程序媛冯怡:我想给大家展示一种可能性(图灵访谈)

超越图灵机——论人工智能实现的可能性(一) 超越图灵机——论人工智能实现的可能性(一)我认为人工智能是可以实现到逻辑思维这一步的,因为逻辑思维可以完全用字符串来表示,图灵机可以把任意单元置成任意值,在这一点上是完备的,这就足以描述逻辑思维了,所以用图灵机完全可以实现到逻辑思维。当然图灵机会受到哥德尔不完备性的制约,但是逻辑系统也会受到同样的制约,所以我认为完全可以用图灵机实现逻辑思维。那么逻辑思维的本质机理与图灵机是什么关系?逻辑思 阅读详情

enter image description here

冯怡, 一名老程序猿,写了快10年的代码,在朋友眼里她的生活丰富多彩:学日语、爱摄影、跑马拉,还是认证的咖啡师。每次朋友的到访,她都会拿出心爱的咖啡机认真地调制一杯香浓咖啡。这次访谈她会告诉我们她自己如何走上编程人生,如何克服多种困难,成为独当一面的Tech lead,以及她所欣赏的别样人生。

学霸与资深电玩行家

在谷歌女性开发者大会上演讲的时候,你有提到自己初中和高中的时候喜欢玩电子游戏,而且父母也会用游戏机作为奖励品?

冯怡: 对。我父母对我是有要求的,只要能达到这个要求,对他们来说就OK。因为到高中之前我都算是学霸吧,所以他们就觉得我好像不用怎么学成绩也不错,就对玩游戏这件事不怎么介意了。
另外,我一直给他们灌输一种观点:玩游戏有利于智力开发。碰巧成绩挺好,碰巧爸妈特别宠我,碰巧我喜欢游戏机……

enter image description here
日文游戏攻略秘籍

其实,游戏跟孩子的学习,不一定就是两个对立的东西。

冯怡: 对,我觉得最重要的是自律。虽然我也花时间去玩,却并没有沉迷,我知道去完成一个学生应该做的事情。实际上,高中的时候我在一所重点中学的重点班学习,所以突然感觉到竞争一下子变激烈了。之前的“聪明就不用怎么学习”的想法,到了高中就完全不适用了。所以,高二的时候我开始住校,为了控制自己不再玩游戏。

你是从什么时候开始对编程感兴趣的?

冯怡: 开始编程的话,是小学参加的电脑兴趣班。当时也是稀里糊涂的,说不上什么兴趣吧,就觉得挺好玩的。跟若干年之后自己来编程这件事情,可能没有什么必然的关系,但是如果要追溯到最早编程的时间,什么时候开始写程序,也确实是那时的电脑兴趣班。

你现在也有baby了,会让他去学少儿编程吗?

冯怡: 不会。我不会去强迫我的小孩儿做任何的事情,我会用我父母的那套philosophy来对我的小孩儿。这可能跟好多人的mindset不太一样,就是我并不需要通过小孩儿来证明我的什么东西,我也不需要通过他来实现自己的梦想。如果说有梦想的话,我还是会自己努力实现。

全栈工程师的危机感

你在APP Annie的头衔是全栈工程师。你认为,作为全栈工程师应该更注重技术还是全局性思维?

冯怡: 我在App Annie的工作一部分focus前端,像JavaScript、CSS,另外一部分是后端,就是用Python写的web应用。

我觉得技术和全局观都必须关注。现实情况是这样子的,如果说公司的技术栈已经比较丰富,整体的软件架构也很完善的情况下,其实就算你是一个全栈工程师,也并没有很多的自由来决定这个东西到底是应该放在前端还是后端来实现。现在的话,我其实有偏重于后端,因为实在没有那么多精力去keep up前端的事情。
大局观并不跟从事前端、后端还是全栈有关,大局观是自己在团队里面角色转化带来的,就比如说最早的时候我只负责一个产品线,那目标可能就是把这个东西做好;现在我负责四个产品线,那可能就要考虑怎么样最有效地把这四个产品线都做好,会跨产品线地考虑一些解决方案。

成为全栈工程师是一件特别牛的事情,好多人也愿意成为一名全栈工程师。你有没有在某个时期产生一种自我膨胀或者非常骄傲的状态?

冯怡: 完全没有。非但没有产生这种膨胀的感觉,反而有一种无知的恐惧感!虽然我在公司做全栈,但是我所用的前端技术是受限于现在公司技术的。我能够掌握公司需要的这些前端技术,并且把产品做好,但是我知道前端是一个进化非常快的领域,有很多更新的框架,自己却并没有时间或者精力去研究每一个技术!

所以我一直都有这种感觉,也一直在鞭策自己不断学习,去了解前端的各种框架技术。我希望自己能够成为一个在所有领域都很精通的人,但我只能做到在某个领域或者自己更感兴趣的方面做到更好。

像你说的,每个人的时间和精力太有限了。怎样才能把自己打造得这么丰富多彩?

冯怡: 我觉得核心的一点就是认真地去做每一件事情,用非常严谨和认真的态度去对待生活中的所有小事。同样是拍照,如果只是走到路边随便拍一下,不去想怎么更好地构图,就不可能称为是摄影,顶多是一个拿手机拍照的人。既然选择去做,为什么不稍微多花一点时间把这个事件做好呢?为什么不去研究一下如何构图,怎么样搭配色彩之类的?比如说跑步,我都已经开始跑5公里了,为什么不去跑21公里?既然我都能跑下21公里的路,为什么不去追求42公里? 我觉得就是用匠心做匠艺!

enter image description here
enter image description here
马拉松奖品

我是那种特别有危机感的人,看不太出来吧?

对,看不出来。

冯怡: 我一直被很多的危机感所追逐,必须让自己跑得更快。碰到一些新东西的时候,自己不太懂的时候,我会强迫自己花时间去研究,把它变成自己知识的一部分。

女程序员的困扰

女程序员在团队里面的优势有哪些?

冯怡: 其实到了我现在这个层次的话,比如说领导团队的时候,成员就不会有因为你是女的而应该有所优待的想法,大家都已经很习惯了。

对于刚进部门的女程序员,会有优待吗?

冯怡: 面试的时候,男女程序员的入选标准是一样的。但是入职之后,反而大家会对女生的要求放低一点,或者当女程序员稍微做出一些成就的时候,大家会觉得“好了不起”。我觉得这种困扰并不出现在面试的时候而是初入职场的时候,要获得同样的认可,女程序员需要花费更多的时间。

你认为女程序员少的原因是什么?

冯怡: 我觉得就是社会上的social stereotype,这种固有偏见会打消一些姑娘想要成为程序员的想法。她们会听到很多声音:你不适合,或者你做不好,或者说这个很累,坚持不下来,这会导致一件事情在还没开始的时候,就被否定掉了。

我是那种“反着来”的类型,越是说我不行,我就越要证明自己可以。我以前公司里面有一个特别好的同事,她也一直是我的role model。她有两个男孩儿和一个女孩儿,三个小孩儿都是她自己带。印象特别深的一件事情就是,即使是生第三个孩子之前,她还在准备老公和两个儿子的饭。生完女儿一周后,开始带女孩儿,然后负责两个小男孩儿的上下学,然后还要做饭。所以,当我觉得自己过得特别累的时候,我会想起她。

我赞赏的别样人生

因为你在国外也工作过一段时间,你觉得国内外IT公司的差异有哪些?

冯怡: 还是有差异的,最大的差异就是国内的人员流动更频繁一点,跳槽特别频繁。然后国内的话,公司里面年纪大的程序员更少一点。从认可程度上看,我感觉国内因为程序员太多了,资源到处都是的感觉,所以在公司里面程序员的整体认可程度可能并没有国外那么高,比如说产品经理和程序员之间的地位关系问题。

你希望向同行们普及哪种赞赏的生活态度?

冯怡: 我觉得就是要合理地看待工作在生活中的比重问题。可能是在北京的原因,大家变成了一种非常模式化的人群,会把工作当成自己生命中非常重要的一部分。国外的话,这个平衡相对要好很多。
工作上花费的时间过长,自己的时间就会缩短,可能很多更好的生活方式就没有被挖掘出来。其实我觉得在北京工作挺好,有那么多的展览、话剧、歌剧、艺术展。如果说这些是大城市带给我们的便利,我们却不去享用它,为什么还要辛苦地留在北京?

enter image description here
冯怡拍摄的星空

不如跟我一样住到天津,做一个往返于两座城市间的commuter。经常有人问我,“你每天在路上花4个小时,值吗?”我也不知道值不值,我只是觉得国内好多人习惯于“工作和居住一定要在同一个城市”的思维。可是,我回想起以前在悉尼工作的时候,好多同事其实是住在城市A,然后travel到城市B来上班的。这就是一种从家到公司travel的方式而已,我并不觉得这是一件很奇怪的事情。

enter image description here
每天乘坐的京津城际

虽然时间有点长,但这是一个属于我自己的时间,可以用来丰富自己知识面和阅读的最重要的时间。我也想给大家展示一种可能性,就是你实际上是可以住在天津然后去北京工作的。如果你觉得自己坚持不下来,你可以想想我,因为我能坚持三年,而且怀孕期间也还能坚持。我相信如果你有这个想法,应该都能坚持下来!


更多精彩,加入图灵访谈微信!

这里写图片描述

W5500+STM32F103C8T6进行TCP通信(modbus) 一路生花一、w5500资料二、modbus通信三、从机代码四、总结五、参考 一、w5500资料 w5500的资料就放在下面了,单纯的客户端和其他模式上面有教程 https://www.aliyundrive.com/s/enPnnZgNtpE 二、modbus通信 Modbus RTU通信时使用的数据帧结构如下图,而Moubus TCP通信的数据帧和这个稍微不一样,没有crc检验,因为tcp本就是一种可靠传输协议 这里是Modbus TCP数据帧 公共功能码定义 三、从机代码 阅读详情

相关推荐

(53页PPT)新型智慧病房整体解决方案(附下载方式)

当前医疗场景存在三大核心矛盾:院内感染风险(如输液异常发现滞后)、信息孤岛现象(11类业务系统数据割裂)、管理效能不足(30%护理时间耗费在机械性工作)。实际案例显示,整体运营效率提升40%,患者满意度提高28个百分点,真正实现了"让技术有温度,让数据会说话"的价值理念。本文将从需求分析、技术架构、应用场景三个维度,深度剖析这份53页解决方案的创新价值与实践路径。床旁智能终端整合12项功能:包括体征自动采集(误差率<1%)、医嘱执行核对(100%条码校验)、智能床垫离床报警(响应时间3秒)等。

AI_data_cloud的博客 717

冯怡:我想给大家展示一种可能性

冯怡, 一名老程序猿,写了快10年的代码,在朋友眼里她的生活丰富多彩:学日语、爱摄影、跑马拉,还是认证的咖啡师。每次朋友的到访,她都会拿出心爱的咖啡机认真地调制一杯香浓咖啡。这次访谈她会告诉我们她自己如何走上编程人生,如何克服多种困难,成为独当一面的Tech lead,以及她所欣赏的别样人生。 学霸与资深电玩行家 在谷歌女性开发者大会上演...

weixin_34111790的博客 202

1014. 福尔摩斯的约会 (20)-PAT乙级真题

1014. 福尔摩斯的约会 (20) 大侦探福尔摩斯接到一张奇怪的字条:“我们约会吧!3485djDkxh4hhGE 2984akDfkkkkggEdsb s&hgsfdk d&Hyscvnm”。大侦探很快就明白了,字条上奇怪的乱码实际上就是约会的时间“星期四 14:04”,因为前面两字符串中第1对相同的大写英文字母(大小写有区分)是第4个字母’D’,代表星期四;第2对相同的字符是’

柳婼 の blog 2646

程序员有话说 | 女码农的尴与尬

作者 | 程序员小乐责编 | 伍杏玲【程序人生编者按】在男女比例失调的程序员行业里,程序媛的工作日常是怎么的呢?程序媛遇到bug时是不是有很多程序员帮忙呢?程序媛对加班有...

程序人生的博客 940

从零搭建uniapp+vue3+ts+tailwindcss多端兼容开发环境

本文详细介绍了如何从零搭建uniapp+vue3+ts+tailwindcss多端兼容开发环境,包括环境准备、TailwindCSS集成、小程序兼容性解决方案以及样式优化技巧。通过实战步骤和常见问题解答,帮助开发者快速掌握这套技术栈,提升开发效率。

weixin_28693309的博客 325

AUTOSAR进阶图解==>AUTOSAR_SWS_CANStateManager

AUTOSAR CAN状态管理器(CanSM)摘要 CanSM是AUTOSAR通信栈中的关键模块,负责管理CAN网络状态和模式转换。主要功能包括: 控制CAN控制器/收发器工作模式(STARTED/STOPPED,NORMAL/STANDBY) 处理三种网络状态(全通信、静默通信、无通信)之间的转换 监控和处理总线关闭(Bus-Off)事件 与ComM、CanIf、BswM等模块协同工作 CanSM通过状态机管理网络状态转换,支持可配置的总线关闭恢复策略。它为每个CAN网络维护独立的状态机,实现网络状态的精

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 5583

游戏录屏怎么选画质和帧率?先看动态画面需求

录制时注意帧率与画质的平衡,根据内容选择合适设置,兼顾细节与连贯性。

xiangrikui2016的博客 304

双目深度相机--10.双目视觉的主要步骤讲解分析

双目视觉技术通过模拟人眼原理,利用两个相机从不同视角采集图像,实现三维坐标计算。其核心流程包括:1)系统标定,消除相机畸变并建立坐标映射关系;2)图像同步采集与预处理;3)立体匹配,寻找左右图像对应点;4)基于视差图的深度计算;5)三维重建生成点云或网格模型;6)结果应用如目标测距、三维建模等。关键技术难点在于精确标定和准确匹配,这两步直接影响最终深度计算的精度。该技术广泛应用于自动驾驶、工业检测、VR等领域,实现了从二维图像到三维空间的精准转换。

AIoT深度探索者 | 嵌入式系统架构师 深耕物联网(IoT)与人工智能(AI)融合技术,聚焦​​边缘计算、图像开发、低功耗通信协议​​,致力于智能硬件,关注我获取最新技术文章信息与海量资源~ 627

设计模式(unity游戏研发版)

当你使用图形用户界面类时通常会遇到一个问题。比如,你创建了自定义按钮类并允许客户端在按钮中注入自定义代码,这样当用户按下按钮时就会触发这些代码。观察者模式允许任何实现了订阅者接口的对象订阅发布者对象的事件通知。你可在按钮中添加订阅机制,允许客户端通过自定义订阅类注入自定义代码。在Unity中,这就像UnityEvent在Inspector中绑定多个回调。

m0_63330263的博客 135

TIA protal与SCL从入门到精通(4)——软件单元使用

平台: TIA portal 15.1 1.添加软件单元 添加软件单元如下图: 关于软件单元使用基本限制,看如下文章即可 TIA protal与SCL从入门到精通(3)——软件单元基本介绍 每个软件单元是一个独立结构,所以每个软件单元的运行方式与实际PLC类似,所以首先添加主函数块: 注意:无论系统是否是具有并发性(这里不要混淆并行与并发的概念),在PLC所有主函数执行总是按主函数依次完成...

苦走一口田 7380

《网络安全自学教程》- SQL注入之报错注入原理+步骤+实战操作

这篇文章为大家解析报错注入的实现原理,结合实战案例讲解报错注入的使用步骤。

wangyuxiang946的博客 1万+

Claude Fable 5.2 登顶:65 分、单发做游戏,和一份 $26.54 一单的账单

Anthropic 发布 Claude Fable 5.2:AA 智能指数 65 分登顶历史第一,但性能 #71、成本 #73、冗余度 #72——最强能力、最贵成本、最慢速度的矛盾体。同底层 Mythos 5.2 无护栏反而更强。文章拆解:65 分构成、官方实战验收、基准提升真伪、一条提示词一晚做出街机游戏的完整流水线(自写机器人跑完 12 关自检)、$26.54 账单与 98% 缓存折扣下的真实成本重估。

johnsong2009的博客 325

【目标追踪】python背景模型减除法原理及其实现

python基于背景模型差法的视频目标追踪帧差法的问题:背景模型差法目标追踪原理1. 基本思路:2. 图例讲解:3. 存在的问题&如何解决:4. 最终效果预览第一步——调用摄像头:1. 使用opencv打开视频or摄像头:2. 读取逐帧图片:第二步——处理图片:1. 转换成灰度图:3. 累加权重重构背景:3. 计算像素差:3. 使用中值滤波和膨胀腐蚀去噪:3.1 中值滤波:3.2 图像腐蚀...

梁瑛平的博客 1948

Unity 数据存储指南:本地存储、个性化设置、缓存与 Resources/StreamingAssets 的区别

在 Unity 开发中,“数据存到哪里”、“缓存能不能清”、“打包后资源有什么区别” 是新手最容易混淆、老手也经常踩坑的问题。Unity 本地存储机制(包括 Unity 放在 C 盘的内容);Unity 个性化设置(编辑器首选项 Editor Preferences);Unity 缓存的打开、关闭与清理;打包后 Resources 与 StreamingAssets 的区别;其他可自定义存储的内容汇总。为方便理解,本文配有一个可直接运行的演示工程,所有代码见文末"配套工程说明"。

zhchyun 253

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

用 AI 在 Unity 里做一款 RTS:最难的不是生成代码,而是证明它真的能玩

git@github.com:zoucdr/unity-skilled-mcp.git

邹杭特的博客 287

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")

HarmonyOS 游戏与图形渲染入门:Canvas、渲染管线与掉帧排查

本文详解鸿蒙图形渲染选型与优化,指出多数“游戏感”需求仅需Canvas+requestAnimationFrame即可实现。通过deltaTime保证跨设备流畅性,优先使用animateTo声明式动画,避免逐帧绘制开销。强调性能优化应从主线程长任务、过度绘制、对象分配入手,结合Profiler排查掉帧。XComponent适用于高负载场景,但需权衡开发成本。最后提醒引擎迁移三要点:性能模型差异、打包流程匹配、版本兼容。核心结论:先用简单方案验证,再决定是否上引擎。

信息安全领域优质创作者|操作系统领域专家 467

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

王者荣耀主页效果图制作教程:游戏模板四步出图

本文介绍使用装样大师"游戏模板"功能制作王者荣耀等游戏主页效果图的完整流程,四步完成制作与保存。工具为手机端图片生成,不涉及账号登录与真实数据修改,适合内容创作素材与娱乐场景。

2601_96701324的博客 393

【转战智能眼镜开发】ROKID AIUI 小游戏 亚马逊标枪项目实战讲解

《亚马逊标枪》要解决的问题可以一句话概括:**在没有摇杆、没有扳机、视野又必须留给真实世界的眼镜设备上,怎样把"我要用多大劲、往哪投"这种连续的模拟意图,变成不占视野、不需要学习、并且能被物理规则如实反馈的动作。** 目标用户是想在眼镜上玩一点轻量运动/竞技、并且愿意用身体而不是手指来操作的人。整个应用跑在本地:不需要账号、不依赖网络、没有任何联网权限,弹道、命中、音效、存档全部在设备内完成。

孙琛斌的专栏 327

软件打不开或游戏闪退,怎样排查DLL和运行环境异常?

文章总结:遇到软件或游戏问题,检查DLL、DirectX、运行库和.NET Framework,使用工具扫描并处理异常,逐步排查故障。

xiangrikui2016的博客 171

《基于Spring Boot的迷游哈游戏综合服务平台的开发》

本文设计并实现了一款基于SpringBoot的“迷游哈”游戏综合服务平台,解决玩家攻略分享与二手交易分散、信息杂乱、交易无保障等问题。系统采用B/S架构,支持普通用户、服务人员、管理员三类角色,具备攻略投稿审核、商品交易闭环、余额充值提现、在线客服与投诉工单处理等核心功能,实现内容共建、资金流转、售后保障等多维度业务闭环。技术栈主流(Java+Vue3+MySQL),模块清晰,开发难度适中,覆盖后端开发、数据库设计等核心知识点,兼具实用性与教学价值,适合作为本科毕业设计选题。

407

Cocos Creator3.8.8 + Xcode27.2 编译运行失败

Cocos Creator3.8构建IOS工程后,使用最新的Xcode27.2版本进行真机调试,遇到C++标准库冲突,如is_floating_point、is_arithmetic和is_signed失败,以及webp对齐失败等问题。

HYNN12的博客 480

Unity 相机围绕物体旋转(可打印相机视角和设置相机视角)

该代码用于相机围绕物体旋转,并且可以恢复初始状态,以及打印相机视角和设置相机视角。

qq_37524903的博客 49

(开源)游戏攻略分享系统实战指南 基于 Java + SpringBoot + uni-app + Vue + MySQL

这是一个基于 Java + SpringBoot + uni-app + Vue + MySQL 构建的完整游戏攻略分享系统,功能持续优化中...游戏攻略管理 游戏分类管理 旅游资讯管理 用户管理 管理员管理

小小码农身兼魔法师职位!除你武器~ 385

自由学习记录(230)

默认情况下,root 不跟着绑定走。官方原话:"root joints are not linked to the rig ... if you try to move the rig, the root will remain in the same place"(root joint 没有连在 rig 上,移动 rig 时 root 留在原地)。所以默认情况下你在 Cascadeur 里移动角色(包括质心 COM 带动的身体),不会产生 root 的位移,root motion 导出的就是不动。

red_redemption的博客 221

itch.io 用开源模拟器 Ruffle 恢复 Flash 游戏支持

itch.io 创始人宣布平台已用开源 Flash 模拟器 Ruffle 重新实现 Flash 游戏支持,现有 2,581 款 Flash 游戏,开发者无需改动现有项目。

老孙正经胡说 117
上一篇: C++之父Bjarne Stroustrup: 简单的表述方式才是最优的方案(图灵访谈)
下一篇: 姜饼人:旅行才是我真正的人生(图灵访谈)
TuringInterview
博客等级 码龄10年 9粉丝 5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