2022 年会是 Linux 桌面元年吗?本文与你娓娓道来

Kali Linux安装(VM环境下2022版本) 1、下载安装VM(VMware Workstation)软件官网下载地址:下载 VMware Workstation Pro | CN2、打开VM软件选择“创建新的虚拟机”3、选择“典型”即可4、选择“稍后安装操作系统”6、选择客户机操作系统为“Linux”7、自定义命名虚拟机名称和选择存放位置 8、设置磁盘容量(建议40G以上)9、设置“自定义硬件”10、内存设置(建议4G起步)11、处理器设置(建议最低2核起步,虚拟化引擎根据自己情况自定义勾选)12、镜像设置(选择下载的镜像文件)13、网络适配器设置( 阅读详情

6545fe4746af071f2cd0167c87e19c65.png

整理 | 郑丽媛
出品 | 优快云(ID:优快云news)

近年来,开源热潮席卷全球,“得开源者得生态,得开源者得天下”逐渐成为了信息产业的一种流行趋势。为此,诸多互联网大厂争相拥抱开源,Linux 作为一款开源操作系统也愈发受开发者喜爱,他们坚信:距离“Linux 桌面元年”已越来越近。

何为“Linux 桌面元年”?开发者 Tim Wells 认为,必然是自由开源的操作系统达到“即便是普通用户,也可以在他们的 PC 上安装使用且不会遇到问题”的阶段。

那么,刚刚到来的 2022 年会是 Linux 桌面元年吗?从目前来看,时候似乎还未到。

00822fb71615ef4aa8b7bf59924c45ff.png

01

游戏体验并未大幅改善

本月初,一位来自 LinusTechTips(简称 LTT,Youtube 上长期发布电脑硬件评测的一个团队)的测评人 Linus Sebastian 做了一个实验:他在电脑上安装了一个月的 Linux 系统,检测其是否可以正常支持日常事务及游戏、流媒体等娱乐方式。

在处理日常事务方面,Linux 一直以来都表现得可圈可点,但其游戏体验却一直为人诟病。

为改善 Linux 在这方面的缺陷,一直认为“开源系统 Linux 才是游戏的未来”的电子游戏开发公司 Valve 多年来不断为此努力:曾于 2015 年联合多家 PC 厂商推出搭载 Steam OS(基于 Debian)的 Steam 主机,虽后续反响不佳,但 Valve 没有放弃,在 2018 年又启动了一项 Project Proton 计划,旨在让 Windows 上的 PC 游戏通过 Steam,在 Linux 系统上无缝运行。

相关:如何为游戏选择Linux发行版?  https://www.linuxmi.com/youxi-linux.html

截至 ProtonDB 网站 2021 年 12 月的数据,Steam 上排名前 100 的游戏中有 80% 获得了 Gold 及以上评分——表明这些游戏在 Linux 系统上运行良好。

d214585f2d965fcb85f480a1e2938712.png

彼时,这一数据令诸多 Linux 爱好者感到振奋,曾仅存在于想象中的“Linux 桌面元年”似乎真的越来越近。但将目光移至仅有 40% 支持率的 TOP 10 游戏,又将人拉回了现实。

为了得出实验结果,也为了检测 Valve 多年来在 Linux 游戏上的努力,Linus Sebastian 在这一个月里不断尝试在 Linux 中打游戏,可惜结果还是不尽人意:很多游戏在运行时出现问题,甚至破坏游戏规则。例如有游戏正在运行,但多人游戏功能根本不能用,也有游戏因为依赖 Easy Anti Cheat(一个反作弊的软件,使用尖端混合技术来反制多人对抗游戏中的黑客攻击和作弊行为)等服务,根本无法在 Linux 中运行。

经过一个月的实验,Linus Sebastian 得出了最终结论:今年不会是 Linux 桌面元年,虽然做日常事情还算可以,但 Linux 上的游戏状态实在无法言喻。

02

Linux 发行版众多,到底是福是祸?

在 Linus Sebastian 发表这一结论时,明确表达出了他的看法:“阻止 Linux 桌面元年到来的主要问题是碎片化。”这里的碎片化主要指的是 Linux 发行版众多,且许多发行版用的均是不同版本的库和驱动程序。

其实早在去年年底,就有人在 Hacker News 上提出过类似问题:Linux 发行版的激增是否会损害 Linux 生态系统?彼时,许多开源爱好者持反对意见,并认为“Linux 的美妙之处就在于此”。

为方便理解 Linus Sebastian 的说法,Tim Wells 举了个非常现实的例子:有的 Linux 发行版可能会运行 distro(发行套件 distribution 的简称)的稳定版本,其中包含用于图形、声音系统等的旧版本库,但新发布的游戏却使用了这些库的新版本甚至是不同的库。按理说,游戏开发者为确保其游戏尽可能覆盖更多的操作系统会进行相应调整,但这时有个不得不面对选择题:是将精力放在市场占比更大、系统版本较少的 Windows 等操作系统上,还是把大量时间和资源放在确保游戏在每个 Linux 发行版上都能运行—— 但是 Linux 发行版成百上千,市场占比更是与 Windows 没得比。

相信在许多开发者眼里,后者都是一个吃力不讨好的选择,Tim Wells 直接将其称作“一场测试和开发的噩梦”。

好在这个问题也被包括 Fedora 在内的许多 Linux 发行版注意到了:它们将 Flatpak(一种构建、发布、安装和运行应用程序的技术,开发者可借助 Flatpak 在多种 Linux 发行版上安装使用其应用)整合到其软件库中,很大程度上减轻了库不同版本的问题,从而有助于缓解 Linux 碎片化问题。

相关:在Linux系统中安装Flatpak教程  https://www.linuxmi.com/linux-flatpak.html

03

2022 年,Linux 与开源依旧未来可期

尽管 2022 年看起来还不是 Linux 的桌面元年,但这并不妨碍它将在今年持续迈进的步伐。以下为科技网站 TechRepublic 结合过去一年表现,对今年 Linux 以及开源发展趋势所做的预测。

  • 接受度更高,应用规模更广泛

这一点,其实从去年年底 Apache Log4j2 漏洞的波及范围就可窥见,开源早已在不知不觉中渗透到了我们无法想象的深度。而在 2022 年, TechRepublic 认为:“我们将看到大企业将开源技术带到完全不同的高度。”包括开源软件的全新用例,以推动行业的大规模增长等。

许多小企业今年也可能加入开源,争取借助这个更为公平的技术竞争环境与大型企业一较高下。

  • 会有大公司采用 Linux 作为首选桌面系统

今年,这种现象也非常有可能发生,尤其在去年微软推出硬件要求过高的 Windows 11 后,许多企业应该已经看到了开源和 Linux 的光芒。

发行版选择上,TechRepublic 认为 Ubuntu 最有可能,其部署过程简便,文件管理系统也较为高效。而在企业类别上,那些不大量使用专有桌面软件、依赖 Web 应用程序和服务来运行的企业最有可能做出采用 Linux 作为首选桌面系统的选择。

  • Linux 桌面会发生微妙变化

今年年初,Linux 桌面环境系统 Maui Shell 重磅亮相,其极致现代的设计美学与核心的跨终端自适应性令许多 Linux 爱好者意识到,原来现代版可以与传统版一样有用和强大,甚至超越。

由 Maui Shell 引起的讨论可能会引发更多 Linux 开发者在桌面上大规模创新,不再局限于曾经一味追求简单的宗旨,而是通过让界面变得更加智能来吸引更多新用户。

  • Steam Deck 将证明 Linux 可以玩游戏

如上文所说,目前 PC 上 Linux 的游戏体验依旧不佳,但 Valve 决定从另一个角度来证明其方向的正确:Valve 公司表示,将于 2022 年 2 月末准时推出搭载 Steam OS(基于 Debian)的便携式掌上游戏机 Steam Deck。

如果届时 Steam Deck 可顺利运行游戏,虽不至于说可以超越 Windows 成为桌面游戏的统治者,但至少能说明在游戏系统的可行选项上,Linux 可以加入了。

那么你是否用过 Linux 系统,用的是哪一个发行版,体验又如何呢?

参考链接:

  • https://www.techrepublic.com/article/open-source-predictions-for-2022/

  • https://timnwells.medium.com/is-2022-the-year-of-the-linux-desktop-dc834ac6fa7a

END

觉得还不错就给我一个小小的鼓励吧!

Linux命令整理 1、ls命令 就是 list 的缩写,通过 ls 命令不仅可以查看 linux 文件夹包含的文件,而且可以查看文件权限(包括目录、文件夹、文件权限)查看目录信息等等。 常用参数搭配: ls -a 列出目录所有文件,包含以.开始的隐藏文件 ls -A 列出除.及…的其它文件 ls -r 反序排列 ls -t 以文件修改时间排序 ls -S 以文件大小排序 ls -h 以易读大小显示 ls -l 除了文件名之外,还将文件的权限、所有者、文件大小等信息详细列出来 2、cd 命令 cd(changeDirecto 阅读详情

相关推荐

专题资料(2021-2022年)Linux发展现状与未来分析.doc

专题资料

2022年面向程序员的十大Linux发行版-机翻

它基于Arch Linux,但带来了一些功能,如GUI安装程序,如Ubuntu或Linux Mint,pamac安装程序,它的策划存储库等等。Linux是最好的主要原因是,具有现代技术的软件包和应用程序是预装的,或者比Windows更容易安装的。在这种情况下,这是所有选择中最好的选择,因为它可以让您完全控制自定义构建的Linux操作系统中的每个包。最重要的是,Pop操作系统中的宇宙桌面(定制的GNOME桌面)为程序员提供了一种独特的体验,即自动调色,可爱的调色板,原生的黑暗模式和广泛的设置。

地球空间 2981

STM32开发者必看:如何在正点原子探索者开发板上快速移植CANopenNode协议栈

本文为STM32开发者提供了在正点原子探索者开发板上快速移植CANopenNode协议栈的实战指南。文章详细介绍了从环境准备、硬件抽象层适配到协议栈初始化与测试的全过程,并分享了PDO配置与性能优化等关键技巧,帮助开发者高效实现CANopen标准化通信。

weixin_29173777的博客 466

什么是Linux系统,Linux的发展进程

Linux是一套免费使用和自由传播的类Unix操作系统,是一个多用户、多任务、支持多线程和多CPU的操作系统。它能运行主要的UNIX工具软件、应用程序和网络协议。它支持32位和64位硬件。Linux继承了Unix以网络为核心的设计思想,是一个性能稳定的多用户网络操作系统。简单说——它就是一个操作系统。

lsqaa的博客 293

Ubuntu Server 22.04.5系统安装教程

该教程主要是演示在服务器上安装Ubuntu server 22.04系统的详细步骤,主要包含,安装系统前的准备(镜像的下载,启动盘的制作),安装系统时的语言选择,网络设置,切换镜像源(可根据实际需求来配置,本文使用清华镜像源),手动分区,用户设置,ssh服务安装等。以上就是关于Ubuntu Server 22.04系统安装的详细过程。

逆水行舟,不进则退。 7780

FreeRTOS CLI实战:5分钟搞定GD32串口终端移植(附LED控制源码)

本文详细介绍了如何在GD32芯片上快速移植FreeRTOS CLI(Command Line Interface)终端,实现串口交互式调试。通过DMA+空闲中断配置和LED控制命令实战,开发者可在5分钟内构建高效嵌入式调试工具,显著提升现场维护效率。

weixin_28707365的博客 452

游戏仍是“瘸腿”、发行版过多反成“噩梦”?2022 年还不是 Linux 元年

你是否用过 Linux 系统,用的是哪一个发行版,体验又如何呢?

m0_50065287的博客 1万+

音频降采样系数

如果需要把8K, 16K, 32K, 48K采样率的音频数据降为4K的音频数据, 最简单的方法根据降频倍数来取点, 但是线性度不好. 另一种线性度好一点的方法是: 取适当个数的点数, 各点乘以各自点的系数, 然后相加取平均值. 降频倍数与系数的关系如下: 2倍:     {0.3, 0.4, 0.3} 4倍:    {0.15, 0.2, 0.3, 0.2, 0.15} 8倍:   {0

joans123的专栏 4647

三十年Linux桌面使用经验:“我认为它是最好的。”

三十年难遇恶意软件和病毒。

优快云资讯 3528

GEE:哨兵时间序列遥感数据和动态阈值方法计算物候时期EOS/SOS(2)

本文将分享和解释论文《Improved Estimates of Arctic Land Surface Phenology Using Sentinel-2 Time Series》中使用到的基于阈值估算北极地区的植被物候,特别是北极地区的植被季节开始和结束的日期(SoS和EoS)的方法和代码。该方法使用的是使用哨兵2数据,并实现了两种阈值方法( 无平滑的阈值方法、平滑后的阈值方法)。

养乐多的博客 2972

硬核实操!DeepSeek 携手 PCB 设计软件,自然语言绘就电路蓝图

摘要:本文深入探讨如何将 DeepSeek 与 PCB 设计软件对接,实现自然语言生成 PCB 电路图。文中详细阐述了从搭建对接架构,借助 Python 开发中间接口、适配数据格式,到自然语言处理,完成语义解析、知识匹配推理;再到生成 PCB 电路图,涵盖原理图与设计数据转化;最后对电路图进行优化与验证,包含布局布线优化和设计规则检查。尽管面临自然语言理解和复杂电路设计等挑战,但通过实操展示了技术可行性,为电子 / 嵌入式开发智能化设计提供新思路和完整实操指南。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 4801

2022 年不是 Linux 桌面元年,但距离元年越来越近

知名技术团队 Linus Tech Tips 的主持人 Linus Sebastian 最近做了个实验:尝试使用 Linux 操作系统一个月,用其完成日常工作、玩游戏和播放流媒体视频。但最终他得出结论,今年不会是 Linux 桌面之年。尽管使用 Linux 桌面完成日常工作问题不大,但 Linux 上的游戏状况非常糟糕。据悉,所谓的 Linux 桌面元年,是指将来自由开源的操作系统将达到一个阶段,普通用户可以在他们的电脑上安装和使用它而不会遇到问题。(cnBeta) ...

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 281

2026.3.9:具身智能之GraspNet:Ubuntu24.04安装GraspNet

本文详细介绍了在Ubuntu24.04系统下安装GraspNet具身智能框架的全过程。主要包括:1) 创建Python3.9虚拟环境;2) 安装CUDA12.8和PyTorch2.7.0等基础依赖;3) 编译安装pointnet2、knn和graspnetAPI三个核心组件;4) 修改源码适配新版PyTorch;5) 下载预训练权重并成功运行demo。安装过程中特别提示了可能遇到的报错处理方案,最终在GPU环境下实现了GraspNet的部署运行。整个流程涵盖了从环境配置到项目运行的完整步骤,为具身智能研究者

拥抱具身智能,昇腾Ascend C 207

2022 年会是 Linux 桌面年吗?

直接来源 | OSC开源社区自“Linux 桌面年”一词被创造以来,有关“Linux 桌面年”的讨论一直经久不衰。何为“Linux 桌面年”?本文对此概念的定义是,自由开源操作系统到达这样...

strongerHuang 525

商用车电子电气零部件电磁兼容条件和试验(15)—HV-LV 耦合衰减(HV-LV)

本系列文章主要讲解商用车电子/电气零部件或系统的传导抗干扰、传导发射和辐射抗干扰、电场辐射发射以及静电放电等试验内容及要求,高压试验项目内容及要求。

零零刷的博客 289

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

2022年,你真的懂Linux吗?

要成为一个很牛的运维,必须精通Linux。现在大部分企业都使用Linux操作系统作为服务器,而绝大部分运维工具也是依赖Linux系统运行的。所以对于高级运维来说,Linux越精通,运维的技...

关注微信公众号【开源Linux】,后台回复『10T』,领取10T学习资源大放送,涵盖Linux、虚拟化、容器、云计算、网络、Python、Go等书籍和视频 709

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")

2022 年适用于旧硬件的 10 个轻量级 Linux 发行版-谷歌翻译

我们重点列出了 2022 年非常适合您的旧 PC 的 10 个轻量级 Linux 发行版的列表。我们为您提供它们的功能以及使它们非常适合复兴旧硬件的原因。 我们认为您不应丢弃任何硬件,尤其是 PC 及其组件。理想情况下,设计良好的软件应始终在任何硬件上运行。有许多专门为旧硬件和 PC 设计的Linux 发行版。您可以借助这些 Linux 操作系统快速恢复它们。在这篇文章中,我们重点介绍了 2022 年轻量级和旧硬件友好的十个这样的 Linux 发行版。 2022 年 10 个轻量级 Linux 发行版

地球空间 1万+

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Linux KDE 桌面在 2022 年的开发路线图

KDE 桌面在 2022 年的开发路线图,列出了这个由社区驱动的开源桌面环境今年的主要开发工作。与以往公布的路线图一样, KDE 团队正在进行或即将开始的开发工作的一个预览,而且官方认为在 2022 年底前完成这些事情是可行的 合并 "格式和语言" 设置 系统设置中的语言和格式页面一直存在一个问题,就是虽然位于两个不同的页面,但它们能够设置的内容却有重叠。目前开发者 Han Young 正在努力将它们合并成一个新页面,以使其更加明确,让用户更难通过选择不兼容的设置来扰乱系统。这项工作正在进行中,有希

ejinxian的专栏 1240

2022 年,值得期待的 7 个 Linux 发行版

来源 | InfoQ 架构头条告别 2021,展望 2022,itsfoss 整理了 2022 年值得期待的几个 Linux 发行版,我们在原来的基础上做了一些内容上的补充分享给大家。1...

Python数据之道 1092

Linux的起源:从一个故事说起

Multics计划   上个世纪六十年代,那个计算机还没有很普及,只有少数人才能使用,而且当时的计算机系统都是批处理的,就是把一批任务一次性提交给计算机,然后就等待结果。并且中途不能和计算机交互。往往准备作业都需要花费很长时间,并且这个时候别人也不能用,导致了计算机资源的浪费。   为了改变这种情况,在1965年前后,贝尔实验室(Bell)、麻省理工学院(MIT)以及通用电气(GE)联合起...

麦田的绿博客 1万+

2022年Linux学习路线

Linux学习路线

GG Bond 的博客 1268

Linux/Unix上的时间处理

记录一下Linux/Unix上的时间处理: UNIX及Linux的时间系统是由「新纪元时间」Epoch开始计算起,单位为秒,Epoch则是指定为1970年一月一日凌晨零点零分零秒,格林威治时间。 目前大部份的UNIX系统都是用32位元来记录时间,正值表示为1970以后,负值则表示1970年以前。我们可以很简单地计算出其时间领域: 2^31/86400(s) = 24855.13481(天) ~...

阿丰的专栏 487
上一篇: 机器学习和深度学习的区别到底是什么?
下一篇: 人工智能中图神经网络GNN是什么?
Wang_AI
博客等级 码龄12年 998粉丝 162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