LWN: 5.10 kernel开发周期的数据统计!

matsim教程及其案例 MATSim 是一个强大的交通仿真工具,适合研究交通政策、出行行为优化和城市规划。建议从官方示例入手,逐步尝试修改参数和扩展功能。遇到问题时,优先查阅官方文档和社区讨论。(Multi-Agent Transport Simulation Toolkit)的教程和案例资源整理,涵盖基础入门、核心概念、实际应用案例及学习路径。MATSim 是一个开源的、基于多智能体的交通仿真框架,用于模拟城市交通系统中的出行行为、交通流量和交通政策影响。 阅读详情

关注了就能看到更多这么棒的文章哦~

Statistics from the 5.10 kernel development cycle

By Jonathan Corbet
December 14, 2020

https://lwn.net/Articles/839772/

Linus Torvalds 在12月13日发布了 5.10 kernel,终于结束了9天的繁忙开发周期。当时,有16,174个non-merge changesets合入了mainline,因此5.10比起5.9来说包含了更多的改动,不过还是不如5.8的纪录(16,308 changesets)。5.10整体来说还是一个普通的kernel版本,不过整体数据上来看还是有一些特别点的。

5.10期间总共有1,971位开发者做出了贡献,这个数字同样是仅次于 5.8 版本的纪录。其中,有252 位(将近13%)是首次为kernel提交改动,这是 5.6 版本以来的最低纪录了。5.10 中最活跃的开发者名单如下:

Most active 5.10 developers
By changesets
Krzysztof Kozlowski4913.0%
Mauro Carvalho Chehab3782.3%
Christoph Hellwig2651.6%
Pierre-Louis Bossart1160.7%
Lee Jones1160.7%
Randy Dunlap1150.7%
Allen Pais1120.7%
Jonathan Cameron1070.7%
Maxime Ripard1030.6%
Dave Airlie980.6%
Lad Prabhakar970.6%
Andy Shevchenko870.5%
Chris Wilson850.5%
Evan Quan840.5%
Colin Ian King840.5%
Andrii Nakryiko820.5%
Vladimir Oltean800.5%
Alex Deucher790.5%
Qinglang Miao770.5%
Kees Cook700.4%
By changed lines
Sudeep Dutt267793.5%
Mauro Carvalho Chehab227412.9%
Corentin Labbe190912.5%
Fabio Estevam167572.2%
Christoph Hellwig142861.9%
Cezary Rojewski141061.8%
Chandan Uddaraju93571.2%
Daniel W. S. Almeida80121.0%
Mike Travis78731.0%
Andrii Nakryiko74551.0%
Oded Gabbay69890.9%
Hans Verkuil68390.9%
Larry Finger67580.9%
Vadym Kochan63820.8%
Krzysztof Kozlowski63710.8%
Mauro Rossi62270.8%
Jonathan Marek61060.8%
Marc Kleine-Budde60490.8%
Jin Yao58110.8%
Jiaxin Yu54640.7%

5.10 中贡献最多changeset的是 Krzysztof Kozlowski,他主要是在为Arm以及driver子系统来做改进,基本上每天有8个改动,每周7天不停。Mauro Carvalho Chehab 在 media 子系统和 documentation, staging 子系统做了很多改动。Christoph Hellwig则主要是对文件系统和block layer进行了大量的重写工作,都是为了移除 set_fs() 调用。Pierre-Louis Bossart 在 sound 子系统中进行了许多工作,Lee Jones 则提交了许多 warning fix。

Sudeep Dutt 为 5.10 只提交了一个 patch,不过这个 patch 移除了 Intel "many integrated core" (MIC) 设备的驱动,因为删除了非常多的代码,因此登顶了 “lines changes” 榜单。Corentin Labbe 把 Zoran MJPEG capture driver 重新恢复到了 staging tree里,而 Fabio Estevam 则移除了许多过时的 Arm board file。

最繁忙的测试者和报出最多bug的人员分别是:

Test and report credits in 5.10
Tested-by
Hoegeun Kwon867.3%
Chanwoo Choi796.7%
Stefan Wahren796.7%
Thierry Reding332.8%
Aaron Brown312.6%
Arnaldo Carvalho de Melo242.0%
Nikolay Borisov231.9%
Nick Desaulniers211.8%
Yoshihiro Shimoda161.4%
Jonas Karlman161.4%
Douglas Gilbert161.4%
Marek Szyprowski151.3%
Srinivas Kandagatla131.1%
Sedat Dilek131.1%
Daniel Thompson121.0%
Reported-by
kernel test robot19115.1%
Hulk Robot19015.0%
Syzbot977.7%
Dan Carpenter403.2%
Stephen Rothwell231.8%
Randy Dunlap201.6%
Qian Cai171.3%
Naresh Kamboju141.1%
Julien Grall80.6%
Alexei Starovoitov70.6%
Rob Herring70.6%
Marek Szyprowski70.6%
Colin Ian King70.6%
Geert Uytterhoeven60.5%
Lars-Peter Clausen60.5%

最多的3位 tester,都有一个共同特点:他们的 Tested-by tag总是出现在同一个 patch里面,并且都是针对 vc4 DRM driver的测试。在报出最多bug的数据里面,我们看到将近 38%的 bug report 是来自自动测试系统。注意,因为这些 tag 都是包含在 patch 里面的,因此其实意味着这只是已经有了某种程度上的解决方案的那些 bug。这些 bug 其实并不会在后面影响用户了。

总共 228 个公司 (只是我们已知的部分) 支持了 5.10 kernel 的开发工作,比起过去几个 release 来说是有增长的。提供了最多支持的是:

Most active 5.10 employers
By changesets
Huawei Technologies14348.9%
Intel12978.0%
(Unknown)10756.6%
(None)9545.9%
Red Hat9155.7%
Google8485.2%
AMD6984.3%
Linaro6704.1%
Samsung5703.5%
IBM5213.2%
NXP Semiconductors4392.7%
Facebook4222.6%
Oracle4142.6%
SUSE4102.5%
(Consultant)4042.5%
Code Aurora Forum3131.9%
Arm3071.9%
Renesas Electronics2831.7%
NVIDIA2621.6%
Texas Instruments2181.3%
By lines changed
Intel9697612.6%
Huawei Technologies410495.3%
(Unknown)409485.3%
Google391605.1%
NXP Semiconductors358984.7%
(None)309984.0%
Red Hat304673.9%
Code Aurora Forum296153.8%
Linaro293843.8%
Facebook274793.6%
BayLibre241593.1%
AMD233433.0%
(Consultant)199052.6%
IBM183122.4%
MediaTek158932.1%
Arm133901.7%
Texas Instruments118141.5%
SUSE110631.4%
Oracle105421.4%
NVIDIA104811.4%

Huawei 出现在 "by changesets" 榜单的顶端,这其实有点意外,而 5.8 release 的时候也是同样的情况。这次 Chehab 的工作肯定是提供了很大贡献的,不过同样还有其他 94 位华为的开发者对 5.10 进行了贡献。Huawei 在kernel 开发这方面动作很大。此外的其他数据基本上都是意料之中。

这个发布周期中还有一个特点,是在 merged commit 里面的 non-author signoffs。对某个不是自己做的 patch 打上 Signed-off-by tag,一般意味着这是在向 upstream 推送 patch 的 maintainer,通过这个数字就可以让大家知道 kernel 的 gatekeeper 都是哪些人。在 5.10 中,数据是这样的:

Non-author signoffs in 5.10
Developers
David S. Miller10747.0%
Greg Kroah-Hartman7805.1%
Mark Brown7074.6%
Alex Deucher6094.0%
Jakub Kicinski4863.2%
Mauro Carvalho Chehab4853.1%
Kalle Valo4532.9%
Andrew Morton4232.7%
Jens Axboe3292.1%
Alexei Starovoitov3172.1%
Hans Verkuil3152.0%
Martin K. Petersen2891.9%
Michael Ellerman2451.6%
Vinod Koul2391.6%
Shawn Guo1971.3%
Paolo Bonzini1961.3%
Borislav Petkov1871.2%
David Sterba1761.1%
Herbert Xu1751.1%
Will Deacon1721.1%
Employers
Red Hat219814.3%
Linaro158810.3%
Facebook12147.9%
Intel11437.4%
Google10827.0%
Linux Foundation8635.6%
Huawei Technologies7885.1%
SUSE7104.6%
AMD6424.2%
Code Aurora Forum5083.3%
IBM4182.7%
Oracle4072.6%
(None)3922.5%
NVIDIA3642.4%
Cisco3152.0%
Arm2961.9%
Qualcomm2391.6%
(Consultant)2211.4%
Texas Instruments1871.2%
Samsung1380.9%

Seeing David Miller, 是 networking 子系统的 maintainer,他通常都是在榜单第一位的,在 5.10 开发周期中也不例外。不过 Miller因为健康问题在 5.9 发布之后就暂停参与 kernel 社区的活动,这个表格中列出的其实是他在 5.10 合并周期之前的工作。Jakub Kicinski 就接过了 networking 子系统的维护工作,因此他也出现在了这个名单里(同时 Facebook 的位置也排得更加靠前了)。在 5.11 里会更明显地看到这一变化, Kicinski 目前已经在 linux-next 里面 sign-off 了 大约 900 个 patch。

好在Miller在逐渐康复中,也又开始合并 networking patch 了。同时这个故事也证明了社区在最活跃的开发者突然停止贡献的这种意外事件的时候的反应。目前看来处理得很好,networking 相关 patch 在 mainline 和 linux-next 中的进展都很迅速。看起来对 networking community 整体来说基本没有影响。

希望所有重要的 kernel 子系统都已经为这种突发性的 maintainer 变动做好准备了,不过,事实肯定并非如此。kernel 社区下次碰到这种情况的时候不一定能处理得这么好了。这次 release 中的这些数据说明 kernel 开发仍然是非常活跃的,同样 kernel 可以按规律发布,社区参与度也仍然很高,同时还有许多新的开发者加入进来。2020 年是很困难的一年,不过 kernel 社区 已经坚持过来了,看起来基本没有受什么影响。

全文完
LWN 文章遵循 CC BY-SA 4.0 许可协议。

欢迎分享、转载及基于现有协议再创作~

长按下面二维码关注,关注 LWN 深度文章以及开源社区的各种新近言论~

【100分- 求最多可以派出多少支团队】(题目+思路+Java&C++&Python解析+在线测试) 用数组代表每个人的能力,一个比赛活动要求参赛团队的最低能力值为N,每个团队可以由1人或者2人组成,且1个人只能参加1个团队,计算出最多可以派出多少只符合要求的团队。 阅读详情

相关推荐

EDA与机器学习融合:智能优化芯片设计流程的工程实践

机器学习作为数据驱动的核心技术,通过从历史数据中学习复杂模式,实现对系统行为的预测与优化。其原理在于构建模型,将输入特征映射到目标变量,从而揭示数据背后的内在规律。在工程领域,这项技术的核心价值在于能够将专家经验转化为可量化、可复用的智能模型,显著提升自动化水平与决策效率。电子设计自动化(EDA)是芯片设计的关键支撑,传统流程高度依赖人工试错,面临参数空间巨大、优化周期长等挑战。将机器学习应用于EDA,能够构建预测模型来预估设计性能(PPA),或通过代理模型加速设计空间探索,实现智能化的设计辅助与优化。本文

weixin_30411239的博客 684

Linux内核5.10编译 与调试

centos7 编译内核5.10下载内核准备编译环境配置模板编译参考 下载内核 linux 5.x下载地址 # 将压缩包放到自己指定的目录,解压 tar -zxf linux-5.10.tar.gz 准备编译环境 # 安装依赖,遇到缺啥依赖,就安装啥 yum -y install flex bison libssl-dev openssl-devel elfutils-libelf-devel ncurses-devel # 编码过程中遇到,cc1: error: -Werror=date-time: n

antRain的博客 1万+

Allegro Design Entry CIS 与 OrCAD Capture CIS:PCB设计工具链中的双雄对决

本文深入对比了Cadence旗下两大原理图设计工具Allegro Design Entry CIS与OrCAD Capture CIS。Allegro Design Entry CIS源自Concept HDL,定位高端,强调自顶向下的层次化设计和与Allegro PCB Editor的无缝约束管理,适合大型复杂系统及团队协作。OrCAD Capture CIS则以其出色的易用性、广泛的兼容性和强大的CIS数据库功能著称,是中小型项目及跨工具链协作的通用选择。文章从历史渊源、核心功能、适用场景等多维度剖析,

bush的博客 486

LWN:5.8内核数据分析!

关注了就能看到更多这么棒的文章哦~Some statistics from the 5.8 kernel cycleByJonathan CorbetAugust 3, 20208月2...

Linux News搬运工 669

DDR5内存命令真值表详解:如何正确解析JESD79-5标准中的关键指令

本文深度解析JESD79-5标准中的DDR5内存命令真值表,将其视为动态通信协议进行拆解。详细阐述了1-Cycle与2-Cycle命令的区别、Bank Group寻址机制以及模式寄存器(MR)操作流程,为硬件与固件工程师提供了从信号解析到系统调试的完整实战指南,是理解和优化高性能计算平台内存子系统的核心。

numpy6sculptor的博客 548

MTK 人工智能生态系统 <一> 简介

Neuropilot

New_Tank的博客 3494

linux5.10内核,Linux Kernel 5.10发布下载,以下介绍Linux 5.10新功能内容

Linux Kernel 5.10版本发布了,它是新的长期支持版本,Linus Torvalds表示将Linux 5.10一直维护到2026年,比Linux 5.4 LTS内核长一年。本次更新的Linux 5.10包含了许多大大小小的变化,所有这些变化都是为了使Linux内核比以往更好、更快、更高效地运行。要查看现系统所用的内核版本,请参考在Linux系统中检查内核版本(Kernel Versio...

weixin_32098599的博客 2312

三峡大学-微机原理与接口技术实验

其中,A15接E1,因此,A15为1,A14A13A12A11A10A9A8A7通过八输入与非门74LS30与E2连接,因此A14A13A12A11A10A9A8A7为11111111,A6A5A4与CBA连接,因此A6A5A4为101,A3A2A1A0不参与译码,因此IO5的地址范围为1111 1111 1101 0000B~1111 1111 1101 1111B,即0FFD0H~0FFDFH。如图1所示,若IO0输出为低电平,则需要E1接高电平,E2接低电平,E3接低电平,CBA的输入为000。

m0_62222486的博客 495

Linux Kernel5.10的核间通信(SGI中断)的本质

核间中断概念 处理器间中断就是一个 CPU 向系统中的目标 CPU发送中断信号,以使目标CPU执行特定的操作 在Linux Kernel操作系统中,默认定义了8中IPI中断(SGI0-SGI7) (linux/arch/arm64/kernel/smp.c) enum ipi_msg_type { IPI_RESCHEDULE, IPI_CALL_FUNC, IPI_CPU_STOP, IPI_CPU_CRASH_STOP, IPI_TIMER, IPI_IRQ_WORK, IPI_WAKE

baron-周贺贺-代码改变世界ctw 5335

算法 | 植物根茎生长优化算法(PRGO)原理、公式及应用,matlab代码(2025最强优化算法)

【代码】算法 | 植物根茎生长优化算法(PRGO)原理、公式及应用,matlab代码(2025最强优化算法)

尘世冰封的专栏 1015

【AUTOSAR-E2E】-1.4-详述E2E Transformer解决方案

共13页精讲 目录 1“Data Transformation”介绍 1.1 基于SOME/IP Transformer 1.2 基于COM Based Transformer 2 ComXf(COM Based Transformer)介绍 2.1 ComXf(COM Based Transformer)功能规范 2.2 ComXf(COM Based Transformer)提供的服务 2.3 配置注意事项 3 E2EXf(E2E Transformer)介绍 3.1 E2EX...

「汽车电子助手」的博客 4700

kernel版本号

是的,5.10.1765.10.187和5.10.86都是 ​​,属于 ​​ 的不同子版本(Patch Release)。

windofchange_的专栏 1395

55、Mac OS X 10.2 安装、设置、卸载及故障排除全攻略

本博客全面解析了 Mac OS X 10.2 的安装、设置、卸载及故障排除方法。内容涵盖四种安装方式的适用场景及操作步骤、设置助手的详细配置流程、卸载注意事项与恢复建议,以及常见问题和进阶故障的解决办法。通过图文并茂的形式,帮助用户快速掌握 Mac OS X 10.2 的基础与高级操作,是使用该操作系统的实用指南。

qsc90123456的博客 151

LWN:5.15 开发周期数据统计!

关注了就能看到更多这么棒的文章哦~Some 5.15 development statisticsBy Jonathan CorbetNovember 1, 2021https://lwn...

Linux News搬运工 427

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

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")

LWN:6.5内核的开发数据统计!

关注了就能看到更多这么棒的文章哦~Development statistics for the 6.5 kernelBy Jonathan CorbetAugust 28, 2023ChatGPT assisted translationhttps://lwn.net/Articles/941675/Linux 内核 6.5 版本于 8 月 27 日发布,经过了九周的开发周期。在此期间,有 13,...

Linux News搬运工 958

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: kernel内核及相关包介绍

总的来说,这些包是 Linux 系统中内核管理的不同方面,包括内核本身、开发工具、模块和其他辅助工具。根据我们的具体需求,可能需要安装其中的一部分或全部。如图这些 Linux 内核包都是针对特定版本(5.10.134-13.an8)的不同组件。

十年运维开发经验的王义杰在此分享自己的知识和经验 1955

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

linux内核7大功能,Linux Kernel5.10十个值得关注的功能

Linux Kernel 5.10 有望在本周末发布,外媒 Phoronix 盘点了 10 个值得关注的改进和新功能。5.10 不仅是 2020 年最后一个内核版本,而且还是长期支持(LTS)版本。Linux Kernel 5.10 合并窗口期在今年 10 月关闭,当时外媒 Phoronix 就发文概览了主要功能。而在 5.10 即将发布之际,外媒体再次盘点了 10 项比较有趣的功能:1.AMD ...

weixin_39958366的博客 452

linux内核版本5更新,官方消息:Linux Kernel 5.10将是LTS版本

原标题:官方消息:Linux Kernel 5.10将是LTS版本来自:Linux迷链接:https://www.linuxmi.com/linux-kernel-5-10-lts.html官方消息,即将发布的Linux 5.10内核系列将是一个LTS(长期支持)系列,受支持的维护更新自发布之日起至少两年。根据著名Linux内核开发人员Greg Kroah-Hartman的最新推文,下一个LTS(...

weixin_31281003的博客 1892

【kernel】【patch学习】一个字段使文件系统性能提升224%

一个字段,如何使文件系统性能提升224%

sjc2870的博客 688

LWN:5.6内核数据分析!

关注了就能看到更多这么棒的文章哦~Some 5.6 kernel development statisticsByJonathan CorbetMarch 30, 2020原文来自:...

Linux News搬运工 746

[kernel 5.10 启动流程] 前导篇——链接过程分析

这篇文章主要分析链接的过程,需要项目编译过程中都会涉及到链接的问题,链接脚本后缀lds。 一、基础部分 1、段说明 text段 代码段,通常是指用来存放程序执行代码的一块内存区域。这部分区域的大小在程序运行前就已经确定。 data段 数据段,通常是指用来存放程序中已初始化的全局变量的一块内存区域。数据段属于静态内存分配。 bss段 通常是指用来存放程序中未初始化的全局变量和静态变量的一块内存区域。BSS段属于静态内存分配。 init段 linux定义的一种初始化过程中才会用到的段,一旦初始化完成,那么这些

一个机器学习的学习之旅 887

编译安装kernel 5.1.10

tar xf linux-4.20.2.tar.xz -C /usr/src cd /usr/src ln -sv linux-4.20.2 linux cd /usr/src/linux cp /boot/config-$(uname -r) ./.config make help make menuconfig make -j 2 make modules_install make install reboot

weixin_44515412的博客 437

linux5.10内核,Linux Kernel 正式发布了 5.10.10 版本 提升了稳定性

IT之家1月26日消息1 月 23 日,Linux Kernel 正式发布了 5.10.10 版本。本次更新包含 43 个补丁,主要进行了一些 Bug 修复工作,提升了稳定性。更新日志如下:为 Cadence SPI 控制器添加驱动程序修复了当使用 GPIO 描述符时客户端驱动程序损坏的问题修复由于错误更新 qid 导致 tid 卡住的问题当 DSA master 解除绑定时,从树中解除绑定所有交...

weixin_36429993的博客 1006

Linux基金会发布关于Linux内核的发展报告

许多人还在错误地以为,Linux还是一群黑客在写,这些家伙整天呆在他们父母的卧室里,唯一的社交活动就是在线玩玩角色扮演类游戏,或者在IRC聊天室里为Vi还是Emacs哪个更优秀而打口水仗、抑或为Picard何Kirk谁厉害而争论不休。仅此而已。最近Linux基金会发布了一份关于Linux内核的发展报告,其中关注的重点是Linux内核的发展方向,最新动态,以及如何做,还有就是谁对内核作出了贡献等。这

phphot 1973

LWN: XFS以及稳定内核发布!

关注了就能看到更多这么棒的文章哦~XFS, stable kernels, and -rc releasesBy Jonathan CorbetDecember 3, 2020DeepL...

Linux News搬运工 301

Linux kernel 版本说明

下载地址:www.kernel.org第一列,版本性质:主分支(mainline),稳定版(stable),长期维护版(longterm)第二列,版本号。-rc表示非正式发布版本,[EOL]表示本分支最后一个版本。第三列,版本发布日期。patch列是补丁。用于从本分支的基础版本,升级到本分支当前最新版本。例如,3.10.98这一行的patch文件,用于将源码从3.10版本升级到3.10.98。另外...

huihuiwith的博客 1972
上一篇: LWN:32位Linux的未来!
下一篇: LWN: 节省huge page场景下的struct page内存占用!
LinuxNews搬运工
博客等级 码龄7年 438粉丝 20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