PG 日报｜共享内存结构优化，支撑 shared_buffers 在线动态扩容

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 219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 最新推荐文章于 2026-11-10 00:57:14 发布 219 阅读 AI 写同款· GEO 优化 ›
「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品） 阅读详情

PostgreSQL 技术文章

EDB印度合作伙伴领导力峰会亮点:Postgres的未来之路

EDB 于 2026 年 7 月 10 日至 11 日在古尔冈的 Karma Lakelands 举办了印度合作伙伴领袖峰会。本次活动汇聚了由 Anupan Roy 带领的印度合作伙伴生态系统成员，重点表彰了表现突出的合作伙伴，并围绕企业级 Postgres 的落地应用展开交流。峰会折射出市场对 AI 就绪基础设施及遗留系统现代化的强劲需求，EDB 正携手…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fenterprisedb.com%2Fblog%2Fempowering-future-postgres-highlights-edb-india-partner-leadership-summit

Postgres约束在大规模应用中的隐性成本

在高频写入场景下（如每秒 50K 条插入），PostgreSQL 的 FOREIGN KEY 和 UNIQUE 约束会带来 PoC 阶段难以察觉的显著开销。每次插入时，FOREIGN KEY 都会对父表发起逐行索引查找并获取 FOR KEY SHARE 锁，在高并发下会导致 MultiXact SLRU 争用；UNIQUE 约束则在每次插入前触发索引扫描。…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.tigerdata.com%2Fblog%2Fhidden-cost-postgres-constraints-scale

PostgreSQL Hacker 电子邮件讨论精选

修复数据库后台工作进程终止中的竞态条件

Chao Li 在 TerminateBackgroundWorkersForDatabase() 中发现了一个竞争条件，该问题由提交 f1e251be8 引入。该函数调用 BackendPidGetProc()，后者在返回前会释放 ProcArrayLock，导致返回的 PGPROC 指针失去保护——在访问 proc->databa…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Fix%20race%20in%20background%20worker%20termination%20for%20database

glibc qsort()存在的安全隐患

Rustam Khamidullin 报告了一个在 PostgreSQL 17 中引入的 bug，位于 autovacuum.c 的 db_comparator 函数中。原始代码按 adl_score 降序排列数据库，但在修复 glibc qsort() 漏洞的补丁中，相关逻辑被替换为 pg_cmp_s32，导致排序变为升序，反转了原本的…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=glibc%20qsort()%20vulnerability

Autovacuum 和 autoanalyze 过程中跳过的表如何追踪

Yugo Nagata 提交了 v12 补丁，用于追踪 autovacuum 和 autoanalyze 因锁不可用而跳过的表。由于意外被移出 CC 列表，他错过了近期的讨论，补回后根据 Kato-san 的反馈进行了修改。主要变更包括：将列名从 skipped_* 改为 lock_skipped_*，将内部宏重命名为 PGSTAT_REPORT…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Track%20skipped%20tables%20during%20autovacuum%20and%20autoanalyze

历史快照无法跟踪处于 BUILDING_SNAPSHOT 状态的已提交事务

该讨论涉及一个 bug：在逻辑复制中，historic snapshot 未能追踪在 BUILDING_SNAPSHOT状态下提交的事务。ChangAo Chen 提出的修复方案是从 BUILDING_SNAPSHOT 状态开始追踪变更。Ajin Cherian提出了另一种思路：不在 SNAPBUILD_CONSISTENT 之前追踪 catalog…

原链接：

https://pgnexus.ai/hacker-discussions?subject=Historic%20snapshot%20doesn’t%20track%20txns%20committed%20in%20BUILDING_SNAPSHOT%20state

将EXISTS-to-ANY 转换后的子计划重命名为 exists_to_any

该补丁提议将 EXPLAIN 输出中 EXISTS-to-ANY 转换子计划的名称前缀从 exists_ 改为 exists_to_any_，以更清晰地表明该子计划来源于 EXISTS-to-ANY 转换。Solai 在当前 HEAD 上测试了该补丁，确认可读性有所提升，查询结果和执行计划行为均未发生变化。Yugo Nagata 正在等待 Robe…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Rename%20EXISTS-to-ANY%20converted%20subplan%20to%20exists_to_any

事件触发器对 ALTER PUBLICATION 命令的收集

Fujii Masao 发现了两个 bug：ALTER PUBLICATION 会触发 ddl_command_end 事件，但 pg_event_trigger_ddl_commands() 不返回对应的命令记录。补丁 0001 修复了仅删除成员映射时（如 ALTER PUBLICATION DROP TABLE）缺少记录的问题；补丁 0002 修复了…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Collect%20ALTER%20PUBLICATION%20commands%20for%20event%20triggers

共享数据结构的管理改进与动态扩容支持

该线程讨论 PostgreSQL 中无需重启即可调整 shared_buffers 大小的可伸缩共享内存结构方案。Haoyu Huang（Databricks）基于 Ashutosh Bapat 早期补丁，介绍了内部实现思路：使用单一 mmap 匿名段配合 madvise 管理物理页，引入 lowNBuffers/highNBuffers/maxNBuff…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Better%20shared%20data%20structure%20management%20and%20resizable%20shared%20data%20structures

行业新闻

Anduril融资谈判估值达100亿美元，较去年增长逾3倍

据路透社报道，国防科技初创公司 Anduril 正就新一轮融资展开谈判，估值有望达到约1000亿美元，较去年增长逾三倍。此次融资若成功落地，将使 Anduril 跻身估值最高的私营科技企业之列，也折射出投资者对国防科技赛道持续高涨的热情。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F07%2F24%2Fanduril-reportedly-in-talks-to-raise-funding-at-100b-valuation-more-than-3x-last-years-mark

Anthropic 推出 Opus 5

Anthropic 正式推出新一代 AI 模型 Opus 5。据 TechCrunch 报道，与前代模型 Fable 相比，Opus 5 价格更低、使用限制更少，预计将在大多数应用场景中更具竞争力。此次发布延续了 Anthropic 在大语言模型领域的持续迭代节奏，进一步加剧头部 AI 实验室之间的市场竞争。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F07%2F24%2Fanthropic-launches-opus-5

OpenAIChatGPT桌面版新增语音模式功能

OpenAI 宣布将全新语音模式正式引入 ChatGPT 桌面应用。该功能支持与 ChatGPT Work 和 Codex 协同使用，用户可通过语音交互完成任务并控制 AI 智能体。此次扩展至桌面端，是 OpenAI 推动 AI 助手跨平台、多场景落地的重要一步。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F07%2F24%2Fopenais-new-voice-mode-makes-it-to-the-chatgpt-desktop-app

社交媒体动态

PostgreSQL 调度器的可观测性大幅提升

pg_timetable v7.0 正式发布，为 PostgreSQL 定时任务引入了 OpenTelemetry 追踪与指标上报能力，用户可通过现有可观测性工具实现全链路监控。此版本还新增了 ARM64 Docker 镜像支持，改进了任务管理机制，增强了执行日志功能，并带来了多项稳定性优化。

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fcybertec-postgresql_your-postgresql-scheduler-just-became-easier-activity-7486319460073586688-iiHh

将Amazon S3数据接入Databricks，现在只需几步操作

Databricks 推出了全新的外部位置创建流程，大幅简化了接入 Amazon S3 数据的操作步骤。原本需要在多个控制台之间来回切换的繁琐配置，现在只需几次点击即可在几分钟内完成。这项更新让团队能够更快速地建立安全、受治理的 S3 连接，将更多精力放在数据分析和业务构建上，而非基础设施的配置调试。

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_connecting-amazon-s3-data-to-databricks-now-activity-7486528011287048194-LIzp

Anthropic Claude Opus 5现已登陆 Databricks，直接在你的数据湖仓上构建受治理、安全的AI应用与智能体

Anthropic 的 Claude Opus 5 现已在 Databricks 平台上线，用户可直接基于 Lakehouse 中的数据构建自定义 AI 应用和智能体。在 Databricks 内部编程评测中，Opus 5 达到了当前最优水平，在智能体编程、专业知识处理和长链推理方面均有显著提升，且在不同任务强度下都能以更少的 token 实现更强的表现。…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_anthropics-claude-opus-5-is-now-available-activity-7486475371299749889-PBzE

以上信息来自 PGNexus（https://pgnexus.ai/home），欢迎注册账号体验和订阅邮件获取每日更新。

PGNexus 是面向全球 PostgreSQL 用户、开发者与贡献者的一站式生态平台，汇聚技术博客、Hacker 邮件讨论、社区补丁分析、行业资讯及全球活动信息。同时，平台提供在线沙盒环境，用户无需本地部署，即可快速体验和验证 PostgreSQL 相关功能、SQL 语句与技术方案。通过智能化的信息筛选、内容提炼与实践工具，PGNexus 帮助用户更高效地了解 PostgreSQL 技术动态，参与社区协作，并完成从学习到验证的完整闭环。

标签
#postgresql #人工智能 #数据库 #大数据
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。
ArcGIS中利用DEM数据生成地形图既视感的等高线；利用掩膜进行等高线注记；DEM的可视化表达总结 文章目录前言一、效果图展示二、地形（DEM）可视化表达1.一维可视化2.二维可视化2.三维可视化二、ArcGIS中利用DEM数据制作等高线2.三维可视化2.三维可视化2.三维可视化2.三维可视化二、ArcGIS中利用DEM数据制作等高线2.三维可视化2.三维可视化2.三维可视化总结 前言 最近老师布置作业：DEM的可视化表达。想做一个等高线地形图那样、看起来高级一点的等高线，可是我看网上大多数教程都只展示了【等值线】工具，做出来效果都一般。我自认为自己做出来的效果还可以，把步骤分享给大家。 一、 阅读详情

相关推荐

BPMN2.0规范及流程引擎选型方案

本文主要简明扼要的介绍了BPMN2.0规范的内容，可让读者快速度的了解BPMN2.0所涵盖的主要内容和图形样式。也较为详细的阐述了如何绘制标准的流程图，以及在软件层面中如何实现业务流程功能，和技术选型。

比特桃 1万+

PG 技术日报｜2026-07-03

随着 AI 编程的快速发展，数据库也需要跟上步伐。Lakebase Branching 通过创建隔离的临时数据库环境，让 AI 编程代理可以自由实验和迭代，同时不影响生产数据的安全。该演示介绍了分支功能的工作原理、其快速与低成本的优势，以及如何通过 Databricks CLI 和 AGENTS.md 搭建完整的 AI 代理工作流。原文链接：https://pgnexus.ai/social-media?

IvorySQL的博客 232

QEMU+KVM实战：5分钟搞定Ubuntu 24.04虚拟机搭建（附性能优化技巧）

本文详细介绍了在Linux宿主机上使用QEMU和KVM快速搭建Ubuntu 24.04虚拟机的完整实战流程。内容涵盖从环境准备、核心组件解析到具体的安装命令，并重点分享了针对CPU、内存、存储I/O及网络性能的深度优化技巧，旨在帮助用户构建一个响应迅速、资源隔离良好的高性能虚拟化开发与测试环境。

j2k3l4的博客 753

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 351

PHP+txt文件存储简易留言板

留言板共三个文件： index.php---展示留言内容和收集表单 write.php---向txt文件写入数据 message.txt---存储留言数据 index.php用于展示留言内容、通过表单把用户输入的数据POST给write.php，write.php把内容写入message.txt。 index.php代码： <?php //设置时区 date_defau...

仿站、源码搭建/迁移技术博客 1031

从点云到舱口尺寸：船甲板舱口检测的算法实现

本文提出了一种从船甲板激光扫描点云中自动检测舱口尺寸的算法。通过数据预处理（降采样、去噪、平面分割）后，采用甲板投影轮廓法将3D点云转换为2D图像，利用双次闭运算解决扫描碎片化问题，通过轮廓树检测内轮廓识别舱口。算法最终能稳定检测出三个主要舱口的长宽尺寸、面积和位置信息，矩形度超过0.89。该方法克服了扫描稀疏和围壁结构复杂的问题，参数可调性强，适用于工程实践。关键创新点在于将舱口识别转化为图像中的"洞"检测，而非直接处理3D几何特征。

点云兔子的博客 146

Ubuntu 修复 FinalShell 任务栏齿轮图标

FinalShell 可以正常启动，但任务栏显示默认齿轮图标。本次环境为 Ubuntu、X11，图标文件存在且有效。最终通过在用户级.desktop文件中加入，重新启动并固定应用，成功解决。st是本次实际测得的窗口标识。其他版本或安装方式应先测量，不要直接套用。

To be a better man 217

深水区探秘：小红书App x-s参数逆向与高并发爬虫实战（2026版）

在移动互联网的碎片化时代，小红书凭借其“社区+电商”的独特模式，积累了超过3亿月活用户。其内容生态覆盖了从美妆、穿搭到旅行、数码等几乎所有垂直领域。对于数据分析师、市场研究员以及AI算法工程师而言，小红书平台蕴含的价值是巨大的——无论是热门趋势洞察、KOL画像分析，还是多模态图文数据的采集。然而，想要高效、稳定地获取小红书App的公开数据，却并非易事。与Web端相比，小红书App的防护体系堪称“铜墙铁壁”。其核心的反爬机制建立在动态混淆的加密参数之上，尤其是请求头中的X-SX-T以及X-S-Common。

2201_76125261的博客 265

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 175

如何通过conda安装HyPhy教程

本文介绍了在Ubuntu系统上通过conda安装分子进化分析工具HyPhy的详细步骤。首先创建conda环境并指定Python 3.8版本，然后通过bioconda通道安装HyPhy软件包。安装完成后可通过conda list命令验证安装。文中还特别指出可能遇到的libcrypto.so.1.1共享库缺失错误，并提供了解决方案的参考链接。该教程配有安装过程截图，帮助用户直观了解操作流程和验证安装结果。

猿小白的博客 8261

RK3568平台开发系列讲解（中断及异常篇）中断下半部：中断线程化

以前用 work 来线程化地处理中断，一个 worker 线程只能由一个 CPU 执行， 多个中断的 work 都由同一个 worker 线程来处理，在单 CPU 系统中也只能忍着 了。少数中断不能线程化，典型的例子是时钟中断，有些流氓进程不主动让出处理器，内核只能依靠周期性的时钟中断夺回处理器的控制权，时钟中断是调度器的脉搏。中断处理线程是优先级为50、调度策略是SCHED_FIFO的实时内核线程，名称是“irq/”后面跟着Linux中断号，线程处理函数是。，说明是线程化的中断，那么唤醒中断处理线程。

内核笔记 435

【T113】SDK Tina5.0 V1.2 使用记录（一）基本使用，初次编译等

SDK名称发行方其他描述全志官方tina2.0，仅支持 openwrt全志官方tina5.0 v1.2，支持 openwrt, buildroot百问网非官方,支持buildroot,用于开发板100ask_t113-pro。

似水流年 129

2025年GESP3月认证C++五级真题解析

小 A 有 2n 件物品，小 B 和小 C 想从小 A 手上买走这些物品。对于第 i 件物品，小 B 会以 bi 的价格购买，而小 C 会以 ci 的价格购买。对于所有测试点，保证 1 <= T <= 100， 2 <= g < p <= 10^9， g, p 为整数， p 为质数。对于所有测试点，保证 1 <= n <= 10^5， 0 <= bi, ci <= 10^9， bi, ci 为整数。对于另外 50 % 的测试点，保证 n <= 100000， 0 <= bi, ci <= 10^9。

lan_in的博客 1036

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 228

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。

Mardi_Ladin的博客 402

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")

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。

laoyunsi的博客 248

【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端

上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 503

河道漂浮物目标检测数据集

目标检测，yolo，河道漂浮物目标检测数据集

DL_data_set的博客 203

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 201

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 559

AI前沿日报 · 2026-11-04 | 祛魅时刻：Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读，数学能力提升依赖Python+50次迭代；②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程；③Nvidia开源Auto-Ontology自动知识图谱；④$800开源全域抓取机器人Stringman；⑤OpenAI悄然重开Codex训练开关引信任危机；⑥DeepMind发布Gemini 4 Argon机器人基础模型；⑦美国科技巨头隐性AI债务达3.2万亿美元，6个月增90%。

johnsong2009的博客 575

大模型 Embedding 与向量相似度详解

Embedding 解决的问题：计算机不懂文字，但懂数字│▼文本 → 向量（1024维浮点数数组）│▼相似度解决的问题：怎么判断两个向量（文本）有多接近│▼余弦相似度：看向量方向的夹角，越接近0°越相似│▼最终效果：语义搜索——理解意思，而非字面匹配一句话总结：Embedding 把文字变成数字，余弦相似度比较数字的方向，两者结合实现了"理解语义"的搜索。

T3165919332的博客 92

GPT-1 架构和计算细节

下面配合框图，对 GPT-1 的每个组件做公式展开 + 数值实例（配置：12 层 × 768，12 头，FFN 3072，词表 40478，共 117M 参数）。GPT-1 把翻译模型的编码器-解码器砍掉一半，只留解码器，然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异（框图中标 ★）：h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 280

终端 AI 审计与 “龙虾” 类智能体风险治理：从可见性到闭环溯源

生成式 AI 办公普及之后，数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型，以及龙虾（OpenClaw）这类本地开源 AI 智能体的滥用，成为企业安全新挑战。传统网络边界防护存在审计盲区，本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度，分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 642

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing（TMC）2026年6月，面向极稀疏指纹条件下的WiFi室内定位，针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点，提出注意力图元学习模型AGML（Attentional Graph Meta‑Learning），结合图神经网络、元学习、两种指纹数据增强与分布对齐技术，在标记指纹极少的场景实现高精度室内定位，同时公开了多套真实+仿真定位数据集用于基准测试。场景：二维室内空间，障碍物造成信号遮挡，

weixin_42963026的博客 339
上一篇： PG 日报｜修复高 IO 并发场景，解决预读机制耗尽本地缓冲区缺陷
下一篇： PG 日报｜补充变量导出标识，修复 Windows 日志进程空指针崩溃
点赞 3
评论 0
书签 书签 4
IvorySQL
IvorySQL
博客等级 码龄5年 745粉丝 561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