cloudwall：一种真正的mixed nativeapp与webapp的统一appstack

Minlearn Minlearn 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 400+累计阅读 443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18年
关注
原创 最新推荐文章于 2026-04-12 09:43:43 发布 443 阅读 AI 写同款· GEO 优化 ›
PostgreSQL数据库全攻略：从入门到精通 本文是一份PostgreSQL数据库综合指南，涵盖安装配置、基础操作和高级管理。主要内容包括：1) PostgreSQL简介与各平台安装方法；2) 数据库基本操作，如创建数据库/表、CRUD操作、用户权限管理；3) 高级功能包括索引优化、事务控制、视图、存储过程、触发器和扩展模块；4) 数据库管理维护，涉及配置调优、备份恢复、性能监控和日常维护；5) 安全设置与高可用方案。指南提供了从入门到进阶的实用知识，强调结合官方文档进行深入学习，帮助用户高效使用这一功能强大的开源关系型数据库系统。 阅读详情

本文关键字：在数据库中安装程序。以数据库直接为后端托管程序，文档数据库管理器直接为云文件存储程序。无backend webapp，在web中开发webapp

大约在很久以前，我开始放弃追求统一化分布式应用程序和本地程序为同一个appstack的努力，这二者之间似乎天然存在鸿沟，像是应用的使用方式决定的，这种人为的界限并不是用来跨越的，拿web来说，它作为一种分布式架构和分布式appstack架构，不能做到像本地GUI程序或硬件加速程序一样灵活，比如web强调将一切放在broswer端渲染导致需要采用html5,webgl,js+css html这样的东西来增强它，这样它才能稍微像本地程序，一个例子就是用WEB实现的WEBGAME - 这种效率跟本地硬件加速实现下的game完全不是一种路子，WEBGAME的体验跟传统PC游戏的体验也相似并不相通，因为始终无法在远程上实现硬件加速还能stream到本地。web在服务端采用http而不是原生tcpip，导致需要websocket才能做到像主动推送这种原生TCPIP轻松办到的事。当然还有很多不同。

这不是WEB的错，WEB最初就是那样被定义的：它本来就是一种高级的native tcpip程序构成的生态。它的界面是PAGEUI，而PAGEUI是一种应用层的渲染，在服务器端，WEB程序大都由LAMP，LNMP这样的东西作backend，这类程序本身，其实是普通的TCPIP程序，并不是某个WEBOS的基础组件，就像原生程序之于传统OS实现中的任务机制界面机制一样，这也就是说，所有的WEBAPP都是有backend的，就是那个lamp中的amp等东西。它们用服务器的方式组建了一个分布式appstack，定义了一种appmodel，因此历史上，像WEBAPP＋WEBOS这类东西并没有纯的，- WEBAPP是原生界面中采用有限技术打出来的一个点再在这个点构建出的一整个stack生态，因此，WEBOS也是OS上的高级OS而已 – 本身并没有WEBOS存在。

在《在tinycolinux上安装chrome》上我们曾谈到相似的概念:chromeos脱离不了它其实就是原生界面（X11，GDI）加一个浏览器的技术本质，其实并不能与真正严肃的OS工程类比 。一个像群晖那样的APP管理界面就能称为webos。还有像owncloud,standstorm这种：sandstorm比oc多了xaas的部分。

web作为云计算负责定义APPSTACK的成份意义比较大，云计算下的程序无非就是WEB程序，因此云这种东西，除了虚拟化那一层，在APP生态上，它其实依然没有属于自己的东西。依然是高级原生分布式程序的BS化。

那么，这一切会不会有突破呢？有朝一天，WEB也有自己完全不依赖传统BS架构的东西呢？变得像一种真正独立的，由新的东西构成的应用生态呢？而cloudwall也许是另外一种“webapp”:cloudwall的确提出了很多新的耳目一新的东西，它虽然还是面向WEBAPP，不过它其中的一些部分可以作为与传统WEB迥然不同的部分来产生新的审视，比如它的nobackend设计，它的宣传语也一针见血：cloudwall，an Operating system for noBackend webapps.如它所言，它甚至提出了一种新的webapp和webappstack,webos雏形—改变了传统webapp中的大部分。

cloudwall中的couchdb:the only backend as webos部分

首先，它使用了apache couchdb，这是一种直接与WEB接轨的文档化数据库，如果我们把我们接下来要谈的APPSTACK称为某WEBOS的appstack的话，那么couchdb定义了这种appstack的唯一的backend部分，这免去了需要lnmp作backend的需要：这是它独有的特点支撑了它与lnmp这些东西的某组件明显存有不同的所在：这种DB是文档型的，且它nobackend。

couchdb支持直接hosting app并运行，称为couchdb-hosted webapp，它加一个类似数据库管理器的东西天然就是一个类OC的云存储程序，支持各种cluchdb插件的开发，这就是webapp整个cloudwall就是这样一个couchdb管理器。

CloudWall is a kind of offline-ready toy in-browser OS, for authoring, storing, and sharing docs and CouchDB-hosted webapps. CloudWall installs via replication and needs only CouchDB and modern HTML5-compliant browser to run. Also CloudWall can run on static hosting, as a set of files.

All CloudWall components run in a browser tab, no server or even internet connection required after system started. Any local DB can eventually sync with external CouchDB instances over http(s). One CouchDB can have several users connected, thus providing shared workspace, docs and applications set.

在我的《appstack series》《app series》系列文章中，我一直在寻求云存储程序的选型，我们换过mongdb,postgres,这种程序选型其实说大了就是WEBOS，我们在这些文章中都提出过这样的企图和设想。

来看一个这类OS的设计：是否一个app必备一个stack?将它的栈放大到受WEBOS直接支持，那么这种云程序背后的OS技术就会明朗化：

实际上，当考虑到一个app要配一个appstack东西的时候，它依赖原生程序appstack定义了自己新的appstack的局限就永远都避免不了，因为这里的mongdb,postgres永远被当成了appstack的dbbackend部分，，，而webapp应该是没有明显无backend的：像nativeapp stack一样，它们应该被集成在某一webos内部被提前解决掉。

而couchdb就是整个用数据库管理系统来作OS直接管理和存储WEBAPP的东西（当然它也能天然像其它文档数据库一样直接管理静态文件作云存储），如果将couchdb像cloudwall一样作为整个webos，那么传统的webapp开发就被定义在这个webos中，cloudwall的四个appstack组件，它们被集成在称为cloudwall os的webos理念当中。

GDI:Renders HTML and receives user interactions

App runtime:Manages bindings between data and UI controls

CloudWall:Prepares, runs and closes apps, manages app switch

Storage:Stores apps and documents, optionally syncs with external CouchDB instances

而这种开发，已经使webapp开发变得像本地一样了（无须处理appstack的部分只须关注app内的事情），我们一直希望得到的效果：webapp像本地一样以文件存储为后端符合像本地应用的习惯，这个目的也达到了。

cloudwall中的inapp editor：语言和开发部分

在《bcxszy series》在所有的努力中，我想得到这样一种程序和开发方式：不改变原生程序与webapp的大面，使WEB程序变得像本地程序一样简单，这样可以共用本地程序/webapp开发的概念，在模糊appstack方面，这就是cloudwall中的couchdb中谈到的，已经被解决。这里要谈到的是与语言开发有关的部分：

可以说，在《bcxszy series》在所有的努力中，我还想促成这样一种程序和开发方式：源码即文件，随处打包再走，直接per app an ide开发,这无论对实用和开发，编程自学都是极为便利的。

所幸WEBAPP src 文本化，支持轻量带走inplace editor是所有WEB程序它的天然优势，而且虽然一开始WEB程序与本地程序有很多不同，但像WEB标准化，HTML标准化，JS语言标准化这样的东西，它们其实在走一种联合化的努力方向，使WEB生态接近本地生态，比如，JS的努力方向也有一种是nativejs：reactos

其实couchdb与web结合紧的另一方面就是js，js是一种能够真正带来naitveapp与webapp合一的增强剂，这使得cloudwall支持极度便利化的inappeditor，这样cloudwall支持下插件的开发就是cloudwall webos下的webapp开发了，它支持用couchdb直接存储和保存编辑app开发过程中的文件。

这样有了以上这二点，personalcloud应是web os的论据就充份了。在开发体验上跟本地开发一样，甚至更简单。等cloudwall以上二大概念不再局限bs开发时，那么它就可以是新一代的WEBOS。

这篇文章可以用来丰富《编程实践选型》web的极大化未完的部分，整个文章的思路可以用来作为《bcxszy》part 2实践部分。如果使用cloudwall的理念，以后《appstack》，《apps》可以整合为《apps》

关注我


(此处不设回复，扫码到微信留言，或直接点击到原文)

收录于
云中间件与云开发发布融合

当前文章被收录于：

云中间件与云开发发布融合
18 篇文章 0 人学习

云framework，云appstack,云容器，云applicance，及云中间件与云开发发布融合

订阅专栏 查看详情
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。
【图像去噪】基于梯度为0法实现图像去噪附matlab代码 近几年，徐立提出的 L0 梯度最小化模型在图像平滑领域得到了广泛的应用和发展[11]. 和以往的局部滤波模型不同的是该模型可以全局的估计图像的像素值，因此，L0 梯度最小化模型在处理图像的同时能够很好的保护图像的边缘.​。 阅读详情

相关推荐

SAP CO实战：如何用KKA2/CJ88结果分析码搞定项目收入成本匹配（附真实案例）

本文深入探讨了SAP CO模块中KKA2和CJ88结果分析码在项目收入成本匹配中的高阶应用。通过真实案例解析，详细介绍了这两种分析码在分阶段收入确认和终验法项目中的配置技巧与实战经验，帮助财务人员高效解决复杂业务场景下的财务数据处理难题。

weixin_29230773的博客 169

在tinycolinux上安装和使用cloudwall

本文关键字：在tinycolinux上安装和使用cloudwall,同步器as webos，uniform native web appstack 在《cloudwall:一种统一nativeapp和webapp的appstack》中我们讲到，cloudwall是一种构建在counchdb+counchdbapp之上的管理层APP可直接作为personal cloud hosting 文档和支持cloudwall plugin开发，然而它产生的奇妙效用在于它能作为webos，提供webappstack的效用

minlearn's techrepos 523

转载：YOLOv8改进全新Inner-IoU损失函数：扩展到其他SIoU、CIoU等主流损失函数，带辅助边界框的损失

目标检测是计算机视觉中的基本任务，包括目标分类和定位。边界框回归损失函数是检测器定位分支的重要组成部分，检测器的定位精度在很大程度上取决于边界框回归，在当前的检测器中发挥着不可替代的作用。在BBR中，IoU损失可以准确描述预测边界框与GT框之间匹配的程度，确保模型在训练过程中可以学习到目标的位置信息。作为现有主流边界框回归损失函数的基本部分，IoU定义如下：B和分别代表预测框和GT框。定义IoU之后，相应的损失可以定义如下：至今，基于IoU的损失函数逐渐成为主流并占据主导地位。

wuling129的专栏 4943

cloudwall android,cloudwall：一种真正的mixed nativeapp与webapp的统一appstack

本文关键字：在数据库中安装程序。以数据库直接为后端托管程序，文档数据库管理器直接为云文件存储程序。无backend webapp，在web中开发webapp大约在很久以前，我开始放弃追求统一化分布式应用程序和本地程序为同一个appstack的努力，这二者之间似乎天然存在鸿沟，像是应用的使用方式决定的，这种人为的界限并不是用来跨越的，拿web来说，它作为一种分布式架构和分布式appstack架构，不...

weixin_33531560的博客 179

为什么桥式传感器（Bridge Sensor）需要用到仪表放大器？

仪表放大器在桥式传感器的应用里起到关键作用，本文介绍桥式传感器的原理、特性，以及信号调理过程，并附上了一个 TINA - TI 的仿真电路。

疯狂的运放 1528

RPCA模型及GoDec算法

一、基础知识 在线性代数中，秩的物理意义是矩阵中最大的不相关的向量个数，因此秩可以用来度量相关性；而在图像处理中，秩就可以理解为图像中所包含的信息的丰富程度。图片中比较突兀的成分，会增加图像矩阵的秩，一幅清晰的自然图像其数据矩阵往往是低秩或者近似低秩的，这是因为其中的图像信息有很大的相关性，但如果图像中引入噪声，那么存在随机幅值任意大但是分布稀疏的误差破坏了原有数据的低秩性。 低秩矩阵：如果AAA是一个m×nm×nm×n的矩阵，rank(A)rank(A)rank(A)是矩阵AAA的秩，如果rank(A)

小席的学习日志 7688

使用SpringCloud实战微服务

使用SpringCloud实战微服务

ITTechnologyHome 4万+

液晶电视维修必看：TCON逻辑板故障排查全指南（附常见问题解决方案）

本文详细解析了液晶电视TCON逻辑板的工作原理与故障排查方法，涵盖LVDS信号处理、DC-DC电压系统等核心知识。提供从基础测量到高级维修的完整指南，帮助技术人员快速诊断黑屏、竖线等常见故障，并给出预防性维护建议，提升维修效率与成功率。

weixin_42535461的博客 616

Android4: 设置背景为系统wallpaper

<style name="Theme.Holo.Wallpaper"> <item name="android:windowBackground">@android:color/transparent</item> <item name="android:colorBackgroundCacheHint"&amp

爱java 846

手把手教你用LcmSim+TakeDotLib打造完美LCD显示效果（附12x12汉字配置模板）

本文详细介绍了如何使用LcmSim模拟器与TakeDotLib标准字库工具优化LCD显示效果，包括字体选择、字库生成和实体设备验证。通过12x12汉字与8x16 ASCII的黄金比例配置，帮助开发者解决嵌入式开发中的显示难题，提升用户体验。附赠12x12汉字配置模板，可直接用于项目。

weixin_29205061的博客 137

数字孪生通信层开发：C#实现OPC UA到Unity3D的实时数据映射（2026年工业级实战指南）

（西门子数字孪生总监）：“在产线上，50ms的延迟意味着1%的设备误操作率。2026年，通信层不是‘工具’，是数字孪生的‘生命线’。

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 182

mixamo骨骼_【Mixamo】【角色绑定】免费快速自动绑定角色模型自动生成动作跟骨骼绑定...

今天分享一款好用又方便3D模型动作免费角色绑定网站，很方便能让你在几分钟内使人物模型自动生成动作跟骨骼绑定网站地址：https://www.mixamo.com/#/配备详细视频讲解使用方法，(一学就会，一做就废) 大家跟我一起学习 gogo！Mixamo是一个基于web版的在线3D人物模型制作平台，可以帮助开发人员更轻易的创建出3D人物动画。用户可以直接上传自己设计的3D人物或使用...

weixin_33693600的博客 1万+

YOLOv8模型压缩终极方案：LAMP剪枝实战，速度提升不掉点

一个庞大的模型虽然强大，但在实际部署，尤其是资源受限的边缘设备（如无人机、移动电话、嵌入式系统）上，却面临着严峻的挑战：高昂的内存占用、巨大的计算量以及随之而来的高延迟和高能耗。本教程从LAMP剪枝的深刻理论出发，详细解释了它如何通过最小化最坏情况下的L2失真，并借助巧妙的数学简化，最终推导出一种高效、无超参数、层自适应的剪枝策略。它如同为臃肿的模型进行一次精准的“瘦身手术”，通过移除网络中冗余或不重要的权重、神经元甚至整个结构，来显著降低模型的参数量和计算量（FLOPs），从而实现推理加速和资源节约。

LXY_LOVE36的博客 176

一个设想：什么是真正的云，及利用树莓派和cloudwall打造你的真正云中心

本文关键字：datasyner,syncbox,datahub,mypcmate,myphonemate,p2pcloud 谈到云，可以从好多方面去表征它，比如它是计算机资源的虚拟化，它是软件的服务化，它是APP和APP DEVSTACK的一种仿本地化和去远程化（参见我们一直追求的uniform native/web appstack），可是我们结结实实忽略了最重要的一点，它还应是新的应用方式和用户习惯养成方式，仅仅是WEB所定义的那样吗？不，那只是云综合应用形式中极为简单简陋的一支，现在的web已级慢慢实

minlearn's techrepos 2552

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")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

hyperkit:一个full codeable,full dev support的devops及cloud appmodel

本文关键字：app level vm,hypervisor as component, hypervisor as api, langsys as api，cloud infrastructure as code，Devops is only tools but not appmodel, Lua as configuration language 在bcxszy和bcxszy demos的历史选型上我们一直希望得到一个在native上面改良云/分布式程序/cloud的设想，接上学习，开发和应用的断层，实现

minlearn's techrepos 735

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白

一种追求高度融合，包容软硬方案的云主机集群，云OS和云APP的架构全设计

本文关键字：兼容多主机硬件设计，兼容多os，兼容native/cloud程序模型,兼容本地程序/分布式程序。网络操作系统，不是x11,不是远程桌面，不是web nas,不是pouch存储同步。不是远程投屏。 云在人们的观念中就是远端，它承诺将计算发展成水电煤一样的可被直接利用的资源，与内容和我们本地的客户端或终端接入（所以有了云存储，云GPU等各种传统资源的云化，以及一些或细分或复用的云资源，如云验证，云游戏,etc…），虽然云技术的背后是一层一层的虚拟化，可是它并没有将这种工作进行到我们日常使用APP方面

minlearn's techrepos 565

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

Plan9 : 一个从0开始考虑分布式，分布appmodel的os设计

本文关键字：plan9,Inferno,limbo,Plan 9 from User Space:plan9port 在《除了UNIX，我们真的有可选的第二开源操作系统吗？》中，我们讲到那些传统的os之争是集中于游戏好不好支持，桌面好不好体验，发行够不够流行，总体好不好用这些方面。而从x86 cpu从0开始的抽象全栈，他们都是一样的 ------- 换言之，某种意义上他们都是一样的OS。 这种共同点在于哪里呢？对于最终的APP和APP开发来说，它们都是基于单PC+单PC下网络程序设计的。于是在这种架构下有

minlearn's techrepos 531

一种设想：为linux建立一个微内核,融合OS内核与语言runtime设想

本文关键字：os之争。微内核,language based os,language on bearmetal not on os，华为鸿蒙，语言即OS，类脚本语言，把原生应用变语言模块。 我们知道，OS兼容跟语言兼容一样，是一项几乎不太可能完成的事情，因为OS的使命就是作为闭环竞争的商业产品出现，成就造出它他们的公司。从文件系统的多样化和存在的互访鸿沟就知道，见《一个设想：基于colinux，去厚重虚拟化，共盘直接文件系统安装运行的windows,linux》。

minlearn's techrepos 517

一种matecloudos的设想及一种单机复杂度的云mateapp及云开发设想

本文关键字：可编程的os/os kernel/os rootfs,os as service,os as service,mateos。cloudsubos，，客服同体，api/runtime共体，将os api化，headless os core for cloud api，融合云app matecloudos,matecloudapp:开发接口与程序本身合一 在前面我们谈到《enginx,engitor》系列，还谈到《Plan9:一个从0开始考虑分布式，分布appmodel的os设计》，这些文章共同点都

minlearn's techrepos 456

比WEB更自然，jupyter用于通用软件开发的创新意义：使任何传统程序秒变WEB

本文关键字：online language,在线语言系统,jupyter,ipython jupyter,在线编译器，在线解释语言,engitor 在《engitor:基于jupyter,一个一体化的语言,IDE及通用分布式架构环境》一文中我们提到，jupyter不止是一个分布式IDE它还是个分布式架构，更准确地说，它使任何使用engitor开发的程序变成WEB架构下的程序，而这个“WEB”，是jupyter webiz之后的web,然而它比web更自然，更强大。 jupyter作为一个极具创新的普通的产品

minlearn's techrepos 439

一个matepc,mateos,mateapp的goblinux融合体系设计

本文关键字：将桌面环境，toolchain设计为subsystem,rootfs as Xaas,rootfs层次的虚拟化,非Virtual OS Infrastructure,第二PC，模块化机箱，第二PC，存储，计算分开机箱，nas另置主机，mirror os,mateos,自建icloud,本地远程通用的云os,云app 在《bcxszy:applvl programming》整个选型中，虽然我们经常强调xaas,langsys,appstack,app四栈一体的开发，但xaas跟其它部分在本书中一直

minlearn's techrepos 430

engitor:基于jupyter,一个一体化的语言,IDE及通用分布式架构环境

关键字:工具层devops 很难为jupyter这样的一个东西定性，它最初只是一个增强的python repl环境，后来变成了CS架构并支持了多语言，S为语言kernel，C为notebook,console,qtconsole这样的东西，可以分开部署使用。 IPython 3.x was the last monolithic release of IPython, containing the notebook server, qtconsole, etc. As of IPython 4.0, t

minlearn's techrepos 382

enginx基于openresty,一个前后端统一,生态共享的webstack实现

本文关键字：openresty,enginx webstack的前世今生就是一个重复造轮的过程，它的目标是将本地程序栈弄成分布式b/s web，其实这在语言端可以做(比如语言模块的http unit，然后是一层层我们从桌面时代开发最基本的socketapp开始，http封装之后也许是一个aysn网络io库，最终到达语言库级的webframework直到专门的独立程序支持，也许这个时候人们发现那个网络io库可以独立出来作为一个server，再比如第三方容器在这种需求下很容易出现，流控安全等需要也会泛滥)，于是

minlearn's techrepos 343

服务器的“服务器”,enginx之于分布式部署的创新意义：使任何服务器程序秒变集群

本文关键字：nginx,元服务器，单机集群,分布式集群，集群引擎 虽然webstack往往被做成集群来进行，但即使存在那样的必要也很难为随便找到的一组服务器搭个集群，enginx就是用来做这事的，继《发布enginx:基于openresty,一个前后端统一,生态共享的webstack实现》，进一步地，enginx之于服务器部署的创新意义还在于：它可以使任何分散，逻辑上相关的一组服务器建立起前后端的拓扑，可能这些srvs并不是webstack使用的那些。 engin x – 从webstack到common

minlearn's techrepos 318

云APP，virtual appliance：unikernel与微运行时的绝配,统一本地/分布式语言与开发设想

本文关键字：云时代没有软件，只有服务，虚拟app，虚拟OS，虚拟APP开发,metarootfs as service,container as service,virtual appliance，可devops编程os，Redox OS 我们知道，OS的选型，其实关乎着开发，因为它位于开发四栈中的平台栈部分，（系统开发语言对”系统平台“进行开发）平台与语言产生联系的方式首先是支持该OS开发中的toolchain language中的runtime（kernel space或user space中

minlearn's techrepos 316
上一篇： 在tinycolinux上安装sandstorm davros
下一篇： 一个设想：什么是真正的云，及利用树莓派和cloudwall打造你的真正云中心
点赞 0
评论 0
书签 书签 0
Minlearn
Minlearn
博客等级 码龄18年 20粉丝 146原创
+ 关注 专栏目录 订阅专栏
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  | 博主筛选后可见
 
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