“当铺”的“新衣”

11、 注意:数据科学项目可能变成皇帝的新衣 本文深入探讨了数据科学项目可能面临的‘皇帝的新衣’困境,分析了项目复杂性及挑战,并提出了避免这一问题的关键策略。文章强调了理解核心需求、赋予项目可见性、确保环境准备就绪的重要性,同时介绍了迭代开发的优势与实施步骤。此外,还详细讨论了透明度与沟通、风险管理以及持续改进的方法,帮助团队实现项目的成功。 阅读详情

*本文仅代表 ARI (Acala Research Institute)LYZ 个人观点

一 、量体

公元821年,五十岁的白居易终于在长安买下第一所房子,写到“游宦京都二十春,贫中无处可安贫。”

 

文辞富艳才识兼茂白居易一举高中,原以为高枕无忧却发现攒了十年俸禄却依然买不起长安一套房,当时“轮岗”和“异地任职”的制度让许多官员甚至拿不出盘缠,像白居易当时的这等中下级官员只得借高利贷,《旧唐书》他记载到:“又赴选官人多京债,到任填还,致其贪求,罔不由此。”因此,当时的当铺官商勾结放高利贷,加倍搜刮百姓。

 

典当行,亦称当铺,是以货币借贷为主和商品销售为辅的市场中介组织,最早产生在中国的南北朝时期,时称“寺库”。当时主要是为了帮助贫苦百姓渡过难关,以衣物、农作物、器皿等作为抵押的兑换商品,利息也是较低地适当收取。

 

有人说什么行业都有可能会消失,但当铺不会。因为当铺在数千年的历史长河中源远流长至今,经过时代的不断演化和更替,最终总是以一种借贷形式出现在每一个时代中,对投资的意义不言而喻,在生活中也起着本身属性所具有的金融性质。

 

 

*图片来源自网络

 

过去典当行门坎比一般店铺高得多,大部分的当铺台阶有8级,柜台也高,有的在门内摆一列大屏风,为了不让他人看见典当行内的情况,并且典当人站在柜台前看不见柜台上的物件,造成信息偏差,从而让典当人产生敬畏感,不敢和典当行争价。老话说“穷人离不开典当铺”。那些饥寒交迫、家庭破产、走投无路的典当人,因急需用钱,将家中值钱之物送到当铺典当。典当行往往故意降低原物成色,甚至贬得不值一文。典当人因为急于用钱,只能任由典当行压价。这样一来,典当行最终演变成“剥削”的象征。每年年节临近,典当行还派出人用低价收购无力取赎者手中的当票,典当人到期无力赎出,典当物即成为“死当”,典当行贱价收进,高价卖出,从中渔利。

 

 

随着时间不断的发展,旧时代的典当行因为剥削而逐渐被替代,如今银行成为抵押贷款业务的主要经营者,近年来社会各界对金融服务的需求日益增长,银行业等金融机构高度重视提高服务工作水平,整体服务质量和服务水平不断提高。虽然银行的出现,看似更好地为人们提供金融服务,但从选择抵押品的角度与可服务范围来看,银行较典当行相比,却没有什么进步。

 

对于典当行来说,用高利息迫使当物所有权归作典当行所有,再通过高价卖出当物获取利润是他们剥削老百姓的主要手段,但典当行作为一种具有金融和商业双重性质的经济机构,融资服务功能是典当行最主要的社会功能和货币交易功能,此外典当行还发挥着当物保管功能和商品交易功能,并提供对当物的鉴定、评估、作价等服务,其本质是体现社会需求性之间的关系。所以他们关注的核心是在抵押品的流通性与稀有性上,因此抵押品的种类较现在银行来说是比较丰富,并且服务的人群自然相对较广。

 

而对于银行来说,核心在于追求借贷业务的完整性,规避违约风险。正是如此,银行将“兑付能力”作为是否提供借款的关键因素,抵押品的价值稳定程度以及流动性与变现能力是银行衡量借款人“兑付能力”的主要方式,大部分银行在抵押品选择上会谨小慎微,这就导致了很多银行的抵押品单一,同时业务准则越来越偏向为有一定经济实力的人群服务,渐渐将一些没有一定经济实力,但有真正借款需求的人排除在银行体系之外,这也让许多民间的不法金融机构有机可乘,从而导致穷人越穷,富人越富。

 

过去的典当行因为贪婪而消失,现在的银行因为谨慎变得封闭,那么未来呢?

 

 

二、 裁衣

 

2019 年 P2P 处在风暴中心,现金贷在监管之下持续缩量,但不难发现市场上套路贷等依然是市场顽疾。过去的当铺因为信息不对称以及贪婪造成了剥削,现在银行因为流动性与变现能力而变得单一且封闭,越来越多的银行都在尝试新模式,金融科技的队伍正在悄然生变,那么未来谁会成为金融科技的主力呢?

 

如今的典当行是因为国家的法律法规政策下遏制了贪婪抵制了剥削,但其实并没有真正本质上解决“当物”价格信息的不对称,而将区块链技术赋予典当行与银行的抵押贷款业务,那么所存在类似信息不对称以及流动性与变现的问题就可以得到解决。

 

区块链技术蓬勃发展,许多创新的金融产品开始利用区块链技术做新型的去中心化金融(Decentralized Finance)协议,因为区块链技术能与金融服务完美契合,不仅保证了资产数据的隐私性与安全性,并在无需中间环节确保点对点数据传输的可靠性与开放性。正是因为这样,DeFi(Decentralized Finance)在 2017 年诞生以来受到追捧,而超额抵押借贷业务成为最先落地的应用标的,为“当铺”与“银行”披上“新衣”。

 

 

*图片来源自网络

 

简单来说,DeFi 中的超额抵押借贷业务就是用户可以以一定抵押率(抵押品价值/借款数额),将一定价值的加密资产通过智能合约的方式进行锁定,为用户提供借款,当用户将借款偿还之后,抵押品自动归还到用户的加密资产钱包里。

 

这种借贷方式与过去抵押借贷业务(银行与当铺)相比,拥有防止资产所有权篡改、提高资产可靠性、结算易于审计、价值信息透明度高以及业务智能合约可自动执行等优势,让原有封闭的抵押借贷等金融业务变得更加开发与灵活。

 

因为对于借款人和出借方来说,抵押品所有权上的交收功能与风险控制功能就可通过智能合约的方式,一经触动,便可以自动执行。此外传统支付结算系统非常的复杂,每一笔资金的转移需要经过多个清算环节才能真正完成,再加上银行在处理违约的抵押货品时,往往存在所有权互操作风险高,货物流动透明度低,资金结算监管重复以及回款耗时长以及中间费用高等缺点,也正是因为这样,银行在选择抵押物时,往往只选择房产作为抵押贷款的主要服务资产,但是我们要知道区块链技术去做 DeFi 天生就具有结算功能,7*24小时全天候运行,点对点的转账,无需依靠任何中间商,成本低,透明度高,一旦发生业务违约的情况,及时清算债务,拍卖抵押品,保证债务偿付,从而实现统一无缝的金融业务。

 

此外信任是金融发展的基石,现如今国家的法制建设解决了大部分可信问题,而 DeFi 通过区块链技术让技术可信成为法律增信之外的另一种信任手段。虽然现在主流的 DeFi 平台还是以加密资产作为抵押物做借贷。随着区块链技术的不断发展,穿上 DeFi 新衣的”当铺“将能承载“股票、债券、ABS 产品以及大规模的各类边缘资产,真正实现一个”规范、开放,灵活,扩展性强“的金融借贷市场。

 

 

三、 换装

 

DeFi 这件”新衣“的核心考量在于找到产品和市场的契合点,也就是“PMF(Product-Market-Fit)”。(PMF(Product-Market-Fit)一词来自投资FB、Twitter等多家明星公司马克安德森)DeFi 看似能够满足很多需求(Market),也有许多创业团队为之打造产品(Product),但只有这需求和产品重合的地方,才是真正的契合点(Fit),才能真正让用户为某个解决方案埋单,契合的越好,那么从中的价值越大。

 

 

 

 

 

现如今大部分 DeFi 项目(如MakerDAO、Compound等)将套利作为契合点(Fit),越来越多的人发现“稳定币是天然的套利市场”。而这一契合点的源头就在于我们每一个人的资金都有时空性,主要是因为现如今的货币体系是主权纯信用的货币体系,货币数量的多少是由国家依据政治或经济的需要来决定的。为了保持经济持续不断的发展,该种制度会让社会上流通的资金越来越多,每单位资金变得越来越不值钱,造成每单位资金的购买力越来越差,进而让资金在不同的时间节点有着强烈的时空感,所以从购买力角度来说,同一笔的资金在不同的时间纬度是不一样的。

 

那么对于加密资产的投资者来说,利用未来将要贬值的钱发挥着现在的购买力去购买如比特币这种优质资产,丰富了自己的资产配比,不仅如此 DeFi 的出现,还能大大提高了用户的资产价值。现在许多人通过超额抵押发行稳定币做的是借贷,但很多人根本没有借贷的需求,更多人是在做套利的事情,看似违背借贷的初衷,其实不然,用户锁定了自己的加密资产,并将其作为借款最后的偿付保证,获得一定数量的稳定资产,这些稳定资产就可以帮助用户把未来才能实现的收益,在当下通过其他 DeFi 产品中的套利机会进行变现,捕获资产流转价值。

 

毕竟,套利终究是一场游戏,游戏也总有结束的那一刻。

 

而持续不断提高资产利用率并不能仅仅聚焦套利这一方向,更多的是挖掘真正的借贷需求,充分利用闲置资金,放大资产利用价值,才能真正将需求(Market)与产品(Product)之间的契合点(Fit)不断增大,最终形成重合。

 

虽然现在的 DeFi 生态还处于很早期,从传统金融市场转换到 DeFi 上来还需要一定的时间,但从区块链本身的发展角度去看,也存在着许多的借贷需求。就整个比特币市值来看,目前已达到1335亿美金,对标A股10%的质押配资比例,比特币的借贷市场大约能达到133亿美金。

 

众所周知,比特币是通过矿机挖矿获得的,而建立一个矿场其实需要不小的成本,其中包括场地建设,矿机,网络维护以及还有用电等一系列开销。假设建造一个拥有500台蚂蚁S7矿机的矿场,在电费0.35元/度的情况下运行一年就需要成本大约1200万人民币左右,若是矿场主出现资金运转问题,为了保证矿场持续不断的运行,借贷的需求就产生了。据悉,现如今比特币借贷用户90%都是矿工,但比特币所代表的区块链1.0 仅仅实现了可编程的货币,并没有如以太坊智能合约的功能,所以比特币的借贷,大部分还是通过中心化的方式去实现的,这就可能存在部分做比特币借贷的人看似是要赚用户的借贷利息,其实窥视着用户抵押过来的比特币。

 

所以跨链是推动 DeFi 契合点重合的关键动力,因为目前大多数区块链网络都在隔离的生态系统上运行,相互之间的资产形成价值孤岛,实现多资产互操作变得困难 。时任清华长三角研究院区块链高等研究所常务副所长曹寅在文章《2020 年,DeFi 2.0 及其梯队的崛起》提到现在基于以太坊的 DeFi 生态由于抵押资产的单一很有可能迎来明斯基时刻,造成 DeFi 各个系统崩溃,只有通过跨链将比特币引入 DeFi 生态是当务之急,并且随着比特币不断地合规友好,全世界的监管部门,甚至中国的监管部门都早已承认比特币是数字商品,不是证券,这样一来,比特币未来市值将会达到一个更大的一个体量,而 DeFi 2.0 也将会随之到来。

 

2019 年最火热的两个跨链项目无疑是 Polkadot 与 Cosmos ,他们分别采用的共识机制为 NPoS 与 Tendermint 共识,这类 PoS 网络在设计上会鼓励持有者将 Token 进行抵押,通常会有为期几天乃至好几个月的解锁期,从而来保证项目的网络安全,通过每年 5%-20% 之间的年化率的收益,抵消通胀过程中带来的价值稀释,但是以丧失流动性为前提,持有者无法使用这部分资产,从而失去了其他的获利机会。

 

以 Polkadot 为例,DOT 作为 Polkadot 网络的原生 Token:一是用作交易手续费,手续费随交易所发送;二是用于 Staking 挖矿,插槽竞拍,对提案的投票表决,在使用这些功能时,DOT 是处于锁定期的,无法即时进行所有权的转移,那么该状态下的 DOT 不具有流动性。

 

Staking 资产的使用权与锁定状态的所有权绑定,如果将质押状态下的 DOT 所有权映射出成兑付凭证,由中心化实体或去中心化网络保证兑付,并保证资产的使用透明与收益的公平分配。实际锁定的 Staking 资产处于使用状态(抵押挖矿、投票表决,以及插槽拍卖等)时,兑付凭证用于自由流通交易。就像期货在实物交割前,是通过标的物的兑付凭证进行交易。而该兑付凭证就可以作为合格的抵押物,向稳定币系统抵押,生成一笔抵押债仓(CDP)。

 

这一过程, Acala Network 提出了一套解决方案:

 

 

用户可以把持有的 DOT 锁定到 Acala Network 系统,获得锁定 Dot 的凭证 —— L-DOT。锁定的 DOT 进入到 Staking Pool,通过 Staking Pool 进行提名验证人,被提名的验证人参与 Polkadot的 Staking。当用户拥有资金需求时,可以把 L-DOT 作为抵押物存入 L-DOT 抵押池,生成抵押债仓(CDP),获得一定比例的稳定币 aUSD (Acala 网络中的稳定币),用户使用 aUSD 参与 Polkadot 跨链生态优质项目的众筹,金融产品(如存币生息),用作日常消费支出,去中心化交易所交易以及加杠杆等获取利润。当用户想要关闭 CDP 时,需要偿还所借的 aUSD 债务以及这笔债务所产生的稳定费与服务费用才能关闭 CDP 并拿回自己抵押物。

 

Acala Network 是由 Substrate 框架所构建稳定币系统,凭借 Polkadot 天然跨链属性以及扩容方案,以包括Staking 资产以及其他异构链资产作为链上抵押物,不仅释放了PoS 网络的流动性,并在抵押资产多样性与延展性上具有明显的优势。

 

2020 年,随着越来越多的区块链项目利用 PoS 共识来提升延展性以及安全性,根据 Stakingrewards.com 所提供的数据,目前为止已有 74 个正常运转的 PoS 项目,Staking 市值已达到104亿美元 , 锁定的 Staking 资产价值已达到64亿美元 ,如果包括还未转为 PoS 的 ETH 2.0 ,以及即将上线的 Polkadot ,更加增大了市场空间的量级。

 

当跨链技术愈发成熟,我们设想诸如 Acala 、MakerDao 、Kava 等新 “当铺” 的出现,将会极大的增加抵押资产的价值,用户会更加想要去做 Staking 以获得更大的收益,这将会是一个非常具有潜力,拥有真正借贷需求的市场,从而促使需求(Market)与产品(Product)之间的契合点(Fit)越来越大,定能让 DeFi 这件新衣大放异彩。

 

 

 

 

 

 

 

官网:https://acala.network

Twitter:https://twitter.com/AcalaNetwork

Medium:https://medium.com/@AcalaNetwork

GitHub:https://github.com/AcalaNetwork

● 扫码关注 共同探索全新DeFi未来

 

工业互联网工控安全与工业质检AI大模型建设方案.pptx 立即下载

相关推荐

DoubletFinder实战:如何优化参数提升scRNA-seq双细胞识别准确率?

本文深入探讨了如何通过优化DoubletFinder参数提升scRNA-seq双细胞识别准确率。详细解析了pK和nExp参数的影响机制,提供了系统化的参数优化流程和多样本整合策略,并结合真实数据集演示了验证方法与高级应用场景,帮助研究人员获得更可靠的分析结果。

weixin_28523493的博客 339

【观察】盘古大模型:以AI织新衣,传递科技温度和创新速度

12月的一天,华为云AI高级研究员任星一大早就忙着出发,从北京飞往西昌,落地后从西昌机场驱车4个小时,在山林峡谷间来回穿梭,再换乘有经验的本地车随“之字形”的盘山公路蜿蜒而上,辗转大半天,...

申耀的科技观察 1248

解决Android 14兼容性问题:NDK中arm64-v8a的正确配置方法

本文详细解析Android 14系统架构变化对NDK开发的影响,重点介绍arm64-v8a架构的正确配置方法。针对常见的兼容性问题如so库缺失、ABI不匹配等提供解决方案,并分享性能优化与自动化测试实践,助力开发者高效适配Android 14设备。

algae的博客 1219

女神的新衣

上个礼拜天,在家把东方卫视的“女神的新衣”给看完了,感觉还行吧,虽然很多人说韩国的NANA不咋地,但是我觉得别人把衣服做的又时尚平时又能穿,卖的高价位一点也没什么,市场决定一切,这没办法啊,也不能说因为是外国的就否认别...

89

实战解析:在.NET中实现Dify API流式请求与响应的完整方案

本文详细解析了在.NET应用中对接Dify API时实现流式请求与响应的完整方案。针对传统后端“接收完才返回”的痛点,文章提供了基于ASP.NET Core的实战代码,通过配置HttpCompletionOption.ResponseHeadersRead和手动Flush响应流,构建高效的中转管道,确保AI回复能够像ChatGPT一样实时逐字推送到前端,显著提升用户体验。

weixin_29267307的博客 296

三相逆变器拓扑结构的分析及应用场景

三相逆变器是电力电子领域中广泛应用的一种设备,用于将直流电转换为交流电。不同的拓扑结构在性能、成本、复杂度和应用领域上存在差异。小编将在本文中将进一步拓展对三相逆变器拓扑结构的分析,并探讨其适用的应用场景。

道合顺的博客 2235

过年,你买新衣服了么?

小时候盼过年,一是有好吃的,可以拿压岁钱,二是可以有新衣服穿。临近年关的时候,妈妈就去集市上扯几尺步,并找人绣上几多花,逢套新衣服给我。[@more@] 小时候盼过年,一是有好吃的,可以拿压岁钱,二是可以有新衣服穿。临近年关的时...

csx229121232的博客 208

GPU运维面试题

【代码】GPU运维面试题。

u011220233的博客 695

拆解“相见欢·颍州西湖新衣”:词牌、意象与创作密码

意象是文艺创作中连接物象与情感的桥梁,拟人化手法则让抽象的季节更替化为可感的具象行为。本文以“新衣”为切入点,解析这一意象如何赋予西湖以生命感,并追溯颍州西湖在宋代文脉中的独特地位——从欧阳修的十首《采桑子》到苏轼“未觉杭颍谁雌雄”的咏叹,湖的“新衣”承载着自然与人文的双重更新。对于当代内容创作者而言,“情绪基调+空间定位+具象动作”的标题结构、以及“换新衣”的更新思维,都能为表达提供实用范式。通过剖析古典词牌与现代审美的碰撞,揭示好标题的底层逻辑与实际操作方法。

weixin_42610010的博客 203

常学常新:《Attention Is All You Need》万字解读!

常学常新:《Attention Is All You Need》万字解读!

hunteritself的博客 3639

【红外DDE算法】一种应用于高动态范围红外可视化的算法

【红外DDE算法】一种应用于高动态范围红外可视化的算法 - 这个算法背后的动机 - 展示这个算法的流程 - 然后讨论各个可调参数的意义。

sunwindl91181的博客 1680

环卫工人穿上“科技新衣”暖身又暖心

哈尔滨市道里区环卫工人史淑芳(右)和工友展示“科技新衣”所用的充电宝(1月23日摄)。 新华社记者杨思琪摄哈尔滨市南岗区环卫工人刘文亮穿着“科技新衣”清扫街道(1月23日摄)。 新华社记者杨思琪摄这是黑龙江黑大生物质新材料科技有限公司研制的新型保暖马甲“有源可控加热服”(1月23日摄)。 新华社记者杨思琪摄...

weixin_34236869的博客 154

Android功耗系列专题理论之六:外设功耗问题分析方法

本文介绍了移动设备功耗问题的分析方法,重点针对传感器和GPU两大模块。传感器部分详细讲解了通过ADB命令获取日志、状态差异分析和单传感器隔离测试的排查方法,并给出优化建议。GPU部分从基础功耗测量、场景测试到功能模块拆解进行多维度分析。同时阐述了GNSS/GPS功耗的测试方法,包括前后台对比、星座双频拆解及SAP/DPO等特殊功能的电流分析,为移动设备功耗优化提供系统性的诊断思路。

369

机器学习其实只是“皇帝的新衣”

策划编辑|Debra作者|Cassie Kozyrkov译者|小大非编辑|Debra出处丨AI 前线AI 前线导读: 机器学习概念其实很简单,不要被听起来高大上的术语名称唬住了!实际上,ML 工程中最难的部分是安装包,其次是让人感到恐怖的数据集,接下来是永无止境修改代码设置的过程。通过本文,你也许会发现机器学习的概念可能是“皇帝的新衣”,它的本质比你想象得简单很多。下面我们来看看机器学习是如何工作...

weixin_34018202的博客 3万+

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

大凉山孩们穿上了AI辅助设计的新年新衣

新年来临之际,四川省凉山州美姑县采红村晓明爱心小学的孩们收获了一份特别的新年礼物——由人工智能大模型和服装设计师为学校定制的新年新衣。 这是一套既有“AI”又有故事的新年新衣。它依照每位小朋友的身材定制,采用“长款派克服”款型,防风、防水、保暖、耐磨、能够“一衣多穿”;同时,巧妙地融入了窗格纹、羊角纹、马樱花纹等彝族特色元素,兼顾了实用和美观。 爱心小学的们穿上了人工智能辅助设计的新年新衣 依托华为云盘古多模态大模型的强大的人工智能技术,以及时谛智能的在线协同设计...

a1235824的博客 932

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")

AI 一体机,AI 圈的“皇帝新衣”

我记得在3、4月份,不少朋友问我关于“AI 一体机”的事儿,说这玩意儿听起来挺玄乎,是不是真能“开箱即用,大模型上车”?我当时的回答是:主要看大家的需求,你是否真的需要本地化。除非真的行业数据敏感,否则都不要去碰这个玩意儿,因为对于大多数企业来说其实没啥用。回头去看,AI一体机,这个概念被厂商们吹得天花乱坠,少说也得有大半年了吧?什么“开箱即用”、“私有化部署大模型”、“即插即用,性能炸裂”,还有各种“DeepSeek 满血版”、“蒸馏版”……每一句话都像是带着磁力,直奔着甲方客户的钱包而去。

乔伊-AI编程&创业随笔 677

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

从词牌到新衣:写一首颍州西湖小令的完整复盘

古典诗词创作中,词牌是格律与情感的载体。以《相见欢》为例,这一双调三十六字的小令通过平仄转韵与参差句式,形成独特的呼吸感,常被用于书写含蓄深婉的情致。掌握词牌格律,不仅是技术训练,更能帮助创作者在极短篇幅内构建意象、传达意脉。将这一形式应用于地方风景的书写,如颍州西湖所见——柳芽初绽、碧波如镜、十里春堤——既需尊重历史人文积淀,又要赋予景物以当代“新衣”。从欧阳修到苏轼,这片湖水承载着千年文脉,而真正的写景词创作,是在现场采风与格律约束之间寻找平衡。本文以《相见欢·颍州西湖新衣》为例,拆解词牌技法、意象设计

weixin_31620365的博客 169

Manus:AI 领域的 “王炸” 还是 “皇帝的新衣”?

此外,内测用户反馈显示,Manus 处理复杂任务时需依赖人工干预,且存在算力不足导致的中断问题,与宣传中的 “零人工介入” 相去甚远。的 AI 智能体产品引爆全网。或许,真正的 AI 革命,就隐藏在这些看似疯狂的探索背后 —— 当泡沫消散,留下的,才是值得托付未来的技术星辰。Manus 的故事,本质上是 AI 行业 “概念先行” 的缩影。最终,Manus 的价值不在于它是否 “超越 OpenAI”,而在于它能否推动行业思考:当 AI 从 “回答问题” 转向 “解决问题”,人类该如何重构与技术的关系?

qq_20294455的博客 882

数据分类分级,是中国网安集体编织的“皇帝新衣”

对于平台型的企业,如大部分的科技企业,本身都是自研产品为主,那么只需要配合规范的内部开发流程,如应用开发者在涉及到数据库的变动的时候,必须同步更新元数据库(即上述资产清单),否则不予批准代码的推送和应用发布,如此才可保证资产清单的实时性和权威性地位。每个人都有自己的一套逻辑,无比自洽,局外人难辨真假,只能从偶尔瞥见的对方晃动的二郎腿和飘忽不定的眼神判断,此人不甚靠谱,仅此而已。无比自嗨的创业者,着眼全球的投资人,行色匆匆的老板,照本宣科的专家,夸夸其谈的销售,沉默寡言的技术大拿,虚与委蛇的小领导。

wly55690的博客 1028

分布式数据库的“皇帝新衣“:90%企业根本不需要的真正原因

上个十年,互联网公司的业务大爆发,让互联网范式走上了神坛。互联网大厂的业务模型、中台理念、应用架构以及分布式数据库,甚至互联网公司的从业人员,都成了香饽饽。那么,由此带来的香饽饽之一“分布式数据库”,到底好不好? 不可否认,确实好!分布式数据库的最大优势在于其横向扩展能力,轻松处理超大规模数据和并发请求,比如电商平台、社交媒体或其它超重载应用。

黛琳ghz的博客,期待你的关注。 5362

“新书选新衣”及听吕日周讲座有感

 “新书选新衣”及听吕日周讲座有感 出版社给我寄来了新书的封面设计草稿,请朋友们看看,哪一个图更好?图一 图二 图三 图四 ×××××××××××××××××       今天晚上,在学校报告厅听了一场讲座,主讲人是在中国改革史上注定要留下一笔记录的吕日周,吕日周现为山西省政协副主席,曾任山西原平县委书记和长治市委书记,记得80年代有一部影响巨大的电视剧《新星》,剧中县委书记的原型就是他。    

.NET博文收藏 707

蔬菜穿“新衣”定制有商机

<br /> 现如今在农贸市场的蔬菜摊位上,可以看到紫色的生菜、紫色的土豆、弯曲而长满疙瘩的异形豇豆。这些蔬菜颠覆传统色彩和形态,给市民带来了新鲜感觉。<br /><br />  土豆、生菜、山药穿上紫衣<br /><br />  除了紫色的生菜,市面上还出现了紫色山药、紫色土豆和将要上市的紫色蛇豆、紫色地参。因为长在富含硒的高山上,这些紫色蔬菜富含花青素和硒,营养成分特别高。<br /><br />  花菜和花椰菜除了常见的白色,还可以是橘红色、紫色,甚至是青色。变色花菜由基因变异产生,在研究过程中提取这

sjxbf的专栏 1416

Solana,皇帝的新衣

编译 | 刘教链隔夜加密市场承压Mt.Gox派发继续推进,[“7.30教链内参:关于Mt.Gox分发情况的图文介绍”]可资参考。受此影响,市场无力上攻。BTC暂时回撤至66k待命。今天,教链和大家谈一谈新公链的赛道。早在去年底,针对Messari研报唱衰ETH、唱多SOL,教链就曾一针见血地指出,这是华尔街资本在2022年FTX暴雷被埋之后的自救行动之一环。何故?因为他们这些机构,当初被长着白皮、...

刘教链 806

李飞飞的“世界模型”,不过是AI界新一轮“皇帝的新衣”

自己的博客上,虽然屡屡提及“世界模型”与“导出高斯散射体、网格和视频”,但几乎完全没有提到空间智能。“世界模型”按照字面上理解为一个“对世界的建模”,而是把它当成空间推理这道难题的未知解。系列的目标之一就是训练通用智能体,因为在逼真的模拟世界中练习是通往空间智能的必经之路。选择的是一条更聪明的路,既然真正理解世界太难,那就先把世界画得足够好看,这就像用。

人工智能学家 428
下一篇: 蚂蚁与大象共舞?DeFi 如何选择更完美的链上治理
AcalaNetwork
博客等级 码龄7年 11粉丝 26原创
评论
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