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
1.6k累计阅读
1.6k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
一个同事跟我说他很反感某些对UML的宣传,他并不很反对“UML可以做很多事情”,但很反感“没有UML,什么都不能做”.
我明白他的意思,我也对网络上或一些媒体,销售资料上的IT写手,IT经纪人的说辞不敢恭维.
但这是不可避免的,其实说辞本身都算小事一桩了，反感完了也就完了.最无聊的是还真有人会被这些说辞打动.
比如webservice
比如软工救世主
比如网格计算
比如FP
....
概念和术语铺天盖地,所有的都是"新一代""未来趋势""统治XX领域",极具席卷一切的革命性和颠覆性....
比较夸张,比较浮躁.
还是继续保守的当我的原始熊类吧
VizCut 全自动批量视频二次去重处理！支持视频无水印解析下载和批量剪辑，完全免费，使用简单！
可制作和分享剪辑模板，已提供20+种剪辑方案，内置众多扫光蒙版素材。支持二次去重批量处理，完全免费，无广告，且支持视频无水印解析下载，非常强大。如果说我们处理的视频需要进行一样的参数设置的话，就可以把我，1设置的参数设置为模板，后面就可以一键调用。1. 本地CPU处理，可设置线程数，可开启GPU加速，无任何限制，全看机器性能。适用场景：自媒体搬运、短视频二创、批量去重等，完全免费，无广告干扰！3. 20+种参数可调可选，内置很多相关素材。可保存为模板，可复用、可分享、可导入。2. 所有参数的设置，
小议学习java的浮躁心态-分析篇
知识是需要沉淀的；思想也是在不断的学习、磨练中走向成熟的；而技术也是在不断的创造中开拓的。在《引出篇》中，我简单的举了一个身边的例子，以及夸张的描述了一个浮躁学习的状态。这些只简单的点出了浮躁心态的表象，那么现在让我们来分析一些根源。在《引出篇》的议论中，有朋友提到“软件业的浮躁”一词，也建议在“分析篇”中从这方面分析一下。有关“软件业”之类的议论，在各大论坛或网站上比比皆是，有抱有积极心态的，有
用Origin快速拟合荧光寿命、PL Decay (TRPL)数据分析处理
用Origin快速拟合荧光寿命、PL Decay (TRPL)数据分析处理
小议学习Java的浮躁心态（2）——分析篇
小议学习Java的浮躁心态（2） ——分析篇 知识是需要沉淀的；思想也是在不断的学习、磨练中走向成熟的；而技术也是在不断的创造中开拓的。 在《引出篇》中，我简单的举了一个身边的例子，以及夸张的描述了一个浮躁学习的状态。这些只简单的点出了浮躁心态
liquibase扩展支持达梦数据库
近期项目中需要支持国产数据库，需要liquibase底层支持达梦数据库，记录下操作的详细步骤以便分享。 1.liquibase支持的数据库很多如MySQL, PostgreSQL, Oracle, Sql Server, DB2。但是达梦数据库并不支持，所以需要新建DMDatabase类来适配达梦数据库。达梦语法和Oracle很像所以只需要复制liquibase-core下的Oracle Database做些修改就可了。以下为需要修改的地方 public class DMDatabase extends A
《湖科大教书匠计算机网络》学习笔记总目录+思维导图
本篇文章是对《湖科大教书匠计算机网络》所有知识点的笔记总结归档和计算机网络的思维导图
到底是谁浮躁？
2005-8-25，我写完了《OO丧钟》系列的最后一篇。在很长的一段时间内，大家也都不来睬我了。直到最近，四个多月过去了，突然关注的人又多起来了。 先是徐昊的一组《丧钟为谁鸣？》大大的点中了我的薄弱之处，还有ajoo的重量级马后炮。我也心悦诚服的表示了惭愧。 然后事情就有点奇怪了。抄几段话给大家看看： cm4ever: 看了半天，觉得没什么新意，而且标题哗众取宠。...
2024年物联网嵌入式最新嵌入式期末大作业——家用智能晾衣杆，初面蚂蚁金服
在家用智能晾衣杆中，用户可以根据自身的需要，切换手动和自动两个模式。天气对应的接口对应心知天气的天气图，可以下载后：调整尺寸->调整透明度->用画图工具保存为单色位图->提取出点阵信息（如我用的zimoV2.2软件），将点阵信息，存到数组里，根据weather的信息，调用display.drawBitmap()方法就能打印出对应的天气了。该库依赖于,将他们导入后,设置屏幕的主从关系，片选信号和数据，时钟信号等引脚后，就设置好屏幕的驱动。
小议学习java的浮躁心态-引出篇
“切忌浮躁”——我想这是在任何学习方法中，都会特意提出来的。在国内的几个论坛也混了几年，甚至眼看着曾经轰轰烈烈的javaunion从成长到消失。在javaunion ,chinajavaworld,dev2dev,javaresearch,cn-java等论坛上，也相遇或结识了很多java爱好者，有经验丰富者，也有初出茅庐者。其实，国内技术论坛，是个很奇怪很有意思的地方。从这里成长了一批批的开发者
2025.05.28【读书笔记】|如何用SILVA和RFAM数据库高效去除rRNA污染
摘要： 在Ribo-seq等测序数据分析中，清除rRNA污染对结果准确性至关重要。仅使用SILVA数据库可能遗漏5S rRNA污染，建议结合RFAM数据库（特别是RF00001家族）全面清除。操作要点包括：下载两库序列、将RNA碱基U替换为DNA的T、合并序列建立索引，使用bowtie2过滤rRNA reads。注意U/T转换是关键，否则会导致比对失败。该方法能有效提升数据清洁度，为后续分析奠定基础。
《嵌入式最全面试题-Offer直通车》目录
嵌入式领域蓬勃发展，嵌入式工程师成为众多科技企业争抢的热门人才。如果你渴望在嵌入式面试中脱颖而出，成功斩获心仪的 offer，那么《嵌入式最全面试题 - Offer直通车》将是你的绝佳选择。本专栏是优快云是热门专栏，100多篇文章，总字数过百万。每月新增订阅用户过百，现在是优惠价9.9元，后面要逐渐恢复原价，早订阅早受益。本专栏精心整理了众多超万字的精华内容，总计达数十万字的嵌入式面试题总结。涵盖从嵌入式基础知识到各大厂面试真题，从驱动开发到操作系统，从硬件到软件等各个方面。
小议学习Java的浮躁心态
知识是需要沉淀的；思想也是在不断的学习、磨练中走向成熟的；而技术也是在不断的创造中开拓的。 在《引出篇》中，我简单的举了一个身边的例子，以及夸张的描述了一个浮躁学习的状态。这些只简单的点出了浮躁心态的表象，那么现在让我们来分析一些根源。 在 《引出篇》的议论中，有朋友提到“软件业的浮躁”一词，也建议在“分析篇”中从这方面分析一下。有关“软件业”之类的议...
TGRS 2026 即插即用 | 注意力篇 | SCFM：双向交叉显著性引导注意力，高层语义与低层细节的双向互补！
本文介绍了MPCNet中的语义引导交叉注意力融合模块(SCFM)，该模块通过双向交叉显著性引导机制实现跨尺度特征融合。SCFM创新性地结合了高层语义和低层细节的互补信息，通过轻量局部空间注意力预增强和坐标注意力全局融合引导，显著提升了红外小目标检测的精度。实验表明，SCFM在多个数据集上达到SOTA性能，同时保持轻量高效的计算特性，支持端侧设备部署。 SCFM的核心贡献包括： 双向交叉显著性引导机制，实现语义与细节的互补融合 轻量局部空间注意力预增强模块，计算量仅为传统方法的1/10 坐标注意力全局融合引导
小议学习java的浮躁心态（1）——引出篇
小议学习java的浮躁心态（1） ——引出篇 “切忌浮躁”——我想这是在任何学习方法中，都会特意提出来的。 在国内的几个论坛也混了几年，甚至眼看着曾经轰轰烈烈的javaunion从成长到消失。在javaunion ,chinajavaworld,dev2de
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
关于在Java学习中遇到的浮躁
知识是需要沉淀的；思想也是在不断的学习、磨练中走向成熟的；而技术也是在不断的创造中开拓的。但是在这种不断的学习中，有的人慢慢浮躁了起来。。。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
小议学习java的浮躁心态
小议学习 java的浮躁心态（1） ——引出篇 “切忌浮躁”——我想这是在任何学习方法中，都会特意提出来的。 在国内的几个论坛也混了几年，甚至眼看着曾经轰轰烈烈的javaunion从成长到消失。在javaunion ,chinajavaworld,dev2dev,javares
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")
浮躁——你不应是Java程序员的风格
浮躁——你不应是Java程序员的风格“切忌浮躁”——我想这是在任何学习方法中，都会特意提出来的。 在国内的几个论坛也混了几年，甚至眼看着曾经轰轰烈烈的javaunion从成长到消失。在javaunion,chinajavaworld,dev2dev,javaresearch,cn-java等论坛上，也相遇或结识了很多java爱好者，有经验丰富者，也有初出茅庐者。 其实
学习Java的浮躁心态
“切忌浮躁”——我想这是在任何学习方法中，都会特意提出来的。 在国内的几个论坛也混了几年，甚至眼看着曾经轰轰烈烈的javaunion从成长到消失。在javaunion,chinajavaworld,dev2dev,javaresearch,cn-java等论坛上，也相遇或结识了很多java爱好者，有经验丰富者，也有初出茅庐者。 其实，国内技术论坛，是个很奇怪很有意思的地方。从这里成长了一批
小议学习Java的浮躁心态（2）
知识是需要沉淀的；思想也是在不断的学习、磨练中走向成熟的；而技术也是在不断的创造中开拓的。 在《引出篇》中，我简单的举了一个身边的例子，以及夸张的描述了一个浮躁学习的状态。这些只简单的点出了浮躁心态的表象，那么现在让我们来分析一些根源。 在《引出篇》的议论中，有朋友提到“软件业的浮躁”一词，也建议在“分析篇”中从这方面分析一下。有关“软件业”之类的议论，...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5321
扫一扫
