000898先生的留言

Delta并联机械手-Codesys实现以及正解逆解研究 由于Codesys的Robotics模块有Delta并联机械手的运动模型,因此借助Codesys的机械手运动模型,研究自己的正解逆解算法。 阅读详情

 (第203楼)回复:和股市新手说说风险(二)重发
    下午回来,本来要去山东,想不到山东的朋友都在忙着做股票,时间上不够自由.无可奈何,只好一个人回家.哈,股票市场已经热起来了.我觉得有点意思.这些年来,几乎不关心股票的朋友在积极进入市场.仔细一想,有些不安了.000898  
    记得1992年到上海做股票,遇见朋友问,干什么.有些不好意思的说,抄股票.后来因为突变,放弃了股票市场和投机思想.再后来,1996---2001年的年市场,又杀进杀出,在春风得意时又黯然失色的离开.现在,已经真正的不操作了,居然那些老友进来了,是福/是祸?不得而知.
    做价值投资以来,基本就没有在动手买卖过股票.我觉得企业或者行业研究更符合我的性格和气质.想不到,那末多的局外人已经成了股民.祝愿好运常在其身边.000898
    今天坐在电脑面前说不出的心情,安静的水面下是否暗藏着什么?说句实话,我基本不看盘,但是有一种感觉,市场可能要疯狂一下了.
    鞍钢的基本面没有任何问题,再融资的方案可能配股可能大.处于对中小投资者的保护,应该没有什么风险,但是大盘的感觉实在不好.说不上来什么道理.理论上说,似乎买股票的人太多了些,哈,就算杞人忧天吧.000898
    今天下午看了网络的一些文章,感觉高手如云,可以借鉴的地方很多.由于一段时间没有外出了,世界变化快啊.今天推荐鞍钢的人很多,理由比较集中,一下子发现了鞍钢的诸多优点,大有不到100元不罢休的感觉.
   一喜一忧.喜的是自己不在孤独了,除了这里的战友外有更多的人开始关注鞍钢了,忧的是钢铁的行业发展绝对没有那样的快啊.短线朋友一旦失去利润,多杀多可能出现.
    第一次听到多杀多是在1994年的杨先生的股市报告会上,非常不理解,后来终于明白,股票价格的下跌都是多杀多的结果.空方只是在看,动不了手,真正的敌人是自己人.杀的血流成河,然后笑那些死在里面的朋友.一个悲剧.
    这里所说,肯定不是说鞍钢的情况,鞍钢的目前是万里长征的第二步,以前我就说过"超越香港20%''.
    但是股票市场的风险不是一只股票能够看见的.希望大家能想想这问题.000898
    最近看了一本书<亮剑>,喜欢那个叫李云龙的人,这精神值得敬佩,让人深思啊.
    以前看熊耀华先生的<七种武器>,觉得做股票也要有武器.曾经归纳一下有自信,坚韧.智慧,勇敢.后来看了巴非特先生的传记,又加上了正直,理性.现在看了<亮剑>,觉得做人做股票还要加上一条---信念.总算凑满了七条.
    哈,自信是条件是成功的基础,这基础建立在智慧正直理性上,过程需要勇敢和坚韧.这一切在一个完整的信念支持下,我们不一定赚很多钱,但是我们渐渐的成熟起来.真希望,中国的股票市场能渐渐的成熟.
    想想,不禁长叹一声.前几天看见一些朋友离开鞍钢,心理颇感难受.说句实话,真想说的多一些关于鞍钢的事情.9413说,说再多,走的人还会走,不走的人就不走.话很平淡,道理确实不错.000898
看老股民的BOOK,心理一直满怀感激,写了文字,不知不觉,慢慢的体会大家的心情.
    鞍钢的事情让我们相知,但是任何股票都有涨跌,说一句话结束今天的文字.愿鞍钢和持有鞍钢的战友们,一路好走.000898

(第87楼)回复:钢铁业供求关系探讨
    我们的分析人员分析研究2007年今年全国的钢产量可能要达到5亿左右.原因数据相对比较多,在此不做具体的说明了.我们分析今年的淘汰落后产能的工作关键看下半年,上半年的工作部署下去,具体的安排还有待观察.我们分析是达到目标的数字可能大,达到数据实际的效果,不太乐观.
    第二,广东和柳州项目今年批准的可能不大,宝钢广东项目可能要等待下半年钢铁形式在做决定.不过,我们通过内部了解情况看,宝钢广东项目的批准是必然的,前期工作一直在做.这项目和鞍钢大并没有实质性的对抗,想反,还是有益的协调和补充.000898
任何行业都有利弊,关键是企业的行业前景和地位,以及可能的对抗风险的办法.就钢铁行业来说,发展的核心已经不是单一的产能了.钢材的内在品质和高端产品是关键.
   比如白酒行业,我们分析未来的消费产量只会递减,事实上从广泛的世界范围看,白酒的消费量已经明显在20年内递减,但是这并不等于000858,600519不是好股票.
    钢铁的发展是能否突破的关键时候,如果中国的钢铁企业就此下去,再重新站起来的时候至少在10年以后了,大多数人对明年的情况都看不清楚,10年以后我们觉得基本更没有希望了.所以,中国钢铁企业必定是抓大,抓强,放弃小,弱的.没有办法,这是客观的需要和历史大选择.我们几乎可以肯定,中国中央政府在宝钢,鞍钢武钢的支持力度一定会越来越大.外有强手,内有压力.此时不动.更待何时?000898
    中国大钢铁的发展方向我们觉得大约三个方面;一国外投资,消除压力.二,国内整合,联合强强.三,强化核心,科技为先.000898

(第133楼)回复:价值投资交流园03.26
    因为有一些相对重要的事情需要我去处理,我明天要去深圳,可以肯定的是有一段时间离开这里,祝愿大家好运气和好心情.000898  
    鞍钢的价值在慢慢的体现,也可能出现比价狂热的走势.不管如何,希望大家能记住价值投资的主题.任何股票的上涨的内在的质量是关键.
   在昨天说的<七种武器>正直,理性,智慧,自信,勇敢,坚韧,信念.这里重复一下,绝对没有卖弄学问的意思,在网络上看到一些新股民在搏击,感受他们的起伏之中,忍不住说了上面的言语,希望能有所帮助.不胜喜悦.
    有了正确的信念和理性,在正直的心态下,用智慧和勇敢,加上坚韧不拔的信心,我们相信股票市场是相对安全的利益获得所在.没有智慧不要紧,学习可以弥补,没有勇气不要紧,知识就是力量,没有理性不要紧,市场的风云变幻会让我们成熟.可是没有信念就比较可怕了.我们觉得市场的定位很重要,每个人在这里一定要给自己一个合理恰当的定位.找到自己的最合适的投资方法.000898
    也许许多人问,为何要正直,我们觉得买股票是光明正大的事情,是带着一种善良和正直的高雅行为,本质上说是对国家前途和企业发展的高度认同和关心.我们虽然不能扶危救世,但是我们要有一种责任感,对自己的钱负责,对自己的行为负责,对国家的命运的关注在市场里就是一种责任.天下兴亡,匹夫有责.
    如果买卖股票在点滴的利润之间,起伏不定,对得失患得患失,遇见挫折,怨天尤人,我想说,真的早点离开吧.这里不适合你.成功的道路有万条.何必在这里疲劳呢?
   我们投资鞍钢就是对中国的钢铁的投资,就是对未来中国大发展的坚定信念.当然有许多国民经济的命脉行业值得研究,我们的能力有限.在钢铁上我们觉得可以得到相对满意的投资收益.
    不是说鞍钢就是最好的,只能说鞍钢比较适合我们的原则和心态.000898
    还想对新股民说几句,大家进入市场时要边学习边实践,如果一步一趋,始终在茫然中期待就太累了.是的,许多人刚开始投资时候,莫名其妙的赚钱,老天爷不会永远将幸运之神带在你身边.要长大的最简单扼要的方法就是学习.用心学习.
    一个人要成功无论做什么,请记住我们的肺腑之言;专心致志,全力以赴.000898
    可能我要离开相当长的一段时间,今天喝了点酒,说的乱了些.作为鞍钢的坚定持有者,我们相信市场的价值观念一定会渐渐成熟,在漫长的等待的时间里,修身养性是关键.我一直为前两天离开鞍钢的朋友难过,其实9413的战友们计划在十天前就制定好了,我们只能看着市场的部分人黯然的走开.我在节后和他们打赌,这里不会有人离开鞍钢,但是事实是有一些朋友走了.看来市场的力量比我们强.哈,这是天意.
    我们说的鞍钢比较多,并没有希望大家为我们战友守仓的想法,相反,我们觉得鞍钢会越来越多的人重视和进入,鞍钢的价值体现的时候也许就是我们真正离开的时候.一方面希望这天快点到来,一方面又希望,慢点来.让一些朋友多一次赚钱的机会.
    其实股票市场里永远都有赚钱的机会,不过有些机会不适合我们而已.或者说必须放弃一些机会.000898
    中国的股民是最可爱的人,他们为国家的发展前赴后继,默默无闻的付出.是中国腾飞经济的最大支持者,用血肉构成了国家的兴旺.我们坚信这一切都会有回报和值得尊重.
    再次感谢老股民的工作和付出.我们可能在鞍钢的股东大会上见面的机会大一些,到时候一定请您吃饭长谈.我们坚信价值投资在未来的股票市场将起到越来越大的作用.我们觉得国家正在把价值投资的观点输入股票市场.我们觉得更多的人会加入价值投资的队伍.我们也坚信在价值投资的法则下,中国将出现一批又一批的股市大家.我们希望我们这里的朋友能进入中国股票市场新一代大家的行列.我们也为价值投资的理论在做默默无闻的工作.
    也许鞍钢不能使你成为千万富翁,但是我们我们相信价值投资能让你实现人生的梦想和价值.至少这是一种成功的方法.让投资者真正实现理想的可信方法.
   有人因此成功时候,请不要忘记向其他的朋友们推荐这样的方法和态度.000898
    要休息了,想说的话好象还有不少,又没有恰当的词语来表达.还是才疏学浅,如果我的话能够给你或者你的朋友带去一点点的感受,我就非常的愉快和幸福.就此和大家暂时的告别了.愿大家做事快乐常在.心有所得.000898

(第37楼)回复:鞍钢公告
    因为网络问题才找到这里,刚刚在前一篇文章中留言,一直没有注意这里.鞍钢的情况看来和我们年初预计还是有一些变化,我们的预计情况现在看来鞍钢好更好一些.感谢朋友的资料.我们觉得鞍钢正在被更多人理解,可惜我们没有和位朋友见面谈谈,相信以后一定有机会,因为广东有一些事情,我明天去一下,可能要离开一段时间,鞍钢的前途是非常值得期待的.我们相信价值投资的理论和实践在中国股票市场会得到成功.
    祝愿老股民,身体健康.鞍钢蒸蒸日上.各位战友心情愉快.有所得.就此暂时告别了.000898

   

企业微信第三方应用014_企业微信5种第三方应用的安装方式_上架到应用市场_服务商后台点击安装测试_生成应用推广二维码安装---企业微信开发016 成员授权的意思就是,只要是这个成员扫码安装了这个应用,那么这个应用就只有这个成员可以用。安装的时候可以设置可见范围,这个地方可以设置整个公司或者是某个部门或者是某些人可以让这个应用来进行操作。创建了以后,这个二维码就可以发出来进行推广别人用户扫描了以后就可以把自己的企业微信给安装上对应的应用了。然后在对应的这个微信的企业后台就可以看到在第三方中有这个应用了。可以看到这个就是服务商的后台对应的一个应用,我们点击打开应用。可以看到这里有两个授权,一个是成员授权,一个是管理员授权。就可以去创建推广二维码了。 阅读详情

相关推荐

【电击防护篇】电击防护技术详解:从人体效应到接地系统全解析

本文系统讲解了电击防护的关键知识,包括电流对人体的影响(如30mA是心室颤动阈值)、人体电阻特性(700Ω-6100Ω)以及电气接触防护措施。重点分析了TT、TN和IT三大接地系统的结构特点与应用场景,强调TN-S系统最安全,IT系统供电连续性最佳。详细介绍了漏电保护器(RCD)的工作原理与选型指南,建议人身防护选用30mA高灵敏度RCD。文章通过对比表总结三大系统的安全性、成本及适用场景,为电气安全设计提供实用参考。

2301_81299416的博客 1748

【2019年06月28日】A股最便宜的股票

查看更多A股最便宜的股票:androidinvest.com/CNValueTop/ 经典价值三因子选股: 市盈率PE、市净率PB 和 股息分红率,按照 1:1:1的权重,选择前10大最便宜的股票。 由于银行股在排名中占比过多、过重,所以本排名剔除了银行股,如要查看全部排名,请点击文章下方的链接。 本策略只是根据最新的数据来选股,完全无人工参与的过程,所以并不能对接下来的利润或业绩做预测...

乌龟量化 1494

实战复盘:如何用ATE(自动测试设备)搞定一颗MCU的功能测试全流程

本文详细解析了如何利用ATE(自动测试设备)完成MCU功能测试的全流程,涵盖测试需求分析、测试向量生成、ATE测试程序开发及调试实战。通过真实案例分享,帮助工程师高效解决芯片测试中的常见问题,提升Functional Test的准确性和效率。

weixin_30872157的博客 487

【2019年08月26日】A股最便宜的股票

查看更多A股最便宜的股票:androidinvest.com/CNValueTop/ 便宜指数 = PE + PB + 股息 + ROE,四因子等权,数值越大代表越低估。 本策略只是根据最新的数据来选股,完全无人工参与的过程,所以并不能对接下来的利润或业绩做预测,因此请结合个股基本面一起来看。 如有任何疑问,请留言咨询。如果喜欢本推荐,也请多帮忙转发和分享,十分感谢。 新钢股份(SH6...

乌龟量化 1136

四足机器人机械结构设计:从腿型到驱动的全面解析

本文全面解析了四足机器人机械结构设计的核心要点。资深工程师老张深入探讨了并联腿与串联腿的选型策略、不同腿型布局对稳定性的影响,并详细对比了皮带轮与连杆驱动方式的优劣。文章结合实战经验,强调了足端设计、材料选择及整体结构轻量化等关键细节,为机器人开发者提供了从理论到实践的宝贵指导。

assembly8low的博客 634

U-Net图像分割实战:从论文解析到PyTorch代码实现

本文深入解析了U-Net图像分割模型的经典架构与核心思想,并提供了从零开始的PyTorch代码实现教程。通过详细拆解编码器-解码器结构、跳跃连接等关键组件,手把手指导读者构建完整的U-Net网络,涵盖数据准备、模型训练、推理部署全流程,是掌握图像分割实战技能的实用指南。

fire9的博客 343

【2019年07月22日】A股最便宜的股票

查看更多A股最便宜的股票:androidinvest.com/CNValueTop/ 便宜指数 = PE + PB + 股息 + ROE,四因子等权,数值越大代表越低估。 本策略只是根据最新的数据来选股,完全无人工参与的过程,所以并不能对接下来的利润或业绩做预测,因此请结合个股基本面一起来看。 如有任何疑问,请留言咨询。如果喜欢本推荐,也请多帮忙转发和分享,十分感谢。 新钢股份(SH6...

乌龟量化 303

无人机多旋翼倾转动力测试系统-适用于(eVTOL开发、缩比模型测试、科研教育)

LY-QZ-F4多旋翼倾转动力测试系统是全球首款专为倾转四旋翼设计的多自由度动力测试平台,融合高精度传感、动态倾转模拟与智能工况分析,为下一代eVTOL技术提供全维度验证工具。采用航空级应变传感器(精度±0.1% FS),同步捕获推力、扭矩、俯仰/滚转力矩,动态误差<1%。同时测试电驱动系统(单轴最大150kW)与混合动力单元(增程式),支持高压(800V)平台。通过MET数据采集软件,控制采集一体化,定制化,实时观察上百个传感器数据,实时更改测试需求。可搭配六维姿态平台,温湿度舱、振动台等环境模拟设备。

weixin_49209795的博客 876

【2019年08月06日】A股最便宜的股票

查看更多A股最便宜的股票:androidinvest.com/CNValueTop/ 便宜指数 = PE + PB + 股息 + ROE,四因子等权,数值越大代表越低估。 本策略只是根据最新的数据来选股,完全无人工参与的过程,所以并不能对接下来的利润或业绩做预测,因此请结合个股基本面一起来看。 如有任何疑问,请留言咨询。如果喜欢本推荐,也请多帮忙转发和分享,十分感谢。 新钢股份(SH6...

乌龟量化 341

差分信号_差分信号的原理及其在PCB的设计

差分线是 PCB 设计中非常重要的一部分信号线,信号处理要求也是相当严谨,今天为大家介绍下差分信号的原理以及其在 PCB 设计中的处理方法。 什么是差分信号 差分传输是一种信号传输的技术,区别于传统的一根信号线一根地线的做法,差分传输在这两根线上都传输信号,这两个信号的振幅相等,相位相差 180 度,极性相反。在这两根线上传输的信号就是差分...

weixin_31849185的博客 1812

Simulink仿真模块-Signal Generator

Signal Generator:生成各种波形 所在的位置库为:Simulink / Sources 模型为: 说明 Signal Generator模块可以产生四种不同波形: 正弦波 方波 锯齿波 随机 可以使用 hertz 或 rad/sec 为单位表示信号参数。双击模型可以选择需要生成的波形,如图所示: 使用默认参数值,可以获得下列波形之一: 波形 波形输出 正弦波 ...

jk_101的博客 2655

【2019年05月16日】A股最便宜的股票

查看更多A股最便宜的股票:androidinvest.com/CNValueTop/ 经典价值三因子选股: 市盈率PE、市净率PB 和 股息分红率,按照 1:1:1的权重,选择前10大最便宜的股票。 由于银行股在排名中占比过多、过重,所以本排名剔除了银行股,如要查看全部排名,请点击文章下方的链接。 本策略只是根据最新的数据来选股,完全无人工参与的过程,所以并不能对接下来的利润或业绩做预测...

乌龟量化 548

ollama使用CPU安装qwen-coder模型_并在eclipse中使用ai coder插件_配置本地qwen-coder模型_ollama常用操作记录---AI大模型应用探索0002

文章摘要:作者分享了在Windows 10上安装和使用Ollama模型的过程。尝试了不同规模的qwen-coder模型(7b、1.5b和0.5b),发现7b模型响应极慢(需35分钟),而1.5b模型表现较好(3秒响应)。最终选择1.5b版本用于代码开发辅助,支持多语言自动补全。同时提到在最新版Eclipse中的AIcoder配置问题。文章重点比较了不同模型规模在CPU环境下的实际使用体验和响应速度差异。

添柴程序猿的专栏 685

【2019年07月08日】A股最便宜的股票

查看更多A股最便宜的股票:androidinvest.com/CNValueTop/ 便宜指数 = PE + PB + 股息 + ROE,四因子等权,数值越大代表越低估。 本策略只是根据最新的数据来选股,完全无人工参与的过程,所以并不能对接下来的利润或业绩做预测,因此请结合个股基本面一起来看。 如有任何疑问,请留言咨询。如果喜欢本推荐,也请多帮忙转发和分享,十分感谢。 新钢股...

weixin_30408309的博客 178

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

五十三.网络(3)--区块同步getblocks消息

在节点互发了version消息后,就会发送getblocks消息,请求对方的区块以进行同步。

d3582077的专栏 198

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")

DPU安全组与ACL性能测试:从规则爆炸到线速卸载的实战指南

本文深入剖析DPU安全组与网络ACL的底层卸载架构,通过两个完整实战测试矩阵,量化评估规则复杂度、有状态连接跟踪(Conntrack)及OVS Offload协同对RoCEv2性能的影响。结合真实故障排查案例与工具输出矩阵,揭示大规模云环境中安全组性能跌落的根因,并给出基于规则聚合与硬件表项优化的最优配置指南。

专注分享DPU、RDMA智能网卡/SSD(固态硬盘)产品测试与优化 339

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Linux 服务器性能排查手册(2026):CPU、内存、磁盘IO、网络四大瓶颈定位

iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级,避坑改了防火墙把自己挡在服务器外面的翻车事故。

2502_91473995的博客 344

AI 芯片片上网络 NoC 深度解析:flit、虚通道与拥塞控制如何决定 GPU/TPU/LPU 的算力利用率

AI芯片算力瓶颈不在FLOPS,而在片上网络(NoC)——数据搬运的能耗与延迟决定MFU上限。物理限制下,长线延迟不随工艺缩小,迫使NoC将全局布线拆为可流水的短链路;能量账显示,一跳传输耗能可达数十次乘加操作。拓扑选择直接影响性能:二维mesh虽布线可行,但均匀流量下每节点可用带宽按1/√N衰减,实测仅达标称值30%。虚通道、双网设计、静态调度(如Groq)等技术旨在突破此瓶颈。从总线到crossbar再到多跳NoC,本质是用延迟换可行性。未来趋势:专用通路(脉动阵列)、晶圆级集成(Cerebras)、跨

我的博客 119

网安产教融合思考:如何补齐高校实战能力评价短板

不少网安专业高校都面临这样现实的难题:网安人才培养持续推进,校内已经搭建完整的教学体系,但高校培养方案可能几年修一次,企业的技术栈和攻击手法却按季度在变,学校难落地最新的技术实战教学,学生难证明实战本领,企业一边喊人才紧缺,一边感慨招不到来了就能干的应届生。网安时代,实战为王。备考平台、7天免费直播培训、免费认证考试,期待更多高校加入 CCP 人才共育生态,组织本校学子参与本轮认证,以认证带动教学,以实战对接就业,共同为行业培养 “用得上、干得好” 的实战型网络安全人才。本次报名、培训、考试全程免费,

A19911511842的博客 197

台湾行情数据API接入教程

想用程序获取台股行情,很多人第一步会搜“台股资料 API 推荐”,结果发现选择不少:证交所有免费接口,Yahoo Finance 也能查,券商还有自己的 API。真正写代码时才发现,有的数据只到收盘,有的延迟 20 分钟,有的必须先开户。本文先梳理台湾行情数据的几种获取渠道,再用 Python 从零搭一个可以运行的台股数据脚本:查代码清单、取实时报价和盘口、拉历史K线、做复权、用 WebSocket 接收实时推送,最后结合台积电 ADR 和新台币汇率计算跨市场溢价。

qq_34102871的博客 318
上一篇: 新年思考之三,股指期货
下一篇: 鞍钢公告
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