数据库革新拐点已来——MatrixOne Beta Program Recap

MatrixOrigin MatrixOrigin 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 300+累计阅读 318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 2026-11-13 14:46:14 发布 318 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

从 2021 年创业起，矩阵起源 MatrixOrigin 已经走过了 2 年。在今年的 2 月 22 日，我们也刚刚庆祝了 2 周年的生日。很多与我们一路走来，携伴同行的伙伴们也共同见证了 MatrixOne 从 0 到 1 的整个成长历程。

2023 年作为里程碑式的一年，MatrixOrigin 将以产品商业化闭环作为最重要的目标。为此，我们也在年初推出了 MatrixOne Beta Program——用户体验计划，邀请初期用户、合作伙伴以及外部开发者加入，深度参与到 MatrixOne 的迭代开发中来，为 MatrixOne 的商业化闭环出谋划策。

本周二，正式迎来了第一次主题为《MatrixOne 当前进展及 2023 年展望》的线上研讨会，我们邀请了数十位来自工业、建筑、科技、互联网等行业的伙伴，与 MatrixOrigin 产研团队进行了一次深入的交流与探讨。

本篇文章将会对研讨会的核心要点进行总结。

Key Takeaways 

  • 新基础设施和新应用类型带来了国内外数据库的革新需求，新的拐点已经到来；

  • MatrixOne 内核已基本完成整体架构搭建，将于 2023 年中期推出正式商业化版本；

  • MatrixOne Cloud 将于近期推出 Alpha 版本，即将邀请合作伙伴进行测试；

  • MatrixOne 部分场景的应用和实践，以 IoT 及 SaaS 场景为例。

国内外数据库行业趋势及挑战

新的拐点已到来

矩阵起源创始人王龙首先分享了其对数据库未来方向的思考。

数据库作为一个 IT 架构的中间层，下层是基础设施，上层是业务应用，对数据库的需求驱动会随着上下层的革新而变化。

在基础设施层，云原生的价值已经被企业广泛接受，基于容器和微服务的架构可以支持对物理资源的使用达到一个极为高效和敏捷的状态。

在应用层，企业普遍从小数据量的流程性应用开始转向大数据量的分析型应用，对实时性和智能化的需求也达到了前所未有的程度。

而在数据库这个中间层，目前对底层云原生技术的利用及对上层新应用的场景适应还是不足的，导致企业普遍在数据处理上花费大量成本，本该交给数据层解决的问题被推到了应用层，进而使得企业无法专注于自身的业务层开发，拖慢业务发展。

这也恰恰是矩阵起源看到的巨大时代机遇，我们希望可以通过数据库层的创新改变这个现状，帮助企业更高效更专注。

MatrixOne 产品进展 及 2023 年 Roadmap

接着矩阵起源产品总监邓楠回顾了整个 MatrixOne 的创新理念、MatrixOne 内核产品及公有云版本当前的进展，及 2023 年的整体 Roadmap。

MO 产品理念

为了打破数据孤岛问题，降低数据架构的复杂度，MatrixOne 始终围绕“超融合” 的理念，希望在数据库层面就实现全面且综合的能力，在面对多种数据应用，多种工作负载，多种异构基础设施的场景下，为用户提供一个极简的解决方案，令用户不需要再通过多个数据组件自建及维护一套复杂的 In-House 数据架构。

MO 内核进展及 2023 年计划

MatrixOne 的内核最近刚刚发布了 0.7 版本，已经具备了一个完整的分布式云原生 HTAP 数据库的基本能力。MatrixOne 与 MySQL 8.0 在语法与协议上完全兼容，常用的 SQL 功能，数据类型均已实现，与主流的 Java，Python，Golang 应用开发语言技术栈均保持兼容，同时提供基于乐观事务和快照隔离的 ACID 保证。除此之外，MatrixOne 也实现了如多租户，自带监控体系的独特功能。

在 2023 年 MatrixOne 将进一步提升优化整个系统的稳定性和性能，实现完整的流处理引擎，同时在备份还原、迁移工具、高阶 SQL 功能（存储过程，触发器，UDF，物化视图）等合作伙伴普遍关注的问题上进行优化和补齐。预计在 2023 年中 MatrixOne 内核将推出 1.0 版本（General Available），之后会根据第一批商业客户的测试情况进一步迭代、升级各项能力。

如下图，完整的 MatrixOne 将是一个可以应对绝大部分业务场景，具备全面能力的超融合数据库。从用户体验来说，可以归纳为：写得下、算得动、高速度、低成本、可扩展、简单易用、稳定可靠。

MO Cloud 进展及 2023 年计划

MatrixOne Cloud 是一个完全 Serverless 化的公有云托管数据库产品，用户不再需要关注数据库的基础设施部分，而只需关注如何使用数据库。与传统云数据库以节点售卖的形式不同，用户购买和使用的 Serverless 实例只有计算单元及存储空间两个计费单位，实例会随着用户的应用负载变化而自动调整匹配，在完全没有负载的情况下会降至零，真正做到免运维和按需付费。

MatrixOne Cloud 公有云产品目前处于 Alpha 版本研发阶段，目前已经在 AWS 上进行了完整的适配，预计 3 月会正式推出，届时我们将邀请合作伙伴进行测试。后续，MatrixOne Cloud 还将陆续适配阿里云、华为云等国内云厂商，预计今年下半年也会推出 1.0 General Available 版本。

如下图，完整版的 MatrixOne Cloud 会给用户带来极致简单的体验，用户再也不用关心数据库负载、容量、性能等底层问题，只需要关注自己的业务和账单即可。

MO 部分场景应用实践

* 以 IoT 及 SaaS 场景为例

IoT 应用

在传统实体行业全面拥抱数字化的背景下，IoT 行业应用开始出现井喷式增长，在制造、建筑、环保、农业等领域里有大量的实体资产和生产过程开始数字化。而这也带来了新的技术挑战，包括：海量的设备和传感器接入带来的写入压力；持续流入的海量数据带来的负载压力；对海量数据进行实时分析带来的性能压力等。

为了应对这些挑战，企业往往需要自己粘合一套含多个数据库产品的系统，来分别应对不同的压力。在 MatrixOne 的全面能力支持下，企业将可以大幅简化系统架构，大幅提高系统的整体性能及实时性。

SaaS 应用

在全球市场范围内，SaaS 已经是云计算市场中最大的一块蛋糕。而近年来中国的企业软件 SaaS 化也在如火如荼地进行中，与此同时，企业软件 SaaS 化在数据库领域又面临着诸多新的挑战。

首先在业务规模上，以往本地部署的项目只是面对单一客户，SaaS 化以后需要用同一套系统服务大量客户，以前简单的系统架构将很难应对更大量的数据和更多用户并发访问的冲击，对系统的可扩展性就提出了更高的要求。其次，SaaS 化必须考虑的多租户模型在传统架构下将面临高隔离性低维护性或者高维护性低隔离性的两难选择。而在 MatrixOne 天然的多租户能力及 Serverless 的架构下可非常轻松地解决这些问题。

圆桌讨论

企业数据库应用场景及挑战

最后，参会的伙伴们一起参加了主题为《企业数据库应用场景及挑战》的圆桌讨论，这里将参会伙伴的部分精彩观点做了摘要。

Q : 您的业务场景及当前数据库的应用情况？

A :“在大数据分析场景中，金融领域的客户不管是用基于 Hadoop 的大数据全家桶方案还是基于传统 IBM，Oracle 的数据仓库方案，都面临着成本、运维、系统复杂等问题。整个行业也都在寻找基于 HTAP 的，能把存储、数仓建模、实时报表、交互式查询完全统一起来的解决方案。”

-来自某深耕金融行业的伙伴

“在电子制造领域，客户对数据的认识越来越深，对数据库的要求越来越多，比如对实时性的要求，对物联数据的长期留存，对海量历史数据的追溯分析等等，我们现在用的数据库很杂，有 MySQL、MongoDB、Clickhouse，这个对我们开发人员来说有不少上手难度，而且在交付的项目里又需要额外的维护成本。我就一直希望有一个数据库能把这些东西都融合起来。”

-来自某电子制造行业的 ISV 服务商伙伴

“工业领域的数据孤岛现象是相当严重的。我们经常开发一个 Scada 数据采集系统，数据放在我们自己的 MySQL 里，但是客户那边应用系统里也有一个 MySQL，我们不得不又要通过应用层去整合这些数据。我们开发的应用系统，又要面临着跟客户的 ERP 系统、BI 系统、数字孪生系统等等去做接口打通和对接的问题。”

-来自某制造行业资深专家伙伴

Q : 数据库的瓶颈给业务带来了多大的阻碍？

A : “我们是一家产业链大数据服务的公司，我们对数据库带来的问题体会还是很深的。我们要给客户提供经过精细加工的数据，数据质量就是我们的核心竞争力。而我们搭建的数据处理平台差不多需要 5-6 个数据库组件，我们的开发团队里差不多每个人都得花 20-30% 的时间去处理数据库相关的各种运维问题，导致没法发挥完整的生产力”。

-来自某产业链大数据服务公司 CEO

“对金融客户来说，两地三中心基本是标准需求。但是现在基于 Hadoop 的这套大数据方案很难去支撑这种需求，而导致客户宁可继续用传统的数据库方案，而继续忍受性能之苦。”

-来自某深耕金融行业的伙伴

小编语：如果您在业务场景和生产中也面临各式各样的数据库问题，欢迎加入 MatrixOne Beta Program，与来自工业、建筑、科技、互联网等数十个行业的专家进行探讨。

参会伙伴们的反馈与意见一方面帮助 MatrixOrigin 团队坚定了信心，相信 MO 沿着现有的路线，将产品完整打磨好一定能带给客户价值；另一方面也为 MatrixOne 产品的前进指明了方向，让我们对哪些问题在业务上更棘手，优先解决哪些问题有了更清晰的了解。

再次感谢所有参与本次研讨会的合作伙伴，未来我们将会把用户研讨会持续举办下去，从线上走到线下，走到客户的身边去，敬请期待。

 

标签
#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。
高频面波成像实战：从频散曲线到全波形反演 面波勘探是近地表工程勘察的重要手段，其核心原理在于不同频率的面波对地下介质的敏感深度不同，由此形成的频散曲线能够反映浅层剪切波速结构。相较于传统钻探与折射波法，高频面波成像具有无损、高效、对低速夹层敏感等优势，广泛应用于路基检测、空洞探测、滑坡调查等领域。在实际工程中，从野外采集的排列设计、震源选型，到频散谱提取与频散曲线反演，每一步都直接影响成像精度。然而频散反演受限于一维层状假设，难以刻画横向剧烈变化的地质体。全波形反演通过拟合完整波形信息，能够突破频散曲线的分辨率边界，获得更精细的近地表速度模型。本文 阅读详情

相关推荐

TIFF文件渲染避坑指南：Three.js与Cesium的5个关键差异点

本文深入对比了Three.js与Cesium在渲染TIFF文件时的5个核心差异点，包括坐标系处理、内存管理、着色器系统、性能优化策略和错误处理机制。重点解析了Cesium的全球WGS84坐标系与Three.js局部坐标系对地理空间数据渲染的根本影响，并提供了针对性的性能优化与调试方案，帮助开发者根据项目需求选择合适的3D引擎并有效避坑。

weixin_29243279的博客 334

活动回顾｜矩阵起源亮相第15届中国数据库技术大会DTCC

汇集多行业数据库应用精华案例，展示技术如何助力企业破解业务挑战、提高效能与创新力。通过全新设计和研发的存算分离、读写分离、冷热分离的原创技术架构，用户能够基于一套存储和计算引擎同时支持事务、分析、流、时序和向量等多种工作负载，并可以实时、按需地共享或隔离存储和计算资源。基于创新的 HSTAP 技术架构，Matrix One 致力于消减数据碎片，打造极简的“One Size Fits Most”数据管理和开发应用解决方案，帮助用户大幅简化日益复杂的 Ⅱ 架构，提供简捷、灵活、极速和高性价比的数据服务。

MatrixOrigin的博客 621

SAP中成本估算没有找到工艺路线消息处理实例

在针对成品的标准成本核算处理过程中，系统中会经由设定好的策略来收集成品相关成本组成，最终计算出产成品的标准成本。关于成本组成，可以归纳为三个基本要素，料，工，费。即标准成本就是要知道，生产一件成品，需要消耗多少钱的原材料？消耗多少钱的人工？以及其它的间接消耗？ 某日，接到CO同事的反馈，在用CK11N做产成品标准价格核算时，提示没有工艺路线确定，但该消息为绿灯，可以通过。基于业务上的谨慎，提出分析。 从提示可以看出问题与工艺路线有关。因为，成品工艺路线中设定有成品生产所耗工时，所以，在计算产成品标准

专注SAP应用技术文章写作，致力于拉近用户与系统间的距离； 6280

Awesome Project: 探索 MatrixOrigin 云原生分布式数据库

在当今数据驱动的世界中，数据库的多元性和融合性逐渐成为数据架构选型的重要要素。MatrixOne (以下简称 MO)是一个超融合云和边缘原生分布式数据库，其结构将存储、计算和事务分离，形成一个合并的 HSTAP (Hybrid Streaming & Transaction/Analytical Processin...

cnzzs的博客 595

【专业书1】量化交易——从入门到精通

股票季节性策略几乎失效了，但商品期货的仍有效，因为其季节性需求源于真实的经济需求而非投机。交易策略获利的前提：交易价格处于均值回归（低价时买入）或动量状态（降价时先做空后以更低价买入），否则在随机游走状态下是无法有效交易的。构建交易策略实际上是在决定：在特殊条件、特定时间尺度下价格趋势的呈现（均值回归/趋势走势），以及用什么价格作为初始判断的参考价格。如果以高夏普比率为目标，需要更高的交易频率：基于大数定律，押注越多，偏离均值收益的偏差就越小。买同比最好的股票，卖同比最差的股票。但在不同的时间尺度下可以。

weixin_44589682的博客 1552

LCD驱动芯片——BL55072A驱动程序

初始化子程序： START 0x7C； I2C子地址 0xEA；ICSET，软件复位芯片 0xC0；MODSET，关显示 0xF0；BLKCTL，关闪烁 0xA3；DISCTL，80Hz Line inversion，High Power mode 0xE8；ICSET，清复位bit1 STOP 显示刷新子程序： START 0x7C；I2C子地址 0xF0；BLKCTL，关闪烁 0xA3；DISCTL，80Hz Line inversion，High Power mode 0xE8或0xEC；ICSE

love421的博客 3176

【每日新闻】百度云王龙：数据库与AI的融合主要分三个阶段 | 中国移动研究院：5G第一个版本出炉...

点击关注中国软件网最新鲜的企业级干货聚集地趋势洞察2018中国软件生态大会暨第十一届中国软件渠道大会首站在北京、天津、太原、郑州、济南站成功举行，同时拉开了覆盖上海、深圳...

中国软件网 1050

APP抓包-代理转发绕过反代理+Xposed绕过证书校验

而这里的牛牛不止设置了反代理还设置了证书校验，一闪而过的三个数据包就是在校验证书。而proxifier工具的转发机制获取的是网络接口出口数据，相当于是在网络接口设代理。这个时候就可以在夜神打开牛牛开始抓包了，打开牛牛可以看到proxifier有夜神流量通过。关闭代理之后牛牛就正常了，可恶的牛牛啊，这样我没办法抓包啊，怎么办啊。模拟器开启代理，burp开启监听。打开牛牛app，牛牛不在报错。牛牛app检测的是系统代理，也就是在模拟器或手机上设置的代理。再在浏览器下载两个模块，在夜神安装，用来屏蔽证书校验。

xiaoheizi的博客 7532

MatrixOne 0.2.0 发布 | 最快的SQL计算引擎来了~

在数月的打磨和努力开发之下，MatrixOne 0.2版本正式发布啦！

MatrixOrigin的博客 1630

基于GA-BP遗传算法优化神经网络的多输入多输出数据预测-Python代码实现

多输入多输出的GA-BP神经网络

2301_80449389的博客 2308

基于Simulink的电动车PMSM能量泄放与回收系统仿真设计

摘要 本文设计了一个基于Simulink的电动车PMSM能量泄放与回收系统仿真模型。系统采用分层建模方案，包含永磁同步电机(PMSM)矢量控制、电池管理和泄放功率计算等核心模块。通过详细的参数计算和MATLAB脚本实现，模拟了电动车在制动时的能量回收过程。重点研究了泄放电阻的控制策略，提出基于母线电压和电池SOC的多目标优化算法，确保系统在保护硬件安全的同时最大化能量回收效率。仿真模型包含完整的数学推导和模块搭建指南，为电动车能量管理系统设计提供了有效的仿真验证平台。

huanghm88的专栏 195

来了来了~MatrixOne技术架构详解来了~

本文将说明MatirxOne每个模块的现状与进展，希望通过技术架构详解，大家对MatrixOne能够有更清楚的了解，同时也欢迎大家贡献代码~

MatrixOrigin的博客 8576

FreeRTOS深入教程（任务创建的深入和任务调度机制分析）

本篇文章将带大家深入学习任务的创建和分析任务调度的机制。本篇文章深入的讲解了任务创建的内部实现和任务调度的源代码分析和实现，学习这篇文章有助于更深入的学习FreeRTOS的源码。

m0_49476241的博客 6394

矩阵matrix和transform-origin

五、矩阵matrix matrix(, , , , , ):以一个含六值的(a,b,c,d,e,f)变换矩阵的形式指定一个2D变换,相当于直接应用一个[a,b,c,d,e,f]变换矩阵。就是基于水平方向和垂直方向重新定位元素。 SVG，css3，html5的canvas中都有矩阵变换，接下来简单说说。 一个元素渲染后就可以得到一张位图，然后对这个位图上每一点进行变换，就可以得到新

u012028371的博客 3096

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

浅谈MatrixOne如何用Go语言设计与实现高性能哈希表

MatrixOne是一个新一代超融合异构数据库，致力于打造单一架构处理TP、AP、流计算等多种负载的极简大数据引擎。MatrixOne由Go语言所开发，并已于2021年10月开源，目前已经release到0.3版本。作为一款Go语言实现的数据库，可以与C++实现的顶级OLAP数据库Clickhouse性能媲美，这其中就涉及到了多方面的优化，包括高性能哈希表的实现。本文就将详细说明MatrixOne是如何用Go实现高性能哈希表的。

licdn的专栏 2387

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")

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 475

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

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。 431

【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 250

C++算法(七)

C++ stack算法题和一些客观题

2503_94479566的博客 378

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 284

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 176

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 158

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 205

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 294

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 300

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 173
上一篇： MatrixOne 0.7.0: 更稳定，性能更优
下一篇： 矩阵起源荣获“IT用户满意度大会”年度新秀称号
点赞 0
评论 0
书签 书签 0
MatrixOrigin
MatrixOrigin
博客等级 码龄5年 708粉丝 230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