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
800+累计阅读
811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
3.31号毕业离开学校，回家等待去公司报道，在家看书静不下心来，然后和同学一块去南京寻找房子住下，南京房租还是很高的，月租均价都达到1000大洋了吧，房价更不用说了，在南京工作生活真是不容易，既然选择这里，就得好好准备一下接下来的生活。
第一阶段：公司培训，接受新知识，学习新技能，放空自己，转换自身角色
第二阶段：自身技能提升，学会与他人沟通，培养自己公开场合演讲相关的语言和心理素质
第三阶段：制定时间表，做好时间管理。
制定目标：嵌入式软件工程师，从底层驱动做起，然后向业务层转变；为了以后进行个人创业，还有懂得一些硬件设计技能，学会设计硬件电路，PCB制版；软件技能包括，C语言数据结构，编程习惯的养成。
MIMIC数据库基本信息分析
一、MIMIC数据库中26张表介绍 数据库中一共有26张表，记录患者入院的各种信息，每张表的介绍如下所示。 表格名 信息 admission 患者基本信息，比如性别、种族、语言、宗教、婚姻、入院和出院时间、死亡时间等 callout 提供病人准备从ICU转出或者已经从ICU转出时相关信息 caregivers 记录医护人员信息（ID、类型、附加...
自己的想法
一个人最主要的是要坚持自己的梦想，并坚持走下去，我不知道我是不是真的热爱做这行，只是知道做这行现在可以拿到高的薪水，但是学到现在，发现挺喜欢，以为你一旦进入这行，你会发现很多乐趣，这正是我想从事的有创造行的工作，每当你写一个东西，你就会很充实，很有成就感，就想前两天我完成了困扰我的两个难题 ，分页和主键生成器，夜里睡觉都会想倒我把那个完成了，很兴奋，我觉得这种感觉真的很好，我会坚持，我觉得我会在这
RK3588嵌入式开发实战：U-Boot设备树文件修改全指南（含常见踩坑点）
本文为RK3588嵌入式开发者提供了一份详尽的U-Boot设备树文件修改实战指南。文章深入解析了设备树的核心架构，从基础硬件适配到时钟、电源管理等进阶配置，并重点总结了内存节点、串口输出、电源时序等常见踩坑点与解决方案，旨在帮助开发者高效、稳健地完成U-Boot移植与定制工作。
追逐
如果生活就是这样，那么追逐的又将如何！ 如果自己剩下的就只能这样，那么曾经的思想，曾经的理想！ 如果现在的状况就是这样，那么约定的时间，能完成么！ 越发的发现现在工作与自己想要的离的偏远了点。 虽然还是有很多的学习处，但是现在太多太多用不到了，太多的不能自已。 对自己的太多不满了，依然的处世不深，依然的散懒不已。 无数次的改变，只是只言片语。 无数次的奋斗，只是...
OpenClaw 企业级自动化系统架构设计与实现
本文介绍基于 OpenClaw 构建的企业级自动化系统的完整架构设计、技术选型、实现细节和性能优化方案。
[Dify实战] Bug 自动归因与复现指南生成器-带绑定资源
摘要： 本文介绍如何利用Dify构建"Bug自动归因与复现指南生成器"，解决研发测试中的常见痛点。该系统可自动解析Bug信息，结构化输出复现步骤、可能原因、修复建议和回归测试点，显著提升问题处理效率。文章详细阐述了方案流程、Prompt设计要点、输出模板及落地清单，并提供了RCA分析模板和标准复现步骤示例。通过统一Bug描述模板和自动化分析，该系统能有效降低人力成本，加速问题闭环，适用于持续迭代的中大型项目。
ACM入门预备
emmmmm在尝试了电工的焊板子和工作室的前端之后，又一次回到了算法。 很奇妙了吧，兜兜转转又回来了。 趣味赛开赛了，准备试试水，能坚持多久呢？谁知道呢 心里还是希望能够一直走下去的，但是害怕天赋不够 谁知道呢，做到我不能再继续为止吧。 希望接下来能够幸运。
【DRAM存储器五十五】LPDDR5介绍--command bus training
本文详细介绍了LPDDR5命令总线训练(CBT)的两种模式操作流程。在启用ODT进行高频/中频操作前，必须对命令总线进行训练，包括调整VREF(CA)电压和CA/CS信号时序。两种模式的主要区别在于VREF(CA)设置方式：模式1通过MR12直接设置，模式2通过DMI[0]引脚捕获DQ[6:0]数据更新MR12。训练流程涉及频率切换、模式寄存器配置、pattern发送及结果采样等步骤，最终确定最佳VREF(CA)和时序参数。文章还分析了不同PHY实现可能存在的差异，如训练pattern生成方式和采样次数等。
三十二 我在软件园的那些日子里
"好了好了。"看来有人听的不耐烦了，"看你们可怜兮兮的，"说着话朝另人点头哈腰，"张哥，要不要私了得了？" 这时叫张哥的人似乎对此建议非常满意，两女孩对此也无非议，赶忙挣脱警员的束缚，从兜里掏出几张皱巴巴的钱来，塞到叫张哥这人的裤兜里。 "哎，说你呢？"有人用手指着牛二的头，说着，"你是要去所里公事公办，还是私了解决？" 牛二看这局面，只想赶紧摆脱这无名的麻烦，也从兜里翻出零七八
基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的体育赛事目标检测系统（Python+PySide6界面+训练代码）
本文详细介绍了一个基于YOLOv5/v6/v7/v8的体育赛事目标检测系统的设计与实现。系统采用先进的深度学习算法，结合PySide6图形界面，实现了对体育赛事中运动员、球类、裁判等多种目标的实时检测与跟踪。本文将全面阐述系统的架构设计、算法原理、训练流程、界面实现以及实际应用效果，并提供完整的代码实现。
[Dify实战] 用 Dify 打造高效的新员工 7 天成长计划-带绑定资源
本文介绍了如何利用Dify平台为新员工制定智能成长计划，解决融入难、节奏乱、成长慢等问题。方案通过输入岗位信息自动生成7天结构化计划，包含每日任务和评估要点，并支持进度跟踪与报告输出。关键点在于设计清晰的Prompt模板，合理分配学习节奏，形成闭环反馈机制。该方案能显著提升新员工培养效率，实现人才培养的数字化升级。
四十六 这谁啊谁 我在软件园的那些日子里
吃完饭，李总结了账，几人出了饭店，西安的傍晚，有时也挺迷人，红彤彤的落日，被建筑物遮挡，拖长的影子在墙上投射着，墙边的葡萄架上的蔓藤，垂掉在空中，随着晚风吹拂，在墙壁上舞动着曼妙的身姿。刚才吃的一身的热汗，随着丝丝凉风，吹的沁人心脾，牛二突然有片刻的恍惚，脑海出现儿时一群伙伴在村后的土坡下，挥舞着竹竿，追打着漫天飞舞的蝙蝠，那时的自己，坐在土坡上，望着夕阳染红了半边天，直到夕阳沉入地面，才被家人一
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")
【转】没事别想不开去创业公司，创业时常是一个人的夜路，胆小者勿入。
文/Spenser 摘自《优秀的人，都敢对自己下狠手》 最近身边朋友换工作的越来越多了，有的已经从体制内辞职，有的在传统高大上公司递交辞呈的路上。他们想出来创业，或是加入创业公司。 我不知道这到底是好事还是坏事，但这就是中国这些年的现实。旧经济在摧枯拉朽般节节败退，新经济如雨后春笋般向着太阳。颠覆太大，反转太快，按照窦文涛的口头禅－－这是要变天啊。 媒体大肆鼓吹着大众已经被点
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
【OSChina-MoPaaS应用开发大赛】报纸订购系统
2019独角兽企业重金招聘Python工程师标准>>> ...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
2020年10月30日 晴
今天上班两个面分开做了，ps 面一点上的班，ss面四点上班，我就是四点上班，从三十号的下午四点干到三十一号的凌晨三点半左右，搞的我都快分不清时间了，感觉推车和拉布都差不多，都累，推车快，拉布慢，快了就的跑，慢了就费劲，总之腿脚得疼，今天萌生辞职得念头了，又被我压下去了，夜晚回宿舍路上虽说有路灯但感觉背后凉飕飕的，一个人走，影子被路灯拉的老长老长，听着自己的脚步声，有点怕，洗澡的时候对着镜子看了自己一眼，明显感觉腿瘦了一大圈，小腿大腿肌肉都有了，回到宿舍舍友们都睡着了，我也想睡，睡了。 ...
梦随我心
Country road, take me home 伴随着风中的羽翼的歌声，“黑夜过后太阳就要升起，暴风雨过后也就会天晴，让我们一起手牵手向前，彩虹就在我们心底。人生路一定有风也有雨，让泪水灌溉生命的勇气，用希望化作风中的羽翼，让梦带走心中的犹豫。” 心中悠然的升起了一种孤凄的感觉。两个同事出去了，剩下自己一个人在互联网上漂游着，这种感觉就像2008年在上海出差的时候的感觉...
写在前面的话
前端进阶之路：工作之余记录每一个值得记录的点。。好记性不如烂笔头嘛！前端的活是一个很细的活，需要的知识非常的杂乱，每种都有需要注意的点。故此借助csdn的平台来作为工作笔记也是一个不错的选择。闲暇写的项目呢部分通过github这个平台托管。。想学习的同学呢请移步https://github.com/cryingbat 因为那会初学，，所以项目部分是看视频学的。但都是自己手敲的，不存在直接cop
程序员鼓励师
江湖中有这样一群人，他们身着格子衫，肩背黑色双肩包，里面的笔记本总是待机状态；他们面容冷峻、喜怒不容于色，时而仰头深思，时而低头呢喃；他们步履匆匆，不是在加班就是在加班的路上，甚至随时都可能掏出笔记本…… ...
2021-05-06
作为大二的一名学生，我终于在今天选择了自己的道路，那就是成为一位IT行业工作者。其实在我选这个专业的时候我就以为自己将来会成为以为程序员，当时就是抱着成为一位nb的黑客而选择的这个专业，虽然在大一的时候我们也开设了c语言这门课，本以为自己可以走上这条路了，但是当真正的学习之后才知道了这条路的难，而且当时很难有实际操作的机会，所以就把自己的这个想法搁下了，本以为自己已经没有这个机会走上这条路了。终于，在考研与成为一位IT者这两条路上，我选择了这条路。博客是老师给我们的任务，也是我以后IT路上激励我的一种方式。
走在路上
此文记录我的成长 目前职业，Java软件工程师，从10年7月份参加工作到现在3年多那么一丢丢，今天晚上看到了一本书，突然感觉自己 发现自己的兴趣 那是在初一的时候，那时候是02年，我第一次开始碰了计算机，但是农村学校的计算机课往往是被主课老师给瓜分的命，我印象里，上过的计算机课不超过10节， 这个就是我整个初中对计算机的了解，现在记得当时是95的系统，老师的机器是98的，当时也不知道上网
在路上，走更远 ，我的2016
优快云，我的2016年总结。
走在创业的路上
现在是7.22晚上21:45 此刻好像记录些什么。。。 我刚从南阳市中心的李二鲜鱼庄回来，晚上我们11个人坐在一起吃饭。 和往常吃饭不同的是这次我们人多了，多了3位，他们是老大的老爸，老大的老婆，老二的老爸（从安阳过来的） 两位老爸给人第一感觉就好像是两位很有学问的老者，老大的老爸是个老教师，言谈举止都觉得很绅士；老二的老是 个养殖专业户，戴副眼镜。不怎么说话，但是总是让人觉得很敬重的感
走在同样的路上，遇见自己的风景
今天这个时代，对于程序员来说是一个特别幸运的时代。每一个有追求的程序员都希望能获得快速的成长，但成长的道路没那么平坦和舒适，一路上充满了崎岖、障碍和迷雾。 在我成长的道路上，有过迷茫，有过困惑。现在想来我当时报小组，真的是一无所知，就想着要让自己的大学生活充实一点，更加有活力，也没想过自己适合这个方向，后来学了一段时间发现自己的专业课和小组学的完全是两个方向，这相当于课上学硬件，课下学软件...
【转】程序员10大境界【走在路上，潜心修行】
致应届毕业生 少走弯路的十条忠告 原文地址：http://blog.youkuaiyun.com/itm_hadf/article/details/7424493 1.买个闹钟，以便按时叫醒你。贪睡和不守时，都将成为你工作和事业上的绊脚石，任何时候都一样。不仅要学会准时，更要学会提前。就如你坐车去某地，沿途的风景很美，你忍不住下车看一看，后来虽然你还是赶到了某地，却不是准时到达。“闹钟”只
走在学习和生活的路上
昨天在青岛微软开发者俱乐部qddn.net上，被任命为数据库板块的斑竹，我非常高兴自己能有这样一个机会，和这个圈里的一块学习进步，虽然自己仍走在路上，但我相信，只要有一个自己的目标，加上自己的努力，然后坚持到底，成功是属于每个人的。 《Beginning c# databases》已经看到了第十章，ADO.NET的内容基本上已经介绍，但都是泛泛之谈，并没有真正的
胖东来老板新书《走在信仰的路上》读后感
作为企业家，我们需要将社会责任融入到企业的发展中，通过积极参与公益活动，支持当地社区发展，为弱势群体提供帮助，展现企业的社会责任和担当。书中还强调了员工的重要性。书中，于东来先生以其丰富的经验和深刻的洞察力，为我们揭示了在追求企业成功和人生价值的道路上，信仰和价值观的重要性。通过明确自己的信仰和价值观，关注员工的需求和成长，积极承担社会责任，我们可以在追求企业成功的同时，实现个人的人生价值。作为一名企业家，我相信只有坚持自己的信仰，秉持正确的价值观，我们才能够在企业的道路上走得更远，实现真正的成功和幸福。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
