自动驾驶感知技术视觉感知技术发展本报告主要介绍面向自动驾驶的视觉感知技术。
首先是对自动驾驶视觉感知发展的行业综述，介绍了自动驾驶感知技术的发展路线，以及视觉传感器在其中的作用；
其次介绍了车载图像传感器的发展，包括新型的动态图像传感器、低照度感知能力、像素密度、动态范围以及其他面向自动驾驶应用的定制化特性；
最后介绍了视觉感知算法的发展，包括像素级语义分割及目标检测、基于视觉的定位与语义地图、传感器融合、视觉计算平台等。

推箱子的自动求解模块,包括源码推箱子界面程序,可以玩游戏,包括源码推箱子界面程序内置演示解法和求解调用,使用sokoban.exe的解法表达式推箱子也叫搬运工,仓库小子*************************算法DLL模块已经完全成熟并完成32位Windows系统下测试前台界面程序很多错误捕捉没有做,由于不是重点,忽略*************************第二次,应该也是最后一次更新文章地址:http://blog.csdn.net/prsniper/article/details/45135879允许任意非商业用途,保留所有权利游侠技术首发

TensorRT是NVIDIA推出的专门加速深度学习推理的开发工具。
利用TensorRT，您可以快速、高效地在GPU上部署基于深度学习的应用。
我们首先会介绍TensorRT的基本功能和用法，例如它的优化技巧和低精度加速。
其次，结合我们实际使用过程中的经验，详细介绍TensorRT的难点：Plugin机制。
最后，我们会分享几个TensorRT成功应用案例

因服务器部署，需将原2000SERVER上的共享文件转移到另一2003SERVER中，因文件夹权限设置比较复杂，故从微软官方网站下载了FSMT工具，安装要求得先安装.NETFramework2.0以上版本，然后就是安装FSMT工具了，将FSMT安装在2003SERVER中，完成之后运行FSMT，新建项目，指定存储记录的位置，省略DFS，指定迁移的目标位置（如E:），然后是加入服务器，输入2000SERVER名称确定，此时2000SERVER下的共享文件夹就都出来了，选择要转移的共享文件夹，然后是继续，一直到文件迁移完成，还可以查看迁移过程中有没错误。
当然还可以使用备份的方法（BackupExce、BES)DFS……例如：用NTBackup备份后再恢复至目标盘上，文件权限也不改变，具体操作我没实际操作过，感觉所花费的时间相对FSMT要长些。
成功案例、具体操作如下：网上转接目的:把在DC上的文件服务器,迁移到一台成员服务器.环境如下:先在DC上创建用户a,建立共享文件夹share,在共享文件夹的子文件夹赋与a权限做成个人文件夹.在share文件夹上给everyone共享权限是更改,NTFS权限如图.子文件夹权限也如下目的是用于验让权限的转移.a文件夹放一些文件.建立完了一个文件服务器,接下来就是把权限内容转移到成员服务器啦.现在到成员服务器以administrator的身份登录，安装ＦＳＭＴ工具包.输入使用信息，安装类型．安装成功．打开FSMT用于迁移文件服务器的工具，还可用于DFS,在这里我就不详细介绍．打开以后，如图，弹出一个欢迎向导，创建一个用于保存转移文件服务器日志的位置，名称．去掉DFS按钮，因为我没用到DFS.输入保存文件服务器的新位置，会以DC的FQDN作为文件夹，完成向导．这时候就可以做转移的操作啦，选择要转移的服务器，转移的文件夹．就是DC的FQDN名称，共享文件夹share.接着按继续，执行下一步的操作．检查完，准备复制．最后签定，弹出警告信息，说之前的共享将会被停掉，进行转移工作．成功转移，按报告可以看到更多信息结果如下：在C盘生成文件夹．权限验证．子文件夹权限以及文件．Ok，到这里就结束了，一切看起来都很美妙。
不过需要注意的是，此工具是迁移域环境下的文件服务器，其他环境不实用。

统计局网站的数据汇总。
细粒度，到最后一级(一般为5级，网站上少部分地区为4级)。
数据编码格式为utf8，以便显示名称中的生僻字，请使用合适的文本工具打开。
这里有python爬虫代码和所需库。
爬取速度快，网速较好时10分钟左右。
github地址:https://github.com/fan-lc/stats_gov

第1章课程导学对课程整体进行介绍，并且说明HTTP协议的重要性，以及学习的必要性。
1-1导学1-2内容介绍第2章HTTP协议基础及发展历史本章主要介绍什么是HTTP协议，HTTP协议的发展历史，以及HTTP协议的底层--网络分层协议。
在本章中你将学习到HTTP协议的基础内容，并理解为什么会产生HTTP协议，以及他的优劣势。
2-15层网络模型介绍2-2HTTP协议的发展历史2-3HTTP的三次握手2-4URI-URL和URN2-5HTTP报文格式2-6创建一个最简单的web服务第3章HTTP各种特性总览本章主要讲解HTTP协议中各种头信息的作用，包括但不限于最重要的几个部分：缓存、cookie、CORS跨域、长连接等，课程中会配合实际的例子展示这些HTTP头是如何发挥作用的，并且解决了什么问题。
3-1认识HTTP客户端3-2CORS跨域请求的限制与解决3-3CORS跨域限制以及预请求验证3-4缓存头Cache-Control的含义和使用3-5缓存验证Last-Modified和Etag的使用3-6cookie和session3-7HTTP长连接3-8数据协商3-9Redirect3-10CSP第4章Nginx代理以及面向未来的HTTP本章主要实战Nginx配置各种面向未来的HTTP服务，首先会介绍Nginx的安装和基本配置，其次是配置Nginx的缓存功能来展示给大家看代理缓存相较于客户端缓存的好处。
最后这章中我们还讲解来HTTPS协议以及HTTP2，他们各是什么，有什么优点。
...4-1Nginx安装和基础代理配置4-2Nginx代理配置和代理缓存的用处4-3HTTPS解析4-4使用Nginx部署HTTPS服务4-5HTTP2的优势和Nginx配置HTTP2的简单使用第5章课程总结对课程整体再进行一个回顾5-1课程总结

识别0-9十个数字，BP神经网络数字识别源代码使用说明第一步：训练网络。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。

[原创]根据C.Gosselin的论文编写的6-SPS并联机器人可达工作空间绘制程序，思路、算法与数据均来自论文"DeterminationoftheWorkspaceof6-DOFParallelManipulators"，算法的实现（如圆弧求交离散，可达工作空间边界判定等）由本人自己编写，最后绘制的图形不仅包括z向横截面的工作空间轮廓图，还包括过z轴平面与工作空间的交线，以通过线框图更好的反映工作空间外形。
文件中还包括了论文中提到的计算z向截面面积的函数，执行主程序workspace_main.m后输出的AREA第一列为截面面积，第二列为截面的z向位置。

这是一篇来自土耳其中东技术大学的2010年的硕士论文，主要讲述了在推荐系统中应用SVD方法。
该论文提出两个创新点：第一个是先将User与Item分类，然后根据分类将矩阵分成相应的“子矩阵”，对这些矩阵进行相应的SVD，实验表明这样做不仅会提高准确率还会降低计算复杂度；
另一个是向二维矩阵中引入Tags，使其成为三维矩阵，再通过矩阵分解成、、子矩阵，最后再进行SVD，实验表明引入Tags会提高推荐性能。

人工智能课程总结转眼之间，研一的上半学期就要结束了，陪伴了自己一学期的人工智能课也在今天结束了最后的考试。
回顾这半个学期来学习人工智能的感受，确实还是有点可说的东西。
我记得自己第一次听AI这个名字是上大二时一个北航软件学院朋友提起的，他特别想去微软做AI方面的研究，然后他热情的向我介绍了这个领域是多么多么好，当时的自己完全没有印象，只觉得可能和机器人有关，AI的目的就是做出和人类一模一样的机器人。
现在看来自己当初的想法是多么的幼稚可笑。
等到了大三的时候，软件学院正好开设了这门课，我便抱着好奇的心态选了这门课，无奈当时授课老师胡晶晶讲解极其乏味，也没有教材，每节课上课就照着PPT念，完全成了可有可无的课程，在这门课上我学到的唯一的知识点就是可以用遗传算法来求解走迷宫问题，因为那次是老师用一个程序在课堂上进行演示的。
当时觉得挺有意思，可惜自己并没有做进一步的学习，结果第一次上人工智能课就这么草草收场。
如今上了研究生，再次碰到了这门课，我又一次选了，因为我觉得计算机学院的老师讲课和软件学院的老师应该不一样，事实证明我的想法是正确的。
在这门课上我学到了很多的知识，了解到了人工智能原来包含这么多内容，根本不是一个简单的机器人所能概括的，计算机图形学，机器学习，模式识别等这些看起来似乎不相关的东西在都被包含在其中。
尽管上课时间有限而且这门课也比较基础，但老师的讲课却毫不含糊。
说实话，在老师快讲完第三章之前我还一直坐在靠后的位置看不清PPT，后来觉得还是要认真听讲，于是每次都是占前两排的座位，当然这种做法事后证明也是对的，看来有时候一念之差能改变很多。
针对这门课的内容没有什么要说的，个人觉得刘峡壁老师的个人魅力较强，能让学生喜欢听这门课，这一点和林永刚老师极其相似，而大学里面缺少的正是这样的老师。
当然，光听课是没用的，课后还需要进行做题，弄不懂的还需要和同学进行讨论，这在做作业时得到了体现。
我觉得人工智能最重要的不是让我们知道这些知识，而是要让我们掌握分析问题，解决问题的方法，正如刘峡壁老师所说“我给你们提供了各种武器，关键看你们遇到问题会不会拿出来用”，而这也是做研究所必须的。
同时，我也在其中体会到了发散思维不局限于某一领域的奇妙之处，例如遗传算法，蚁群算法就是来自生物界，这种跨学科之间的联系已经成为当下的潮流，知识本来就不应该有局限性，联系无处不在。
就写到这里吧，如今我知道了AI无处不在，而且我在以后的学习阶段中会不断接触到AI。
记得之前看过很多AI题材的电影，比如《我，机器人》，《黑客帝国》等等，真希望自己能在有生之年看到这些电影中所展现出来的AI成为现实，人类也一定会因为AI而不断进步。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。