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
1k累计阅读
1.1k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
两周前的这个时候，还跟Karen纠缠在边缘地带，害得我茶饭不思心如刀绞；周一直到昨天都还为租房的事东西奔走，“千里走单骑”的走过五六家去看房；今儿下定决心就在本小区了，Karen这两天也完全恢复以前的态度，今早的阳光又如此的露出春天的笑脸，温度适当自不用说，再也不用过像半年前考研的忙碌而无为的日子，所以心情觉得格外的轻松、亲切！
骑着单车行驶在宽广的马路上，一路跟着上班的行人，看看路旁即将盛开的桃花蓓蕾，春天真的离我们很近了吗？青春的气息逼人而来，工作上再大的困难都算不了什么，好好品位这平民的生活吧，细数来沪之后的每个日夜，回忆几度的情感生活，Karen成了我心里最重的一杠秤砣，风雨反复过来，对我而言已经更是坚定无移了。
呵呵，此题只须深深品茗。。。
5分钟搞定！用FunASR在本地快速部署达摩院Paraformer语音识别模型
本文提供了一份快速部署指南，教你如何在5分钟内利用FunASR工具包在本地电脑上启动达摩院Paraformer语音识别模型。Paraformer作为一款非自回归端到端模型，以其推理速度快、识别精度高的特点，结合FunASR的一键式模型加载和统一API，让开发者能轻松构建本地语音识别系统，极大降低了前沿AI技术的应用门槛。
冬季养生攻略，打造健康与美丽的秘诀
寒冷的气候并不意味着不运动，相反，适当的体育锻炼可以增强体质、提高免疫力，预防冬季常见的疾病。选择适合冬季的运动方式，如室内健身、瑜伽等，也可以多参加户外活动，如冬季徒步、滑雪等，从而在锻炼身体的同时，也能欣赏到冬季的美景。通过合理饮食、适度运动、良好的作息习惯、愉悦的心情、以及防寒保暖等方面的综合养生措施，我们可以度过一个健康、美丽的冬季。保持规律的作息时间，每天保证7-8小时的睡眠时间，有助于提高睡眠质量，增强身体的抵抗力。本文将为您揭示冬季养生的秘诀，让您在寒冷的季节中依然散发健康的光彩。
大学生电赛学习之路
可以看到全国大学生电子设计大赛的认可度是非常高的,属于A类学科竞赛。电子设计大赛的形式也是给出题目，参赛者有四天三夜的时间解决问题，题目大致可以分为：控制类、测量类、高频类以及电力电子类。该竞赛会在单数年的9月份举行。但是对于新生来说电赛确实遥不可及的，可能在很多学校本科生是不能进入实验室的，但是就算进了实验室你就有资格去参加电赛或者说能拿一个不错的奖项吗？ 现在正值新生开学季，当然会有一大批学生会进入实验室的学习，电赛的举办时间是每年的暑假，所以说对于大一同学来说有一年的时间去准备，那我们就来说一说参加.
美丽心情
http://202.107.197.182/gygzs/gygzs-qy/散歌集/美丽心情.mp3
自学篇--使用keil5.23创建一个stm32工程并编译（固件包自带版本）
之前在本科学习阶段学习过一点51单片机的知识，可是因为基本没有实践过几次现在已经完全忘记了。。前几天老师突然丢给我几个板子说让我把程序编译、烧写环境装好，当时我就震惊了，不过经过三四天的自我摸索，之后参考他人的学习经验，现在已经基本能处理这个问题了，所以为了方便后面的学者，主要也是为了把自己这几天的学习成果记录一下，我在这里把这个过程写下来。（因为刚刚接触，很多原理性的东西都还不懂，只是一个操作步
Halcon VariableInspect （变量检查拓展）安装指南
网址2；
简单道理
小孩对母亲说：“妈妈你今天好漂亮”。母亲问：“为什么”？小孩说：“因为妈妈今天没有生气。”原来拥有漂亮很简单，只要不生气就行了。 一个人去应征，随手将走廊上的纸片捡起来，放进了垃圾桶。被路过的考官看到了，他因此得到了这份工作。原来获得赏识很简单，养成好习惯就行了。 ...
小米CyberGear微电机驱动代码（CAN总线驱动，含开源地址）
小米CyberGear微电机驱动代码（ROS下的CAN总线驱动，含开源地址）
我的生活不曾取悦于我，所以我创造了自己的生活
My life didn't please me, so I created my life.我的生活不曾取悦于我，所以我创造了自己的生活。(Coco Chanel) 无论你多少岁，读多少书，生得美不美，都要做个闪闪发光的漂亮姑娘。开心的时候要漂亮，不开心的时候更要漂亮！漂亮如果有秘诀，那就是：狠狠宠爱自己 ！...
Unitree G1仿人机器人协同搬箱：从仿真搭建到多机协同部署完整指南
Unitree G1仿人机器人协同搬箱技术方案摘要 本文提供了一套完整的Unitree G1人形机器人协同搬箱解决方案，涵盖从仿真环境搭建到多机协同部署的全流程。核心内容包括： 双仿真环境配置：同时搭建Gazebo+ROS Noetic基础仿真环境与Isaac Gym+Mujoco高性能RL训练环境，支持Sim2Sim迁移验证 训练框架搭建：详细配置unitree_rl_gym框架，提供PPO算法定制化训练流程和参数优化方案 数据集应用：整合宇树开源真机数据集(UnifoLM-WBT-Dataset)~~~
NR TA
这篇是NR TA的笔记，之前有对R17 NTN TA进行了简单总结，但是也仅仅局限在NTN部分，其他TA基本过程没有涉及，这篇是针对R16版本协议对NR TA相关内容做的总结。和PUSCH power control过程类似，NR TA也可以分为开环 和闭环调整，相关内容分散在38.300，38.211，38.213，38.321，38.133和38.331。后面就按照38.300 TA相关概念，38.211中有关TA定义，38.213 TA 相关内容，38.321 TA控制过程，38.133 Timi
来一首冬天的诗
冬日寒风凛冽 雪花纷飞舞 山岭白雪皑皑 水面冰霜凝结 枝头鸟儿鸣叫 城市灯火通明 火炉旁暖意满 茶壶里品味生活的平静 冬天里有温馨 有闲适的气氛 让我们放松心情 享受冬日的美好 (Translation: The winter wind is cold and sharp, Snowflakes dance in the air, The mountains are covered in whi...
基于Matlab模拟RANS湍流——详细分析与源代码
在模拟过程中，我们首先定义了模拟所需的参数，包括流体的动力黏度和密度，以及边界条件和网格分辨率。接下来，通过求解平均值方程和湍流涨落方程，我们模拟了湍流的演化过程。在本文中，我们将使用Matlab对RANS湍流进行模拟，并提供相应的源代码。RANS湍流模拟的基本思想是将流场的变量分解为平均值和涨落值，并通过求解平均值方程和湍流涨落方程来描述流场的演化。请注意，以上代码仅为示例，实际的RANS湍流模拟可能需要更复杂的算法和模型。接下来，我们将求解RANS方程，包括平均值方程和湍流涨落方程。
带一份美丽心情去面对生活
很多时候，我们心如明镜，懂得能够拥有一份美丽的心情，是人间至美。 很多时候，我们又蓦然发现，心情好像一种极柔弱的东西，经常会因了自然界的风花雪月或是人世间的阴晴冷暖，而剧烈的波动着，蛛丝般震颤飘荡，无所依傍。 ...
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")
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
心情不美丽，爬了一些美图，独自欣赏！
小屌丝：鱼哥，咋了， 心情不美丽？ 小鱼：嗯， 小屌丝：晚上撸串去？？ 小鱼：不 小屌丝：蹦迪？？ 小鱼：不 小屌丝：喝酒？？ 小鱼：不 小屌丝：猎艳？? 小鱼：… ！！ 于是乎~~ 一段代码上来， 某网站的美女图片被下载下来！ 直接上代码 #coding = utf-8 """ @ auth : carl_DJ @ time : 2020-7-22 """ import urllib.request import os def url_open(url): '''打开url''' req
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
关于美丽的话题
大家都说北京是一座美丽的城市。我觉得这要看个人的心情。如果一个人的心情特别好的时候，他就会就得他所的的地方是一个美丽的地方。如果心情不好，即使是他呆的地方再美丽，他也不会对这个地方产生任何的留恋。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
心情-------美丽
心情-------美丽。
淡淡时光，美丽心情
活着，是一种美丽的情怀。 清澈的眼睛，可以凝视自然，可以洞悉世界，可以默默的流泪;柔软的双手，可以握紧亲情，可以感受温暖，可以汲取一种坚强的力量;淡淡的心胸，可以经历风雨，可以容纳一切，可以以一种独有的姿态傲然世上。活着，其实是一种折磨也是一种享受，是一种冷酷也是一种感动，是一种虚幻也是一种真实。因为活着，就要美丽! 恬静，是一个人内心的积淀。 世俗的繁华和纷扰，终归会付诸流水，
锻造心情
感觉毕淑敏这篇文章很适合心情波动很大的青年人，不管你的心情怎么样，一定要学会去控制他，控制好，受益一生 锻造心情 心情好像一种很柔软的东西，经常因了解自然界的风花雪月或是人世间的阴晴冷暖，剧烈波动着，蛛丝般震颤飘荡，无所依傍，哪里用得上“锻造”这样充满金属音响的词呢？ 心情于我们是那样的重要。健康与美丽，如若没有一份好心情，犹如沙上建塔，水中捞月，一切都无从谈起。心
一首美丽的老歌
陪丫头在E*Shop买衣服，偶然又听到这首久违的老歌，只是一时间想不到它的名字，只记得一句歌词“原来爱曾给我美丽心情”，于是baidu捞了一下，就找到了这首本多RuRu的老歌，放在这里，享受那一霎那的美丽心情！美丽心情歌手:ruru 词:姚谦曲:中岛美雪多雨的冬季总算过去天空微露淡蓝的晴我在早春清新的阳光里看著当时写的日记原来爱曾给我美丽心情像一面深遂的风景那深爱过他却受伤的心丰富了人生的
电影，趁心情不美丽
无法触碰 永不放弃 我是大卫 跳出我天地 http://movie.douban.com/subject/1301169/ 绿里奇迹 闪电奇迹 http://movie.douban.com/subject/1300549/ 我是山姆 超时空接触 http://movie.douban.com/subject/1295647/ 深渊 天伦之旅 巴尼的人生 想飞的
美丽中国,美丽心情
真心欢迎朋友来交流
美丽的公司，美丽的心情
再一次回到公司，心情变得格外的好。一切都是那么的熟悉，这一年自己有着很大 的变化，公司也一样。建筑物增加了，人也多了。公司在我心里的位置变得更加重要。秀几张公司的照片。走入公司正门公司英文雕塑同心湖，我们散步的地方同心湖内被我们喂大的小金鱼同心湖与慧聚塔我们的食堂与客户中心员工寝室楼及网球场我们的室内游泳馆这个地方，对于最近两年入司的员工来说，变成了传说中的游泳馆。因为这里由于办公
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
604
扫一扫
