PostgreSQL 技术日报 (5月20日)｜PGConf 干货分享，大会视角看社区生态

IvorySQL IvorySQL 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 200+累计阅读 261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5年
关注
原创 2026-06-03 09:02:48 261 阅读 AI 写同款· GEO 优化 ›
2020 PostgreSQL亚洲大会-腾讯云数据库专场精彩回顾 1.腾讯云数据库专家工程师伍鑫做《TBase开源分布式数据库——HTAP领域探索》分享。 2.腾讯云数据库高级工程师林锦做《CynosDB for PG —— 存储集群管理》分享。 3.腾讯云数据库专家工程师邹立贤做《CynosDB for PG —— 主从架构》分享。 4.腾讯云数据库高级工程师章爱国做《CynosDB for PG —— 备份与恢复》分享。 5.腾讯云数据库产品经理唐阳做《PG 可以用来干什么》分享。 6.腾讯云数据库高级工程师黄辉做《TencentDB for PG —— . 阅读详情

pg每日新闻封面.png

⚙️ PostgreSQL技术文章

🧩 从流处理到"PostgreSQLVillage":一位营销人员的PGConf.de之旅

1.png

一位有 Apache Flink 经验的营销人员分享了她参加 2026 年 PGConf.de 大会的见解，这是她首次参加 PostgreSQL 会议。她对比了 PostgreSQL 和 Apache Flink 社区的主要差异：PostgreSQL 采用去中心化开发模式，注重缓慢而战略性的增长，而 Flink 专注于快速的工程创新。PostgreSQL…

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.cybertec-postgresql.com%2Fen%2Ffrom-stream-processing-to-the-postgresql-village-a-marketers-journey-to-pgconf-de%2F

🧩 从虚拟机迈向Kubernetes:大型全球银行的数据库管理员之路

2.png

一家大型全球金融机构成功将 PostgreSQL 数据库运维从传统虚拟机迁移到 Kubernetes 原生架构。这次转型代表了企业数据库管理方法的重大变化，展示了大型金融机构如何实现数据基础设施现代化。迁移过程涉及重新思考基础数据库运维工作流程，以充分利用 Kubernetes 的编排能力，同时保持银行环境所需的严格可靠性和安全性要求。该案例研究为考虑类似…

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fenterprisedb.com%2Fblog%2Fvms-kubernetes-dbas-journey-large-global-bank

🧩 开源项目良莠不齐:如何在2026年为Kubernetes选择合适的PostgreSQL Operator

3.png

PostgreSQL Kubernetes 算子的开源生态发生了重大变化，许多项目实施了限制实际使用的许可限制。MinIO 在 2026 年 4 月将其开源代码库存档，Bitnami 将生产镜像转移到付费订阅后，Crunchy Data 的 PostgreSQL 算子镜像现在需要身份验证并限制重新分发。这些变化破坏了离线部署和 GitOps 工作流。Per…

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.percona.com%2Fblog%2Fnot-all-open-source-is-equal-choosing-postgresql-operator-kubernetes-2026%2F

🧩 PostgreSQL19逻辑解码的在线WAL级别变更

4.png

PostgreSQL 19 引入了在线更改 WAL 级别的功能，无需重启系统，这对逻辑解码操作特别有益。以前启用逻辑复制需要在计划停机期间切换 WAL 级别，迫使许多组织为了避免重启协调的复杂性而永久运行更高的 WAL 开销。这项改进消除了转换到逻辑解码时的重启需求，降低了运维复杂性，并允许根据实际复制需要更灵活地管理 WAL 级别。

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.fastware.com%2Fblog%2Fonline-wal-level-change-for-logical-decoding-in-postgresql-19

📨 PostgreSQL Hacker 电子邮件讨论精选

🧩 如何在 PostgreSQL中为REPACK添加并发选项

Alvaro Herrera 认同了 Amit Kapila 对并发 REPACK 功能中 db-specific snapshots 补丁的担忧。Amit 指出逻辑解码机制在根本设计上是面向集群范围事务的，而当前补丁试图绕过这个基础假设，仅在处理 running_xacts 记录时的初始快照构建过程中这样做。虽然 Amit 支持用 db-specific…

https://pgnexus.ai/hacker-discussions?subject=Adding%20REPACK%20%5Bconcurrently%5D

🧩 实现WALLSN回放等待机制:重新加载

Alexander Lakhin 报告了恢复测试套件中出现的新测试失败，该问题似乎是由最近提交的"WAIT FOR LSN"功能实现引起的。失败发生在测试 019_replslot_limit.pl 中，其中插槽状态变更不符合预期——测试期望得到"extended"但实际得到"unreserved"，期望得到"unreserved"但实际得到"lost"。…

https://pgnexus.ai/hacker-discussions?subject=Implement%20waiting%20for%20wal%20lsn%20replay%3A%20reloaded

🗞️ 行业新闻

🧩 Google Search的时代已经落幕

5.png

Google 正在从根本上改变其搜索产品，将传统的链接列表转变为以对话式回答、自主代理和交互界面为核心的 AI 驱动体验。这标志着 Google 核心业务的重大战略转型。新功能将直接提供答案和交互能力，用户无需点击跳转到外部网站。这一变化可能大幅减少流向网络发布商和内容创作者的流量，引发对开放网络生态未来的担忧。此举反映了 Google 对 AI 搜索竞品…

https://pgnexus.ai/tech-news?source=https%3A%2F%2Ftechcrunch.com%2F2026%2F05%2F19%2Fgoogle-search-as-you-know-it-is-over

🧩 OpenAI联合创始人AndrejKarpathy加入Anthropic预训练团队

6.png

OpenAI 联合创始人、知名 AI 研究员 Andrej Karpathy 已加入 Anthropic 的预训练团队。预训练阶段负责大规模训练运行，为 Anthropic 旗舰 AI 模型 Claude 提供核心知识和能力，是构建前沿 AI 模型中计算成本最高、最关键的阶段之一。Karpathy 的加盟对 Anthropic 来说是一次重要的人才收获，该…

https://pgnexus.ai/tech-news?source=https%3A%2F%2Ftechcrunch.com%2F2026%2F05%2F19%2Fopenai-co-founder-andrej-karpathy-joins-anthropics-pre-training-team

🧩 数十个热门开源项目遭黑客入侵

7.png

数十个流行的开源软件包在名为 Mini Shai-Hulud 的持续供应链攻击活动中遭到入侵。攻击者成功渗透了多个广泛使用的开源项目，可能影响依赖这些软件包的大量开发者和公司。供应链攻击通过向可信组件注入恶意代码来针对软件开发流程，使攻击者能够入侵将这些软件包集成到应用程序中的下游用户。这类攻击尤其危险，因为它利用了开发者与开源生态系统之间的信任关系。该攻…

https://pgnexus.ai/tech-news?source=https%3A%2F%2Ftechcrunch.com%2F2026%2F05%2F19%2Fhackers-have-compromised-dozens-of-popular-open-source-packages-in-an-ongoing-supply-chain-attack

🌐 社交媒体动态

🧩 大家都想听灾难和战争故事!

8.jpeg

由 Ants Aasma、Henrietta Dombrovskaya 和 Pavlo Golub 主讲的灾难与战争故事分享会吸引了大批观众，现场座无虚席，甚至需要站着听讲。这场演讲显然引起了极大关注，会场人满为患，大家都想听他们讲述这些引人入胜的话题。

https://www.linkedin.com/posts/pgconf-dev_everyone-wants-to-hear-about-disasters-and-activity-7462616821976772608-ysaT

🧩 支持离线部署的自托管数据库AI助手，可选择Claude、OpenAI、Gemini或本地Ollama模型

9.jpeg

pgEdge AI DBA工作台提供离线自托管的数据库管理解决方案，支持Claude、OpenAI、Gemini或本地Ollama等多种大语言模型。6月2日将举行现场演示，由Dave Page、Antony Pegg和Paul Rothrock主讲。演示内容包括：工作台如何在不在数据库主机上运行代理的情况下工作，三层检测机制如何决定告警内容，以及AI助手E…

https://www.linkedin.com/posts/cybertec-postgresql_viennaup-impactdays2026-postgresql-activity-7462109763649085441-HVdh

🧩 新人眼中的PostgreSQL社区是什么样的?

10.jpeg

Elvira Edina Szabo最近从Apache Flink生态系统加入CYBERTEC，并参加了她的首次PostgreSQL会议PGConf.de 2026。作为来自不同开源背景的新人，她对PostgreSQL社区的独特之处提供了全新的视角。她观察到PostgreSQL社区的独特特征和文化，为那些想要了解这个开源数据库社区究竟有何特别之处以及它与其…

https://www.linkedin.com/posts/cybertec-postgresql_postgresql-pgconfde-opensource-activity-7462544272245010433-94Nf

标签
#postgresql #数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
A robust and easy to implement method for IMU calibration without external equipments（IMU标定） A robust and easy to implement method for IMU calibration without external equipments 1 标定原理1 亲试可用，还有动态演示效果不错。相比商用产品的简易标定流程，该标定方法有以下几点不同： 给出了加速度计和陀螺仪更复杂的模型。 利用Allan方差的定义，标定陀螺仪的偏置。 大量冗余数据，保证最优化收敛。利用数十... 阅读详情

相关推荐

西电微机系统课程设计步进电机开环控制系统

** 微机系统与应用课程设计 课题二 步进电机开环控制系统设计** 一、程设计目的 掌握微机系统总线与各芯片管脚连接方法，提高接口扩展硬件电路的连接能力。 加深对 A/D 和并行接口芯片的工作方式和编程方法的理解。 搞懂步进电机的工作原理及控制方式，掌握开环控制系统的设计思路和实现方法。 二、课程设计的内容 手动调节电位器旋钮（0V~5V），通过 ADC0809 模拟输入水库水位 0 米~50...

qq_37015775的博客 4040

从PGConf.dev 2026日程前瞻PostgreSQL技术趋势与社区生态

数据库作为现代应用的核心基础设施，其技术演进深刻影响着系统架构与开发实践。开源数据库PostgreSQL以其强大的扩展性和活跃的社区生态著称，其技术发展方向往往通过核心开发者会议议题集中呈现。深入分析这类会议日程，不仅能揭示查询优化器、存储引擎、逻辑复制等内核模块的演进原理，更能把握高可用架构、云原生运维等工程实践的前沿动态。对于数据库工程师和架构师而言，这提供了前瞻性的学习路径和社区参与指南。通过解读PGConf.dev这类深度技术会议的远期日程，从业者可以系统性地规划技术储备，洞察如并行查询优化、扩展插

weixin_26938645的博客 234

yolov11使用记录（训练自己的数据集）

本文介绍了如何安装和使用Ultralytics YOLOv11进行目标检测。首先，通过Anaconda创建并激活虚拟环境，安装必要的依赖库如PyTorch和Ultralytics。接着，从GitHub下载YOLOv11源码，并在PyCharm中配置环境。下载预训练的YOLOv11模型后，通过编写简单的Python脚本进行图片检测，验证环境配置的正确性。最后，文章提到可以基于此环境训练自定义模型。整个过程涵盖了从环境搭建到模型应用的完整流程，适合初学者快速上手YOLOv11。

IT菜鸟 7549

技术无界·共创未来｜PG 全球开发者大会（PGConf.Dev）亮点前瞻

瀚高赞助了 PGConf.dev 2025，在此次大会上将携最新版本 IvorySQL 4.4 亮相，向全球 PostgreSQL 社区展示最新的技术进展，包括 PostgreSQL 17.4 的性能优化、Oracle 数据类型的无缝支持等。PGConf.dev（PostgreSQL Development Conference）是全球 PostgreSQL 社区最具影响力的技术盛会之一，汇聚来自世界各地的核心贡献者、开发者及企业代表，共同探讨 PostgreSQL 的技术演进与社区发展。

IvorySQL的博客 854

MATLAB使用贝叶斯网络bnt工具箱：使用手册详解

MATLAB使用贝叶斯bnt网络工具箱：使用手册详解

WW、forever的博客 2676

stata 工具变量法【计量经济系列（七）】

stata 工具变量法【计量经济系列（七）】 1. 内生性 2. 工具变量3. 2SLS （二阶段最小二乘法） 4. 弱工具变量5. 工具变量外生性的过度识别检验 6. 豪斯曼检验6.1 传统豪斯曼 6.2 杜宾-吴-豪斯曼检验（DWH）

侯小啾技术博客 2万+

大会倒计时|2020 PostgreSQL亚洲大会-中文分论坛议程安排

大会时间安排详情： 17日由两个专场全天并行直播——PG培训机构专场和阿里云数据库专场 18日由三个专场全天并行直播——腾讯云数据库专场、瀚高数据库专场、云和恩墨专场 19日由四个频道全天并行直播——主论坛、中文分论坛、英文分论坛A和英文分论坛B 20日由五个频道全天并行直播——主论坛、中文分论坛、英文分论坛A、英文分论坛B、产学研分论坛 中文分论坛时间安排详情： 19日由四个频道全天并行直播——主论坛、中文分论坛、英文分论坛A和英文分论坛B 20日由五个频道全天并行直播——主论坛、中文分论坛、英文分论坛.

PostgreSQL China 1034

8、 使用TPM密钥：从理论到实践的全面指南

本文全面介绍了如何使用TPM（可信平台模块）进行密钥管理，涵盖密钥的创建、存储、加载、迁移以及特殊密钥类型的使用。通过详细的操作步骤和代码示例，帮助读者掌握TPM密钥管理技术，确保系统的安全性和可靠性。

weixin_36212459的博客 243

报名|2020 PostgreSQL亚洲大会系列专场四：瀚高数据库专场

作为国内数据库行业龙头厂商，瀚高软件与开源社区有着密切的合作，诸多核心研发人员一直是PostgreSQL国际社区活跃的中国力量，他们不仅向社区贡献代码，还多次参与文档翻译。瀚高软件还是中国开源软件推进联盟PostgreSQL分会核心发起单位之一，并一直致力于推动PostgreSQL中国生态建设和产学研用发展。 作为亚太地区PostgreSQL开源技术最大的贡献者，瀚高软件从去年六月份至今，已在国际PostgreSQL社区发表高质量技术文章七十余篇，提交社区代码五万余行，审阅社区补丁近百个，并多次进行国际社.

PostgreSQL China 705

【定位模块算法】amcl（蒙特卡洛）粒子滤波定位算法（附C++代码）

系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言（1）amcl定位框架介绍（2）amcl定位框架组成（1）ROS-TF坐标转换树【ROS的工具】（2）robot_pose_ekf扩展卡尔曼位姿估计算法（3）定位amcl自适应蒙特卡洛定位，adaptive monte carlo localizaion**（3）amcl定位节点的订阅与发布（4）amcl定位功能包用法(1)编写amcl节点相关的launch(amcl_omni.l

qq_35635374的博客 4403

【图像去噪】论文精读：FM2S: Self-Supervised Fluorescence Microscopy Denoising With Single Noisy Image

论文题目：FM2S: Self-Supervised Fluorescence Microscopy Denoising With Single Noisy Image —— FM2S：单噪声图像自监督荧光显微镜去噪arXiv 2024！显微图像去噪！通过可视化详细的细胞结构和生物过程，荧光显微镜具有显着先进的生物学研究。然而，由于难以精确建模固有噪声和获取干净图像进行训练，这种图像去噪任务往往面临挑战，这限制了大多数现有方法。在本文中，我们提出了一种有效的。

主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】 411

嘉宾介绍|2020 PostgreSQL亚洲大会中文分论坛：潘娟

作为全球最大、最知名的PG序列会议，从纽约到莫斯科，从里约热内卢到约翰内斯堡，全球各地区都有PGConf在运行。而亚洲规格最高的PG技术盛会—PGConf.Asia大会，将于今年11月首度在中国举行。中国开源软件联盟PG分会作为东道主承办本次会议，采用线上形式，通过墨天轮社区面向全球直播。本次大会将集中国PG力量和亚洲主要PG贡献者、应用企业共同打造亚洲范围内最大规模的PG生态会议。 本届PGConf.Asia大会将与PostgresConf.CN中国大会联合举办。PostgresConf.CN中国大会同.

PostgreSQL China 910

SAP_SD模块信用管理-最早未清项判断逾期

在 SAP SD 模块的信用管理（Credit Management） 中，系统可以通过 最早未清项（Oldest Open Item） 来判断客户是否存在逾期，从而影响订单的信用检查结果。例如： 定义最大未清项目%为1%，未清天数为1天，即允许客户“逾期1天的未清应收帐款/该客户的应收帐款余额”最大比例为1%，若超过1%则将被信用冻结。的信用检查功能，用于判断客户是否有账龄过长的未清款项，并据此决定是否允许新的销售订单继续处理。然后在查看客户的信贷信息可以看到，最早的未清信息显示在系统中。

我小时候很黑的博客 864

报名|2020 PostgreSQL亚洲大会系列专场二：阿里云数据库专场

数据库未来是云。在数据库领域的权威评选——Gartner全球数据库魔力象限评比中，阿里云数据库成功进入“挑战者”象限，并连续两年作为唯一的中国企业入选。阿里云数据库在技术上有着十多年的沉淀，同时在阿里集团内丰富的业务场景打磨下，持续从用户需求出发，研发有数款强竞争力的数据库产品，助力企业更好地完成数据库和应用技术转型。 积极拥抱开源，持续回馈开源。PostgreSQL是世界上最流行的的开源数据库之一，稳健发展30多年，生态厂商是推动发展的重要力量。作为PostgreSQL国际社区的重要参与方，阿里云数据库.

PostgreSQL China 735

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

嘉宾介绍 | 2020 PG亚洲大会中文分论坛：潘娟

作为全球最大、最知名的PG序列会议，从纽约到莫斯科，从里约热内卢到约翰内斯堡，全球各地区都有PGConf在运行。而亚洲规格最高的PG技术盛会—PGConf.Asia大会，将于今年11月首...

ShardingSphere官微 676

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

嘉宾专访|2020 PostgreSQL亚洲大会主论坛：德哥

2020 PG亚洲大会组委会特别推出嘉宾系列专访，本期我们邀请到了阿里云数据库产品专家德哥（周正中）。他将在11月20日主论坛频道15:30-16:10时间段带来《下一代云数据库形态：MyBase专属集群》分享。 德哥|阿里云数据库产品专家 Q1：您能简单介绍一下自己吗？您是如何与PostgreSQL社区互动的？ 德哥：大家好，我是周正中，阿里云数据库产品经理，PG中文社区创始人之一，中国开源软件推进联盟PostgreSQL分会特聘资深领域专家，PG大学校长, 致力于推动PG的生态发展。 Q2：您第一次接.

PostgreSQL China 1143

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")

嘉宾专访|2020 PostgreSQL亚洲大会中文分论坛：孙彪

2020 PG亚洲大会组委会特别推出嘉宾系列专访，本期我们邀请到了瀚高数据库高级工程师孙彪。他将在11月19日中文分论坛频道10:20-11:00时间段带来《PostgreSQL读写分离的思考与探索 》分享。 孙彪 | 瀚高数据库高级工程师 Q1：您能简单介绍一下自己吗？您是如何与PostgreSQL社区互动的？ 孙彪：我是来自瀚高基础软件的研发工程师孙彪，目前就职于瀚高成都分公司。与社区的互动主要就是通过邮件列表，可以从社区开发者们之间的邮件交流中可以学习到很多的东西，也希望日后我能在PG内核中共享自己.

PostgreSQL China 909

权益满满 | PGConf.Asia2020大会诚邀赞助商！携手走向更大世界！

关于PostgresConf.CN&PGConf.Asia2020大会 作为全球最大、最知名的PG序列会议，从纽约到莫斯科，从里约热内卢到约翰内斯堡，全球各地区都有PGConf在运行。而亚洲规格最高的PG技术盛会—PGConf.Asia大会，将于今年11月首度在中国举行。中国开源软件联盟PG分会作为东道主承办本次会议，采用”线上线下结合“的形式，通过墨天轮社区面向全球直播。本次大会将集中国PG力量和亚洲主要PG贡献者、应用企业共同打造亚洲范围内最大规模的PG生态会议。 本届PGConf.Asia..

PostgreSQL China 683

必看!!! 2024 最新 PG 硬核干货大盘点（上）

PGConf.dev（原名PGCon，从2007年至2023年）首次在风景如画的加拿大温哥华市举办。此次重新定位的会议带来了全新的视角和多项新的内容，参会体验再次升级。尽管 PGCon 历来更侧重于开发者，吸引来自世界各地的资深开发者、贡献者和研究人员来攻克“棘手难题”，但 PGConf.dev 扩大了其范围，在强调技术讨论的同时，也注重社区贡献。

IvorySQL的博客 1516

PostgresConf.CN&PGConf.Asia2020活动最新报道

近日据了解，本届PostgresConf.CN&PGConf.Asia大会开启时间仅剩一周。本届PGConf.Asia大会将与PostgresConf.CN中国大会联合举办。PostgresConf.CN中国大会同样是列入PostgresConf会议序列的全球正式会议，同时也是中国区域内规模最大、规格最高的PostgreSQL生态会议，自2017年起，已连续举办三届。今年的大会将继续立足于国内PostgreSQL行业，为观众提供最清晰、最独特的视角。 全球最大、最知名的PostgreSQL序.

mark_bo的专栏 424

技术会议参会指南：2025 年最值得参加的 5 大开发者峰会

鲲鹏昇腾开发者大会 2025 在 AI 与通用算力融合方面的深度探讨，PGConf.dev 2025 对 PostgreSQL 技术演进的聚焦，华为开发者大会（HDC 2025）在鸿蒙生态和 AI 应用创新领域的展示，以及 GTC AI Conference 2025 和 Game Developers Conference 2025 在各自专业领域的引领，都为开发者们打开了通往技术前沿的大门。2025 年，众多精彩纷呈的开发者峰会在全球各地举办，本文将为您介绍其中最值得关注的 5 大开发者峰会。

2503_92849134的博客 1124

fast-lio2复现跑avia数据集

本文详细介绍了在Windows WSL2中安装Ubuntu 22.04并配置ROS2 Humble环境的全过程，涵盖系统初始化、ROS2安装、Livox雷达驱动编译及FAST-LIO2 ROS2版本的构建与验证。通过完整数据集回放与建图测试，成功实现点云地图生成与轨迹记录，并利用evo工具完成轨迹分析与可视化。最终输出包括累积点云地图、位姿轨迹及实验配置文件，为后续精度评估与复现提供基准。

chase_my_dream的博客 371

linux学习

sudo make install：组装好的家具（编译好的库文件），原本放在你的临时工作区。坏处是，你的程序体积会变大。于是，他会根据你的计划书，结合你电脑的当前情况（比如装了什么编译器，库在哪），生成一本极度详细的《施工进度表》。很多大牌的第三方库（比如你刚装的 libevent）为了照顾不同的需求，会同时提供动态库（.so）和静态库（.a），但并不是所有库都这样。只有动态库：常见于系统的核心库（比如你系统的底层 C 库），或者一些商业闭源软件（厂商只给你一个黑盒子，不让你直接把代码打包进你的程序）。

d_mail的博客 194

ubuntu 偶发启动失败问题分析

ubuntu 系统启动偶发异常问题分析

平面到立体 193

Docker Compose：搭建本地多服务开发环境

从一个 Java API、PostgreSQL 和 Redis 开始，配置服务名、端口、环境变量、健康检查、数据卷和依赖关系。理解 Compose 文件如何被解析、项目如何隔离，以及哪些数据不能依赖“重建容器”保留，能够把个人开发环境整理成团队可复用的启动入口。

m0_62221377的博客 477

AI全栈实战 | 3.9-01 爬虫入门：requests 加 BeautifulSoup 三分钟跑通，但 90% 的人栽在这 4 个“礼貌“问题上

⚠️：本文内容仅用于。请遵守目标站点的服务条款与相关法律法规，不得对目标服务造成负担，不得采集、传播个人隐私数据。技术是中性的，边界在你手里。爬虫的入门技术（requests 发请求 + BeautifulSoup 解析）三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的，是这篇我们跑通"请求→解析→存储"的最小闭环，然后重点把"合规与礼貌"这根弦给你绷上。

源码获取 | 运行部署 | 定制二开修改，如果回复不及时请耐心等待，请见谅。 436
上一篇： PostgreSQL 技术日报 (5月19日)｜PGConf.dev 启幕，AI 向量存储扩展更新
下一篇： 用生成列提升 JSONB 查询效率：PostgreSQL 三种索引方案实测对比
点赞 12
评论 0
书签 书签 6
IvorySQL
IvorySQL
博客等级 码龄5年 745粉丝 565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