PostgreSQL 日报｜pgEdge 发布 Starfleet 云平台（9 月 29 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 226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 226 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

Lakebase Postgres 中基于分支的还原机制

Neon 的 Lakebase Postgres 采用基于分支的恢复机制，旨在解决托管 OLTP 数据库中长期存在的恢复速度慢、耗时随规模增长的问题。传统恢复方式在大型生产数据库上表现最差——恰恰是最需要快速恢复的场景却等待最久。基于分支的模型将恢复时间与数据库体量解耦，使恢复速度不再受规模制约。文章详细介绍了该机制的内部架构及其对生产数据库可靠性的影响。

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fneon.com%2Fblog%2Finside-branch-based-restores-in-lakebase-postgres

PL/Haskell v6.0 发布

PL/Haskell v6.0 已发布，此版本新增了对 PostgreSQL range 类型的支持。该扩展允许用户使用 Haskell 函数式编程语言编写 PostgreSQL 函数。Ubuntu 和 Fedora 用户可通过 RPM 和 APT 仓库直接安装。需要注意的是，Fedora 44 的 GHC 库存在一个已知缺陷，相关规避方案已有文档说明。问…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fplhaskell-v60-released-3388%2F

pgEdge 推出 pgEdge Starfleet——新一代 Postgres 云平台，助力 AI 原型跨越生产环境鸿沟

pgEdge 发布了新的云数据库平台 pgEdge Starfleet，基于 100% 标准 PostgreSQL 构建，旨在弥合 AI 原型开发与生产部署之间的差距。该平台集成了一整套 agentic AI 工具，包括 MCP server、RAG API server 以及 PostgREST 支持，同时提供 copy-on-write 数据库分支、灵…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.postgresql.org%2Fabout%2Fnews%2Fpgedge-announces-pgedge-starfleet-a-new-postgres-cloud-platform-to-bridge-the-ai-prototype-to-production-chasm-3389%2F

6 天 41 个实验：人类真正的用途是什么

这篇文章记录了一项为期六天的实验：以 Claude 作为 AI 编程智能体，在 LoCoMo 基准测试上将长期对话记忆的 F1 分数从 0.392 提升至 0.666，共进行了 41 次实验。核心结论是：人类的作用不在于写代码，而在于识别指标失真——包括评估提示泄露了答案类型、召回率指标存在计算缺陷，以及基于 LLM 的事实抽取步骤实际上毫无贡献。整个记忆…

原文链接：

https://pgnexus.ai/tech-blogs?url=https%3A%2F%2Fwww.tigerdata.com%2Fblog%2F41-experiments-6-days-what-human-was-for

PostgreSQL Hacker 电子邮件讨论精选

注入点：已取消或终止的等待者泄漏其等待槽位

该讨论涉及 injection_points 中的一个 bug：被取消或终止的等待者会泄漏其等待槽位。Zsolt Parragi 确认在 Windows 和 Linux 上均可通过修改服务器的方式复现该问题，认为整体改动方向正确，但补丁需要合并整理。Michael Paquier 询问了具体复现方式，并对补丁组织结构表示担忧：Andrey 的 v1-0…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=injection_points%3A%20canceled%20or%20terminated%20waiters%20leak%20their%20wait%20slots

并行自动清理：向并行工作进程传播 track_cost_delay_timing

该补丁旨在修复一个 bug：track_cost_delay_timing 未能正确传播至并行 autovacuum worker，属于提交 1ff3180ca01 的疏漏。讨论的焦点在于 parallel_vacuum_main() 末尾的延迟时间上报是否应以 GUC 为门控条件，而非依赖累积延迟变量。Sami Imseih 认为应与现有的…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=parallel%20autovacuum%3A%20Propagate%20track_cost_delay_timing%20to%20parallel%20workers

postgresAcquireSampleRowsFunc 中版本检查的拼写错误

Etsuro Fujita 在处理 postgres_fdw 统计信息导入的遗留问题时，发现了 postgresAcquireSampleRowsFunc 中版本检查存在拼写错误，并提交了修复补丁。Chao Li 确认了该问题，指出版本常量 90500 对应 9.5，而 90600（对应 9.6）同样小于 95000 的阈值，并对补丁表示认可（LG…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Typo%20in%20version%20check%20in%20postgresAcquireSampleRowsFunc

修复并发逻辑解码激活导致的"意外逻辑解码状态变化"错误

该线程讨论了一个修复"unexpected logical decoding status change"错误的补丁，该错误由 slot 同步过程中并发的 logical decoding 激活操作引发。主要争议点包括：当 standby 回放落后（如回放暂停）时，slotsync worker 可能在每个同步周期中反复创建并删除 slot。补丁通过在 …

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Fix%20%22unexpected%20logical%20decoding%20status%20change%22%20error%3B%20from%20concurrent%20logical%20decoding%20activation

为 UPPERREL_PARTIAL_GROUP_AGG 触发 create_upper_paths_hook

此次讨论涉及一个补丁，用于在 UPPERREL_PARTIAL_GROUP_AGG 阶段触发 create_upper_paths_hook。配套的 0002 补丁（一个树内测试模块）已被放弃——审阅者确认该测试仅用于开发阶段验证 hook 的可用性，不适合长期保留在代码树中。该测试只检查 hook 是否被调用，未验证任何行为变化，不足以支撑其并入…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=Fire%20create_upper_paths_hook%20for%20UPPERREL_PARTIAL_GROUP_AGG

聚合函数和窗口函数的 ON EMPTY 子句

该讨论涉及为 PostgreSQL 的聚合函数和窗口函数添加 ON EMPTY 子句。Jeevan Chalke 的方案仅支持 sum() 和 product() 两个 SQL 标准中明确定义的聚合函数，实现方式是在解析阶段将其改写为 COALESCE(sum(expr), default)。Robert Haas 对这种仅覆盖两个函数的语…

原文链接：

https://pgnexus.ai/hacker-discussions?subject=ON%20EMPTY%20clause%20for%20aggregate%20and%20window%20functions

行业新闻

Anthropic 发布 Claude Sonnet 5.5，性能更快价格更低的中端 AI 模型

Anthropic 发布了旗下中端 AI 模型的最新版本 Sonnet 5.5。该公司将其定位为"更快速、更经济的工作伙伴"，主打响应速度提升和 token 消耗降低。此次发布旨在为开发者和企业提供更具成本效益的 AI 集成选项，也折射出当前各大 AI 模型厂商在性能与定价上的激烈竞争。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F09%2F28%2Fanthropic-releases-sonnet-5-5-which-it-calls-a-significantly-cheaper-faster-work-partner

AMD 以 82 亿美元收购 Fei-Fei Li 创办的 World Labs

AMD 宣布以 82 亿美元收购知名 AI 科学家 Fei-Fei Li 创立的 World Labs。交易完成后，Fei-Fei Li 将以执行副总裁兼首席科学家身份加入 AMD。此次收购是 AMD 加速布局人工智能的重要举措，也是其在与竞争对手的 AI 芯片及软件角逐中强化实力的关键一步。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F09%2F28%2Famd-will-acquire-fei-fei-li-s-world-labs-for-8-2-billion

AI agent 公司 Instinct 获融资 10 亿美元，估值达 100 亿美元

AI 智能体初创公司 Instinct 完成 10 亿美元 C 轮融资，估值达 100 亿美元。创始人 Noah Shinn 表示，此次融资将用于扩大产品覆盖范围，并持续推进个人 AI 的未来发展。随着一体化 AI 平台在消费者和企业市场加速渗透，投资者对消费级 AI 智能体的热情持续高涨，本轮融资正是这一趋势的缩影。

原文链接：

https://pgnexus.ai/tech-news?url=https%3A%2F%2Ftechcrunch.com%2F2026%2F09%2F28%2Fviral-ai-agent-instinct-raises-1b-series-c-at-a-10b-valuation

社交媒体动态

AI 项目为何频繁卡在原型到生产的鸿沟之间

企业 AI 项目常常卡在从原型到生产的过渡阶段。开发者用 AI 编码工具在托管 Postgres 上构建应用，但这些应用往往缺乏高可用性、合规控制或本地部署能力，导致 IT 团队不得不否决或重新开发。pgEdge Starfleet 今日正式发布，旨在填补这一空白。该平台基于 Postgres，内置 MCP 服务器、RAG 服务器和数据库分支等 AI 工具…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fpgedge_postgres-postgresql-agenticai-activity-7510337429623615488-B14y

IDC 与联想调查：仅 46%的 AI 原型能投入生产，82%的企业表示需要混合或本地基础设施

IDC 与联想的调查显示，AI 原型项目中仅有 46%最终能够投入生产，82%的企业表示需要混合云或本地基础设施才能落地 AI 工作负载。问题的根源在于，开发友好的工具与企业生产环境在安全合规、数据主权等方面存在明显落差。为此，pgEdge 推出了 Starfleet——一个基于标准 Postgres 的企业级云平台。它内置 MCP 与 RAG 服务器，支持写时复制的数据库分支，方…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fpgedge_postgresql-postgres-opensource-activity-7510352749126053888-KhYb

AI 智能体需要对海量数据进行低延迟、高精度搜索，并能在数秒内触发数千次并发检索请求

AI 智能体对搜索能力要求极高，需在海量数据中实现低延迟、高精度检索，且往往在数秒内发起数千个并发请求——这是传统 OLTP 数据库难以应对的场景。过去的常见做法是通过 ETL 管道将独立搜索引擎挂载到主数据库上。如今，Lakebase Search 正式发布，通过两个新的 Postgres 扩展，将可扩展的向量搜索与 BM25 全文检索原生集成到 Lak…

原文链接：

https://pgnexus.ai/social-media?url=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fdatabricks_ai-agents-need-low-latency-high-accuracy-activity-7510453603426369536-rldC

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。
MUSIC算法翻车？Toeplitz矩阵重构如何解决DOA估计中的相干信源难题 本文深入探讨了MUSIC算法在相干信源DOA估计中失效的根本原因，并详细介绍了基于Toeplitz矩阵重构的协方差矩阵修复技术。该方法通过凸优化恢复协方差矩阵的理想结构，有效解决了信号子空间秩亏损问题，从而显著提升了MUSIC算法在相干和多径场景下的分辨精度与稳健性。 阅读详情

相关推荐

【NIFI】实现HANA-＞ORACLE数据同步

实现 HANA->ORACLE数据同步。

weixin_43159039的博客 1510

PostgreSQL 日报｜pgEdge Starfleet 云平台发布，TaoToken 统一 Key 打通多模型调用

pgEdge Starfleet 云平台发布后，Postgres 开发者可用 TaoToken 统一 Key 打通多模型调用。本文给出 Base URL、Key 与 Model ID 三件套配置片段，并附一次 curl 验证请求，帮你快速确认通道连通。前往 TaoToken 官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 注册生成 Key，即可在 MCP server 中复用同一套接入逻辑。

weixin_34471637的博客 7

STM32 RTC_WaitForSynchro()死循环问题分析与LSI时钟优化实践

本文深入分析了STM32使用LSI时钟源时，调用RTC_WaitForSynchro()函数陷入死循环的根本原因。问题核心在于RTC时钟域未正确使能，导致硬件同步标志RSF无法置位。文章提供了通过显式调用RCC_RTCCLKCmd(ENABLE)函数启用RTC时钟总开关的解决方案，并分享了编写健壮RTC/BKP初始化代码、增加超时机制等最佳实践，确保系统稳定运行。

weixin_29185493的博客 512

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

揭秘cocos-mcp：如何用AI助手提升CocosCreator游戏开发效率

本文深入介绍了cocos-mcp工具，它作为连接AI助手与CocosCreator编辑器的桥梁，遵循MCP协议，能显著提升游戏开发效率。通过自然语言指令，开发者可让AI直接查询场景结构、批量修改属性或生成上下文代码，将重复操作变为智能调度，实现从“手动操作者”到“指令指挥官”的工作流变革。

weixin_29001683的博客 1053

STC15W204S最小系统开发指南：从串口通讯到自动热加载全流程

本文详细介绍了STC15W204S最小系统的完整开发流程。从芯片资源解析、最小系统搭建、串口通讯驱动编写（使用Timer2生成波特率），到实现基于魔术值触发的自动热加载功能，并最终集成Keil与STC-ISP软件，构建高效的自动化开发工作流，显著提升嵌入式调试效率。

a1b2c的博客 396

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 197

IPv6之001-IPv6是什么

技术本质：IPv6（Internet Protocol version 6）是互联网工程任务组（IETF）设计的网络层核心协议，用于替代IPv4核心使命：解决IPv4地址枯竭问题，重构互联网基础架构，支撑万物互联时代革命性特征fill:#333;color:#333;color:#333;fill:none;IPv6128位地址空间无状态自动配置原生IPsec加密协议头部精简。

老韩的Linux云计算架构师进阶之路 1396

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

【数据分析八步法】将模糊需求转化为可验证的分析问题

国内访问Huggingface官方源常遇网络问题，可通过切换国内镜像提升下载速度。三种配置方式：1)设置HF_ENDPOINT环境变量；2)在from_pretrained中直接指定镜像参数；3)修改本地Huggingface配置文件。常用镜像包括hf-mirror.com、阿里云ModelScope和清华镜像源。注意镜像同步延迟、私有模型限制，建议配合huggingface-cli工具使用，必要时取消代理设置。合理配置镜像源可显著改善Huggingface生态使用体验。

Mr数据杨 858

【图像超分】论文精读：Residual Dense Network for Image Super-Resolution（RDN）

一个非常深的卷积神经网络 (CNN) 最近在图像分类 (SR) 方面取得了巨大成功，并提供了分层特征。然而，大多数基于深度 CNN 的 SR 模型没有充分利用原始低分辨率 (LR) 图像中的层次特征，从而实现相对较低的性能。在本文中，我们提出了一种新的残差密集网络(RDN)来解决图像SR中的这个问题。我们充分利用所有卷积层的分层特征。具体来说，我们提出了残差密集块（RDB）通过密集连接的卷积层提取丰富的局部特征。RDB 进一步允许将前一个 RDB 的状态与当前 RDB 的所有层直接连接，从而产生连续的内存

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】 7259

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

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

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

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

【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

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 303

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 179

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 297

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
上一篇： 去 IOE 的最后一公里：IvorySQL 5.4 × RISC-V 实测
下一篇： 你的开源贡献已存档，快来领取专属贡献者证书吧！
点赞 1
评论 0
书签 书签 5
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