抱歉,今年我劝各位真的别轻易离职!

【教程】安装 iterm2 打造漂亮且高性能的 mac 终端 最近电脑重新安装系统,开发环境和软件都需要重新安装和配置,其中终端工具是必不可少的,正好利用这个机会,介绍一下 macOS 终端神器 iTerm2 的安装和配置,并推荐几款好用的插件和工具。在IT领域中,工具的选择和使用对于开发者和运维人员来说至关重要。而在众多终端模拟器中,ITerm2无疑是一个出色的选择,希望本篇的文章能对你有些帮助,感兴趣的朋友可以登录官网查看官方文档。我是刘大大,持续分享AI相关领域的知识和工具,喜欢点点关注。 阅读详情

8年,可以是一个人从22到30,也可以是从30到38。

但不管是哪个,都是一个人的人生中无比重要的阶段。

前几天看到一个帖子,是一位在深圳打拼了8年的普通人。他的这8年基本和国内互联网这十多年来的发展重叠。也恰好反映出,在这样一个跌宕起伏的时代里,个人的命运是怎样与之同呼吸共命运的。

这位软件工程师一毕业就在深圳打拼,初期月入1.2万,三四年后就涨到了2.6万,于是30岁的他充满希望的买了房安了家。

房子450万,首付150万,贷款300万30年。

才供了2年多房,他就遇到了互联网的特殊时期,被裁员了。

休息了一个月,回到深圳,本以为可以很轻松的继续做他的软件工程师,没想到投出去的简历都基本石沉大海。 

别说涨薪了,仅有的几个面试机会,开出的薪酬最高也只有1.5万。

生活大打折扣,月供也还不上,只能选择卖房。中介和他说,实际成交价已经下跌了。多番努力之下,终于以290万卖出。

已经还了近50万的贷款,大多是利息。幸运的是,没有倒欠银行的钱。

就这样,30多岁的年纪,辛苦打拼8年,还是两手空空的回到了老家。

671e417e51a10252ed6ea465df6c4808.png

看完他的故事,我的心情也五味杂陈。

最近不少地方都在出台利好楼市的政策,存量房贷利率也终于松口,上面盘活市场的决心和力度在加大。可很多人都和这位朋友一样,倒在了黎明前。

这两年互联网行业的飞速增长已经成为过去时,叠加整个大环境不好,各企业为了活下去,开源节流就是最简单有效的选择。

被裁的年轻人,大可以潇洒转身,以低姿态相对低的价格转行拼一个可能性,而中年人肩上的责任太多,就光上有老下有小这几个字,就注定他经不住一点风吹草动。

拥有的越多,就越不能承受失去。  

欣哥自己也是一步步摸爬滚打出来后磕磕碰碰,这期间经历过太多,听到过不少悲剧,因此常劝过身边人一定要以此为戒。

这两天刷到一个视频,感触挺深的,也发出来给大家看看。

江苏的吴先生,39岁,当了半辈子老师,安守本分,兢兢业业。而就在前几天突然出现在论坛上,请网友投票决定父亲的生死。

b924dc420be6313ce989c013f5e4a990.jpeg

他父亲骑电动车不慎摔倒,没想到一次小意外竟造成了严重后果,脊椎受损、肺部感染。

从家乡转去省会城市的医院,做完两次手术休养半个多月后,父亲终于慢慢好转。

可是一家人刚出院回到家中,父亲的伤口却又开始化脓,同时出现颅内感染、脑脊液漏、切口感染等问题。

父亲不得不再次住进ICU,一天花费少则两三千,多则五六千。

医生告诉吴先生,如果保守治疗,短期内他父亲就可能有性命之忧,有可能下周末都撑不到。

如果做开颅手术,康复的几率也很小,一百万花下去也不排除人财两空的结果。

虽然吴老师和妻子都有工作,父亲也有医保。

但医保能保的部分十分有限,加上后续未知的庞大治疗费与康复费用,这无疑是压在这个普通双薪家庭头上的一座大山。

为了省钱,吴老师六七十岁的老母亲甚至不愿意去住旅馆,一直在医院长椅上过夜,看着老人一把年纪还要受苦,作为儿子他实在是心疼。

但他除了是儿子,还是丈夫和父亲。

如果倾家荡产,举全家之力也没保住父亲,那么活着的孩子、妻子和他就要长期负债,承受居无定所,艰难度日的绝望。

种种考量,万般纠结,迟迟下不了决心的吴先生决定发起投票,将父亲的生死交给网友。

毫不意外,网络一片骂声:还没尽全力就让一群陌生人来决定亲爸的生死?这配当老师?

8c8f94efb7ee92942dd29c14fac11fe7.jpeg

吴先生配不配当老师我不做评价,但凭借我多年的社会阅历,在“老人和小家之间怎么选”这个世界难题上,大多数人其实都会选后者。

孩子患病,家长大多会砸锅卖铁、不惜一切,而年迈父母患病,成年子女首先权衡的是钱,是现有生活是否会受影响。

因为当上有老、下有小时,“救不救”不只是良心问题,还是一个有限资源的可持续分配问题。

试想,若能负担得起,谁会在老人与小家之间徘徊犹豫?谁会纠结于计算钱与生命哪个价值更高?

没进医院的人,根本不知道钱有多不经花。根据国家卫生部一项数据表明,人一生患重大疾病的几率高达72.18%。

拿常见的癌症来说,住院费、医药费、护理费、设备使用费等,随便一圈下来可高达几十甚至上百万,轻易就能将一个家庭几代积蓄全部没收。

5aa6eb456db98e3c723094b465439272.png

如今的我们,万事顺遂的时候,一切看起来都还过得去。但意外一旦来临,大多都招架不住。

不敢想,万一哪天我倒下了,年迈的父母如何安享晚年,孤身的伴侣如何支撑整个家庭?

我们很难避免一辈子不遇到这些事情,也无法避免它给我们的生活带来冲击。但是有两样东西是我们可以决定的:

第一,是面对苦难的态度。

第二,是未雨绸缪的准备。

至于如何准备?思来想去,发现其实也没太多的办法,就两条路:

1、在利用好杠杆的同时,还要不断增加收入、控制开支,掌握尽可能多的存款,以应对可能出现的意外。

2、对于结余比较少、收入增幅比较慢的读者,可能最好的办法就是把自己和家人的保险配置齐全,用尽可能少的钱,把自己不能承受的风险转嫁给保险公司。(本文不推荐任何保险产品)

关注我的老粉丝都知道,一直以来我都在建议大家一定要把保险配置齐全,那是因为,这些年我在医院里见证了太多这样的悲剧,而这些悲剧很多时候都是一份很便宜的保险就能解决的事情。

借此机会,想再给大家做点简单的保险科普,都是很实用的知识,希望大家耐心看完。

相信大部分读者都已经参加了城镇医保或者新农合,因而可能会觉得已经后方无忧,那你就错了。

虽然国家这些年一直在医保方面做了不少努力,每年的灵魂砍价都能登上热搜。但在感谢国家的同时我们也要认识到,国家的医保只是基础医疗保障,毕竟并不是万能的。

比如,医保可报销的药品有2900多种,在市面上15多万种药物中只占很小一部分;而且在医保起付线以内、封顶线以上、报销比例外和医保目录外的医疗费用,都是要自己承担。

保险的作用就是在遇到疾病、意外等风险时,帮我们承担风险,把损失降到超低。

97dd5bfba20b376767e6f354ac0fdf1f.jpeg

假设一场病可能要花费80万,经过社保报销和医疗重疾险赔付后,没花一分钱,剩余100万拿来补偿患病后5年家庭收入损失,生场病也没影响家人正常生活。

但一定要注意,保险不能瞎买。保险本身是有很高的门槛的,涉及金融、医学、法律三方面知识交叉。

因为不懂相关知识,还有部分业务员为了提成进行销售误导,以致于很多人买贵、买错,甚至最后赔不了钱的,大有人在,大家见过的也不止一个两个了。

如果有一家专业平台,能清清楚楚告诉我们究竟买了啥、能保啥、该花多少钱合适,避免大家掉进买错保险的坑,那对我们的帮助会非常大。

几番对比之下,还是觉得老朋友大童最靠谱:

9d262e0c566e13945c1537dced49a26d.png

大童成立于2008年,是一家全国性保险服务机构,老牌的正规军。2020年还跻身世界保险中介前20名,是全亚洲唯一入围的保险中介企业。

它不属于任何一家保险公司,是专门做服务的。不会未了解具体情况,上来就推销产品,而是站在我们的立场,从140+家保险公司的产品里,帮忙筛选适合的产品。

大家在挑选产品前,都可以去找他们帮忙对比和挑选。

我体验过他们的保障规划服务,顾问会先了解我的基本情况,询问我的需求,例如:

之前有购买过哪些保险产品?

家里几口人?家中的经济支柱是谁?

想通过保险解决怎样的问题?

家庭可支配收入以及保险预算有多少?

然后根据我的家庭结构、财务状况、保障需求,站在我的角度,帮我规划了一份详细的家庭保障方案。

是真正的1对1量身定制,相比传统机构还能节约30%-50%的费用。

3c2d48bf076108730b186db42d13bfe0.gif

(保险顾问详细沟通后给出专属的方案)

拿到方案后,顾问还一对一帮我讲解,确保我能深度了解方案,对自己家庭的保障规划更清晰。

真心希望大家都能去预约下这项服务,没有保险的朋友,能知道应该买什么、买多少额度才能解决家庭的问题,以及花多少钱才合理;

已经买了保险,顾问也可以帮忙分析已有保单,帮忙看看买的值不值,方便及时查漏补缺。

特意争取了50个免费咨询的名额给到大家,先到先得,下文可长按二维码报名领取。

码农翻身粉丝专属福利 

长按扫码报名

即可

免费获得价值500元

专属家庭保障规划方案

👇👇👇

3da19d28f3a330d1b126a2c8d6ee536c.png

▲

长按识别二维码报名

前50名免费

除了家庭保障规划服务外,平台后续还提供好赔代办、健康医疗、应急救援等增值服务,还有保单托管后的图文问诊功能,足不出户就能看病就诊。

大童还有独特的线上服务+线下咨询的能力,全国线下服务网点200+个,需要时有专人跟进理赔,省时又省心。

为大家特别争取了50个免费咨询名额,建议大家都趁这个机会,为孩子和家人做一份完整的保障规划。

另外,这次报名成功的小伙伴,还给大家争取到了1份额外专享福利!

免费获得全网首发人手必备的《家庭保障规划宝典》电子版一份!

2327230f557b81e9c4f7fec657937166.png

这份地图只送不卖,包含14+个模块、41+张图表和300+个知识点,简单直观,有趣易懂。

早规划早安心,不仅是远见,更是对自己和家人的负责!(长按识别下方二维码领取专属福利,也可以通过点击左下角的“阅读原文”报名。)

码农翻身

第 3 次倾力推荐,限前50免费名额

手慢无!报名如下

👇👇👇

efa5b22a5a8c0f76cb15831faa051847.png

(长按识别二维码领取,前50名免费)

或点击“阅读原文”,立即报名

👇👇👇

Cilium动手实验室: 精通之旅---1.Getting Started with Cilium 我们需要在 HTTP 层的第 7 层实施策略,以限制允许 tiefighter 调用的确切 API,以及不允许调用哪些 API。上仅需要的 API 资源的访问,从而为微服务之间的通信实施“最低权限”安全方法。船只上进行匹配,因此我们需要在该标签上进行匹配,此外,我们必须确保来自带有标签。为了模拟我们的连接测试,我们将使用 curl 执行简单的 API 调用。在我们立即开始更改策略之前,让我们考虑一下相应的网络策略应该是什么样子。的规则,该规则将通过 L3-L4 策略对死星的访问限制为仅帝国船只。 阅读详情

相关推荐

致远OA公文管理模块相关操作

致远oa协同办公系统 公文管理模板 相关操作

weixin_59666050的博客 4278

抱歉,今年我劝各位真的别轻易离职

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。这里的大模型工程师不仅仅指那些研发大模型的专业人员。当前大多数公司采用的方式是基于开源大模型进行微调,打造属于自己的模型,再将其应用到自家的产品中,这是 95% 以上公司落地大模型的正确方式。第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

2401_84204413的博客 1459

Hermes-Agent-完整指南

Hermes Agent 是由 **Nous Research** 开发的一款**自我改进型 AI Agent**,具有内置的学习闭环系统。它的核心理念是"一个与你共同成长的 Agent"。- 能够从经验中创建技能(Skill-Learning Automated),在使用过程中自我改进, 跨会话持久记忆, 深度用户建模

liu_zhiyi的博客 3041

抱歉,今年我真的劝各位别轻易离职

最近这两年很多人都感受到了一种变化,那就是为啥现在身边的人和事都越来越卷?职场是一个典型的金字塔结构,每年新进入的人不断在充实底座基数,而逐级往上的机会和空间都在变小。这种情况,这两年在互联网行业特别明显。红利期已过,公司发展从野蛮增长转向了精细化运营,岗位需求变少,上升空间受限。就在今年,也陆续问了身边一些年近中年的职场人,无论是底层、中层还是高层,或多或少都感受到了日子已经不像之前好过了。有个...

chengjun_java的专栏 199

task5:在本地搭建大模型(ollama 和 LM studio 对比),接入 openclaw

关于大模型,大家千万不要想着在本地部署,根本不可行,没有那个财力。另外大模型迭代快,不可能每周都在下载大模型。再次,还是国外的模型好用,国内的模型真的在 deepresearch 上就有很大问题,你们懂的。所以本篇文章,还是聚焦在探索层面+实操,并不会实战。

这里是 AI 食用指南,持续分享有用的AI 实操和应用! 1973

深入解析uncompyle6反编译pyc文件及常见错误修复指南

本文深入解析了使用uncompyle6工具反编译Python字节码文件(.pyc)的完整流程。针对实践中最高频的KeyError和Python版本范围限制两大错误,提供了详细的修复方案与步骤指南,并分享了处理复杂反编译结果的高级技巧与安全实践,是进行代码恢复、调试与分析的重要参考。

uber9的博客 536

抱歉,今年我劝各位真的别轻易离职...

点击上方 "大数据肌肉猿"关注,星标一起成长今天峰哥想跟大家说几句心里话,算是有感而发吧,希望我的读者看完后都能重视起来。我这个公众号,也运营了好几年了,多亏了各位读者的喜欢和支持,才让我有了持续更新下去的动力。我平时大多是和大家分享旅游的事,今天呢想和大家分享一个读者的来信。承蒙信任,前两天,我在后台收到一位读者的来信,信中写到:“峰哥你好,我最近遇到一件事,心里很纠结,希望通过文字寻求您的帮...

a934079371的博客 589

功能安全实战系列07-英飞凌TC3xx电源监控开发详解

本文对电源监控(PBIST及MONBIST)开发介绍,步骤详细配合开发中的测试情况,图文并茂,方便理解。

initiallizer的博客 1110

抱歉,下半年我劝各位真的别轻易离职......

国内AI赛道又爆了!继科大讯飞、阿里、华为等巨头公司发布AI产品后,很多中小企业也陆续进场!人才市场上AI大模型工程师“一将难求”!100k*16的高薪,挖掘AI大模型人才!如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?与其焦虑……不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!那么,我们该如何学习大模型?作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。

m0_71745484的博客 783

24、交通信号协调算法与模型解析

本文深入解析了交通信号协调中的关键算法与模型,包括多路径进展模型、MAXBAND网络系统模型和松弛启用带模型。这些模型通过合理安排相位序列、优化绿波带宽等方式,提高了交通运行的效率。文章还探讨了交通控制从单点控制向网络协调的发展趋势,分析了当前面临的挑战与机遇,并提出了未来研究方向,如借助信息技术和机器学习,深入研究交通网络的基本构成,以实现智能化和精准化的信号协调。

agile9scrum的博客 134

Unreal5.6从入门到精通之 如何实现MetaHuman数字人

本文介绍了使用HYPER3D-ChatAvatar网站生成3D头部模型,并导入Unreal Engine制作数字人的完整流程。首先上传照片生成头部模型(约2分钟),设置参数后下载模型文件。然后在UE5.6中创建项目,激活MetaHuman插件,导入头部模型并调整肤色、面部特征和身体模板。通过MetaHuman Creator组装数字人蓝图,支持添加音频/视频动画功能。关键步骤包括:取消Rigging选项节省时间、切换英文模式避免材质问题、使用Live Link Face应用实现面部捕捉等。整个流程约需5-1

TxNet 1353

抱歉,今年我真的劝各位别轻易离职。。

近几年AI发展迅猛,行业巨头争先布局AI领域!想切入大热的AI领域,却找不到方向?为了帮助大家零成本学习AI大模型技术,特邀一线大佬发起——AI大模型公开课!????AI大模型进阶之旅!直播时间10月11日晚20:00直播内容大模型的发展历程与训练方法解析AI技术应用场景如何用LangChain、Fine-tuning 定制你的专属大模型应用借助大模型技术提高收入的可能性……直播方式2天直播+直播互...

chengjun_java的专栏 219

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。

抱歉,前端今年我劝各位真的别轻易离职

重磅整理最新Vue3相关面试题,市面上真的不常见!

Cipher_Y的博客 319

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。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

抱歉,我劝各位真的别轻易离职 ...

很多人都说,高阶的逆向技术不好学,找到合适的练手项目也不容易,大家都在期待一套高效的技术速成方案。AI时代的到来,给我我们更多的助力。学完速成干货课程,要第一时间拿大厂高阶项目实战巩固,进一步提升技术,这套教程就非常适合练手!不管是大单还是小单,接单的前提永远是技术和实战技巧!过去一年,能让普通人利用Python赚到钱这件事,只有两个项目落地实现了,一个是。的爬虫接单实战课,本次将由国际大数据竞赛获奖大佬讲解,带大家进行。所以有一个过硬的技术一定是你能有能接到高额爬虫订单的前提!

程序IT圈 106

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")

抱歉,年前我劝各位真的别轻易离职......

国内大模型“落地战”终于打响!一些大模型企业开始赚钱了最高单个项目金额近2亿元人民币除科大讯飞、阿里云、华为等巨头公司之外,很多中小企业也陆续进场各个机构与企业开始大刀阔斧招揽 AI 人才甚至开出80k*16的高薪,挖掘会使用 AI 的数据人才!作为数据人,如何不被时代抛弃,享受AI技术带来的红利?!????知乎知学堂特发起:行业前沿资源——AI大模型公开课已为本号粉丝开通免费领取权限预计24小时后...

微信搜:import_bigdata,大数据领域硬核原创作者 1557

抱歉,最近我劝各位真的别轻易离职……

最近在网上看到很多人找前端工作一直碰壁,甚至有些人心态崩溃都产生转行的想法,今天通过这篇文章,以一个8年经验老开发的角度,分享一套大而全的面试资料合集。不可否认,现在找工作要比之前难一些,但这是经济下行带来的,你不干前端,去干别的,也一样不好找工作。那些说什么前端已死、互联网已死的请绕道。这套资料涵盖了「中大厂面试考点、难点」,从八股文到框架底层和面试真题都有,400+面试题,3套+面试资料,领取...

Java后端技术 143
上一篇: 这个波斯人的名字,成了无数程序员的梦魇!
下一篇: AI时代,程序员要学一门新数据库!
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084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