LWN: Linux kernel维护者真相与误解！

LinuxNews搬运工 LinuxNews搬运工 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 900+累计阅读 921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7年
关注
转载 最新推荐文章于 2026-11-08 14:34:25 发布 921 阅读 AI 写同款· GEO 优化 ›
Linux学习笔记---移植官方uboot步骤（一） 目录 编写shell脚本 修改MakeFile文件 重命名shell脚本 添加默认配置文件 修改默认配置文件 准备需要的板级文件夹 重命名.C文件 修改Makefile 修改imximage.cfg配置文件 修改Kconfig文件 修改MAINTAINERS 文件 修改uboot图形配置界面 编译自己的uboot 使用的开发板是正点原子IMX6U-MINI EMMC512M的开发板，这个板子也是移植的NXP官方uboot，所以这里就直接从NXP官方的ubbot移植。... 阅读详情

关注了就能看到更多这么棒的文章哦～

MAINTAINERS truth and fiction

By Jonathan Corbet
January 14, 2021
DeepL assisted translation
https://lwn.net/Articles/842415/

自 2020 年 1 月发布 5.5 内核之后，到现在已经有近 87,000 个 patch，来自于近 4600 名开发者，都被合并到 mainline 仓库中了。review 所有这些 patch 的工作，对于愿意花时间的内核开发者来说也都是一项艰巨的任务，所以是否要接受合并 patch，这个决定权就被委托给了各个子系统的维护者（maintainer）来代理决定，他们每个人都对内核中这一部分的改动具有部分或者完整的决定权。这些维护者们就被记录在一个叫 MAINTAINERS 的文件中（当然是这个名字）。但是，MAINTAINERS 文件也需要维护，它能很好地反映现实情况吗？

MAINTAINERS 文件的存在目的，并不仅仅是为了让大家给维护者点赞。开发者们需要用它来确定该把 patch 发到哪里。get_maintainer.pl 脚本通过查看这个 patch 修改了的文件，就可以生成一系列邮件地址来发送 patch，从而让这一过程变得更加自动化。如果这个文件中有错误信息的话，就可能会让 patch 发送到错误的地方去，所以我们需要这个文件能保持更新。最近，编者收到 Jakub Kicinski 的建议，他认为可以比较 一下 MAINTAINERS 中的各个条目和现实世界中的工作的吻合程度，应该能得到一些线索。于是折腾了一会儿 Python 之后，我们就得到了一个新的分析脚本。

Digging into MAINTAINERS

统计下来，MAINTAINERS 文件中已经列出了 2280 个 "subsystems (子系统)"。每一个子系统都包括一个它所涵盖的文件和目录列表。我们可以查看这些文件的 commit 信息来这个子系统中都有谁在进行工作。撰写 patch 显然属于工作内容之一，但其他活动也得算，比如处理 patch (可以从 Signed-off-by tag 来得到这个信息) 或 review patch (根据 Reviewed-by 或 Acked-by)。我们牺牲了一些 CPU 挖矿的时间，得到了一个大概统计值，也就是各个子系统中明确列出的维护者最后一次在该子系统中实际做了有效工作的时间是什么时候。

对于那些想看细节的人来说，可以直接看这个完整结果（https://lwn.net/Articles/842419/）。

不过，我们可以缩小数据范围，在这个文件中挑选出一些我们更感兴趣的内容。例如，有 367 个子系统在整个 Git 历史中都没有维护者，或维护者从未出现过（没有包括那些没有文件的 "子系统"–见下文）。在这些子系统中，很多已经过了它本身的黄金时期，比如现在 3c59x 网卡维护者根本没有多少工作可做。网络开发人员也不会收到很多 ATM 的 patch 了，Palm Treo 也不需要有多少支持工作了，苹果最近也很少发布基于 M68k 的系统了，Arm 软驱(floppy drive)也没有多少人还在使用了，S3 Savage 显卡也不再是以前人们所必备的设备了。这几百项中，很多可能都代表着可以完全删除的代码。

类似的结论也可以从另一个列表中得到 (https://lwn.net/Articles/842424/)，那个列表中都是没有列出维护者的子系统。当然，其中一些子系统本身也不太对头，有一个子系统简单地命名为 "ABI/API"，指向了 linux-api 邮件列表。实际上有一个文件是与这个 "子系统 " 相关的，kernel/sys_ni.c，这个文件会对那些未实现的系统调用进行处理。因此，这个条目的存在价值，是为了让开发者在添加新的系统调用时会抄送 linux-api 邮件列表。"Arm subarchitectures " 条目也是类似情况。

一些无维护者的子系统，比如 framebuffer 层，可能后续会有人愿意接手从而复活。reiserfs 文件系统缺乏维护者，但似乎仍有一些用户。其他的子系统，比如 DECnet 或 Matrox framebuffer，可能最好的处理就是不去管它了（或干脆删除掉）。

MAINTAINERS 文件中列出的一些 "子系统" 没有任何文件需要修改。一个有趣的例子是 "embedded Linux"，据说由 Paul Gortmaker、Matt Mackall 和 David Woodhouse 维护。鉴于嵌入式 Linux 的成功，我们都认为他们的工作非常出色。"device number registry" 声称是有维护的，但这里只包含一个链接，指向一个不存在的网页。"disk geometry and partition handling" 这一条中的 URL 仍然有效，但这些网页似乎已经有十多年没有更新了，可以看出最近 Zip 驱动器的 geometry 并没有什么进展。man page 这些手册页面倒是有积极维护的，但它们不在内核代码树中。

Help needed

从目前的结果可以得出几个结论。一个是很多内核子系统现在并不是真的需要有人来维护，相反，其中一些可能需要被删除掉。另一个结论是，也许 MAINTAINERS 文件本身需要清理一下。但还有一个有价值的问题，那就是从这些数据是否可以看出是否有一些子系统从新的维护者中获益匪浅的呢？为了回答这个问题，我们又花费了一些本来可以用来挖矿的 CPU 时间，来寻找符合这些标准的子系统。

  • 没有列出维护者，或者所谓的维护者已经在该子系统中至少 6 个月没有活动了。

  • 自 2020 年 1 月发布 5.5 内核以来，至少有 50 个提交跟这个子系统有关。

这个搜索的目的是找出那些仍在进行某种活跃开发，但没有活跃的、明确指定的子系统。搜索结果可以分为几类。

有些 MAINTAINERS 的条目中包含了大量的文件，使得 commit 数量看起来比真实情况要多了不少。例如，名为 "ASYNCHRONOUS TRANSFERS/TRANSFORMS (IOAT) API "的子系统跟 drivers/dma 下的所有文件都有关，"DMA GENERIC OFFLOAD ENGINE SUBSYSTEM" 也包含这些文件。该子系统则由 Vinod Koul 积极维护。有两个子系统属于这一类，在下面的表格中，"Activity" 列表示维护者最后一次我们看到他的活动时间（如果有的话），而 "Commits" 则显示了自 5.5 以来影响到这个子系统的 commit 次数。

SubsystemActivityCommits
ASYNCHRONOUS TRANSFERS/TRANSFORMS (IOAT) API——536
HISILICON NETWORK SUBSYSTEM DRIVER2019-11-16258

这些子系统或者不是一个单独的实体(entity)，或者应该减少其覆盖的文件清单，要以符合现实情况。

还有一些子系统的维护者使用的是公司电子邮件别名。比如 "DIALOG SEMICONDUCTOR DRIVERS" 的维护者是 support.opensource@diasemi.com，这个地址显然不会出现在任何实际的 patch commit 中。不过在该子系统内看进去的话，可以看到许多来自 diasemi.com 邮件地址的许多 review，所以该子系统不能说是真的没人维护。这个类别包含：

SubsystemActivityCommits
DIALOG SEMICONDUCTOR DRIVERS——120
QUALCOMM ATHEROS ATH9K WIRELESS DRIVER——65
WOLFSON MICROELECTRONICS DRIVERS——146

与之相关的是有些子系统的维护者信息是过时的，指定的维护者并不活跃，但往往是来自同一公司的其他人接替了他的工作，并承担事实上的维护工作。这些包括：

SubsystemActivityCommits
HISILICON NETWORK SUBSYSTEM 3 DRIVER (HNS3)2019-11-16234
HISILICON SECURITY ENGINE V2 DRIVER (SEC2)2020-06-1855
LINUX FOR POWER MACINTOSH2018-10-1971
MELLANOX ETHERNET INNOVA DRIVERS——93
MELLANOX MLX4 IB driver——70
OMAP HWMOD DATA2016-06-10102
QCOM AUDIO (ASoC) DRIVERS2018-05-21125
TEGRA I2C DRIVER2018-05-3056

最后，还有一些子系统似乎真的缺少维护者，它们通常的 commit 是由其他的子系统维护者来合并，或者是通过少数几个终极维护者来最终合入的。它们是：

SubsystemActivityCommits
ARM/UNIPHIER ARCHITECTURE——73
DRBD DRIVER2018-12-2051
FRAMEBUFFER LAYER——402
HMM - Heterogeneous Memory Management2020-05-1954
I2C SUBSYSTEM HOST DRIVERS——434
MARVELL MVNETA ETHERNET DRIVER2018-11-2365
MEDIA DRIVERS FOR RENESAS - VIN2019-10-1056
MUSB MULTIPOINT HIGH SPEED DUAL-ROLE CONTROLLER2020-06-2454
NFC SUBSYSTEM——72
PROC FILESYSTEM——171
PROC SYSCTL2020-06-0851
QLOGIC QLGE 10Gb ETHERNET DRIVER2019-10-0477
STAGING - REALTEK RTL8188EU DRIVERS2020-07-15121
STMMAC ETHERNET DRIVER2020-05-01174
UNIVERSAL FLASH STORAGE HOST CONTROLLER DRIVER——277
USB NETWORKING DRIVERS——119
X86 PLATFORM DRIVERS - ARCH——119

对于一直关注相关领域的人来说，上面的列表并不出乎预料。frameebuffer 子系统是一个已知有问题的领域，由于缺乏维护，"soft scrollback" 功能最近就被从 framebuffer 驱动中移除了。不少人仍然需要使用这段代码，但它越来越难以与内核的图形驱动集成起来使用，很少有人有兴趣去深入研究它。

事实上，I2C host driver 确实有一个事实上的维护者，它就是 Wolfram Sang，他也维护着 core I2C 子系统。他一直希望有人能帮助他维护这些驱动程序，但似乎没有人愿意帮助他，所以他在有时间的时候就也负责维护这些驱动程序。/proc 是一个有趣的例子，每个人都依赖它，但没有人负责维护它。HMM 也很有趣，创建者当初花了很多精力来把 HMM 功能合入 mainline，但现在似乎转向去忙其他事情了。

以上这些地方，看起来都是有抱负的内核开发者可以参与进来提供帮助的地方。

那么那些在 MAINTAINERS 文件中没有记录的子系统呢？如果我们用快速脚本来查找一下内核树中所有的未被 MAINTAINERS 文件包含的文件，我们得到的文件列表包含超过 2800 个文件。其中自然包括 MAINTAINERS 文件本身。其余的绝大多数都是 include/下的头文件，其中大部分可能都有维护者，应该添加到 MAINTAINER 文件中相应的条目下。不过令人沮丧的是，在 kernel/目录下有 72 个文件没有列出维护者。这当然不是现实情况。SYSV IPC 代码是没有维护者的，这反映了它普遍不受欢迎。其余大部分未维护的文件都在 tools/ 或 samples/ 目录下。

比较难找出来的是 MAINTAINERS 中号称会包含的文件中，其实有一些并不是由指定的人维护的。这种情况经常出现在那些指定包含整个目录树的条目中。例如，编者被列为需要处理 Documentation/目录，但肯定不能说我真的是在 "维护" 这么多文件。类似的情况在内核树中很多地方都有。

如果有人希望从这些数据中得出一些整体性的结论，那么可能会是这些：MAINTAINERS 文件肯定有一些黑暗的角落，这些角落本身也可能需要一些维护（其中一些已经在做了）。内核中一些缺乏维护者的部分，仍然是可以使用的，而另一些则已经过于古老都不需要维护了。不过，大多数情况下，内核中的子系统都有指定的维护者，而且他们中的大多数人至少都在努力维护他们负责的代码。The situation could be a lot worse。

[和往常一样，生成上述表格的脚本可以在 gitdm 仓库中找到，网址是 git://git.lwn.net/gitdm.git] 。

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～

标签
#python #java #编程语言 #linux #区块链
原文链接：https://lwn.net/Articles/842415/>
linux kernel maintainer 很严格 linux kenrel maintainer 很严格 阅读详情

相关推荐

Linux Maintainer:使用简单的 GUI 更新和清理您的计算机。-开源

使用简单的 GUI 更新和清理您的计算机。 无需再次记住终端命令！ 目前正在全力开发 Arch Linux 和所有基于 Debian 的发行版。 基于 Rpm 的发行版是列表中的下一个。 一定要为你的发行版选择正确的文件...作为旁注，我只有八年级，所以我有很多时间来处理这个项目，任何功能建议将不胜感激！ 我目前正在做的事情是： 移植到基于 rpm 的发行版 显示包更新的数量 显示清理期间释放的空间量 添加调度程序以便可以自动执行维护 如果您有更多建议，请告诉我！

2021年Linux技术总结（二）：kernel

关于Linux的内核。

qq_41535901的博客 2990

maintainers:所有设备维护者和贡献者的场所（big或smol）。 数据是从OTA存储库中提取的

:cherry_blossom: 樱花计划 :cherry_blossom: 关于 这是该网站的贡献者页面。 :star: 科技栈 :card_file_box: 本地运行 ->分叉此存储库。 ->克隆分叉存储库。 ->在终端中运行以下命令： npm install npm start ->打开在浏览器中查看。

13_Uboot移植

大功基本上告成,还差最后一步, uboot中的LAN8720A驱动有点问题,打开文件drivers/net/phy/phy.c,找到函数genphy_update_link,这是个通用PHY驱动函数,此函数用于更新PHY的连接状态和速度。第335行为ENET1的PHY地址,默认是0X2,第339行为ENET2的PHY地址,默认为0x1。第29-39行,设置DRAM 的大小,宏PHYS_SDRAM_SIZE就是板子上DRAM 的大小,如果用的NXP官方的9X9 EVK开发板的话DRAM大小就为256MB。

Yuanghxb的博客 1380

Flowable前端可视化配置动态审批人：告别硬编码，实现部门领导、项目经理自动分配

本文详细介绍了Flowable前端可视化配置动态审批人的全栈解决方案，通过表达式分配、监听器分配等动态审批人机制，实现从硬编码到智能分配的转变。文章提供了前端扩展bpmn-js设计器、后端动态解析实现方案及性能优化建议，帮助企业应对组织架构变动，提升审批流程的灵活性和效率。

weixin_30352645的博客 472

BAPI创建委外采购订单

使用BAPI BAPI_PO_CREATE1创建委外采购订单，组件为手工输入时，有几个点需要注意： 1、已通过CS01创建过BOM的物料，创建时会自动带出components。如果要修改当前组件清单，可以通过设置pocomponents-change_id = 'E’来实现 lv_sline = lv_sline + 1. ls_pocomponents-po_item = l_ebelp + 10. ls_pocomponents-ITEM_NO = l

Buffalo_soldier的博客 3260

【Linux 内核】Linux 内核源码根目录下的文件 ( .clang-format | COPYING | CREDITS | Kbuild | Kconfig | MAINTAINERS )

一、.clang-format 文件、 二、.cocciconfig 文件、 三、.COPYING 文件、 四、CREDITS 文件、 五、Kbuild 文件、 六、Kconfig 文件、 七、MAINTAINERS 文件、 八、Makefile 文件、 九、README 文件、

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 2634

AD4030-24BBCZ详细资料 Analog Devices 模数转换器 - ADC 24-Bit, 2 MSPS, SAR ADC

AD4030-24BBCZ详细资料　　Analog Devices 模数转换器 - ADC 24-Bit, 2 MSPS, SAR ADC

Chen_YYan的博客 794

从现在，看未来---Linux Kernel 未来发展方向

Linux发展至今已逾三十多年，随着内核新feature以及兼容性越来越高，使其变得十分庞大，现在如果再想通读内核源代码几乎成了 **“不可能的任务”**。近年来，又掀起了宏内核和微内核、Rust重写内核以及eBPF will be replace Linux等等有争议的声音，相信Linux Kernel的核心Maintainer也都注意到了这些。那么，他们会给出怎么样的回应？我们拭目以待 ！

Rethinking the Kernel 9042

20231126-超详细Isaac Gym安装教程（基于双系统版本）

我一开始使用了WSL2虚拟环境试了集群服务器里面的交互式桌面，但是都失败了，WSL2因为没办法调用系统的GPU，应该有办法配置但我放弃了，感兴趣的可以自己探索（图片贴出来了）。服务器上出现的问题是Segmentation fault (core dumped)，目前还没解决，有可能是驱动和cuda版本的问题（后面有时间再解决）等上图右边都达到了100%，就创建了一个名为rlgpu的conda环境，然后会出现success。注意安装版本要低于3.9！参考链接：非常详细，大家直接看这个博主的安装就行。

m0_37802038的博客 2万+

贝塞尔曲线原理--曲线生成--路径规划--matlab代码

贝塞尔曲线有着很多特殊的性质, 在图形设计和路径规划中应用都非常广泛, 在路径规划中贝塞尔曲线完全由其控制点决定其形状,　ｎ个控制点对应着ｎ－１阶的贝塞尔曲线，并且可以通过递归的方式来绘制.

bob595078694的博客 1万+

Linux Kernel Maintainers

http://en.wikipedia.org/wiki/Ingo_Molnár http://zh.wikipedia.org/wiki/英格·蒙內 Ingo Molnár Ingo Molnár, currently employed by Red Hat, is a Hungarian Linux hacker. He is best known for his contri...

weixin_30924087的博客 490

别再死记硬背了！一张图搞懂无刷电机半桥与全桥驱动的核心差异（附避坑指南）

本文深入解析无刷直流电机的半桥与全桥驱动方式的核心差异，提供直观对比与选型指南。半桥驱动结构简单、成本低，适合低要求场景；全桥驱动性能优越但复杂，适用于高精度控制。文章还包含实战避坑指南，帮助工程师优化驱动方案选择与应用。

weixin_29290947的博客 319

linux-----uboot和kernel移植

文章主要介绍了uboot移植和linux内核移植的大致过程

Wang_XB_3434的博客 4621

AI 实战篇 ｜基于 AI开放平台实现 人脸识别对比 功能，超详细教程【附带源码】

本篇文章来学习一下怎样使用 Unity实现简单地人脸识别 功能。 关于人脸识别，我们可以选择很多平台的SDK接入Unity来实现人脸识别的功能。

努力前行，总会成为自己心中的那道光 5万+

微信小程序 - 真机调试调用接口报错{errno: 600001, errMsg: “request:fail -102:net::ERR_CONNECTION_REFUSED}，真机运行测试请求异常

微信小程序，真机，调试测试，运行报错，API接口，服务器接口都报错了，小程序报错errno: 600001，小程序报错request:fail -102:net::ERR_CONNECTION_REFUSED，真实手机打开接口全都失效了，微信小程序真机测试失败，微信小程序{errno: 600001, errMsg: "request:fail -102:net::ERR_CONNECTION_REFUSED"}，详细解决方法，https，服务器SSL证书，无法解决，服务器更换SSL证书，接口地址改了也不行

🏆 前端领域优质创作者 1万+

Linux 内核常见的子系统

MAINTAINERS 文件中已经列出了 2280 个子系统 subsystems，但并不是每个子系统都一直在维护，很多已经不维护了。下面列出比较常见的子系统。

daochukoukoiu的博客 757

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

03_uboot的源码目录分析

一、文件夹 （1）api。硬件无关的功能函数的API。 这些函数是uboot本身使用的，uboot移植时基本不用管。 （2）api_examples。API相关的测试事例代码。 （3）board。board是板的意思，就是开发板。 这个文件夹下放的每一个文件都代表一个开发板，描述该开发板的信息。（board目录下有多少文件夹就表示当前这个uboot已经被移植了多少个开发板，当前uboot支持多少...

wei 459

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")

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.

Linux--uboot移植（二）新UBOOT配置

右端灰色的为原厂开发板的相关文件，黄色的为模仿原厂文件，新添加并修改的自己开发板的文件。

qq_47258284的博客 1629

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

uboot的移植和编译

初始化硬件，将内核读到内存，根据环境变量去启动内核，传递参数给内核，内核启动后生命就结束。

qq_24093081的博客 775

探究Linux的总线、设备、驱动模型

理解Linux的总线、设备、驱动模型是理解Linux驱动框架的关键，也是破解Linux为什么极易移植到不同的平台，以及被如此多广泛领域使用根源的关键。我的优快云直播将以浅显易懂地语言，深入地把这一模型剖析清楚，道出这样的设计的好处。

linux中管理用户权限的工具,Linux用户权限管理之二(用户管理工具)

Linux用户权限管理之二(用户管理工具)一.添加、切换、删除用户组命令groupadd/newgrp/groupdel1．groupadd命令用来新建一个用户组。语法格式为：groupadd [-g gid [-o]] [-r] [-f] group各个选项具体含义如下：-g：指定新建用户组的GID号，该GID号必须唯一，不能和其它用户组的GID号重复。-o：一般与-g选项同时使用，表示新用户组...

weixin_31748605的博客 186

LWN：针对二进制格式的一些好用工具！

关注了就能看到更多这么棒的文章哦～Some useful tools for binary formatsFebruary 28, 2023This article was contributed by Koen VervloesemFOSDEMAI assisted translationhttps://lwn.net/Articles/924133/Linux 用户经常使用文本文件；grep、...

Linux News搬运工 2406

LWN：内核开发者的更好的工具！

关注了就能看到更多这么棒的文章哦～Better tools for kernel developersByJonathan CorbetFebruary 6, 2020原文来自：htt...

Linux News搬运工 2448

LWN：用户空间的影子堆栈！

关注了就能看到更多这么棒的文章哦～Shadow stacks for user spaceBy Jonathan CorbetFebruary 21, 2022DeepL assisted...

Linux News搬运工 2230

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。 389
上一篇： LWN: ext4 文件系统的快速提交！
下一篇： LWN: Resource limits in user namespaces
点赞 0
评论 0
书签 书签 0
LinuxNews搬运工
LinuxNews搬运工
博客等级 码龄7年 438粉丝 20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