案能有效应对复杂地形与海量数据，显著提升模型质量与生产效率，适用于测绘、文化遗产数字化等专业领域。
系列收官：读完《Claude Code 架构解密》，我学到了什么
第一句话：Claude Code 把一个 LLM 包在一个循环里，让它既能"思考"又能"行动"。第二句话：为了让这个循环安全可控，它构建了六层纵深防御 + 渐进式信任体系，让"开放"和"安全"能在同一个系统里共存。第三句话：为了让这个循环能扩展、能协作、能记住事情，它设计了多Agent协作、上下文管理和扩展架构三个子系统，每个子系统都遵循"分层+状态机+缓存"的统一范式。这三句话，就是417页的本质。虽然有五个维度的差异，但我认为Agent架构和传统分布式架构的本质是同一件事。
第一章 初识SpringBoot
提供大量的自动配置Spring和第三方库，开发者可以根据项目需求选择相关的starters依赖，而无需手动配置大量的Spring配置文件，开箱即用，无需配置XML，无代码生成。Spring Boot与Spring Cloud等框架集成，为构建微服务提供了强大的支持，并通过Spring Cloud实现服务注册、负载均衡、熔断等功能。本质上讲，Spring Boot就是Spring，它做了那些本应我们去做的Spring Bean配置等工作。以上就是一个简单的Spring Boot应用的创建和运行过程。
我们都从spring学到了什么？ 系列一 之 回调函数的使用
我们都从spring学到了什么？1,回调方法的使用spring使用了大量的回调函数，如HibernateCallBack,打开你的eclipse，ctrl+shift+t，再输入*CallBack,你可以看到有多少地方在使用回调函数，下面分析一下大牛们为什么频繁使用这个CallBack函数。废话少说，先来个例子说事儿。 package com.lixuehui.callbackte
UniApp实战：从文件下载到本地保存与预览的一站式解决方案
本文深入解析了UniApp开发中文件下载、保存与预览的完整流程，提供了基于uni.downloadFile、uni.saveFile和uni.openDocument API的一站式实战解决方案。文章详细拆解了核心API的使用方法、多平台（App、H5）的兼容性处理、常见坑点（如文件路径、权限、格式支持）以及进阶优化技巧（如进度提示、文件管理），旨在帮助开发者构建健壮、用户体验良好的跨平台文件处理功能。
java实现长短期记忆人工神经网络LSTM（附完整源码）
java实现长短期记忆人工神经网络LSTM（附完整源码）
居然还有这种操作 -- 学到老活到老系列
break <?php $arr = array('one', 'two', 'three', 'four', 'stop', 'five'); while (list(, $val) = each($arr)) { if ($val == 'stop') { break; /* You could also write 'break 1;' here. */ ...
【C++实战(62)】从0到1：C++打造TCP网络通信实战指南
本文是 C++ 网络编程实战专栏第 62 篇，聚焦 TCP 客户端与服务端开发。先阐述 TCP 协议特点、核心 API 及阻塞与非阻塞 IO 区别，打牢基础；再详解 TCP 服务端初始化、客户端连接处理与数据收发，以及客户端初始化、异常处理和协议设计；最后通过简易聊天系统实战，介绍线程池应用、协议解析及稳定性测试，助力开发者掌握 TCP 网络编程实操技能。
李宏毅机器学习之不知道学到了哪里随便写写系列1
前言：由于学习过程比较乱，导致入门了好久，不知道学到哪里了，突然想起来可以用csdn做笔记，故打开了我的网页，也为了不让我走神睡觉，敲起了拼音。（唉，小声叹息......）当这些hidden layer里面的neuron有output的时候，都会存到memory里面，下一次有input的时候，会把memory里面的值也会考虑进去，会影响output，说明：beyond 1-of-N encoding，出现词典里面没有的词汇，多加一个dimension，表示other，如果没有则归类到此里面；
ACS运动控制器编程语言
ACS运动控制器采用SPiiPlusLanguage(SPL)作为核心编程语言，该语言基于C语法设计，内置丰富的运动控制指令，支持点位运动、插补等复杂控制。控制器提供专用开发工具SPiiPlusManager和ACSStudio，支持图形化编程与调试。同时兼容TCP/IP、EtherCAT等多种扩展接口，便于与上位机或PLC集成。使用时需注意实时性优先级、轴参数匹配等关键事项。官方文档和示例程序为开发者提供了完善的学习资源。
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")
数字化转型系列主题：阿里“拆中台”，我们能学到些什么？
本文转自：微信公众号 健荐 目录 导读 阿里都“拆中台”了，我们要不要也跟着拆？ 从阿里“拆中台”，我们能看到什么？ 从阿里“拆中台”，我们能学到些什么？ 回到中台，那我们能做些什么呢？ 导读 有好多朋友问我对于阿里“拆中台”的看法，今天正好又被问到这个问题，就随笔写写自己的看法，一起探讨。 我猜想大家问这个问题，言外之意心里无非就是以下这几个问题： 阿里都“拆中台”了，我们要不要也跟着拆？ 从阿里“拆中台”，我们能看到什么？ 从阿里“拆中台”，我们能学到些什么？ 阿里都“拆中台”了，
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
看到哪学到哪系列之我见过的将雪花算法分析的最清澈见底的博文
废话少说，直接开撸：理解分布式id生成算法SnowFlake
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
爬取页面的所有图片，学到就是赚到，即使是刚入门的也可以来尝试爬取一系列图片
1.拿到目标url 此时的url就是你搜索百度上这个页面的网址，然后，导入requests和re模块 上面网址中的index我们可以改成flip让他变成页码形式 import requests import re url='https://image.baidu.com/search/flip?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=&st=-1&fm=result&fr=&sf=1&f
Java 23 种设计模式：从踩坑到精通 | 系列总结：25 篇文章，我们学到了什么？
摘要：从单例模式的 12 种写法到访问者模式的双分派魔法，25 篇文章、23 种经典设计模式、超过十万字的深度拆解，我们完成了一次完整的 GoF 设计模式之旅。本文作为系列终章，不会简单罗列目录，而是帮你串联知识体系、对比易混淆模式、回顾实战踩坑、梳理框架应用，并给出后续深入学习的方向。无论你是从头追更还是中途加入，这篇总结都将帮你建立完整的设计模式知识地图。
学到就是赚到！NodeJS 实战系列：个人开发者应该如何选购云服务
这文章至少值一千元，因为这是我保守估计花出去的冤枉钱（请自行脑补一个苦笑的 emoji）文章中会穿插选择云服务的一些建议，当然也会提供一些“薅羊毛”的技巧。不过在此之前我们要想清楚一件更重要的事情：我为了什么购买云服务。
Docker 从 0 到 1 再到 Kubernetes 实战：第1篇 为什么要从 Docker 学到 Kubernetes？系列导读与环境准备
摘要： Docker和Kubernetes已成为现代IT基础设施的核心技术，2025年全球容器市场规模预计达61.2亿美元，年复合增长率21.05%。本文提出三层递进学习路径：先掌握Docker容器化技术（提升资源利用率至60-80%），再学习Docker Compose单机编排，最终深入Kubernetes集群管理。系列教程包含50篇实践指南，从基础容器化到生产级Kubernetes生态（Helm、Prometheus、Istio等），通过Flask+Redis等实战案例贯穿始终。建议Windows/ma
【视频来了】那些未曾学到的Esp8266技术干货，都在本系列公开课直播中一一吸收，奉献开源于国内物联网！
文章目录一、前言二、esp8266可以做什么？三、直播规划以及内容详情 一、前言 当你看到这篇文章时候，我已经有足够的信心撑起这个直播系列。但还是希望热爱技术的你多多支持我，让我有源源不断的动力！ 我为什么会有如此的想法做直播？ 当国...
Learn OpenGL In Qt之系列简介
本博客系列将带领读者逐步学习如何在Qt环境下使用OpenGL进行图形编程。我们将从基础知识开始，介绍OpenGL的基本概念、渲染流程和常用功能。然后，我们将探讨如何在Qt中集成OpenGL，并展示如何创建简单的OpenGL图形应用程序。在后续的文章中，我们还将深入探讨OpenGL的高级功能，例如着色器编程、纹理映射、光照效果等。通过本博客系列的学习，读者将能够掌握在Qt环境下使用OpenGL进行图形编程的基本技能，为开发更复杂的图形应用程序打下坚实的基础。
看史泰龙演的洛奇系列片的一些感想
这几天看《洛奇》系列片的一些感想，分享一下 《洛奇》电影一共6部，主演是史泰龙，讲的是一个拳击手洛奇从一个无名的拳击手到最后的世界级的拳击冠军，并最后50多岁了还跟现在的拳击冠军进行比赛的故事，每部电影之间故事衔接的非常好，之前我没有看过，我觉得我迟到了，我应该早点遇到这么好看的电影，这部电影能给人很多启发。 我写下我的一些感受： 1 只有努力才能出结果，不管你多么优秀，假如你不努力，你也会
改变学习的三个模式--3月主题总结
改变学习的三个模式--3月总结 从以点带学，到系列学习 从以考促学，到持久学习 从只顾眼前，到长远发展 这是自己的一些理解。三月考试之后的心得体会。欢迎多多交流。 一 从以点带学，到系列学习 也按米老师讲的看书 -总结-做题的思路。在这之中，相信我们的重心还是有一定的差别。 ①重点放在看书。这是好多大牛们的选择。把书吃透，做题就so e
【Linux服务器开发系列】详解多线程网络编程丨百分百干货分享丨学到就是赚到
90分钟搞懂多线程网络编程模型 1.网络编程关注的问题 2.网络编程的几种模型reactor，oneloopperthread及其变种 3.skynet，redis，nginx，memcached等为什么选择相应的网络模型 【Linux服务器开发系列】详解多线程网络编程丨百分百干货分享丨学到就是赚到 内容包括:C/C++，Linux，Nginx，ZeroMQ，MySQL，Redis，MongoDB，ZK，流媒体，P2P，Linux内核，Docker，TCP/IP，协程，DPDK多个高...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
336
扫一扫
