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
600+累计阅读
646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
个人整理的数据集（手写中文数据、发票数据、快递单数据、车牌数据）
本人在工作生活中收集了各个方面比较多的真实的数据集如下: 一、手写中文数据集 1、档案类数据： 此数据集为手写档案数据，数量较大，大约128G，图像均未标注。 ex: 2、手写作文数据： 此数据集为手写作文数据，是大约800M左右，图像按行提供位置和内容标注，十分珍贵。 ex: 二、发票数据集： 1、增值税发票 此数据集包含了大量真实的增值税发票数据，大约9G，标注了发票位置数据，未提供详细标注。 ex: 2、购车发票 此数据集未提供标注。
Python实现《都挺好》社交网络分析
目录制作主要人物字典计算人物相互出现的频数画人物关系网络图社区发现重要人物人物相关系数 制作主要人物字典 需要把《都挺好》小说txt版下载下来，刚开始我是通过jieba分词把所有nr(人名)的词语保存下来，作为人物集合，但是①某个人物多个称呼 ②nr类型会出现许多不合适的词 words=pseg.cut(single) for w in words: if(...
(MIUI)小米手机录音文件深度寻踪：从系统缓存到数据目录的实战解析
本文深入解析了MIUI系统中录音文件丢失的常见原因及解决方案，包括系统升级兼容性问题、应用缓存机制异常和存储权限变动。通过实战操作指南，详细介绍了如何从系统目录、数据库层面恢复录音文件，并提供了预防措施和自动化备份方案，帮助小米手机用户有效找回重要录音数据。
用Python分析《都挺好》中的人物关系
如今大火的电视剧《都挺好》源于阿耐的同名小说，今天我们来对这部小说使用python分析一下人物关系。本文主要使用google推出的word2vec进行分析。使用的库主要有jieba、gensim。 一、文本准备 从网上下载《都挺好》小说txt。打开查看如下所示： 可以看出，文本中有分段以及大量的换行符，所以在读取文本时需要先去除这些符号。读取文本函数如下： 二、文本分词 在使用w...
《深入浅出图神经网络：GNN原理解析》学习笔记
期末考完了，该上道了 目录一、图的概述1.基本概念2.图的存储和遍历3.应用分类二、神经网络基础1.机器学习2.神经网络三、卷积神经网络（CNN）1.卷积与池化2.卷积神经网络四、表示学习1.意义2.自编码器五、图信号处理与图卷积神经网络1.矩阵计算前置知识2.图信号与图的拉普拉斯矩阵3.图傅里叶变换4.图滤波器（Graph Filter）5.图卷积神经网络（GCN） 一、图的概述 1.基本概念 1.顶点（Vertex）表示研究的对象，边（Edge）表示两个对象之间特定的研究关系 2.图为顶点和边的集合.
碳酸钙岩石酸蚀酸溶COMSOL建模：非均质对酸蚀通道的影响
多孔介质中的流动与化学反应耦合是石油工程和地下资源开发中的核心问题，酸液与岩石矿物的溶蚀过程直接关系到酸化增产效果。在碳酸盐岩储层中，盐酸与方解石的反应速率极快，酸液会优先沿高渗透区域推进，形成指状酸蚀通道，即wormhole。传统均质模型难以描述这种局部溶蚀行为，而数值模拟工具COMSOL通过耦合达西定律、稀物质传递与孔隙度演化方程，能够定量刻画酸蚀路径与渗透率的变化规律。工程实践中，模拟结果可用于预测酸液突破体积、优化注入排量，并为基质酸化方案设计提供依据。本文围绕碳酸钙岩石酸蚀酸溶COMSOL模型，探
《都挺好》观后感
这是学习笔记的第1957篇文章今天总算看完了《都挺好》，整整46集，如果让我来评判这部剧，整体评分是在7.5，刷了下豆瓣，和我的评分差不多。对于这部剧，总体的感觉是前...
国内网络环境下Leaflet加载OpenStreetMap地图的5种替代方案（附可用瓦片地址）
本文针对国内网络环境下Leaflet加载OpenStreetMap地图的常见问题，提供了5种可用的瓦片替代方案，包括OpenStreetMap.fr HOT、OpenStreetMap.de、CartoDB、Stamen和Thunderforest，并附上详细的代码示例和选择建议，帮助开发者解决地图加载问题。
都挺好
All is well 最近，看了一部由小说改编而来的同名电视剧《都挺好》。整部剧的导火线是苏母过世了，她维持的家庭秩序崩塌了。接着围绕着父亲的赡养问题逐渐地铺开了剧情，在解决苏大强的赡养问题中充分地暴露苏家人的性格。故事中几位主演还是有着比较明显的性格特征。下面先来说说几位主演的性格。 苏明玉——苏家三女儿。是一个集叛逆、独立、坚强于一身的金领女强人，她十八岁起...
【Ultrascale+ MPSOC学习记录】6、从eMMC启动翻车
因为MPSOC还有一种启动模式是eMMC，接下来咱就实现从eMMC启动。
Python赋能，洞见先机：构建基于异步爬虫与流处理的实时舆情监控系统
我们将从核心概念入手，逐步搭建一个集。.option("es.resource", "public-opinion-%s" % time.strftime("%Y-%m-%d")) \ # 按日期分索引。| 数据采集层 |----->| 消息队列层 |----->| 流处理与分析层 |----->| 存储与可视化层 |：使用Spark Streaming的状态操作或Flink的CEP库，检测更复杂的模式，如“某关键词的负面舆情在1小时内激增500%”。
学计算机挺好的就是头冷表情包,c语言挺好的,就是头有点冷表情包 - c语言挺好的,就是头有点冷微信表情包 - c语言挺好的,就是头有点冷QQ表情包 - 发表情 fabiaoqing.com...
这日子没法过了(《都挺好》苏大强表情包)_苏大强_没法_日子表情别让爸为难(《都挺好》苏大强表情包)_苏大强_为难表情我不想工作 就要喝奶茶 吃火锅 买衣服 蹦迪 别逼我了 行不行啊(《都挺好》苏大强表情包)_苏大强_蹦迪_吃火锅_奶茶表情我自闭了(《都挺好》苏大强表情包)_苏大强_自闭表情啥！没有 - 《都挺好》苏大强表情包动图 _苏大强_影视表情表情虚弱 - 《都挺好》苏大强表情包动图 ...
Avalonia 超级详细学习指南
什么是 Avalonia？Avalonia 是一个开源的、跨平台的 GUI 框架，允许开发者使用 XAML 和 C# 构建现代化、高性能的桌面应用程序。与其他框架相比，Avalonia 具有强大的跨平台能力和灵活的界面设计。} }()Avalonia 的特点和优势跨平台性：Avalonia 可以在 Windows、Linux、macOS 等多个平台上运行，开发者可以编写一套代码，然后在不同的操作系统上运行相同的应用程序。
细思《都挺好》
《都挺好》，都挺不好。 苏家人不好，折射的现实也不好—— 人性凉薄，男人懦弱，父母不义不仁不公平，世间万事利字开头，企业不惜代价测试人性以验忠奸。 最不好的是，在这部剧里，你可以直观地看到一个现实：生而为女，自带原罪。 你得不到关爱，也得不到认可，更得不到公平。 哪怕你光芒万丈，而其他人在阴沟，依然改变不了被侮辱与被损害的命运。 ...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
大数据揭秘《都挺好》：比起樊胜美 女性更想当苏明玉
↑即刻关注芝诺数据分析，让我们一起成长吧！要说当下最火的电视剧，相信不少人第一个想到《都挺好》。《都挺好》到底有多火？大数据告诉你！该剧讲述了“易失望体质”苏明哲、“妈宝...
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")
《都挺好》苏明哲为什么会失业，美国程序员不好找工作吗？
当了10年程序员的斯坦福硕士，却只拿9万美金年薪？9万美金年薪，却在旧金山湾区买了套四居室独栋大房子？母亲去世跟公司请假就被辞退？失业后找不到工作竟然要去刷盘子？《都挺好...
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
观影感受 之 《都挺好》
上个礼拜《都挺好》结尾播出了，看的一堆感慨，被苏大强实力圈粉，从最开始的各种作，各种自我放飞到最后几集忽然回归常人思路，尽管他自己最后也得了老年痴呆，但好在儿女孝顺，最终一家人选择了和解，最终家和万事兴的结局，映衬了标题“都挺好”。 个人感受 自己从本科毕业 ...
《都挺好》：你对硅谷程序员是不是有什么误解？
最近一部《都挺好》新剧看得让人揪心，它源于生活，又高于生活，就连剧名听着都格外讽刺，哪里“都挺好”，明明“都不好”。 清华 CS 本科，斯坦福 CS 博士，近 10 年硅谷科技公司工作经验，勤奋努力，踏实肯干。 就是这样一位学历顶天、智商爆表、任劳任怨的“超高配置”程序员，在硅谷的年薪却不到 10 万.....背负着房贷的压力不说，甚至因没陪领导开心而被裁了员! 更不可思议的是，失业之后...
《都挺好》大龄程序员在美国也混不下去了？
相信最近大家的微博朋友圈都被《都挺好》这部电视剧刷屏了，几乎每天都能在热搜上找到它的身影。不过，我们今天不聊剧情，我们一起来吐槽一下电视剧中的苏明哲这位大龄程序员的人设。...
还在追剧《都挺好》？学习大数据要趁早
最近热播的家庭伦理电视剧《都挺好》已收官，搞得都没有剧可追了，每个人物角色的塑造，都是大家茶余饭后讨论的热点。 《都挺好》 最作的苏大强boss都“沉默”了； 最浪的苏明成二公子都道歉了，也努力工作了； 最缺乏家的幸福感的苏明玉小姐姐也过上幸福的年了； 最希望一家人团圆的苏明哲大哥哥也如愿以偿了。 这一切的结局确实印证了片名“都挺好”，确实都挺好。 想要在大数据这个领域...
《都挺好》迎来大结局——大数据告诉你《都挺好》到底有多火
都市现实题材家庭伦理热播剧《都挺好》在本周一（03.26）晚迎来了大结局，从播出效果和近期资讯搜索热度来看，该剧无疑成为了2019年第一季度的第一个“爆款剧”。据CSM55城统计数据显示，大结局播出当晚，《都挺好》在浙江卫视的收视率达到2.278%，在江苏卫视的收视率达到2.02%，成为双台收视破2的剧集，双台收视市场份额占据15.9%。 我们再来看看其他平台的数据： 1、播出二十多天以来，《...
《都挺好》：苏明哲的老婆吴非这句话戳中所有大龄程序员的痛点！
本文来自：头条搜索家 《都挺好》这部剧确实很好看，很现实，一个是家庭子女关系该如何处理，一个是如何赡养老人的问题该如何解决，再一个就是老人的晚年生活如何有质量、有尊严的度过，但其实还有一个问题，那就是苏家老大这个毕业于清华，努力了两年终于考上美国名校斯坦福，最后却只是一个程序员，并且这么大年纪了，由于自己的性格原因，并没有什么升职空间，而被公司给辞退了！ 再说说这高鑫扮演的苏明哲，可是...
深夜重磅了，自用的抖音养号工具【抖挺好】拿出来免费分享了，有实操演示
抖音这个产品，已经被大家摸透了，那就是，起号阶段和后续运营阶段，都需要养号。 一是尽快把自己的账号的标签打上，行业垂直度养起来；二是把人设立起来，这样得到的流量就会越大。 最主要，还是解放双手！抖挺好养号工具，可以帮到你！
众位程序员大佬如何看待《都挺好》这一部黑码农的神剧？
最近电视剧《都挺好》正在国内各大卫视热播，小编和家人也在看这部热播剧。 但在斩获口碑收视的同时，也引发了不少在美国工作的码农吐槽，都吐槽：《都挺好》剧情太假，由于里面主角是一位同行码农，而且是硅谷码农，所以我对剧情和一些bug也很有兴趣。 最近，不少媒体都转载了一篇吐槽热播剧《都挺好》的文章。文章大意如下： 男主角苏明哲，作为苏家的“门面担当”，一路从清华考到斯坦福，毕业后顺利签约硅谷某科技公司，...
电视剧《都挺好》给我的启示
电视剧《都挺好》给我的启示 近期笔者利用业余时间追了热播电视剧《都挺好》，不能不惊叹于姚晨，倪大红，郭京飞等人的精湛演技。这个部电视剧里的故事情节，笔者也有自己的思考。笔者认为这不点的电视剧给人如下几点启示。 1,当学霸移民去美国不一定是什么好事。苏明哲夫妇都是国内的精英与学霸，在国内通过自己的勤奋努力奋斗，去美国留学并获得居留权，成为各自家庭里光宗耀祖的人。不过他们在美国的事业发...
都挺好 苏大强C位出道的不只表情包 还有大眼袋
文丨夏莎莎你看>丨创意视觉设计（ID：fvatm0525）被朋友圈、微博和微商刷屏的《都挺好》到底好在哪？由姚晨、倪大红领衔主演的都市剧《都挺好》讲述了职场金领苏明...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5882
扫一扫
