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
1.2k累计阅读
1.2k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
K-Core算法：快速上手与图计算
简介
K-Core算法是一种用于图分析和数据挖掘的重要算法之一。它用于识别图中的核心节点，即那些与至少K个邻居节点相连的节点。通过识别核心节点，K-Core算法可以帮助我们理解图的结构和关键节点的重要性。在本文中，我们将介绍K-Core算法的基本原理，并提供一个用于图计算的示例源代码。
K-Core算法原理
K-Core算法的核心思想是通过迭代删除度数低于K的节点和与这些节点相关的边来找到图中的核心节点。该算法的主要步骤如下：
K-Core算法示例代码
下面是一个使用TuGraph Analytics图计算库来实现K-Core算法的示例代码：
import tgraph as tg
# 构建图
graph = tg.Graph(简单无向图的core分解算法
基本概念 在图（Graph）模型中，常常会有一些概念用来描述图的某些特征，core就是其中之一。core主要用来描述图中点之间的紧密（cohesive）程度，core的定义为： 设有简单无向图G = (V, E)，其中V为点集，E为边集，∃S = (V', E')，V'⊆V, E'⊆E，∀v∈V' d(v) >= k, 且不存在u∈V - V',使得∀v∈V'∪{u} d(v) >= k, 则称S为k-core，其中d(v)表示v的度数（与点v相连的边数） 用白话说就是如果图G中的存在
LangGraph技术解析：构建复杂AI工作流的图计算框架
图计算作为一种高效的工作流编排范式，通过节点和边的拓扑结构实现复杂逻辑的可视化管理。其核心技术原理基于有向无环图(DAG)模型，支持并行执行、条件分支和循环控制等特性，在AI工程领域尤其适合处理多步骤、非线性的语言模型调用链。LangGraph作为新一代语言模型编排框架，创新性地将图计算与LLM工作流结合，解决了传统线性调用链在状态管理、错误隔离和调试可视化等方面的痛点。该技术已广泛应用于智能客服系统、多智能体协作、RAG架构等场景，显著提升了AI应用的可维护性和扩展性。对于开发者而言，掌握LangGrap
探索ApacheTinkerPop3的开源工具与库
作者：禅与计算机程序设计艺术 Apache TinkerPop 是 Apache 基金会下的顶级开源图计算框架。它是一个开源的 Java 开发框架，由TinkerGraph 提供支持，支持多种图数据库系统，包括 Apache Gremlin（Neo4j），Amazon Neptune，DSE Graph，JanusGraph，Orient
Spark原理与代码实例讲解
Spark原理与代码实例讲解 1. 背景介绍 1.1 问题的由来 在当今大数据时代，海量的结构化和非结构化数据不断涌现，传统的数据处理方式已经无法满足实时计算和分析的需求。因此，需要一种能够高效处理大规模数据集的新型计算框架。Apache Spar
【大数据Spark系列】 Spark知识体系总结（2021版）上篇 Spark-Core和 Spark-SQL
【大数据Spark系列】 Spark知识体系总结（2021版）上篇 Spark-Core和 Spark-SQL
大数据概述：Hadoop生态系统与Spark生态系统
1. 背景介绍 随着信息技术和互联网的快速发展，全球数据量呈爆炸式增长，数据规模从TB级别跃升到PB甚至EB级别。传统的数据处理技术已经无法满足日益增长的数据处理需求，大数据技术应运而生。大数据技术是指用于处理海量、高速、多样化数据的技术集合，其核心目标是从大规模数据中挖掘有价值的信息，为企业决策和科学研究提供支持。 Hadoop和Sp
iOS 取证窍门：为什么要先从 Recovery 恢复模式开始？
未记录的 DFU 代表“设备固件升级”。与专为普通用户设计的恢复模式不同，DFU 模式从来都不是为公众设计的。Apple 知识库中的任何地方都没有关于 DFU 的文档。进入 DFU 的方法主要是通过按下、按住和释放按钮的复杂操作序列，并具有精确的时间限制。在多个步骤中的任何一个步骤中，如果时间错误，都会导致重新启动设备，而不是将其切换到 DFU。另外，设备屏幕上也没有 DFU 模式的指示。如果设备成功切换到 DFU，显示屏将保持黑色。即使对于专家来说，进入 DFU 模式也可能很困难。恢复模式是最容易解释的。
Ferry工单平台部署
ferry工单平台部署
FlowPic实战：从流量到图像的端到端加密应用识别
本文深入解析了FlowPic技术如何将网络流量转化为图像，并利用CNN模型进行端到端加密应用识别。该方法通过分析数据包大小和时序信息生成流量图像，有效绕过加密内容，实现对视频、聊天、文件传输等应用的精准分类。文章提供了从流量抓取、图像生成到轻量级CNN模型设计与训练的完整实战指南，并探讨了在VPN、Tor等复杂场景下的应用与挑战。
记录rk3588 在Linux 6.1内核版本声卡 bug。
rk3588 Audio bug
FM收音机调试-RDA5807M
收音机调试 IC型号:RDA5807M
24、手机GPS天线设计与有源GNSS天线性能评估
本文系统介绍了手机GPS天线的代表性设计，包括隔离磁偶极子、共面平衡偶极子和小型陶瓷加载QHA天线，分析了其结构特点、性能参数及适用场景。同时详细阐述了有源GNSS天线的组成结构与G/T比作为关键性能指标的评估方法，并提出了组件选择、噪声控制和增益提升等优化策略。最后展望了未来手机GPS天线在小型化、多频集成和智能适应性方面的发展趋势。
运维颠覆！一文解锁AI赋能运维实战秘籍，效率飙升！
将AI应用于运维工作是一场极具价值的变革，从故障预测与诊断到自动化任务执行，再到资源管理优化，AI都展现出巨大潜力。尽管在实践过程中会面临数据质量、模型复杂性等挑战，但通过合理的技术选型和解决方案，我们能够充分挖掘AI的优势，实现运维工作的高效、智能转型。持续探索和创新AI在运维领域的应用，将为企业的数字化发展提供坚实保障。在科技飞速发展的当下，运维领域正经历着深刻变革，AI的融入成为提升运维效率与质量的关键。本文将深入实战，带你领略AI如何在运维各环节大显身手，让你的运维工作开启智能高效新模式。
【AgentScope 2.0】01-不搭 demo，直接解剖一个生产级 Agent 平台：loser-agent 全链路地图
本文介绍生产级Agent平台loser-agent的完整请求旅程，从用户发消息到返回结果共七站：入口鉴权、灰度路由、Agent装配、模型路由、工具执行、持久化与流式响应。课程以真实源码为线索，深入剖析每一步实现逻辑，涵盖灰度发布、权限控制、HITL审批、多模态处理、状态持久化等核心能力。强调框架仅负责Agent运行时语义，平台自建管理请求生命周期中所有非框架部分，适合Java后端开发者系统掌握Agent工程化落地。
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")
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
5863
扫一扫
