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
5.2k累计阅读
5.2k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
CentOS系统下Google Chrome的两种高效安装方案解析
本文详细解析了在CentOS系统下安装Google Chrome浏览器的两种高效方案：离线安装与在线安装。针对无外网的生产服务器环境，提供了手动下载RPM包及依赖的离线安装步骤；对于有网络的环境，介绍了配置官方Yum仓库实现一键自动安装的方法。文章对比了两种方案的优缺点，并给出了选择建议与常见问题排查指南，帮助用户根据实际场景快速完成部署。
Google Authenticator密钥安全迁移：本地解密与Chrome插件同步实践
双因素认证（2FA）是当前账号安全防护的核心技术之一，通过时间同步算法生成动态验证码，为登录过程增加关键安全屏障。其技术原理基于TOTP协议，结合种子密钥与时间戳生成一次性密码，有效抵御凭证窃取攻击。在工程实践中，密钥的安全备份与跨设备同步成为提升可用性的关键需求。本文聚焦于Google Authenticator的密钥迁移场景，详细解析如何通过本地解密工具链，将加密的密钥数据安全转换为标准OTP格式，最终实现在Chrome插件中的无缝集成。整个过程严格遵循离线操作原则，确保种子密钥等敏感信息不经过第三方服
从零魔改Chromium：构建你的专属反指纹浏览器
本文详细介绍了如何从源码层面魔改Chromium，构建专属的反指纹浏览器。文章深入剖析了浏览器指纹追踪原理，并提供了从环境搭建、关键指纹点（如User-Agent、Canvas、WebGL）修改到编译测试的完整实战指南，旨在帮助开发者和隐私需求者打造底层可控、高度匿名的浏览环境。
彻底解决Windows系统F1键误触浏览器弹窗问题
在Windows操作系统与浏览器交互中，系统快捷键与应用程序功能冲突是常见的底层交互问题。其核心原理在于操作系统将F1键映射为全局帮助命令，并通过URL协议调用机制触发默认浏览器响应。从技术价值看，理解这一机制有助于深入掌握系统级快捷键处理、应用程序协议关联及注册表配置等关键技术点，对系统优化和故障排查具有实践意义。在应用场景上，此类冲突尤其影响全屏游戏、专业软件操作及高效办公等需要键盘无干扰的环境。本文聚焦F1键误触浏览器这一典型现象，通过分析Windows帮助功能与Chromium内核浏览器的交互冲突，
ESP32在线烧录指南：浏览器直刷固件，免装驱动与IDE
固件烧录是嵌入式开发中的基础环节，传统方式依赖IDE、驱动和复杂的环境配置，常常让新手在第一步就受阻。随着Web技术发展，浏览器已能直接调用串口通信，Web Serial API与esptool.js的结合，让芯片擦写、固件写入与校验全部在网页端完成，彻底绕开本地环境依赖。这种在线烧录方式特别适合快速验证、现场调试和产品交付场景，用户只需打开支持Chromium内核的浏览器，连接ESP32开发板，即可完成从固件选择到烧录成功的全过程。本文从在线烧录的底层原理出发，介绍官方ESP32 Web Flasher工
BurpSuite浏览器代理插件配置指南：从原理到实战部署
在Web安全测试与开发调试领域，代理技术是实现流量拦截与分析的核心基础。其原理是通过在客户端与服务器之间建立中间人（MITM）节点，对HTTP/HTTPS通信进行转发、记录与修改。这项技术的核心价值在于为安全研究人员和开发者提供了透视网络交互的“显微镜”，是进行漏洞挖掘、接口调试、性能分析不可或缺的工具。典型的应用场景包括Web应用安全测试、API接口调试、移动应用流量分析等。本文聚焦于如何高效配置浏览器代理插件，特别是针对BurpSuite这一主流安全测试平台，详细讲解SwitchyOmega与FoxyP
Chrome DevTools 高级调试与性能优化全攻略
Chrome DevTools 是前端开发者必备的调试工具，它提供了从 DOM 检查到性能分析的全套解决方案。通过元素面板、控制台、源代码调试等核心模块，开发者可以深入理解网页运行机制，快速定位问题。在性能优化方面，DevTools 的网络面板和性能面板能帮助分析关键指标如 TTFB、FCP 等，而内存面板则用于检测内存泄漏。掌握 Chrome DevTools 的高级功能如黑盒脚本、工作区映射等，能显著提升调试效率。无论是移动端真机调试还是 WebAssembly 应用分析，这套工具链都能提供专业支持。合
从源码到实战：基于Chromium构建自定义指纹浏览器
本文详细介绍了如何基于Chromium构建自定义指纹浏览器，解决网站通过浏览器指纹追踪用户的问题。文章从源码架构解析入手，重点讲解了Canvas、WebGL等关键指纹检测点的修改方法，并提供了编译调试和性能优化的实战指南，帮助开发者打造安全高效的指纹浏览器解决方案。
Browser-Use WebUI：AI Agent浏览器自动化实战与避坑指南
浏览器自动化是软件工程中实现网页操作自动化的关键技术，其核心原理是通过脚本或程序模拟人类在浏览器中的交互行为，如点击、输入和导航。传统方法依赖于Selenium或Playwright等库编写精确的定位脚本，而现代AI Agent技术将大语言模型的自然语言理解与规划能力引入此领域，实现了从“如何做”到“做什么”的范式转变。Browser-Use框架正是这一趋势的代表，它将LLM作为决策大脑，将Playwright作为执行手脚，构建了一个能理解模糊指令并自主完成复杂网页任务的智能体。其技术价值在于大幅降低了自动
ARM64架构下Ubuntu 20.04必备软件三件套：WPS、VSCode、Chrome安装全攻略
本文详细介绍了在ARM64架构的Ubuntu 20.04系统上，安装和配置WPS Office、Visual Studio Code和Chrome浏览器这三大核心生产力软件的全过程。针对ARM平台特有的兼容性问题，提供了从官方包下载、依赖修复到字体配置、开发环境搭建的实用解决方案，旨在帮助用户快速构建稳定高效的办公与开发环境。
编译与下载Chrome客户端项目源码
通过下载和编译Chrome客户端项目的源码，您可以深入了解Chrome浏览器的内部工作原理，并进行自定义开发。然而，通过遵循上述步骤，您将能够成功地获取并编译Chrome源码，并开始进行自己的浏览器项目开发。对于那些对浏览器开发感兴趣的人来说，了解如何下载和编译Chrome客户端项目的源码是一项有趣且有用的技能。这将下载Chrome源码到您的计算机。要下载Chrome的源码，您需要使用Git命令行工具。编译成功后，您可以运行您刚刚编译的Chrome客户端。这将启动您的自定义版本的Chrome浏览器。
Qt 5.15.3 源码编译行动~ Action
Qt5.15.3编译行动开始啦
windows server 2008上可以使用的chrome和chromedriver
windows server2008上终于装好chrome了，后来又找到对应的chromedriver 驱动包，终于弄好了，两个安装包放一起了，方便下载
Windows Server 2008R2下可运行的Chrome与ChromeDriver.zip
Windows Server 2008R2下可运行的Chrome与ChromeDriver.zip
小程序结合Three.js与gsap：打造流畅3D动画的完整指南
本文详细介绍了如何在小程序中整合Three.js与GSAP动画库，打造流畅的3D动画效果。通过从环境搭建、基础场景创建到模型加载与复杂动画编排的完整指南，帮助开发者克服小程序性能限制，实现如商品360度展示等沉浸式交互体验，提升产品视觉吸引力。
视频动作识别、行为识别、时空动作检测数据集整理（持续更新）
动作、行为、事件 在计算机视觉的相关研究中，人体的动作、行为识别是一个基础研究问题。但目前识别、检测人类的动作/行为仍然是一个巨大的挑战。这里整理下当前相关的细分任务、数据集和开源代码（持续更新中）。
FPGA上跑100G网卡？手把手教你用Xilinx IP核配置RDMA（附避坑指南）
本文详细介绍了如何在Xilinx UltraScale+ FPGA平台上配置100G RDMA网络加速方案，涵盖CMAC和ERNIC IP核的深度配置技巧、硬件架构设计及系统集成。通过实战指南和避坑建议，帮助开发者实现超低延迟、零拷贝的数据传输，显著提升数据中心和高性能计算的网络性能。
VMware如何安装img镜像，VMware如何安装openwrt软路由（含相关工具镜像）
VMware如何安装img镜像，VMware如何安装openwrt软路由（含相关工具镜像）
RandLA-Net Tensorrt 推理 c++
RandLA-Net 实现 Tensorrt 部署.
17 指挥AI写Mamba相关模型代码，快速适配大模型场景
本文为《30天掌控AI编程：从指令到落地，手把手教你指挥AI写代码》系列第十七篇，属于第三阶段多场景实战核心内容。本篇聚焦当下大模型领域热门的**Mamba架构**，针对零基础大模型开发、无深度学习基础的使用者，拆解指挥AI生成Mamba基础模型、微调适配、推理部署代码的核心方法，覆盖Mamba基础模块搭建、简易序列建模、小样本微调、本地推理等高频场景，提供可直接复用的高质量指令模板、完整可运行代码、环境配置与避坑指南，无需精通Transformer、状态空间模型等底层原理，轻松上手Mamba大模型开发。
Ubuntu\linux，加载mcp2515的驱动，链接mcp2515，mcp2515的这个驱动默认在linux内核中。jetson nao、香橙派、树莓派
3. 其他文章，还要进行驱动编译就比较复杂了（不推荐）1.树莓派+MCP2515+
Android12 适配 usb 触屏
在 Android 系统中，输入设备 IDC（Input Device Configuration）设备描述文件（.idc）是用于配置和定义输入设备行为和属性的文本文件。 该文件通常在`/system/usr/idc/` 或 `/vendor/usr/idc/`，具体位置因芯片厂商SDK而异。一般情况此类文件是预置到系统，开发者 root 权限才能修改这些文件。输入设备 IDC 设备描述文件在 Android 系统中起到了识别、配置、映射和定制输入设备的作用，使得系统能够准确解析和处理各种输入设备的事件，提
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
802
扫一扫
