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
500+累计阅读
526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
工作也有半年时间了。从最初的精力充沛到现在的身心疲惫，我有种说不出的难过，自己花了这么多的时间做这个本来就不怎么喜欢的系统，得到不是支持，反而是辱骂。心里有种说不出的那种感觉，想赶快逃离这个地方。感觉现在的环境越来越不是我心目中工作的地方了，但是出去后我能找到工作吗？？能找到工资是现在这样吗？？我有点怕。。。有点怕走到竞争激烈的面试中去，难道我变了吗？？
变得那么软弱了？？
想把这个系统做的差不多的时候就离开这里。。很想离开，真的很想。。。现在的工作每天都是在一个很闷的心情的环境下工作的。。
这么久的技术感觉都没有提升过。。这才是最郁闷的地方，如果技术可以提升的话，我倒是觉得无所谓，现在觉得每天都是无所事事的，每天都很忙，但是好像忙的对我以后的工作一点关系都没有。。。。
每次都说我只是想当然，，难道我真的是那种想当然的家伙，我不是为了帮你减轻工作量，所以才比较少问你吗？？得到却是这样一个结果，我为自己感到很傻，很傻。。。
ESP32+micro-ROS机器人开发实战：轻量级ROS2嵌入式集成
ROS2是现代机器人软件栈的核心框架，其基于DDS的分布式通信与QoS保障能力为多节点协同提供基础支撑；而micro-ROS作为专为微控制器优化的ROS2兼容中间件，解决了资源受限设备（如ESP32）接入ROS2生态的关键难题。其通过分层架构将DDS通信下沉至上位机Agent，使MCU仅需运行轻量Client，大幅降低内存开销（实测<180KB）并保留标准ROS2接口语义。该方案广泛应用于教育机器人、移动底盘、传感器节点等嵌入式场景，尤其适合基于ESP-IDF开发的Wi-Fi/BLE物联网机器人系统。本文以
如何才能不纠结
如何才能不纠结 我就是一个多愁善感，没事找事的人。情绪波动太大，这不是更年期的表现，而是近来发生了太多的事情了，仿佛一下子，将我从一个无忧无虑的小女孩拉到了真实的生活中去了。因为在乎的多了，所以才会多想，担心，恐惧……一系列不好的情绪喷涌而来。以前总想一个人吃饱，全家都好了。事实上，不是这样，你需要朋友，你需要爱情，当然，你更需要亲情。有所需要就得付出，付出是痛苦的，尤其是对于一个自私的人来
初识Renode
1. 简介 Renode是Antmicro公司发布的一个开发框架，使得开发人员通过模拟物理硬件系统（包括CPU、外围设备、传感器、环境以及节点之间的有线或无线介质），加速物联网和嵌入式系统的开发。它可在PC上通过软件对嵌入式设备进行模拟，可模拟Cortex-M、Cortex-A、RISC-V和其他CPU，并可模拟外设以及各种通信总线和接口。其指令模拟器使用C语言开发，外设模拟器使用C#语言开发，测试及输出层面的内容则用python编写。 Renode官网：Renodehttps://renode.io/
纠结症是病
每次想打开记事本写点什么的时候，脑袋里立马就空白啦。不管自己是拥有选择还是没有选择的机会，纠结出现了就是合理了。很不情愿给自己贴上标签：选择困难户、纠结困难户……这些标签词我都不肯定存不存。反正在我这里行得通，不纠结别人认不认同。 ‘别人’？什么是‘别人’？他们对于我的观念的认同对于我重要吗？还是不重要？我在纠结一个十分‘简单’、不值得花时间去纠结的问题。这是长期在生活中经常重复遇到但是没有哪...
Unity简单操作：PostProcessing的使用
Postprocessing是一个unity2018版本的集成后期插件，有了这个插件，之后用unity开发时，后期调整颜色、光晕等会很方便。 目录 新建一个postprocessing profile（配置文件）。 参数说明： 新建一个postprocessing profile（配置文件）。 在主相机下加一个组件PostProcess Layer。 注意：需要将相机的Layer层设置与Post Process Layer 下的Volume blending(体积混合)...
matlab实现MSK调制解调
文章目录一、要求二、设计三、代码四、结果五、结论 一、要求 画出MSK信号产生的信息、I路、Q路信号对比图以及接收端解调的信息恢复的对比图。 二、设计 1.MSK调制 2.MSK解调 三、代码 clear all;clc; N=20; T=1; fc=10; Fs=100; bitstream=randi([0,1],1,N); bitstream1=2*bitstream-1; b0=1; for i=1:N encode_output(i)=b0*bitstream
纠结啊
<br />今天看见师兄们找工作了，感觉好纠结哦
博途WinCC上位机避坑指南：从工控机选型到趋势图优化的完整流程
本文详细解析了博途WinCC上位机开发全流程，从工控机选型到趋势图优化的关键技巧。针对工业自动化场景，提供硬件配置指南、网络优化方案和性能提升策略，帮助工程师避开常见陷阱，实现稳定高效的HMI系统部署。特别强调PC Station与传统触摸屏的选型对比及SIMATIC NET配置优化。
纠结的开始
开始纠结 - 继续纠结
FFT去除频率分量的完整流程与数学分析
重叠与窗口：确保块间无缝过渡，避免幅度跳变；实时缓冲：处理速度需快于数据输入速度，避免断流；DAC的平滑角色：通过数模转换和滤波，将离散样点还原为连续波形。通过这种分段处理+重叠拼接的方法，即使FFT本身处理的是离散数据块，最终DAC输出仍能保持信号的时间连续性。以下是完整的数学分析过程和代码逻辑，演示如何通过FFT去除特定频率成分，并通过去窗技术恢复信号。信号加窗。
一文详解Stata重复测量方差分析的概念、原理、适用情形以及操作命令实现、对结果的解读、操作注意事项 附零基础小白友好入门Stata统计学/计量经济学学习路径
重复测量方差分析（Repeated Measures ANOVA）适用于同一受试者在不同时间点或条件下的多次测量数据，如疗效跟踪和跨条件对比研究。其核心特征包括：数据结构为每个受试者多个观测值，数据具有相关性（违反独立性假设），变异分解为个体间和个体内变异。关键假设包括正态性、方差齐性和球形性（通过Mauchly检验验证）。适用场景包括纵向研究和小样本追踪，但不适用于存在滞留效应或学习效应显著的数据。操作步骤涉及数据准备（宽/长格式转换）、正态性与球形性检验、主分析命令（单/多因素）及事后检验。
程序员的纠结
只要你是程序员，都会有纠结，不管是写代码还是写文档还是设计还是高需求，总之都会有纠结，当然其他各行各业的人，甚至所有的人都会纠结的。 那么纠结是什么意思呢，按照百度是解释，纠结是指使陷入困惑或混乱状态，我也说不太清楚，总之就是是人很郁闷很困惑很复杂之类的情绪吧。 那么程序员到底纠结在哪呢，一下子也说不清楚的，比如写代码吗：当碰到一个变量的命名的时候，英文...
HSmartWindowControl vs HWindowControl：Halcon老鸟教你如何根据项目需求选对控件（附性能对比）
本文深度对比Halcon图像处理中的HSmartWindowControl与HWindowControl控件，从性能、内存占用和交互体验等维度提供选型建议。HSmartWindowControl在硬件加速渲染、智能内存管理方面表现优异，特别适合医疗影像和工业检测等高性能需求场景，而HWindowControl则更适合兼容旧系统和资源受限环境。
职场里“不纠结”的人，为什么总比你走得快？
他们的核心优势，不是“选对所有事”，而是“不被纠结困住，快速推进行动”。领导的反馈是“修正方向”，同事的不同意见是“补充角度”——纠结“别人怎么看”，不如抓“能学到什么”，反而能少走弯路。如果你想“3个月内提升数据分析能力”，那选“需要用新工具的任务”，哪怕难一点，也是练手；纠结的人把“怕错”当“保护色”，却忘了：职场里“试错的收获”，远大于“不做的安全”。如果你想“这个月少加班，保证效率”，那选“自己熟悉的常规任务”，先把基础工作做好。目标清晰了，选项自然会“浮出水面”，不用再在两个选项里“反复横跳”。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
思想感悟的又一层纠结 悟道而又反思 分析之后反分析
《管理者的思想困境与突围之道》摘要：中高层管理者常陷入专业理念与组织现实的深层冲突，表现为价值认同错位、忠诚责任矛盾及个人理想与集体停滞的拉扯。这种"清醒者的孤独"源于将组织问题过度内化为自我质疑，以及身份认知模糊带来的心理负担。解困需三步：首先接纳"理性担当"的自我价值；其次明确职责边界，以成果替代说教；最后在蛰伏期精进管理能力，伺机突破。思想的纠结恰恰是管理成熟的必经之路，最终将淬炼出冷静柔韧又不失信念的领导力特质。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
纠结的动态规划
这个下午我在实验室看计算机的动态规划算法，纠结的让人烦，可是还是要坚持
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")
纠结
<br />换工作还是不换，这真是个纠结的问题。<br />
纠结的人生，纠结的工作
纠结的人生，纠结的工作，照这样下去怎么办哦。。。。。
纠结归纠结
来公司半年了，工资一直很低。进公司时是承诺三个月涨一次工资，前几次幅度会比较大。我本想如果工资能较快的涨到正常水平，那也不妨多待一段时间，毕竟我没工作经验，工作也不是很好找。可上个月工资发下来，只涨了300。感觉很失望。这两天情绪有些低落，今天请了个假没去上班。之前也一度有过辞职的念头，想先找到工作，再辞职。不过因为人比较懒，又不愿意“海投”一气，所以只发出去寥寥数份简历，接到两个电话，又因为不是
做为一个很纠结的人
一件需要五步完成的事，有三步需要并行完成，其中有两步可以合并成一步。不能确定怎么设计了，好纠结呀！
还在纠结报表工具的选型么？来看看这个
还是那句话，如果有个功能无穷好，价格无穷低的产品，那选型当然就不用纠结了润乾报表就是接近这个理想的存在，它的功能接近无穷好，因为它一直是行业的功能标杆，它的价格也接近无穷低，因为它一年3W就可以不限数量、节点的去使用最高版本，平摊下来单套的成本可能都不过百功能全面、低价透明的润乾，已经逐渐让大家都形成了一种共识选报表，就按着润乾报表的功能和价格去选就行了，报表工具的选型，再也没什么好纠结的了。...
最近正在纠结的事
我最近在道格拉斯压缩数据法，纠结到了！总觉得我已经可以彻底掰掉了
如何成为一个“不纠结”的人？
在开发的世界里，每一个代码提交都可能伴随着无数次的权衡与抉择：这个功能是否真的必要？这样的架构能否支撑未来的需求？面对复杂的技术栈和不断变化的业务需求，开发者们常常陷入“纠结”的泥沼——担心选择不够完美，害怕决策带来不可逆的后果。然而，过分的纠结，往往让开发者始终处于一个思考的阶段，而无法真的开始上手去做这件事，那么最终的结果就是可能过了几天，这个功能仍然没有任何进度，这是很可怕的。
当工作很纠结时，要么忍，要么狠，要么滚
当工作很纠结时，要么忍，要么狠，要么滚 给有点犹豫的自己，狠一点！
一群SAP顾问在纠结什么？！
聊聊一群SAP顾问纠结学习英语这件事！
不要纠结于过去发生的事
在这个社会中，有些人很早就经历了一些不好的事，遇到不好的人；让他留了一些阴影。这时，应该学会不要纠结于过去发生的事情了！一件事情已经发生了，不管再怎么后悔也不能改变结局； 对这件事一直有懊悔之心，只会平白无故增添自己的烦恼，人要往前看，需要思考未来的路该怎么走，避免让自己再犯下和之前一样的错误，明天的到来又是一个崭新的日子，不要纠结于过去，而错过明天。 人的一生并不长，要是总沉浸在过去的事情中，就不能发现沿途路上的美景，或许沿途的路上藏着机遇，但是由于自己的伤心，而错过了这段机遇，人应当把悲伤化为动力，把时
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
400
扫一扫
