漫谈牛熊(上)宏观

【中间件】中间件的宏观探讨漫谈 中间件 Middleware,字面上看就是起中间作用的构件。早期的概念就是再操作系统的基础上,为其他应用软件提供服务的==基础软件==, 就像一种软件胶水连接系统以及应用服务。 比如中间件简化应用间的通信方式【可以不用再调用复杂系统函数即可数据传输】 阅读详情

什么是牛市?什么是熊市?牛熊是如何转换的?这是个事后才能定性的东东,市场中人,事实上没人能准确的判断,过去没有,现在没有,未来也很难出现。虽然说好像有人能够清晰的判断正确,其实也只不过是个蒙的概念而已。呵呵,也许是我没那个能力,所以这样说的吧?人,其实就那么一回事。

牛市熊市,用一句话来表达,那么还是小茂先生说的最明白:“市场估值走向上趋势就是牛市,市场估值走下降趋势就是熊市。”这就是牛市熊市最基本的概念。

但是,作为市场中人,你想准确的判断何时转换这个趋势?几乎是不可能完成的任务,因为这是个牵涉到千千万万市场中人的情绪、期望及行为,即人性的问题。

在这里,人们的预期尤其重要。对于影响人们预期最直接的因素是效应或者说效果(赚钱效应与输钱效应),主力资金(领头羊)的行为能影响多数人(羊群),但更大的领头羊能影响前一个领头羊,从而影响大多数人(更多的羊群)。这就是博弈,资金量的博弈,领头羊的博弈,说到底,是人性的博弈。人性总是疯狂的,总是非理性的,只有在疯狂以后才能达到理性(下跌)。人们在恢复理性(估值下跌)的过程中,由于输钱效应,由于悲观的预期,又会走向另外的疯狂,即悲观的疯狂,即过度下跌的疯狂。人,人性,总是在理性,非理性之间左右摇摆,就构成了疯狂的牛市,疯狂的熊市。

不要说我们年轻的股市,就算是欧美几百年的股市,由于人性的难以改变(人性改变的周期非常长),依然在理性与疯狂之间左右摇摆(用蓝字先生的话说就是:“正常的钟摆是在五点与七点之间,但有时候会在三点与九点之间。”),只不过程度不同而已。虽然说华夏名族是一个理性的民族,具有聪明才智的民族,难道我们能在年轻时代就可以完成理性的人性转变?我难以相信。

 

种种迹象表明,我们的市场将进入熊市,但这些迹象又经不起认真推敲,或者说难以合情合理。现在,我们就几个情况来思考一下吧:

 

一,随着从紧的货币政策及预防经济过热的宏观调控,我们的实体经济会陷入衰退,这是看空的一个理由。

我们的货币政策真的是在实行紧缩?去年信贷增加3.60万亿,今年计划信贷增加3.60万亿,这是紧缩吗?何况在雪灾以后的人民银行还呼吁商业银行信贷支持恢复建设呢。

去年的经济增长超过11%,今年的经济增长估计不低于10%,这就是经济衰退?美国经济增长个3%已经是了不起的成绩了,我们增长10%就是衰退了?

为了预防经济过热的宏观调控,会引起经济衰退?人们是不是有点弱智兮兮?

我们是发展中国家,基础建设还非常薄弱,城市化建设仅仅是刚刚开始,周边市场疲软所影响的出口完全可以用基础建设来弥补。比如说运输这一块的基础建设就还有很大的余地,这是个影响我国经济发展的瓶颈。因为以前的投资太大,所以就不得不在这个可以控制的地方有所压缩。假如经济发展发生问题,那么完全就可以加大这个方面的投资。

 

二,物价上涨或者说通货膨胀会形成实体经济的伤害,会引起经济的衰退,这是看空的又一个理由。

伴随着经济高增长的是高通胀,这是必然的现象,有什么可以大惊小怪的呢?我们的经济已经连续几年的低通胀高增长了,这是个奇迹,用传统的经济学理论是无法解释的现象,已经让外面人眼红不已,这是个了不起的成果。当然,在这里主要的还是出口的功劳,是利用了我们不合理的生产要素的结果。难道我们希望这个不合理的现象继续维持下去?

从国际的角度来说,脱离了金本位以后的经济发展,通货膨胀就成为必然。其实,反过来说,脱离金本位就是为了剥.夺他人的财富,而剥.夺他人财富最有效的手段就是发行货币,引发通货膨胀。呵呵,有时候我真想建议那些熟悉西方经济理论的人士去认真的研究一下马克思的资.本论,也许能得到意想不到的收获。

作为大政.府小社会的我们,通货膨胀就更是经济发展的应有之意,是必然。通过通货膨胀就可以完成很多难以解决的问题。在这里,我就不展开说了,因为这是没意思的。

所以,我一直认为,我们实行对内贬值的好处要大于对外升值的好处。现在我们实行的是对外升值与对内贬值同时进行,其实,这也是个不错的选择。

总而言之,我从05年就开始认为,我们的经济发展需要开始通货膨胀了,适当的、可控制的通货膨胀不会影响我们的经济发展,其实更有利于我们的经济发展。虽然说某些方面会产生一些副作用,但还是利大于弊。呵呵,有关方面在强调控制通货膨胀,我和你说,这是说说而已的。再说这是个经济发展的必然结果,是自然的规律,没必要大惊小怪,任何人为的控制,其结果只能是适得其反。

顺便说一句,提高利率是弥补存款损失的手段,而不是控制通货膨胀的有效手段。适度的通货膨胀是经济运行过程中的自然规律,是没办法控制的。通货膨胀的启动是由于供求关系(货币与实物),在人们的预期中加速,乃至疯狂。所以,正常的通货膨胀是供求关系的结果,恶性的通货膨胀是预期(政.治的预期或经济的预期)的结果。所以,恶性的通货膨胀会引起实体经济衰退,因为各行各业都太多的透支了未来消费或者是政.治.动.荡。

 

三,我们的股市估值太高,需要调整,这是看空的又一个理由。

从理性的角度来说,不可否认,我们的股市确实是估值偏高,透支了未来的成长性或者说题材预期。

但疯狂了吗?我的回答是未必疯狂。什么叫做疯狂?我们2001年的股市是疯狂,美国那个纳斯达克5000点是疯狂,那时候的道指就没什么疯狂。由于我们的成长性,由于道指的并不疯狂,所以,我们的股市已经创新高(当然,其中还有综合指数编制的缺陷因素),道琼斯指数已经创新高,但纳斯达克依然在2000点左右徘徊。

股市是宣泄人性与情绪包括预期的场所,很难理性,经常疯狂,而且是接二连三的疯狂,这就是人性,很难改变的人性。

疯狂以后的代价很大,没有疯狂的上涨,就没有理性(下跌)以后的疯狂(疯狂下跌),就不会产生太多的后遗症或者说代价,这就是不同的熊市所不同的结果。在这里就有个“度”的问题,这个“度”就是需要我们判断的基础。

疯狂上涨以后的股市,会实质性的影响实体经济,没有疯狂上涨以后的调整,就不会影响实体经济的正常运行,这是股市相对于实体经济的关系。

至于说我们的股市是否已经过“度”上涨,这是个见仁见智的问题,就看每个人的标准如何?所以,我个人认为的还没有过“度”,也是不一定准确的判断。

 

四,大量大非小非的可流通,无节制的股权融资,会实质性的影响股市的供求(资金与筹码)关系,会影响人们对于估值的预期,会引发熊市的开始,这是看空者的又一个有力的观点。这个话题得分成几个问题。

1,关于大非小非的可流通。假如那些大非小非确实是可以自由流通,那么是非常可怕的,以前我曾经描述为核.武.器,因为其下跌的威胁大于重.磅炸.弹。

为什么那样说呢?因为市场中有一部分公司,他们卖出的价格只要不低于净资产,那么就不存在国有资产的流失问题。只要不影响我的相对控股权,只要不影响我的饭碗,那么就可以无所顾忌的卖出。我的手中有钱了,我就是大爷,嘿嘿。所以,到时候哪怕是市盈率5倍(是真是假他们是明白的),但还是会有卖出的冲动,到时候所谓的投资价值,只能是我们的一厢情愿,因为没人愿意去认真的经营,心中想的是如何卖个好价格,因为卖个好价格比经营省力,而且来钱也爽快。

其实,这是那些看空专业人士所认识的误区,虽然说大非小非的可流通是可怕的,但目前的情况却并不值得可怕,因为不是他们想卖出就可以卖出的(建议朋友们看一下国务院的那个《国有股东所持上市公司股份管理暂行办法》,你搜索一下就行了)。

对此,我们应该对于大非小非进行定义,因为它们不属于同一个概念的股权。大体来说,大非小非可以分为国有控股,地方国有控股,集体控股,国有法人股,社会法人股,自然人股权等等。从原则上来说,国有控股股权、地方国有控股股权,国有法人股权是不可以自.由卖出的,因为我们还没有制定利益分配的问题;集体股权,社会法人股权,自然人股权是可以自.由卖出的。而这些现在就可以自由卖出的股权比例是很小的。新人兄曾经说过,可以自.由卖出的股权不超过理论上可以卖出的20%。

不能自.由卖出的原因是目前还没有完成国有股权减持以后的利益分配问题。

当然,在此,我提醒一下朋友们,同时也希望朋友们到时候提醒我,一旦到了国有股权利益分配机制完成以后,那么我们就应该卖出,除非手中的股票绝对低估,因为到时候会有更低估的东东可以让我们选择。

2,无节制的股权融资问题。

确实如此,近期蓝筹股的下跌,与股权融资不无关系,也可以说是直接的关系。但是,我们从正常的角度来说,上市公司的股权融资是上市的应有之意,假如我不能进行股权融资,那么我上市干嘛,我吃饱了撑的?我不在你炒高了股权融资,难道你让我在市场低迷的融资?呵呵,我可没疯。所以说,上市公司的股权融资是天经地义的事情,除了一部分恶意圈钱的除外,很多公司在股权融资以后还是会给投资者回报的。

我也相信,上市公司可以无节制的提出股权融资,但管理层不会无节制的同意股权融资。所以,我还是相信管理层的能力。

这样说吧,目前反应最大的是平安与浦发的股权融资,假如我是他们的股东,说实话,我会举双手赞成股权融资,因为可以给我的股权带来额外的收益,最起码净资产提高了嘛。

所以,这个方面是没什么可怕的。何况在证券市场,资金不是问题,我们的社会资金完全足够应付那些股权融资,资金永远比筹码多,重要的是预期,预期才是最重要的。

 

以上的四条看空理由,只要你能肯定其中的一条,你的看空观点就可以成立!问题是:你能肯定吗?

所以,在我看来,目前一部分市场人士的看空观点是可以接受的,但也是值得推敲或者说商榷的。你怎么看呢?

我希望,每个试图在证券市场生存的朋友们考虑一下以上的问题。假如你不愿意去考虑这些问题,只不过是人云则云,凭感觉或者说凭技术面判断牛市熊市的朋友,那么我不客气的说:你还没有具备在证券市场生存的能力,你,现在,马上,就应该远远的离开市场,证券市场不是人人可以赚钱的地方,它不适合90%以上的大多数人,虽然你已经赚了钱。

 

 

总的来说,何为理性的股市,何为理性的估值,何为理性的内在价值,在我认为,理性的标准是市盈率低于、等于未来三年公司业绩的复合增长率。我个人认为,低于这个标准的下跌趋势是非理性下跌,高于这个标准的上涨趋势是非理性上涨。

在目前的情况下,我们的股市是走向理性(下跌),还是走向高估值(上涨)的疯狂?说实话,我不知道,最起码我目前没能力判断。我的感觉,市场主力在等待着基本面(实体经济)的明朗化。假如经济衰退,那么股市会下跌,假如经济运行健康,上市公司依然业绩增长强劲,那么会进入疯狂。我估计,在今年的第四季度就可以明朗化了。

(待续)

 

另:我匆匆忙忙的打字,一气呵成,还没有进行修改,假如朋友们发现有问题的地方,就和我说一下,我会修改的。谢谢!

 

《C++0x漫谈》系列之:Auto的故事 《C++0x漫谈》系列之:Auto的故事 By 刘未鹏(pongba)C++的罗浮宫(http://blog.youkuaiyun.com/pongba)  《C++0x漫谈》系列导言 这个系列其实早就想写了,断断续续关注C++0x也大约有两年余了,其间看着各个重要proposals一路review过来:rvalue-references,concepts,memory-mod 阅读详情

相关推荐

《C++0x漫谈》系列之:多线程内存模型

《C++0x漫谈》系列之:多线程内存模型 By 刘未鹏(pongba)刘言|C++的罗浮宫(http://blog.youkuaiyun.com/pongba)  《C++0x漫谈》系列导言 这个系列其实早就想写了,断断续续关注C++0x也大约有两年余了,其间看着各个重要proposals一路review过来:rvalue-references、concepts、memory-

刘未鹏|C++的罗浮宫 4万+

漫谈 · 软件中的不确定

本文微信公号号链接:https://mp.weixin.qq.com/s/6p6R1Vvj_zxc2q-wR7alOQ   什么是不确定性?   不确定性原理的前世今生 · 数学篇 这篇文章中从数学的角度讲的是:任何信息的时空分辨率和频率分辨率是不能同时被无限提高的。   真正的提出不确定原理的是由海森堡于1927年提出,这个理论是说,你不可能同时知道一个粒子的位置和它的速度,粒子位置...

月牙寂 594

《C++0x漫谈》系列之:Concept, Concept!

《C++0x漫谈》系列之:Concept, Concept! By 刘未鹏(pongba)C++的罗浮宫(http://blog.youkuaiyun.com/pongba)  《C++0x漫谈》系列导言 这个系列其实早就想写了,断断续续关注C++0x也大约有两年余了,其间看着各个重要proposals一路review过来:rvalue-references,concepts,

刘未鹏|C++的罗浮宫 3万+

宏观人工智能

在本篇文章中,我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习,并且上手相关的实践。

ReStartForTD 1262

NVIDIA 2025 Board Design Engineer 校招笔试

电路分析,矩形波阶跃反馈驱动​,误差信号。非常简单,数电or​离散基础。第一题是考试规矩知情确认。大二暑假做的,纯体验​。五六题太长,下篇分享。

m0_74253823的博客 1124

正点原子ATK-LORA-01无线串口代码移植+STM32F103C8T6(标准库)

目录 一、ATK-LORA-01无线串口资料 二、代码移植 1.分析 (1)usart3(也可以是其他的串口)用于接收数据的串口 usart.h (2)time3(也可以是其他的定时器)用于时序的设置 (3)lora.c 三、演示 1.主机(发送方) (1)主机接线 (2)主机代码(发送方) (3)主机实物 插上无线串口通电即可发送​ 2.从机(接收方) (1)从机接线(LORA与主机相同) (2)从机代码(接收方) (3)从机实物 接上TTL和LORA并通电即...

m0_56942354的博客 8965

漫谈缓冲和缓存

漫谈缓冲和缓存 漫谈缓冲和缓存漫谈缓冲和缓存1. 举个通俗的栗子:2. buffer:缓冲3. cache:缓存4. 两者语义上的理解5.应用(直接I/O和缓存I/O)6.总结 1. 举个通俗的栗子: 比如说出国旅游,一个箱子一个腰包,在机场,腰包里装的是机票,护照,人民币。到了酒店,出去玩,腰包里放的是地图,门票,外币。护照人民币在哪里?在酒店的保险柜里。 把当前最常用的东西,放在最容易拿的地方...

周鹏飞的IT学习之路 743

开源大模型本地部署实战:Llama、DeepSeek、Qwen选型与工程落地指南

大语言模型(LLM)本地部署已成为AI工程化核心环节,其本质不是比拼参数量或榜单分数,而是考察模型架构、推理引擎、量化支持、IDE集成与多模态扩展能力的系统性适配。Llama以纯净Transformer结构成为通用底座,依赖llama.cpp和GGUF量化实现跨平台轻量推理;DeepSeek深度优化代码与数学推理,通过原生OpenAPI、FlashAttention-2及tensor parallelism显著降低API延迟;Qwen则采用模块化设计,支持视觉编码器(Qwen-VL)、生物计算(Qwen-B

weixin_29952383的博客 395

HTTP协议漫谈

HTTP协议漫谈 简介     园子里已经有不少介绍HTTP的的好文章。对HTTP的一些细节介绍的比较好,所以本篇文章不会对HTTP的细节进行深究,而是从够高和更结构化的角度将HTTP协议的元素进行分类讲解。   HTTP的定义和历史     在一个网络中。传输数据需要面临三个问题:     1.客户端如何知道所求内容的位置?     2.当客户端知道所求内容的位置后

FreshBreeze的专栏 681

Vmware Vcenter7.0证书web续期发生错误

生成证书,选择第三个(PS,如果没有域名的,一定要写IP,不然很容易卡在85%,服务不能起来)这里大概率可能是证书里面的FQDN和主机不匹配,又或者是主机解析FQDN有问题。vCenter _MACHINE_CERT快到期了,通过web界面更新证书失败。vSphere Client 版本 7.0.2.00200。登陆ssh到vcenter,重新生成证书。先关掉HA,不然证书管理会报错。第一步先这样,重新续订一下证书。

m0_74823595的博客 3944

python 写一个简单的 telegram bot (电报机器人)

replit.com 环境配置太恶心了,只能使用 poetry.poetry 这个名字是挺好听,用起来也是很垃圾,太恶心。heroku.com 注册登录不方便,需要各种验证。所以,部署的问题,目前搁置。

waterHBO的博客 3192

漫谈callback

今天,让我们一起来聊聊这些玩意。

smart_an的专栏 1302

22h2版本的win10安装Docker Desktop时页面空白

摘要:Windows10 22H2系统重装Docker时出现安装界面卡死问题,通过管理员CMD执行静默安装命令解决。命令指定了WSL-2后端及多个自定义数据存储路径(安装目录、Hyper-V数据、Windows容器数据、WSL数据),安装需等待几分钟。最终验证安装成功。

猿小白的博客 654

qt绘制运动物体_磁陀螺运动与现代物理学漫谈(1)—我为什么要研究磁陀螺运动?...

磁陀螺运动与现代物理学漫谈(1)—我为什么要研究磁陀螺运动?司 今(jiewaimuyu@126.com)陀螺运动是一个既古老又新颖、既复杂又迷人的话题;说它古老,在中国新石器时代就出现了石制陀螺,在欧洲也可以追溯到十八世纪之前;说它迷人,不仅指它的运动属性特殊,而且自十八世纪欧拉开创陀螺研究之风后的三百多年里,人们对陀螺运动的研究、开发和运用活动就从没有停止过;说它复杂,可以从欧拉刚体力学方程组...

weixin_39655085的博客 255

黑猫带你学eMMC协议第11篇:eMMC擦除详解(erase/trim/discard/sanitize/secure erase/secure trim...)

erase命令单位是擦除组,那么一个擦出组包含多个写块,不同写块有不同信息,主机擦除之前,必须进行确定好这些写块中的信息没有用了。所以通常erase用来擦除整个设备或分区。erase完成后,将erase的区域都要么是全0,要么是全1。那么到底是0还是1呢,根据不同的工艺有所不同,但是别担心,在ecsd[181]中会有说明到底是1还是0。erase命令的作用就是简单的将映射地址范围移动到未映射的地址范围。

黑猫奥利奥的博客 7795

java毕设:基于springboot的服装搭配推荐系统(springboot+layui+jq+html)1011

项目描述 基于springboot的服装搭配推荐系统: 基于天气服装搭配推荐系统为用户提供未来一周的天气预报情况,并根据预报天气和用户现有的服装进行着装搭配,以及显示未来6小时精确温度数据为用户提供更精确的天气信息便于用户在出行前对自己的着装进行调整,每日用户可以根据自己当日对系统推荐的着装搭配舒适度进行反馈,系统将根据用户的反馈对用户着装的保暖系数进行相应调整,通过多次的反馈和调整形成对用户着装的个体化和精确化的推荐。 本系统可以为用户提供以下服务: 1.未来五天的天气信息显示; 2.未来六小时内天气温度

qq_2537071370的博客 3646

漫谈代码质量 —— 补充

而这种不一致和对常识的违背,不仅导致了代码的可读性下降,还直接或间接的影响了接口和模块的设计选择,进一步降低了代码的可维护性。比如面向对象、函数式编程,比如“面向接口编程”、“面向领域设计”、“微服务架构”、“面向模式的软件架构”(我知道这个概念,是因为我的工位上有一本不知名同事留下的同名书籍)。软件的终极目的是解决现实世界的问题,因此,设计能力的起点,必须是对问题本身的深刻理解。通过这个例子,我想说明的是,良好的目录结构,能够很直观的展示项目的架构,帮助开发者快速理解项目的组织和功能。

Tech change world, Art change soul 699

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

[架构漫谈]软件架构师如何工作

  阅读了一下王概凯的《架构漫谈》,有一些感受与心得,仅仅发表一下自己的看法和理解。 1.什么是架构?   架构是一个有些抽象的词汇,但转到其他行业或许会更容易理解。如古代朝廷的政府体系三省六部制、或者公司的部门分工等等,由一个个部分有机组成整体的概念有点类似架构的概念。比如一个远古部落,有男有女。这时候人们需要衣服以及食物,于是人们开始分工,男人出去打猎获取食物,而女人负责制衣等等形成...

weixin_43847567的博客 158

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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

HTTP 协议漫谈

简介 网络上已经有不少介绍HTTP的的好文章。对HTTP的一些细节介绍的比较好,所以本篇文章不会对HTTP的细节进行深究,而是从够高和更结构化的角度将HTTP协议的元素进行分类讲解。 HTTP的定义和历史 在一个网络中。传输数据需要面临三个问题: 1.客户端如何知道所求内容的位置? 2.当客户端知道所求内容的位置后,如何获取所求内容? 3.所求内容以何种形式组织

Alan_Xiang的博客 812

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")

【服务治理】服务治理漫谈

【服务治理】服务治理漫谈 0. 前言 本文是服务治理领域专题的第一篇,并不希望也无法大包大揽将所有的点都覆盖到,更意在从一些更贴近我们实际工作的角度来进行更抽象层次的剖析,更多分享的是我认为重要或者有意思的一些方法论和逻辑推演过程。这能给我们后续无论是业务应用还是基础技术领域的服务治理提供一些参考。 1. 什么是服务治理 在一切的最开始,我们先来问自己一个问题,什么叫做服务治理?网上有很多关于服务治理的定义,维基百科也有着对应的定义。林林总总,有宏观的也有细节的。而在本文中,我尝试为其进行另一个维度上的简单

surlymo的博客 1705

这个数据的时代:漫谈数据驱动

“本文从非常宏观的视角来阐述数据价值。” 欢迎关注公众号:晓阳的数据小站 |0x00 数据驱动的本质 什么是数据?在大多数人的看法中,只有“数字”才能称之为“数据”,或者是必须由数字来组成的东西,其实不然。数据的概念要比数字大的多,例如在互联网上,不论是我们看过的新闻(文本)、朋友圈的动态(图片)还是正在追的电视剧(视频),这些都是数据。更加广义一些,医院中的诊疗档案、建筑工人使用的图纸,这些也都称之为数据。 讲到数据,又不能不提到“信息”。刚才提到的那些内容,本质上也是信息,所以“数据” = “信息”。但

晓阳的数据小站 683

nginx脚本引擎与变量设计(四)

前面的几篇文章,从一个情景来大体上呈现出了nginx在变量设计上面的技巧和机制,但是这远远没有覆盖全部的内容,后面我会再找一些情景来进一步的分析补充。 在这方面的研究领域,我不得不提一个人,agentzh(中文名叫章亦春)。agentzh在国内nginx研究领域可以算的上首屈一指了,特别推荐大家看一下他在sina博客上,讲nginx变量的文章,名叫“nginx变量漫谈”,虽然里面极少涉及代码,...

云计算? 105

(转)HTTP协议漫谈

原文地址:http://www.cnblogs.com/CareySon/archive/2012/04/27/HTTP-Protocol.html HTTP协议漫谈 简介     园子里已经有不少介绍HTTP的的好文章。对HTTP的一些细节介绍的比较好,所以本篇文章不会对HTTP的细节进行深究,而是从够高和更结构化的角度将HTTP协议的元素进行分类讲解。   HTT

静水流深~专栏 940
上一篇: 揣测一下未来的政策走向
下一篇: 89856先生说投资
Labber
博客等级 码龄19年 26粉丝 1976原创
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
 
 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