隐蔽的天堂：北京十大不可不去的隐秘餐厅

feng feng 博客等级 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 2.1k累计阅读 2.1k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 码龄27年
关注
转载 最新推荐文章于 2026-11-10 15:59:30 发布 2.1k 阅读 AI 写同款· GEO 优化 ›
local-life-agent 本地生活智能体架构设计文档 决策选择理由单体 or 微服务单体业务规模小、模块内聚，部署简单；后续可按 Service 边界拆分提示词放代码 or 放库规则在代码、模板在库高频调整的规则随版本管理；低频沉淀的知识可运营、可查询配额扣减方式数据库条件 UPDATE无需分布式锁即保证并发原子性平台改写时机同步 3 次调用一次请求全量返回，体验简单；如成本敏感可改异步/按需向量库ChromaDB（可选）轻量、本地部署友好；后续可平滑切换 Milvus 等。 阅读详情
隐蔽的天堂：北京十大不可不去的隐秘餐厅

翼栈



这个隐蔽的地方也许你曾经路过，但你就是想不到，你身边还有这么好的一个地方。几乎每一个来这里的人，都是被朋友带来的，然后大呼以前怎么就没想到要进来呢。



翼栈以旅行为主题，老板都是没事就背包行走各地的驴子。这里的菜，还有一个故事，当时一队驴友去湘西徒步，大雾中迷了路，误打误撞走进一个村子，一对土家老人用一种特别的石锅菜招待了他们，回来很久后他们仍念念不忘，最终又回村子请了个厨师回来。



在网上搜翼栈，有人说这里的菜是一钵香辣的江湖，我觉得十分的到位。大多喜好行走江湖的人，也是吃遍八方的食客，所以这里的菜品在湘西风格上，还是进行了改造，混杂着各地的特色，没准你来时他们正研究着某一种新菜，可以就势尝尝鲜。



强烈推荐他们最近推出的江湖一锅鱼，大概有四十厘米直径的大锅，里面的香辣浓汤炖的鲶鱼，配上莴笋豆腐丝什么的……现在说起来我都流口水。不说了，反正大家吃了就知道。可以把什么水煮鱼、烤鱼什么的都忘了吧！



另外，这里常常举行各种活动，聚的经常是行走江湖的各地驴友，你身边的帅哥可能刚刚从拉萨骑车下来，而沙发上安静看书的美女， 也许就在下一次的旅行中与你同行。



人均消费：50元

营业时间：11：00-1：00

电话：64810763

地址：亚运村奥体北门内西侧桥下 ( http://www.FreeAsaBird.cn )





红瓶子秘制鱼馆



他家的鱼是事先烧制好，然后用有炭火烘烤的大平盘盛着，热做热吃，中间还可加一些配菜进去，味道奇佳。去的人每次都吃得肚皮朝天还欲罢不能。我到这里连啤酒 都不愿喝，嫌占肚子，妨碍我多吃鱼。做鱼做到这等境界，已有大侠之风！



饭馆的装修颇有品味。店面其实不大，但在色调和灯光的巧妙配合下，毗邻而坐亦不觉拥挤；即便遇吵闹邻坐，只需抬眼略略环顾，便有温馨雅致之感，噪音倒似远处传来的一般，恍惚非真。这等装修水准，让我住在那半隔断的“包间”也觉得享受。逢雨雪霏霏的天气来这里就餐，那就是诗一样的境界了，堪比《红楼梦》芦雪庵烤鹿肉之雅趣。

　　

当然，这些享受都要付钱的。哪怕阁下才高九斗、貌比潘安、浪赛西门庆，但吃饭也不能不给钱啊！大份的钱出在鱼身上，这家的鱼论斤卖，28。8一斤，没有 两斤半以下的鱼，但也没有超过三斤以上的。所以，鱼的价钱一般在70元上下；再配以配菜、酒水，两人吃平均要一百元左右。到这里吃鱼最难受的是三人行，因 为那鱼吧，两人吃一条挺饱，三人吃一条不够、但点两条又明显吃不下。所以来这儿吃饭最好将人头控制在双位数，两人一条、皆大欢喜。

　　

地址： 位于望京广顺南大街1号，娜莉莎大厦102室

电话：（010）

营业时间：10：00－24：00

人均消费：50





天下



从这里路过的人，都会忍不住被耀眼的门头所吸引，金灿灿的光不来自影壁处山西老宅子的桃园三结义小烫金墙面浮雕图。和门头的耀眼夺目相比，这家小川菜馆里的特一级厨师似乎更能食客们的脚步。厨师最擅长的就是创新川菜，每两个月就有一批新菜推出，而最新的杰作要算是“鮰鱼泡饼”了。选用味美但有创作难度的鮰鱼代替常见的鱼头，大厨为了除去鱼中的泥腥味，仅鮰鱼的加工程序就道之多。咸鲜回甜，刺少，肉质也更加鲜嫩。



人均消费：50元

营业时间：11：00-24：00

电话：6402-9711

地址：南锣鼓巷147号



酷虾逸族



酷虾逸族是个私家菜馆，是以虾为主的特色餐厅。老板是个漂亮的湖南MM，很多菜式，和翼栈一样，也是在香菜的基础上，自己独创的。不过他们专业做虾并将湘辣进行到底。辛辣、麻辣、湘辣……只要你想辣！还有从湖南带过来的原汁原味的乡土口味。辣就辣的性感，辣就辣得刺激，辣的温柔，为喜欢辣的朋友诠释以虾为主题的楚国之辣的性感。



人均消费：50元

营业时间：11：00-22：00

电话：64008499

地址：东城区东四北大街东四四条甲83号



中8楼



中8楼一改往日民族风情路线，现在走的似乎是改良派的路子。新装修过的天南地北看起来极具现代气息，简洁的白色墙壁像是西餐厅地云南厨师大半年酝酿的改良新派云南菜也正式出炉，讲究的就是传统做法中加入现代元素，比如一道基诺牛肉，将牛肉、苹果和蘑菇一起烤制，口味独特，吃起来也更加健康。



人均消费：50元

营业时间：11：00-23：00

电话：64130629

地址：三里屯北街3.3大厦对面胡同中8楼



阿土家



位于亚运村欧陆经典与北四环间的"阿土家"(土家族私房菜餐吧),二层白色小楼,环境优雅具有民族风情,提供土家族各种粮食酿酒,停车方便,适合二人心情套餐,或者三五成群朋友聚会.是亚运村一带难得的味美价廉,环境好的好去所.



推荐好菜:阿土家烧鸽子,蕨巴腊牛肉,如影随形,火把会情郎,腊八豆咕噜肉,芋头耠子炒香芹,野韭菜,阿婆香肠,还有各种土家族山涧野菜和自酿的特色粮食酒..... 土家族聚集生活在湖广,四川,贵州交会地带,因此喜欢云,贵,川,湘口味的朋友,一定不要错过哦......



地址：朝阳区亚运村安慧里1区14号

电话： （010）64974885

营业时间：10:00——凌晨2：00

人圴消费：30元



鼎酷（Hot Loft）



这尊张狂的鼎，鼎足而立，在北京两个时尚蒲点开业了，一间在原来藏酷的位置，再张新帜，另一间位居夜店的热门蒲点的工体Coco Banana顶楼。低调的开业，却怎么也挡不过鼎酷沸腾热气散发的热力光芒。创新的概念，空间的游戏，颜色的搭配，材质的混合，日本设计师三蒲荣的肆意发挥，让中式火锅散发出别具一格的韵味。



中式的火锅，从来都是只讲食材味美的火锅，固然是能够以味取胜，但是往往因为其貌不扬，不易登上大雅之堂。但是在鼎酷，一个名字道出的真味的真正含义。以鼎为锅，重的是食物器皿的设计；以顶为谐音，是顶楼无限风光，也是当之无愧的顶级火锅。



地址：北京市朝阳区工体北路4号院内（原藏酷餐厅）

电话：（010）65017501

营业时间：11：00－01：00

人均消费：100元



阿拉丁新疆风味餐厅



阿拉丁新疆风味餐厅是新派新疆菜，追溯其起源要回睦到1999年新疆办事处的那批青年人。他们经历了新疆菜从不为人知到家喻户晓的整个发展过程。造就了锻炼了他们，同时也成为京城餐饮业的一个亮点。这些优秀的年轻人同京城著名的餐饮企业有着千丝万缕的关系，也促成了他们再创辉煌，勇于探索的信心。餐厅的特色菜大漠风情手抓肉/抓饭、拉条子、薄皮包子、烤包子、油塔子、民族花点、 羊肉疯饼、自制无糖酸奶、椒麻鸡等一批新疆特色菜和改良的风味菜肴。



地址： 朝阳区呼家楼向军北里4巷10号

电话：（010）51544800

营业时间：11：00－22：30

人均消费：40





悟空私家菜：



后海银锭桥对面胡同内，浮声掠影向右拐，胡同批萨旁边标牌的灯箱上朝气蓬勃的孙大圣，好像一棍子就可以打翻所有隆冬的郁闷。他是中国所有70年代人的偶像，比起那些机器猫、蜡笔小新……他是那么勇敢而充满朋克精神。



小小的园子竟然也有着曲折的小桥，最喜欢池子中那个红色的卧榻，简直就是花果山上的宝座了。这边是老板收集来的描绘精美的各种悟空的画，那边竟然会是泰餐搬上桌子，还有各种红酒应对泰味的口舌刺激。其实，要是受不了泰味的袭击，这里的家常菜也很了得。大圣连蟠桃都吃过的哦。



秋刀鱼之味，一上来就是冲鼻的香味，入口外焦里嫩，浓重的泰国味道充斥口腹，让人有点胃口大开。而泰国主妇鸡翅，看起来就光滑细腻，嘿嘿，莫非出自铁扇公主的玉手？口感鲜滑而爽口，心里的灰色直接就被其中的鲜香击溃。



地址： 西城区南官房胡同5号后海银锭桥对面胡同内

电话：（010）51663328

营业时间：10：00－24：00

人均消费：50





Kebab Republic烤肉共和国



果说哪个国家有资格声称烤肉是它的独创，那一定就是土耳其了。烤肉算得上是土耳其的最有民族特色的吃食了，就像意粉和中国面条一样，它们的做法也是五花八门。除“doner”（据说由布尔萨一位厨师在1867年发明）以外，还有“iskander”（放在一张土耳其饼上，上面还撒上了番茄汁和酸奶），“adana”（用红辣椒为作料的碎羊 肉），“begendi”（铺着茄子泥），“beyti”（裹在薄片酥皮内），“fistikli”（摆满了开心果）和“patlican”（羊肉碎和茄 子泥）等等。烤肉共和国并不是样样齐全，但也为数不少（价格在28-38元之间），此外，还有多种典型的土耳其沙拉和开胃菜（20-25元）。菜可能有些 粗糙，使它看起来更像是一家快餐店，而不是一家餐馆。但在酒吧林立、酒精弥漫的三里屯，它无疑是鹤立鸡群。



地址：朝阳区三里屯北路66号

电话：010-64131473

营业时间：10:00-午夜

人均消费：40元
 
标签
#电话 #生活 #活动 #游戏
百度慧眼人口位置数据：从原理到实战的GIS处理全流程 本文详细解析百度慧眼人口位置数据的处理全流程，从基本原理到实战应用。通过空间网格划分、终端数量统计等技术手段，百度慧眼数据能准确反映人群分布特征。文章涵盖坐标系转换、核密度分析、热力图制作等GIS处理技巧，并分享商业选址、城市规划等典型业务场景的解决方案，帮助读者高效利用这一数据资源。 阅读详情

相关推荐

[附源码]计算机毕业设计Python财务管理系统(程序+源码+LW文档)

该项目含有源码、文档、程序、数据库、配套开发软件、软件安装教程项目运行环境配置：Pychram社区版+py项目技术：django + python+ Vue 等等组成，B/S模式 +pychram管理等等。环境需要1.运行环境：最好是python3.7.7，我们在这个版本上开发的。其他版本理论上也可以。2.pycharm环境：pycharm都可以。推荐pycharm社区版;3.mysql环境：建议是用5.7版本均可。

巧灵计算机程序设计 1067

北京十大不可不去的隐秘餐厅

1、翼栈这个隐蔽的地方也许你曾经路过，但你就是想不到，你身边还有这么好的一个地方。几乎每一个来这里的人，都是被朋友带来的，然后大呼以前怎么就没想到要进来呢。翼栈以旅行为主题，老板都是没事就背包行走各地的驴子。这里的菜，还有一个故事，当时一队驴友去湘西徒步，大雾中迷了路，误打误撞走进一个村子，一对土家老人用一种特别的石锅菜招待了他们，回来很久后他们仍念念不忘，最终又回村子请了个厨师回来。在网上搜翼栈

血色残阳的专栏 5286

Arduino安装图文教程：小白也能轻松上手

手把手带你完成Arduino安装全过程，无论你是编程新手还是硬件小白，都能快速搭建开发环境。结合arduino安装教程与实操步骤，避开常见错误，让创作即刻启程。

weixin_35509395的博客 1107

北京十大隐秘餐厅

1、翼栈　　说翼栈是个酒吧或者餐厅都不确切，这里更像是一个据点，一个世外的江湖。这里长期聚集着各种有趣的人，比如没事满世界乱走的背包客、扛着着伞包四处飞伞的滑翔者，骑个单车走遍中国的骑行人什么的，还有就是喜欢音乐摄影贪恋美酒佳酿的各路人马。 　　正因为是据点，所以值得我们推荐。作为据点的翼栈提供吃喝玩乐一切服务，而且都很符合他们“天下一家”的江湖的特色。他们的“江湖一锅鱼”，用一个40厘米

elimago的专栏 1922

jieba分词

jieba

sikh_0529的博客 1万+

实用指南：制作通用的INCA和CANape兼容A2L文件

A2L（ASAM MCD-2 Measurement and Calibration Data）文件是描述ECU（电子控制单元）测量和校准数据的标准文件格式。在标定工作中，A2L文件扮演着极为重要的角色，它定义了测量通道、校准参数等关键信息，为工程师提供了统一的描述方式。INCA和CANape是两种常见的汽车电子系统标定工具，分别由ETAS和Vector公司开发。它们在汽车电子系统的开发和调试过程中发挥着重要作用，提供了丰富的标定功能和用户友好的界面。

一直在水些技术小文 2924

本地生活服务系统：试单和正式开业的单为什么会进同一本账

本地生活服务系统应将试营业与正式运营的订单统一记入同一账本，通过“试单标记”区分，而非分设两本账。单号连续、信息唯一，避免重复或遗漏。正式账单仅提取“非试单且已付款”的记录，确保财务核算准确。过程查询则可查所有单据，便于客服追溯。关键在写入时即标注试单状态，开业日调整取出条件，不修改历史标记，保障数据可审计、可复原。

2509_93184100的博客 104

一种抑制undershoot/overshoot锐化算法介绍

一、USM 当增强图像的边缘、细节信息等高频信息时，图像的锐化视觉效果会得到较大提升。提高图像锐化的一种经典算法为非锐化掩码（UNsharp Masking）技术。该技术首先通过高通滤波并与缩放系数相乘，其结果再与原始图像相加，即可对高频信息进行增强。其主要的原理如下图所示： 其中，对图像进行高通滤波的另一种等效方法为：原始图像减去原始图像的低通滤波图像，其结果被称之为“掩码”。因此，上述的USM方法可以表示为： 原始图像减去原始图像低通滤波之后的图像得到掩码M。 2.掩...

大熊 4242

从零开始的C++生活——第八讲——01

这个和之前学的二叉树的层序遍历区别在于，这个要求将二叉树每一层的数据分别插入最后返回的数组中，这就需要进行一个思考，之前常规思路实现层序遍历时是队列出一个进来他的孩子，但是这种方式必然会造成不同层元素之间的混淆，我采用的方法是再用一个队列，专门用来存储本层元素，当每次出原队列元素时都需要在新队列中记录一份，此外，还需要一个变量计算此时原数列中本层元素个数，其实就是当前的元素个数，因为是一层一层进去的。相信在写完这三道题后，你一定对栈和队列的基本使用有了了解，下一节就是栈和队列的模拟实现。

dshswra的博客 182

NPU性能榨取手把手教程：RK3588上YOLOv5s多线程部署与120FPS极限探索

RK3588 YOLOv5s多线程部署优化指南 本教程深入解析RK3588芯片上YOLOv5s模型的高性能多线程部署方案。RK3588作为瑞芯微旗舰AIoT芯片，内置三核NPU（6TOPS算力）和硬件加速器（RGA/VPU），为AI推理提供强大支持。通过线程池技术，我们将视频处理的读取、推理、后处理等环节解耦并行，显著提升系统吞吐量。教程详细介绍了从PyTorch到RKNN格式的模型转换流程、INT8量化方法，以及基于RKNN C++ SDK的YOLOv5推理核心实现，帮助开发者最大化发挥RK3588的AI

LXY_LOVE36的博客 973

14、多级快速多极子算法（MLFMA）详解

多级快速多极子算法（MLFMA）是一种高效加速矩阵向量乘法（MVM）的数值方法，广泛应用于电磁场积分方程求解中。该算法通过构建多级树结构，将MVM分解为近场直接计算和远场分组计算两部分，利用递归聚类、聚合-平移-分解三阶段处理远场相互作用，并结合采样、模式计算与优化策略，将计算复杂度从O(N^2)降低至O(N log N)。博文详细阐述了MLFMA的核心步骤、数学推导、计算复杂度及实际应用中的优化技术，如伽辽金方案改进、对称性利用和反插值方法，为大规模电磁问题的高效求解提供了系统性指导。

t8u9v0w1x的博客 242

第38章：ResNet+CBAM改进模型实战生活垃圾12分类

本文基于PyTorch实现ResNet+CBAM注意力模型，针对复杂场景下垃圾分类图像的遮挡、光照变化等问题，通过在ResNet各残差层后嵌入CBAM模块，实现通道与空间双重注意力增强，提升特征聚焦能力。项目包含数据预处理、迁移学习冻结策略、余弦退火优化、批量推理等全流程代码，支持12类垃圾识别，4600+图像数据集，开箱即用，完整记录训练日志与评估指标，显著提升模型在真实环境下的分类精度与鲁棒性。

Henry的博客 356

Fiori Elements Analytical List Page 标题区配置全攻略：从变体、过滤模式到 UI.KPI 的工程化落地

ALP标题区是Fiori Elements Analytical List Page的核心交互区域，承担变体管理、过滤模式切换、KPI展示等关键功能。本文系统解析了标题区的组成结构、可用能力及工程实现要点，包括：1）标题区包含过滤类型切换、全局KPI、变体管理等交互元素；2）详细说明视觉过滤与紧凑过滤的同步规则及实现方式；3）介绍OData V2下通过UI.KPI注解配置标题区KPI的方法；4）提供manifest.json配置示例和CDS注解写法。文章还对比了V2与V4版本的差异，为ALP开发提供实用指导

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 245

从零开始的C++生活——第八讲——02

当你想要获取第i个元素的时候，你需要拿到两个下标，一个是中控数组的下标，你需要知道它存放在哪个数组中，另一个是当前数组的下标，ptr[x][y]即是该元素，x的计算其实是用i/N，其中N是每个数组的大小，每个数组大小必须都是N，不然你计算会混乱。y的计算则是i%N。针对vector，它解决了扩容频繁以及空间浪费的问题，你一个数组存不下了，紧接着扩下一个数组就好，不会一下扩很多，而且vector在扩容时是需要大规模的拷贝数据的，deque也解决了这个问题，至于第二个缺点我一会再说。

dshswra的博客 227

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

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")

从零开始的C++生活——第七讲——02

关于迭代器，由于你要进行操作符重载，所以我选择封装一个迭代器类，从底层的角度思考，你拿到任意一个类型的迭代器一般都是要访问迭代器所指向的空间的成员，所以我们其实应该拿到迭代器所指向节点的值，因此这也是一个模板类，而且，我们要对迭代器的解引用操作符和->操作符进行重载，重载即是分别拿到对应的值以及对应值的地址，除此之外，在遍历过程中我们需要对迭代器进行比较，因此需要重载==!增加的模板参数一个传T的引用，一个传T的地址，而const类型的迭代器则是传const T&和const T*。

dshswra的博客 95

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

豆包工作接入抖音生活服务经营等官方插件，AI从给建议到深入经营

商户完成相应账户授权后，无需在多个后台之间切换，通过自然语言对话即可查询数据、对比经营表现，并获得复盘报告与投放调整建议，部分场景还可由豆包工作直接创建广告、调整投放，不用再拿着建议回到后台逐项操作。此次三款插件的接入，让 AI 不再只停留在给建议，而是能跟着商家走完看数据、做复盘、调投放的完整经营流程。在门店经营环节，通过抖音生活服务经营插件授权登录后，通过读取成交、曝光等经营数据，豆包工作可以辅助商家按门店和时间周期进行同口径对比，并可生成含图表的复盘报告和行动建议。抖音生活服务经营插件页面。

大力财经 187

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

生活服务小程序开发案例：按行业接单、虚拟拨号与原服务人员复购

一次生活服务完成后，用户再次产生需求时，可能希望由熟悉情况的服务人员继续提供服务。平台需要处理的，不只是“再次下单”，还包括原服务人员是否愿意接单、拒绝后订单如何继续流转，以及服务完成后的评价和收益结算。围绕某公司的生活服务业务需求，海拔网络开展了一套微信小程序的定制开发，将服务预约、人员认证、行业接单、虚拟拨号、用户确认开始服务、评价和复购连接起来。本项目同时考虑首次预约与再次预约。普通订单进入接单大厅，由对应行业的服务人员承接；

haibawangluo的博客 202

设计模式与生活⑬：你坐几号线，谁来运营是另一回事

一到周五，小王的心情就会好一点。倒不是工作少了，而是想到这一天忙完，后面接着双休，心里就有盼头。地铁上，他抬头看标识，发现一件平时没留意的事：5 号线、10 号线常见的是“北京地铁”，4 号线却写着“京港地铁”。再想想，北京的机场也各有各的名字：首都机场、大兴机场。可在成都坐地铁，日常看到的统一称谓就是“成都地铁”。都是出行，名称和背后的主体并不完全一样。对乘客来说，常做的事还是那几样：查线路、进站、上车、到站下车。坐几号线是一条信息，谁来运营是另一条信息，不必揉成一团。同样是在北京坐地铁，线路和运营方并不

工一木子 233

设计模式与生活⑭：一栋楼，共用一份热

今天是立冬。天气预报说夜里有暴雪，白天最高也就 4 度。早上起来，屋里比外面强不了多少。窗玻璃上蒙着一层水汽，摸一把暖气片，凉的。物业群里发了通知：今天开始试供暖，暖气片会慢慢热起来，顶层记得排气，边户留意自家热不热。隔了会儿再摸，暖气片上热下凉，温温的，不烫手。再晚一点，整间屋子总算有了点热乎气。一天里最踏实的一件事，是知道这栋楼里不只自己一户在等热。热力站烧的是一锅水，顺着管网送到每家，各家只管拧自己那个阀门。试供暖第一天，暖气片温而不烫今天聊的。

工一木子 358

2000-2020-全球500米分辨率-三生用地（生产-生活-生态）空间分布数据

该数据集为2000–2020年全球500m分辨率生产-生活-生态空间分布图，基于GlobeLand30与NASA人口密度数据融合生成，经Google Earth验证，精度达83.94%以上（卡帕系数≥0.81）。数据涵盖农业生产、工业生产、城市/农村生活及森林、草地、水域等七类生态空间，以GeoTIFF格式存储，支持ArcGIS、ENVI等工具读取，填补了全球三生空间数据库空白，助力可持续发展目标评估。

hu397313168的博客 166

消费返物业费小程序本地生活商家联盟社区商城本地同城多商户商城app源码

基于UniApp+ThinkPHP搭建的消费返物业费系统，支持社区、物业、商家、管家多方协同。业主消费可返抵物业费，提升满意度；物业增收增效，实现精细化管理。流程透明，模式可持续，构建智慧社区生态闭环。

qq_35738963的博客 54

从零开始的C++生活——第七讲——01

因为前边说过，list的迭代器是双向迭代器，不支持+-，而sort底层是快排，不论是挖坑法还是前后指针法还是霍尔，都是需要在两边区间找大找小的，少不了+-，所以list自己实现了一个。对于list的迭代器，它并不支持+-运算，因为内存空间不连续，所以你加减其实是没有意义的，但是它支持++--，虽然从语义理解这也是没有意义的，但显然是通过运算符重载使得自增自减达到我们想要的效果。然后remove其实就是删除，和erase不同的是，remove是删除值，erase则是删除对应位置。

dshswra的博客 230

纯血鸿蒙个人生活工具三件套实测：混合计算、睡眠记录与本地证件照

日常手机里总要装一堆小工具：算个账、看个睡眠、存张证件照。之前手机里装了好几个 App 凑合用，纯血鸿蒙出来后一直在找原生的替代方案。纯血鸿蒙原生开发、数据完全本地存储、不联网不收集隐私。用下来感觉刚好覆盖生活里最常见的三个小场景。

redtank2000的博客 399

从零开始的C++生活——第九讲

我们知道，底层并没有头文件这个概念，预处理阶段头文件会展开，展开后你在头文件中进行的模板声明就会在主函数中被调用，程序此时并不报错，它认为你调用参数没问题，声明没问题，就是缺少了函数地址，后续补上即可，但是在后续链接阶段，由于你并没有将模板实例化，因此找不到地址，会导致报错。其实并不是，有两种情况还是需要手动实现仿函数的，第一：假如当前的类类型不支持比较大小，就需要实现仿函数进行比较，第二：比较的结果不尽如人意，比如你本来想比较指针所指向的空间，但默认比较的则是指针，这时候就需要仿函数进行比较。

dshswra的博客 172

【Unity知识速递】第7期 Unity 6.6 深度解析：WebGPU 正式版与 WebAssembly64，Web 游戏的内存革命

如何启用 Wasm64？需要注意的是，Wasm64 需要浏览器支持 Memory64 提案，目前主流浏览器的最新版本都已支持。一句话总结： Unity 6.6 用 WebGPU 转正、Wasm64 16GB 内存和渐进式加载三连击，将 Web 游戏的体验天花板又往上推了一大截——Web 平台不再是"妥协版"，正在成为真正的一等公民。Unity 6.6 新增了 WebAssembly64（Wasm64） 构建选项，这可能是本次更新中对 Web 游戏开发者影响最大的一项升级。

crystal_WJT的博客 425

设计模式（unity游戏研发版）

当你使用图形用户界面类时通常会遇到一个问题。比如，你创建了自定义按钮类并允许客户端在按钮中注入自定义代码，这样当用户按下按钮时就会触发这些代码。观察者模式允许任何实现了订阅者接口的对象订阅发布者对象的事件通知。你可在按钮中添加订阅机制，允许客户端通过自定义订阅类注入自定义代码。在Unity中，这就像UnityEvent在Inspector中绑定多个回调。

m0_63330263的博客 102
上一篇： 图像处理及另类界面编辑察看器
下一篇： 周球报(07-5-27)
点赞 0
评论 0
书签 书签 0
feng
feng
博客等级 码龄27年 16粉丝 17原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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