PostgreSQL 日报｜索引与函数优化补丁速递（8 月 22 日）

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 211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 2026-11-14 14:38:32 发布 211 阅读 AI 写同款· GEO 优化 ›
SpringBoot+Vue+MySQL 高校学科竞赛平台 完整可运行版（源码+文档） 本项目基于SpringBoot+Vue+MySQL构建高校学科竞赛管理平台，覆盖学生、教师、领队教师、管理员四大角色，实现竞赛发布、报名、刷题、评分、公示等全流程闭环管理。系统架构清晰，技术主流，配套完整源码、数据库脚本、万字论文、开题报告、答辩PPT及部署文档，支持一键运行，适用于毕业设计、课程设计及院系二次开发，真正实现“开箱即用”。 阅读详情

PostgreSQL 技术文章

PostgreSQL 企业级数据库迁移规划指南

企业级 PostgreSQL 迁移的成败，往往在正式切换之前就已决定。文章指出，大多数团队倾向于跳过规划阶段，急于进入实际执行，但这恰恰是最容易埋下隐患的地方。成功迁移的关键在于提前评估现有工作负载、schema 与查询兼容性、数据量、可接受的停机时间以及回滚策略。忽视前期分析会导致迁移过程中出现意料之外的问题。真正决定迁移质量的，是切换前数周乃至数月的兼…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.fastware.com%2Fblog%2Fpostgresql-migration-for-enterprise-environments-what-to-plan-for

如何判断慢查询是规划问题还是执行问题

PostgreSQL 的 EXPLAIN ANALYZE 输出同时包含 Planning Time 和 Execution Time，但工程师往往只关注后者。在一张拥有 500 个按天分区的表上，规划一个简单聚合查询所需的时间可能是执行时间的 9 倍——因为 planner 必须逐一加载并评估每个分区，然后才能完成剪枝。继续添加索引只会让问题更糟，因为每条…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.tigerdata.com%2Fblog%2Fslow-query-planning-or-execution-problem

PostgreSQL Hacker 电子邮件讨论精选

拆分 tablecmds.c 文件

该讨论围绕一个将 `tablecmds.c` 拆分的补丁展开，计划将分区相关代码移至新文件 `tablecmds_partition.c`，并引入 `tablecmds_internal.h` 供共享声明使用。补丁本身尚处于粗糙阶段。Mario González Troncoso 尝试对其进行 rebase，但在 `tablecmds.c` 上遇到多处 h…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=split%20tablecmds.c

[补丁]在 SQL 可调用槽函数出错时释放复制槽

该讨论围绕一个补丁（v13）展开，目标是在 SQL 可调用的 slot 函数发生错误时正确释放 replication slot。Masahiko Sawada 审查了 v12，提出了若干命名和注释改进建议，Bharath Rupireddy 已大部分采纳，例如将变量 `acquiredInSubId` 重命名为 `MyReplicationSlotSub…`

原文链接：

https://pgnexus.ai/hacker-discussions?subject=%5BPATCH%5D%20Release%20replication%20slot%20on%20error%20in%20SQL-callable%20slot%20functions

再论 HashJoin 与 Bloom Filter 的取舍

该线程讨论了为 hash join 添加 Bloom filter 下推功能的第 v10 版补丁。Matheus Alcantara 处理了 Rui Zhao 审查中发现的若干问题：修正了探针成本的计算方式（改为基于实际获取的行数，而非过滤条件输出后的行数）；修复了 `bloom_filter_pushdown_max_build_relids` 设为 1…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=hashjoins%20vs.%20Bloom%20filters%20(yet%20again)

TOAST 存储选项的问题讨论

Nathan Bossart 已提交该补丁系列中除最后两个以外的所有补丁，并附上了基于最新代码重新整理的补丁集。v14 版本根据 Michael Paquier 的建议，在 API 中添加了 const 标记。Paquier 对 get_effective_relopts() 的命名和整体复杂度提出了疑虑，认为或许可以用更少的函数实现相同功能，但未正式提出…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=problems%20with%20toast.*%20reloptions

to_char 函数中缺少使用翻译后月份名称的选项

该讨论围绕 Pavel Stehule 提交的一个补丁展开，该补丁为 PostgreSQL 的 `to_char()` 函数新增了 `TAMMONTH`/`TAMMON` 修饰符。背景是 glibc 2.28 及更高版本通过 `%B` 返回属格形式的月份名称，但用户有时需要主格形式，可通过 `%OB` 获取。补丁引入 `TAM` 前缀来支持这一替代形式。B…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=missing%20possibility%20to%20use%20alternative%20translated%20month%20names%20in%20to_char%20function

基于 XID 年龄的复制槽失效机制介绍

该线程讨论了基于 XID 年龄的复制槽失效机制，重点关注 standby 上 synced slot 的处理方式。Bharath Rupireddy 与 Bertrand Drouvot 达成一致：保留对 idle_replication_slot_timeout 的豁免，但在 CanInvalidateXidAgedSlot() 中移除该豁免。经与 Am…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Introduce%20XID%20age%20based%20replication%20slot%20invalidation

社交媒体动态

NBCUniversal 升级数据基础设施，应对内容发布与直播活动带来的分析需求峰值

NBCUniversal 与 Databricks 及 EXL 合作，对数据基础设施进行了全面升级，将数据工程、分析和机器学习整合到统一平台。新架构采用按任务分配算力的方式，各流水线可独立扩展，无需争抢预留资源。这对应对重大内容上线、颁奖典礼和直播活动期间的分析流量峰值尤为关键。改造后，整体数据基础设施成本降低了 30%，超过 300 名分析师完成了 Da…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_nbcuniversal-modernized-its-data-infrastructure-activity-7496627465788772352-7kv1

智能自动化重塑开发者角色:从写代码到决策架构与创造方向

随着智能自动化承担越来越多的常规编码工作，开发者的职责正逐渐向更高层次转移——聚焦于系统设计、产品方向以及需要品味与创造力的判断。Databricks 联合创始人 Patrick Wendell、OpenClaw 创建者 Peter Steinberger 和 Codex 工程负责人 Thibault Sottiaux 就这一变化展开讨论，探讨企业在生产环…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_as-agentic-automation-helps-developers-get-activity-7496568128479354880-7LSG

UUIDv4 悄悄损害 B 树索引数十年，大多数团队却以为这是 Postgres 本身的问题

UUID v4 生成随机值，每次插入都落在 B 树的随机叶子页上，导致缓存未命中、页分裂和严重碎片化。百万行测试显示，v4 占用 38 MB 存储，叶子碎片率高达 49.9%，页密度仅 71.5%。UUID v7（RFC 9562 标准）在高位嵌入毫秒级 Unix 时间戳，插入始终追加到索引右端，行为与 BIGINT 自增序列一致。同等测试下，v7 仅占…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fpgedge_postgres-postgresql-postgresql18-activity-7496661471842656256-xD7J

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 #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。
嵌入式工程师必看：BLDC电机驱动电路设计全流程（附MOS管选型指南） 本文为嵌入式工程师提供了BLDC电机驱动电路设计的全流程实战指南。文章深入解析了三相全桥逆变电路的核心原理，并重点阐述了功率MOSFET的选型关键参数，如Vds、Rds(on)和Qg。同时，详细介绍了栅极驱动设计、PCB布局布线要点及调试安全步骤，旨在帮助开发者构建稳定高效的BLDC驱动系统。 阅读详情

相关推荐

ESP32-P4实战：LVGL V9.4 PPA加速配置与性能对比

本文详细介绍了如何在ESP32-P4平台上配置LVGL V9.4的PPA硬件加速功能，通过启用PPA加速显著提升图形处理性能并降低CPU占用率。文章包含环境准备、配置步骤、性能对比及常见问题解决方案，帮助开发者高效利用ESP32-P4的PPA加速器优化嵌入式GUI应用。

rice5的博客 1193

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

Android Camera Sensor HDR详解

本文详细介绍了Android相机传感器（Sensor）中实现高动态范围（HDR）采集的各种技术方式。主要内容包括： Sensor HDR技术分类 帧内HDR（Single-Frame HDR）：在同一帧同一像素内完成多增益采集，无运动伪影和帧率损失，包括DAG（双模拟增益）、DCG（双转换增益）等技术 帧间HDR（Multi-Frame HDR）：通过多帧曝光实现，如DOL（数字重叠）、Staggered HDR等 混合HDR：结合多种技术的复合方案 详细技术原理 重点解析了DAG和DCG两种主流帧内HDR

DU_YULIN的博客 362

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 196

cesium加载天地图、OSM、谷歌底图

以上示例是加载矢量底图，若要加载影像或者其他只需要更换相应的url，在WebMapTileServiceImageryProvider中还要更改layer参数。url中’‘vec_w’，一些其他风格，基于CRAT渲染，两种方法效果差别不大。有两种方法加载天地图分别是。对应投影样式，具体可看。还要谷歌的一些卫星底图。

qq_44897914的博客 3003

Nvivo12新手避坑指南：从安装到编码的完整流程（附实战案例）

本文为Nvivo12新手提供了从软件安装、初始设置到数据导入和编码分析的完整避坑指南。通过一个“校园欺凌现象的学生访谈研究”实战案例，详细拆解了处理中文文本、创建项目结构、执行手动编码及高级查询等关键步骤，帮助研究者避开常见错误，快速上手并高效完成质性数据分析。

resnet7explorer的博客 319

177.Agent-LangGraph-MCP的构成说明

MCP架构通过MCP主机、客户端与服务器的协同，实现工具、资源与提示词的统一管理。MCP服务器提供Tools、Resources、Prompts能力，MCP客户端则负责发现、调用与读取，使Agent可按需获取上下文。其核心在于将工具从Agent中抽离，封装为可复用的服务，提升灵活性与可维护性，推动AI应用高效协作。

计算机王的博客 289

YOLOv11改进策略【损失函数篇】| 替换激活函数为Mish、PReLU、Hardswish、LeakyReLU、ReLU6

在卷积神经网络中，激活函数通过在神经网络中引入非线性，使网络能够学习和逼近复杂函数，从而处理复杂的模式识别与分类问题。

Limiiiing的博客 2801

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

软件需求规格说明书（SRS）深入解析

摘要： SRS（软件需求规格说明书）是定义系统功能、性能与接口的核心文档，为开发、测试、项目管理提供依据。标准结构包括引言、总体描述、功能/非功能需求、接口等模块。撰写需确保清晰、可验证、无歧义，避免模糊术语。示例展示学生注册模块的需求写法，强调性能与安全性要求。推荐使用Confluence、StarUML等工具辅助编写，交付时需包含主文档、原型图及需求跟踪矩阵。SRS应兼具技术性与管理性，作为沟通桥梁和验收标准。

moton2017的博客 2933

2、探秘储备池计算：原理、应用与前沿趋势

储备池计算（Reservoir Computing）作为一种新兴的计算方法，起源于计算神经科学和机器学习领域，现已广泛应用于非线性动力系统理论、物理学、材料科学、生物学和机器人学等多个领域。其核心优势在于概念简洁性，通过利用高维动态系统的非线性响应，将学习过程集中在读出层，避免了传统循环神经网络（RNN）训练的复杂性。储备池计算的发展方向主要包括拓展到非线性动态系统和利用物理动态系统作为计算资源（PRC），后者有望突破冯·诺依曼瓶颈，实现边缘计算。理论方面，储备池计算与人类大脑的信息处理方式密切相关，并推动

ggg99的专栏 742

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

28、基于图像快速序列视觉呈现（RSVP）的脑机接口特征提取与分类算法综述

本文综述了基于图像快速序列视觉呈现（RSVP）的脑机接口（BCI）中的特征提取与分类算法。RSVP技术通过快速连续呈现图像序列，结合脑电图（EEG）信号分析，实现对目标图像的识别和标记。文章详细介绍了RSVP实验的设计、EEG数据的采集与预处理，并探讨了低信噪比、维度灾难、重叠epoch和不平衡数据集等挑战。针对特征提取，讨论了有监督空间滤波方法（如CSP、xDAWN、LDA波束形成器）的原理和应用。在分类策略部分，涵盖了线性分类技术（如LDA、BLR、LR、SVM）和非线性分类方法（如MLP、CNN）。文

hh234的博客 337

【基于 WebSocket 的多用户网页五子棋】—— 数据管理模块

但行好事，莫问前程

qq_42996461的博客 251

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")

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

OpenClaw 深度调查：把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调：Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图，全部数字标注口径，数据截至 2026-10-31。

厚积薄发 302

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

IDEA 简介：从零认识 IntelliJ IDEA

IDEA 全称，是由 JetBrains 公司开发的一款主流 Java 集成开发环境（IDE）。它集代码编辑、编译、调试、测试、版本控制、构建管理等功能于一体，被大量 Java 开发者视为日常开发的首选工具。所谓 IDE（Integrated Development Environment，集成开发环境），就是把写代码所需的各类工具整合到同一个界面中。相比只用文本编辑器加命令行编译，IDE 能显著减少重复操作，让开发者把精力集中在业务逻辑上。

ztI10的博客 178

TransactionInactiveError：await 之后事务已经不活跃了

TransactionInactiveError 出现于 IndexedDB 事务已结束（非 active 状态）时调用 put、get 等操作。常见于 await 后或 setTimeout 中执行请求，因任务已完成，事务已提交或进入 finished 状态。请求必须在创建事务的同一任务中挂起，否则无效。解决方法：在 onsuccess 回调内同步发起后续操作，或提前将所有请求挂入事务。避免在异步上下文中使用事务操作，确保请求在事务活跃期内完成。

qq_40822000的博客 159

Docker部署linkding：HTTPS与数据备份

部署私人书签库，除了让页面能够打开，还需要考虑几个实际问题：重建容器后数据是否保留、登录和保存是否正常、升级前怎样备份，以及出现 502 或 CSRF 错误时从哪里检查。本文使用 Docker Compose 部署 linkding，采用默认 SQLite 数据库，通过 Caddy 提供 HTTPS，并完成账户创建、数据持久化验证和备份。如果重建后账户或书签消失，应先检查是否换了项目目录、改了挂载路径，或者启动了另一套实例，不要急着重新初始化。遇到权限问题，应根据日志确认具体目录和运行用户，再调整权限。

tedcloud123的博客 170

云计算课程小组PPT汇报任务书

36人分为6组，每组6人；形式：生活案例调研 + 理论解读；汇报时长7‑9min；PPT建议10‑14页。

Michelle8023的博客 208

大表 ALTER TABLE 怎么做？NineData OnlineDDL 配置与执行实践

介绍NineData OnlineDDL大表变更实践，涵盖执行策略、切表控制、拷贝批次与可视化进度追踪。

dbasenewbie的博客 295

软件项目交付时，源代码之外还应该交付哪些技术资料？

软件项目交付时，除可运行程序外，还应核对源代码、数据库结构、接口文档、部署运维、测试验收和账号资产。本文从实际交付环节拆解完整资料清单，并说明合同如何约定交付范围、知识产权与维护边界。

chengduyoushu的博客 306

Axum 初步入门学习笔记

)自定义错误实现后，可以直接作为Result的ErrAxum 是一个构建在 Tokio、Tower、Hyper 之上的 Rust Web 框架，核心能力是：Router 路由、Extractor 提取器、Tower 中间件、IntoResponse 响应机制、State 共享状态。那张分层架构图是“地图”不是“说明书”：它帮你建立全局观，但 Service、Repository、数据库、Redis、MQ 都是你自己在 Handler 内部调用的业务/基础设施层，不是 Axum 自带的。

weixin_43219667的博客 192

MySQL报Too many open files？句柄耗尽的排查与参数配置

文章讲清 max_connections 与 open_files_limit 两个额度、句柄被谁占走、分区表为什么最容易踩，给出从 error log 到 /proc/pid/limits 的定位顺序与句柄预算算法。

「一个在数据库赛道上边学边分享的学妹」——聚焦国产数据库/信创方向、分享学习笔记、踩坑经验和行业观察。 336

SQL Server 数据库双备份：简化配置，兼顾本地留存与异机归档

本文针对中小企业SQLServer数据库备份难题，提出简化配置与本地+异机双副本方案。传统原生备份依赖手动脚本，存在配置复杂、传输易中断、日志分散、静默失败等问题。推荐使用图形化工具实现备份、本地留存与异机同步一体化管理，支持断点续传、加密传输、自动清理与版本控制，降低运维负担。双副本策略提升数据安全性，本地快速恢复，异地防硬件故障。建议定期验证恢复流程，确保备份可用性。

2501_93776716的博客 294

Agent 安全实战：间接提示注入的四个攻击面与防御体系

当 Agent 从 "生成内容" 走向 "执行动作"，安全边界就从内容合规变成了权限越界。本文拆解间接提示注入在网页抓取、工具返回值、MCP 连接器、长期记忆四个位置的真实攻击路径，对照 Claude、GPT、Gemini 在工具调用权限模型上的设计差异，给出可直接落地的五层防御体系。

阡陌数智，专注大模型网关与 LLM 工程落地 281

Redis 入门详解：核心特性、重要文件与全局命令实战

本文系统介绍了Redis的核心特性、重要文件及全局命令。Redis凭借内存存储、C语言实现和单线程设计，具备极高的读写性能；支持持久化（RDB/AOF）、主从复制与集群架构，适用于缓存、排行榜、计数器等场景，但不适合存储海量冷数据。文中还解析了常见面试题，如为何快速、单线程原理、持久化机制、KEYS *禁用原因及过期键处理策略，强调其在高并发场景下的优势与局限。

2303_77004089的博客 206

【FDE前沿部署工程师实战教程】第62章：Enterprise AI Developer Platform——企业级 AI 开发者平台与低代码 AI 应用工厂

企业从AI能力平台迈向AI应用生产平台，需构建统一的企业级AI开发者平台，将模型、RAG、Agent、Workflow等能力封装为可视化、可复用的开发工具。通过PromptIDE、AgentBuilder、WorkflowBuilder等模块，实现低代码与专业代码协同，降低开发门槛。平台覆盖应用全生命周期管理，集成测试评估、安全治理与CI/CD发布体系，推动AI应用规模化、标准化交付。最终形成“需求→设计→开发→测试→发布→运营”的企业AI应用工厂模式，助力制造等行业的智能化转型。

IT古董 315
上一篇： 从不敲代码到 PostgreSQL 贡献者之路
下一篇： 第二期 Good First Issue 来啦！第一期迎来 4 位新贡献者，下一张证书会是你的吗？
点赞 7
评论 0
书签 书签 2
IvorySQL
IvorySQL
博客等级 码龄5年 745粉丝 566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