我的2013

Fortran环境配置 - VS 2013+IVF 2013 SPI 安装VS2013 1.解压iso文件 2.打开vs_ultimate.exe,一路next安装。(因为IVF必须装在C盘,而VS必须与IVF同一个盘,所以…默认路径) 3.启动后,在帮助-注册软件中输入密钥【BWG7X-J98B3-W34RT-33B3R-JVYW9】,即可~ 4.vs环境变量。 一些资源 VS 2013 提取码:4k5w IVF 2013 SPI提取码:7m4y IVF license提取码:cjd6 安装IVF2013 SPI 1.解... 阅读详情

2013年转眼就要走完了,这是我第一次真正地感觉到时间流逝如此之快。回想这一年,似乎又是碌碌无为,什么也没做。不管怎么样,还是写一篇文章,纪念一下吧。

这一年生活上过得像个机器人:周一至周五上班,周六上午去超市买东西,下午看书或者运动,周日上午打扫卫生,下午休息。每一周几乎都是这样的日子,千篇一律。

工作上表现中规中矩,所有的项目都按时完成了,也没出什么问题,就不细说了。

英语学习也断断续续地坚持下来了,虽然自己并没有觉得有什么质的飞跃,还是会继续坚持下去的。因为英语水平已经到谷底了,坚持下去肯定只会一天比一天好吧。

技术方面上半年主要学习Lua,也就刚入门。下半年开始学习Golang,目前能写简单的程序了,但是要达到自己C语言的水平,还需多下功夫。另外最近一个月也开始看Dtrace,目前已经利用Dtrace解决了两个工作中的问题了,这也给了自己一点小小的成就感和坚持下去的信心。

展望2014年,还是希望自己能够在技术方面能更上一层楼吧,同时自己也已经30岁了,古人云:“三十而立”,自己也在考虑新的职业发展方向。好了,就写到这里吧。

SharePoint 2013 安装和配置 Project Server 2013 如何在SharePoint Server 2013 服务器场中安装 Project Server 2013 并创建 Project Server Service 应用程序。 第一步:安装  Project Server 2013 安装会吧  就不多啰嗦了。  第二部 :运行 SharePoint 产品和技术配置向导 依次单击“开始”、“所有程序”、“Microso 阅读详情

相关推荐

matlab2013b调用cpp文件,mex,VS2013配置问题

我用的版本分别是matlab2013b, VS2013 运行matlab函数的时候需要调用cpp文件,配置mex没有VS2013的选项,所以一直没有配置成功,在网上找了好久,终于找到了,在此记录一下。准备工作: 1、需要下载一个文件,上传到百度云盘了,链接如下: http://yun.baidu.com/share/link?shareid=104431454&uk=35118636382、下

rourou_maidou的专栏 2271

城市里的手艺人

前几天,带朋友去剪发,他总是不满意发廊给他的外形,哪怕是一掷千金,请了店里最贵的发型师。在小区里东走西转,进了这位凡师傅家,朋友显得意外,甚至有些不可思议,在城市热闹的公寓楼里,凡师傅半隐居在此,养了一只猫为伴,客厅就是他的工作室。虽然是民居,工具倒是很齐全,就是有些凌乱:一面落地镜前,摆着转椅,旁边有烫发的机器设备,各种药水、彩色发卷七七八八散落。剪发是一种互动的手艺,他用触觉感受你的发量,用眼

u014584625的专栏 566

Python实战:从中国气象局天擎平台自动化获取与处理雷达基数据

本文详细介绍了如何利用Python脚本实现从中国气象局天擎平台自动化获取与处理雷达基数据。通过环境搭建、安全认证、核心代码编写及工程化优化,构建了一个包含自动查询、批量下载、错误重试和格式转换的完整数据管道,旨在帮助气象水文领域的研究者与数据分析师从繁琐的手动操作中解放出来,高效管理海量数据。

ipfs8storage的博客 923

学着做个手艺人【原创】

前段时间看《罗辑思维》,有一期,罗胖子分析现代社会干哪行更有前途,结论是-----手艺人。 先简单说下原因,现代社会,发展忒快,你不是在跟人比赛,而是跟机器、跟整个社会的先进科技发明在赛跑。举个例子,以前的打字员或电报员工作,随着科技的而被历史抛弃。而手艺人不一样,首先手艺人的定义,应该是具有特定的手艺,能独立工作,对其他人或技术的依赖极小甚至没有,可以像usb一样随时插拔。比如木匠...

weixin_30522183的博客 157

【亲测】ubuntu20.4 安装CUDA11.8

一步一步搭建C++ CUDA CUDNN TENSORRT OPENCV DNN ONNXRUNTIME推理环境

weixin_40950590的博客 3894

在Jetson orin NX上安装部署Yolov8

1、环境准备与依赖安装2、安装PyTorch和Torchvision:从NVIDIA官方论坛或开发者下载中心获取与你的JetPack版本兼容的PyTorch wheel文件。例如,对于JetPack 5.1.2,可以安装PyTorch v2.1.0 8。:需要编译安装与PyTorch版本匹配的Torchvision。这里自己编译没有成功,下载了一个现成的可以用torchvision-0.16.2+c6f3977-cp38-cp38-linux_aarch64.whl。

xxxcccvvvbbb的博客 776

优秀不够,必须卓越,做一个不可替代的手艺人

每次读《水浒传》时,都会觉得挺有意思的,那些当年风云江湖的宋江、李逵,最后都没有好的下场。而最后有善终的、被重用的竟然是吹笛子的萧让、刻字的金大坚、兽医皇甫端、神医安道全等这些专才。杜甫留给世界的,也不是他的官职,而是他写的诗篇。因此,对于我们这一代的人,在这个世界上活下来的利器,其实是一技之长。         如果你在体制内工作,决定你命运的是领导的一句,那么用一技之长活在世界上的人,评

程序人生 1177

手机直连低轨卫星通信:架构、关键技术和未来展望

【摘 要】借助低轨卫星星座全时全域覆盖优势,手机直连卫星通信预期成为6G重要特征之一。首先介绍了手机直连卫星的测试验证、标准化与商业项目发展现状。其次,介绍了基于透明转发、部分可再生处理、完全可再生处理、集成接入和回传的四种手机直连低轨卫星网络架构及组网方式。通过分析手机直连低轨卫星网络场景下高移动性与大传输时延等带来的接入与传输问题,提出对地面移动通信体制进行适应性改进的关键技术方案。最后,探讨了未来手机直连低轨卫星发展发向和潜在思路。通过上述阐述与分析,提供未来发展手机直连低轨卫星通信的可行路径。【关

fzq0625的博客 1707

三个手艺人

    一座大城被敌军包围了,城中的居民们聚在一起,商议对抗敌人的办法. 一个砌匠挺身而出,主张用砖块作为抵御武器;一个木匠认为用木头来抗敌是最佳的方法;一个皮匠站起来说:“先生们,我不同意你们的意见. 我认为作为抵御武器,没有一样东西能比皮更好.”

天行健 ● 君子以自强不息 757

(01)ORB-SLAM2源码无死角解析-(38) EPnP 算法原理详解→理论基础二:分情况求得beta初始解

讲解关于slam一系列文章汇总链接:史上最全slam从零开始,针对于本栏目讲解的(01)ORB-SLAM2源码无死角解析链接如下(本文内容来自计算机视觉life ORB-SLAM2 课程课件): (01)ORB-SLAM2源码无死角解析-(00)目录_最新无死角讲解:https://blog.youkuaiyun.com/weixin_43013761/article/details/123092196 文末正下方中心提供了本人联系方式,点击本人照片即可显示WX→官方认证{\color{blue}{文末正下方中心}

江南才尽江南山,年少无知年少狂! 1024

【C++】【STL算法】数据窄化及代码安全性

本文系统探讨了C++工程中数据窄化(narrowing conversion)的隐患与解决方案。数据窄化指将高精度/大范围类型转换为低精度/小范围类型,虽语法合法但会导致静默精度损失。其危险性体现在:错误隐蔽、STL会放大问题、数值错误具有传播性。现代C++要求窄化必须显式声明,文中提出四种工程解决方案:显式转换、边界统一转换、范围检查转换和使用GSL工具。建议在系统边界集中处理窄化,保持计算链路类型一致性,并通过分层策略(建模用double,控制用float)确保数值稳定性。核心思想是让窄化成为清晰可控的

Double Galaxy 80

Python enumerate索引迭代

索引迭代Python中,迭代永远是取出元素本身,而非元素的索引。对于有序集合,元素确实是有索引的。有的时候,我们确实想在 for 循环中拿到索引,怎么办?方法是使用 enumerate() 函数:>>> L = ['Adam', 'Lisa', 'Bart', 'Paul']>>> for index, name in enumerate(L):... ...

weixin_34072458的博客 162

【Burp入门第三十七篇】AutoRepeater插件安装使用教程+越权实战案例

AutoRepeater 通过接收满足特定条件的请求,按照预设的基础替换规则对请求进行处理。在接收到匹配请求后,它首先应用基础替换,然后针对每个定义的替换创建请求副本并应用该替换操作,从而实现对不同参数的修改和请求的重复发送,以此来全面检测 Web 应用的授权情况。1、自动化请求重复:能自动复制、修改并重发 HTTP 请求,避免了手动重复操作的繁琐,大大提高了 Web 应用授权测试的效率。2、灵活参数替换:可灵活改变邮箱地址、账号身份、角色、URL 和 CSRF 令牌等关键参数。

等风来 2035

Abaqus6.14+VS2013+IVF2013安装教程

Abaqus6.14+VS2013+IVF2013安装教程1 安装顺序1.        Abaqus6.142.        VS20133.        IVF2013Abaqus和VS先装谁都行,但是VS要在IVF之前装2 安装ABAQUS6.14网上有很多方法,直接百度即可,我一直是用的破解文件里自带的安装方法,和网上的方法在顺序上有一些不同,不过也能成功安装。方法如下。1. Inst...

qintianhaohao的博客 5万+

YOLOv12改进前必看 - YAML模型配置文件详细解读(再也不用担心通道数不匹配) 附网络结构图

YOLOv12的模型配置文件在中,里面包含yolov12的以及的不同大小的模型,本文将详细介绍一下YOLOv12模型文件中各参数的含义。

Limiiiing的博客 3276

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

用VS2013编译FFMPEG232

网上有现成的SDK,但

finewind的专栏 1万+

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

Project2013新工作流编辑功能(基于Office2013中的SharePoint Designer2013)

项目的全生命周期管理往往跨越了很多个阶段,为保证各个阶段之间信息流的畅通,需要通过一个工作流将各个阶段串起来,比如新产品的研发:项目在立项和启动过程中,需要处理很多工作节点,此时可以录入项目的各种信息供审批,当所有节点都审批完成后,项目才算是正式进入计划和执行阶段。   众所周知,SharePoint Designer是一个不错的流程开发设计工具,但在Project Server 2010中,

accado的博客 8466

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。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

vs2013 - 打包

为了避免UCRT安装的问题,将手头的VS2019工程降为了VS2013.现在到了打包的环节。查了一下,如何方便的打包VS2013的程序输出。

博客标题不能为空 1325

VS2013密钥

Visual Studio Ultimate 2013 KEY(密钥):BWG7X-J98B3-W34RT-33B3R-JVYW9 Visual Studio Premium 2013 KEY(密钥):FBJVC-3CMTX-D8DVP-RTQCT-92494 Visual Studio Professional 2013 KEY(密钥):XDM3T-W3T3V-MGJWK-8BFVD-G...

远方 3万+

如何搭建Office Web Apps Server2013,并在SharePoint2013中集成使用

Office Web Apps 2013提供了Word、PowerPoint、Excel和OneNote这类Office文件在Web上查看和编辑的功能,并且可以和SharePoint2013,Lync Server2013,Exchange Server2013集成使用。本文主要介绍Office Web App Server2013的搭建和如何集成SharePoint2013。

WarmSunshine7的博客 3845

office2013 VOl下载地址

均为微软VLSC原版。 1.Office  2013专业增强版32位:SW_DVD5_Office_Professional_Plus_2013_W32_ChnSimp_MLF_X18-55126.ISO 下载:http://pan.baidu.com/share/link?shareid=142950&uk=974566678 SHA1:1b15b7e8753d51ecca66e23f

4568

Matlab添加VS2013编译器

说明:本文内容可用于往matlab中添加VS2013编译器 环境:Matlab R2013b + VS2013旗舰版 问题描述: VS2013较Matlab后安装,在Matlab的命令窗口输入mex -setup无VS2013的编译器   步骤: 1、从https://download.youkuaiyun.com/download/qq_26623315/10801185下载文件,文件包括win...

yuchen的博客 4901

VegaPrime 2013 VP2013

Vega Prime 2013 VegaPrime 2013 VP2013

leixiang831257的专栏 563

matlab2013设置vs2013编译器

由于要装libsvm这个库,要用到matlab的交叉编译功能,自带的编译器只能编译c文件,可是libsvm中用到了大量的c++这就必须要用到c++编译器,一开始借助一个叫gnumex的工具加载了mingw,用gcc编译器,可是好像c++还分什么标准,于是出了错误,看来只能用vc++的编译器了。我是千辛万苦,找了好久,用了好长时间,有些blog里面说直接选编译器的时候把vs2013的安装文件夹输进去

大道之行,始于心 5806

vs2013 码云_2013年云计算会议

vs2013 码云This post lists important conferences related to Cloud Computing in year 2013. 这篇文章列出了2013年与云计算相关的重要会议。 SOSP 2013 (SOSP 2013) SOSP’13: The 24th ACM Symposium on Operating Systems Principl...

cuma2369的博客 368

在vs2013上的编译tesseract-ocr

在vs2013上的编译tesseract-ocr, 提供经验证可行的方法. 提供完整的源码和可编译vs2013项目.

恒 6431
上一篇: 使用Dtrace检查recv()的返回值
下一篇: libumem使用和源码分析系列文章(一)
一个手艺人
博客等级 码龄16年 20粉丝 67原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值