北电真相

OSPF多区域+VLAN单臂路由+NAPT实战拓扑(GNS3/EVE-NG可运行) OSPF是一种链路状态动态路由协议,其骨干区域(Area 0)强制连通性与区域分域机制是企业网设计的核心原理;VLAN则通过802.1Q标签实现二层逻辑隔离,需配合Trunk链路与子接口路由才能完成跨VLAN通信。该技术组合具备高可控性、低LSA洪泛开销和灵活地址复用等工程价值,广泛应用于校园网、中小型数据中心及网络实验教学场景。本文提供一套基于真实设备型号(RSR20-12/S2628-12)、精确IP规划与逐行CLI验证的闭环拓扑,覆盖VLAN划分、单臂路由、OSPF多区域宣告及NAPT地址转换全链路, 阅读详情

作者:王涛  

    北电成为现在的北电,是在2000年。那一年它105岁。

    彼时,高达124.50美元的股价让它跃上了荣耀的巅峰。不过这更像是一场成长的祭礼,随着互联网泡沫的破灭,北电就此便陷入了无尽的迷茫当中。直至2009年1月14日,筋疲力尽的北电在美国、加拿大和欧洲申请了破产保护。

    总部位于加拿大的美国公司

    一直以来很多人都认为北电是属于加拿大的电信设备制造商。其实,它真正的身份应该是“总部位于加拿大的美国技术公司”。

    真相的披露是在2006年。该年阿尔卡特收购朗讯科技之后,后者原来所参加的涉及美国国家安全的相关组织的资格被美方取消,阿尔卡特朗讯公司对此提出异议,其中的一个理由就是,从属于加拿大的北电一直位列其中,因此美方应该一视同仁。

    但是通过资产清查,最后得出了结论:北电有超过50%的资产属于美国,并且从其高层管理人员构成上看也是以美方人员为主(当时公司CEO迈克·扎菲罗夫斯基即为马其顿裔美国人)。因此,北电的主体属于美国,只不过其源起于加拿大,并内含该国相当一部分资产。

    尽管如此,北电在加拿大人的心目中依然有着特殊的地位。这不仅因为它是一家历史悠久的百年老店,还在于它是该国为数不多的全球性大公司之一,并且在技术创新方面它也曾做到了全球领先。

    稍加对比便可清楚北电的与众不同。不列颠哥伦比亚省(BC省)是加拿大通信公司比较集中的地区。该省共有500多家通信公司,从业者共2万多人。也就是说,平均一家公司仅有40人左右。在加拿大,200多人的公司就可以被称为大公司。而拥有几万员工的北电在这样的产业环境中无疑会有鹤立鸡群之势。

    由此也不难想见,此番北电沦落到申请破产保护的地步,对加拿大人而言无疑会产生巨大的心理冲击。我们看到在北电宣布破产保护的同时,加拿大工业部随即发布了一份声明,称“将继续与北电合作,希望北电恢复成为一个充满活力的企业”。但是也有分析人士指出,目前在加国执政的保守党政府代表的是中小企业利益,反而对大企业带有一定偏见。所以,加国政府最终能在多大程度上对北电施以援手还有待观察。

    对于北电的未来走向,有分析人士认为,一者是继续生存下来,但从此只能偏安一隅,做局部市场产品;再者被收购,公司更名,就像美国世通公司(WorldCom)那样;还有就是最坏的结果,彻底破产。

    疯狂的种子

    北电在锱铢累积间向上走过了百年才到达自身发展的顶点,但是它衰落到破产边缘却只用了不到10年的时间。以如此短的时间经历天堂地狱式的动荡,在同类大型厂商中实属少见。回顾起来,这一切也是与它如同押宝般的激进冒险风格分不开的。

    事实上,在上一个世纪交替之际,北电便已经在企业经营中埋下了疯狂的种子,其后,这种非理性便在企业的商业运营中一再执拗地出现。

    那还是在1999年的时候。当时,北电认为3G时代已经来临!从这个战略判断出发,它开始动用公司所有的力量推进3G技术、产品的研发,为此甚至不惜完全停掉了对2G产品的研发。北电的做法会让人们明白什么才叫做孤注一掷。

    更让人匪夷所思的还在后面。为了给自己的新战略寻找到强势的支点,北电全力游说美国运营商Verizon上马WCDMA。要知道,Verizon运营的是CDMA网络,并且它也是北电CDMA产品线的大客户!也许只有现实本身才敢于编造这样的故事。

    这种自杀式的行为似乎只能用疯狂来形容。其代价是2G客户对北电的做法极为不满。虽然北电当时在3G市场上取得了较大的份额,甚至一度超过行业龙头爱立信,但是颇具讽刺意味的是,当时北电的3G客户全部不是自己原有的2G客户。

    北电在3G产品线上的惊险之旅一直持续到2006年。该年9月,在看到已经失去了规模效益之后,北电将UMTS部门的主要业务出售给了阿尔卡特。盘点起来,北电在研发上先后投入了近20亿美元,但是从阿尔卡特那里套现的金额仅为3.2亿美元。

    按照当时北电方面的说法,公司下一阶段的工作重点将集中在4G网络市场。为此,北电在原来的UMTS产品线上保留了核心网和后续演进技术LTE。同时北电也把WiMAX列为公司未来核心的战略产品线。

    WiMAX一度被北电看作是重新翻转电信市场的杠杆,但是它的万丈雄心却在自己的传统势力范围北美市场遭受沉重打击。在2007年SprintNextel的WiMAX设备招标中,此前一直被认为是稳操胜券的北电竟然落选,眼睁睁看着不声不响的三星、摩托罗拉等厂商拿走了订单。SprintNextel给出的说法是:北电没有终端。也就是说,被北电视若生命的WiMAX产品线并没有形成完整的端到端能力,其产品规划上的缺失至此暴露无遗。

    SprintNextel是美国第二大CDMA网络运营商,它一直也是北电的铁杆客户,在SprintNextel那里,北电有着“万年老二”的雅号,即在其CDMA设备供应上,朗讯永远排在第一位,其次就是北电,而其他厂商则很难再挤进来。有着如此深厚的合作基础,但是在WiMAX问题上北电并没有抓住机会。

    此役过后,北电锐气尽失,并最终选择了放弃。2008年6月,北电宣布与以色列的奥维通公司签署WiMAX战略合作协议,其核心用意在于北电将缩减投资,不再从事WiMAX研发,转而在奥维通那里定制WiMAX设备。但是随着2009年1月北电宣布彻底放弃WiMAX业务,这一合作也宣告结束。

    从历史上看,北电的产品规划是典型的分散风险式布局,即在多个主流通信技术路线上都有自己的强势声音。自2000年以后,北电开始不断地大幅调整自己的产品线。但是最终却无奈地走到了无东西可卖的境地,而在原有的GSM和CDMA市场上,北电也正在遭受其他厂商的抢食。

    失血的成本

    上世纪的网络泡沫成就了很多通信公司的短暂辉煌,而与之相随伴生的则是人力成本的疯长,北电也不例外。

    在1999年,一个刚刚入职北电的北美硕士生就可以拿到6.5万美金的起始年薪,而在1994年的时候,这个数字为3.2万美金。也就是说,5年的时间就涨了一倍多。当时美国所谓的中产阶级家庭,其“家庭”年收入一般在5万~6万美金之间,而这仅相当于北电新员工“一个人”的年收入。

    那一段时期的确是通信人的黄金年代,不过其内里的真实逻辑链条是:股票市场的泡沫化导致通信行业的泡沫化,最后又在从业者工资泡沫化上得以呈现。薪酬待遇上去容易下来难,这也是纳斯达克崩盘后北电们所遇到的共同难题。此时唯一的选择就是裁员。由此我们也看到,2000年以来,北电的裁员一直没有停止,断续延至今日。在北电管理者的心目中,“人是最宝贵的,但也是成本最高的”。

    北电的人力成本不仅体现在普通员工的工资上,其走马灯式的更换高层人员也让它在管理成本上耗费弥多。有在北电工作过的人士谈到,北电每年都要召开销售大会,他本人从2003年开始共参加了三次,而每次见到的CEO面孔都不一样。高层的频繁更替给北电带来的最明显变化就是公司的“口号”也不断改变,但问题是这些口号都没有最终转化为真实的产品。

    北电的研发成本也是居高不下。其UMTS技术产品线的研发就是在成本最贵的欧洲和北美地区进行的。所以说北电出售该产品线,有市场规模效益的因素,也应该有成本控制的考量。

    2003年东窗事发的财务丑闻也让当时刚刚有所起色的北电再次遭受重创。在经历一番劳民伤财的地毯式财务审查后,2006年12月27日,北电和股东达成24.5亿美元的和解协议,其内容包括北电向股东赔偿5.75亿美元现金,并发行约相当于其现有流通股14.5%的股票,按照北电当时股价估值为16.4亿美元。它也是美国证券欺诈集体诉讼历史上最大的和解案之一。

    矛盾的声音

    对一家成熟的跨国公司而言,在对外发表言论时一般都要斟酌再三,同时对自己的产品和市场策略宣讲都会有其完整严密的逻辑。但是在北电那里此类规则似乎并不重要,这在3G和WiMAX问题上表现得尤为突出。

    北电在放弃UMTS产品线的主要业务后,其对外口径是3G技术已经成为“老技术”,3G话题也是“老生常谈”,而“跳过3G”才是正途。不消说这会给3G网络运营商们带来怎样的不快,而在一些正全力推进3G发展的国家那里,想必北电也不会挣到正面的印象分,更为不妥的是:这是一个难以自圆其说的说辞。不要忘了,北电在UMTS上还保留了核心网业务,在cdma2000上也在继续投入,而它们恰恰都是无可置疑的3G业务。

    否定3G的初衷是在于力推WiMAX。在北电那里,WiMAX已经被“升格”为4G技术,而这一点连WiMAX真正的领导者英特尔也没敢说过。因为一个显见的事实是,WiMAX在2007年10月被ITU接纳,但是它的确切身份是“3G标准之一”。

    3G和WiMAX接连折戟之后,北电对所谓4G的态度开始软化。2008年9月,迈克·扎菲罗夫斯基暗示,4G业务“在未来几年可能会有丰厚回报,但也充满风险”。此情形与刚开始时的狂热态度形成了强烈的反差。

    把话说绝,让自己没有一点回旋的余地,这种刚性有余弹性不足的舆论风格给北电带来的绝不仅仅是颜面无光那么简单。

    不彻底的本地化

    中国大陆市场的重要性无需赘言,北电在这里也不可谓不煞费苦心,至少在时间和空间布局上,北电并不比其他厂商差,但是如果评估其效果,未免就要大打折扣。

    纵观北电在中国大陆市场上的发展,一个重要的症结在于它始终没有明白什么才是真正的本地化。正像某业内人士指出的那样,中国大陆市场的本地化不是“中国话化”,也不是“普通话化”,语言交流无障碍并不等于对市场的理解就没有障碍。

    对于跨国公司而言,它们一般尊奉的信条是“有本地人才不一定能够成功,但是没有本地人才就一定不会成功”。看一看此前北电中国区的领导团队构成,就会明白其短板所在,为何会产生无谓的内耗?这一点的确需要北电反思。

    当年北电在中国的3G标准TD-SCDMA上曾有巨大投入,它也是国外厂商中第一个实质性支持TD-SCDMA的厂家,在核心网环节号称占据当时TD-SCDMA试验网的“半壁江山”。这也有赖于当时几位熟知中国市场形势的本地人才的大力推动。但是后来这一努力半途而废,北电方面选择了退出,真可谓功亏一篑。

    此事折射出来的是北电总部对中国大陆市场没有足够的耐心,而这种急躁的心理也直接导致了北电大中国区前任总裁兼CEO毛渝南的离职。由于企盼多年的中国大陆市场3G商用一直没能实施,北电方面决定对大中国区降格以待。此前毛渝南直接向北电全球CEO汇报,降格后改为向亚太区汇报。因此,2006年毛渝南从北电离职,而他在北电就职10年间所积累的市场经验也随之流失。

    北电在中国的布局较早。1995年成立广东北电研发中心,2001年成立北京研发中心。在2008年,按照北电的规划,由北京和广州园区组成的中国实验室将成为北电除渥太华研发中心之外的另一个全业务研发基地,其研发的产品和解决方案几乎涵盖北电所有的产品目录。从成本等角度考虑,北电研发重心向中国偏移无疑有其必要性,但是正如上面所述,执行层面的缺失导致事倍功半。

    在这里还有一个细节颇值得玩味。北电在1995年便踏足广东,而且多年来在当地也有很大的投资,但是北电在广东电信市场上却鲜有斩获,这不能不说是一个奇怪的事情。麻雀身上藏有一切荒谬的根源。果真如是?

VLAN间通信故障排查:单臂路由与dot1q子接口协议栈解析 VLAN间通信是企业网络的基础能力,其核心依赖于三层设备对802.1Q标签的精确处理与ARP协议的跨域协同。理解单臂路由本质,需突破‘加点即多网口’的表象,深入协议栈分层机制——每个dot1q子接口实为独立的虚拟三层端口,拥有专属IP、ARP缓存和直连路由;trunk链路则严格遵循‘入向剥离、出向重写’的标签闭环逻辑。技术价值在于暴露默认静默行为(如ARP未响应、LSA洪泛中断、NAT连接跟踪失效),从而支撑真实排障。典型应用场景包括校园网VLAN隔离互通、中小型企业多业务子网路由及实验教学中的协议栈可观测 阅读详情

相关推荐

博途V17 & PLCSIM & FactoryIO 连接教程

PLCSIM V17 和 FactoryIO 连接教程前言一、软件版本二、连接步骤1. 连接PLCSIM2. 博途编程3.连接FactoryIO总结 前言 该文详细讲解了新手入门博途,并通过使用自带PLCSIM和FactoryIO实现连接。 一、软件版本 TIA Portal V17 S7-PLCSIM V17 Factory IO V2.5.1 二、连接步骤 1. 连接PLCSIM 打开PLCSIM 进入项目模式 新建仿真项目 2. 博途编程 将F

soledad_chao的博客 2万+

手机专利帝国战争:巨头密集诉讼和专利抢购真相

手机专利帝国战争:巨头密集诉讼和专利抢购真相 21世纪经济报道 刘西曼 丘慧慧 深圳、北京报道 2011-08-06 00:30:40  评论(0)条 随时随地看新闻 核心提示:以战争发起者苹果为例,其CEO乔布斯病倒前,已经用专利的部分取代了创新法权。   一旦苹果创新,全世界都会为之震动,但一旦苹果创新的步伐减慢,事情又会怎样? 当苹果COO蒂姆·库克开始接手苹

junecauzhang的专栏 7074

机器学习(ML)在材料领域应用

机器学习作为一种兼顾开发效率以及开发成本的方法,已经逐渐应用于材料发现、结构分析、性质预测、反向设计等多个领域,并且在材料学研究中展现出惊人的潜力。传统的发现新材料的方法,如经验试错法和基于密度泛函理论(DFT)的方法,往往需要较长的研发周期,成本高、效率低,已经不能很好的适应如今需求量激增的材料学领域 ...

W5632DE的博客 3717

缅北电诈覆灭,幻想暴富时代已死

有制造基础的从工艺和供应链切入,有农业资源的做种业和农机,有科研优势的做验证和产业化服务。急着补齐所有赛道,只会分散资源。把这些放在一起,你会发现文件没有给谁发红包。它只是把规则改了:从奖励动作多的人,改成奖励产出高的人。

tangjiawen10179的博客 40

LTspice基础教程-028.Timestep too small

Q: “Timestep too small” error message A: If the LTspice program can’t find a solution for the guessed time step, then the program decreases the time step and tries again. This can’t work forever. If...

gaoyong_wang的博客 2万+

STM32H745xI双核芯片SMPS/LDO配置误区:从复位失败到精准排查的实战复盘

本文详细分析了STM32H745xI双核芯片在SMPS/LDO配置中的常见误区,特别是复位失败问题的排查过程。通过对比参考板与故障板的波形数据,揭示了电感选型不当导致的电源稳定性问题,并提供了硬件设计检查清单和调试技巧,帮助开发者避免类似陷阱。

weixin_42531588的博客 265

乖乖女也有叛逆时 黄圣依高考志愿“骗“过妈妈的真相

这让我想起每个普通人都经历过的选择时刻——填报志愿时和父母的拉锯战,选择工作时与现实的博弈,那些看似"不听话"的决定,何尝不是对生命主权的宣告?原来每个"乖孩子"的成长路上,都藏着这样隐秘而伟大的"叛逆"。在2001年的上海弄堂里,背着书包的黄圣依看起来完全符合"别人家孩子"的标准。这个看似乖巧的江南姑娘,用一纸志愿书撕开了人生的另一种可能。那些藏在琴谱下的电影杂志,那些假装补课时偷看的表演录像,都在志愿填报日化作了破釜沉舟的勇气。"这个总以"豪门儿媳"形象示人的女明星,原来也有过这样"胆大包天"的时刻。

zqd15140541735的博客 613

uniapp - Invalid value “iife” for option “output.format” - UMD and IIFE output formats are not suppo

Invalid value “iife” for option “output.format” - UMD and IIFE output formats are not supported for code-splitting builds. uniapp 编译报错,vite vue3 Hbuilder 中编译报错,uniapp 打包 App 报错(vue3)hbuilder提示错误,uniapp运行到手机/模拟器 App 报错(vue3)uniapp项目启动报错,如何解决这个问题,安卓app,苹果app

🏆 前端领域优质创作者 3966

AI博主圈大洗牌:中戏北电学生进场后,我们这些“工具人“被降维打击了

上个月,抖音"AI创作大赛"结果出炉,整个AI博主圈集体沉默了。 金奖被一个叫"光影实验室"的账号拿走——团队核心成员是某一线电影公司的前灯光指导,有15年影视行业经验。 银奖两个名额,一个是中戏导演系毕业的独立短片导演,一个是北电摄影系出来的广告摄影师。 铜奖里终于看到了我们熟悉的"工具流"博主的名字,但作品和金银奖放在一起,差距一目了然——不是技术不行,是**质感完全不在一个维度**。

找方案 188

斑鬣狗优化算法(SHO)详解:从生物原理到代码实战

斑鬣狗优化算法(SHO)是一种新型元启发式优化算法,灵感来源于斑鬣狗的群体狩猎行为。该算法通过模拟斑鬣狗的包围猎物、协同狩猎和攻击猎物等生物行为,将优化问题转化为智能搜索过程。SHO算法包含探索与开发两个阶段,通过数学模型实现群体协作和自适应平衡,具有参数简单、收敛快等优势。文章系统介绍了SHO的生物基础、数学模型、实现方法(包括MATLAB和Python代码)、改进策略以及在函数优化、路径规划等领域的应用案例,最后讨论了算法的优势、局限性和未来研究方向。

qq_42212808的博客 237

贝叶斯网络 (Bayesian Networks) 原理与代码实例讲解

贝叶斯网络 (Bayesian Networks) 原理与代码实例讲解 1. 背景介绍 1.1 什么是贝叶斯网络? 贝叶斯网络(Bayesian Networks)是一种基于概率论的图形模型,用于表示随机

AI天才研究院 1334

可信数据空间真的“可信”?真相没那么简单

今年6月,湖南大数据交易所与行业龙头企业共同建设的“医疗健康数据专区”正式上线,依托湖南生物医药、基因技术、数字健康等领域的产业基础,覆盖全省的优质医疗资源网络,打造了一个以多源异构数据融合为特色、以解决实际产业痛点为核心的新型数据交易枢纽。负责提供流通交易服务的主体多为各大数据集团、数据交易所,一般为当地政府主导建设的国资企业,在拥有官方背书的前提下,可以更好地联络交易环节上的各个主体,从而促成可信数据空间的建设。要实现“全链条、无漏洞”的监管,仍需要跨部门的协作、标准的统一、评估机制的常态化;

数据猿 978

39、信号流图:解决线性代数方程组的图论方法

本文介绍了信号流图理论在求解线性代数方程组中的应用,重点阐述了Coates方法和Mason方法的原理、步骤及对比分析。通过图论视角,将矩阵运算转化为对有向图结构的分析,利用1-因子、1-阶连接、前向路径和反馈回路等概念,推导出方程组解的拓扑公式。文章结合具体实例演示两种方法的计算过程,并总结其在电路分析、控制系统和通信系统等领域的拓展应用,展示了信号流图理论的直观性与有效性。

pear55的博客 88

传播学

最近幼儿园的几起案件令人发指,值得关注。但是我一直都没发言,原因是,我还看不清楚这个事情的原委是什么。但是我感觉到,许多同学已经开始激烈讨论了。我说句话,新闻传播学同学必须要认识到一点,那就是冷静应对,就事论事,作为潜在从业者,要去。不要盲目的扩大背景,不要臆想,不要失焦。对于信源,要认识到单方面信源不一定有可信度,还有就是,单一的文字不是实锤。如果有情绪,有诉求,应该尽可能明确,而不是...

177

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

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")

不得不佩服老任:虚实华为3Com 揭开“华为式合作”的部分真相

无论如何,华为在这件事情当中所表现出来的智慧,以及竞购这种对国内企业来说非常新鲜的资本运作方式,都是值得关注的。  对华3的发展,任正非顺势而为,但无论如何他手里一定要有一张牌:把握华3的主控权。  11月15日,3Com启动了竞购华为3Com(业内俗称“华3”)的程序,接下来,华为回应,参与竞购。   华3何以走到今日竞购的局面?华3诞生就是为了此刻的买与卖?三年的合作难道是虚与委蛇

我的"什么是?" -eRicSone 2321

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。

985教授全观点汇总_高考志愿填报完全指南

来源:985海归教授公开分享内容整理、各高校就业质量报告、央企校招公示数据整理:信息二次加工者,非教授本人。本文所有观点标注"教授"的为教授公开分享,其余为整理者的归纳。院校录用数据来自公开可查的就业报告。

2611_96360027的博客 371

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

自恋型父母儿女的心路历程是什么样的?

包括丈夫、丈夫家人、自己娘家人、社会上买卖交换认识的人、就连孩子的同学家长、孩子的同学、也全都是血包、但凡认识npd的人,早就被npd筛选过,留下的全是能吸血的。殊不知,npd母亲,已经变成npd几十年了,在外面建立的关系都是吸血关系,怎么可能为了一个小孩,放弃几十年的积累。npd的孩子从小就得不到周围大人的帮助,就算偶尔得到了,npd母亲也会害怕孩子失去控制,赶紧挑拨离间孩子和长辈的关系,总之,npd母亲会毁灭孩子的外部人际关系。npd的孩子,必须面对残忍的真相,努力修正自己的内心,才有可能真正活过来。

luoganttcc的博客 1428

无理取闹

我原本以为,我们只不过发现了一只畜牲,一只禽兽,然后,大家积极搜查证据,将其绳之以法,就行了。但是,我错了。不是一只!是一群畜牲!是一群禽兽!一大群!它们相互勾结,它们相互保护,一起吃人!这才刚刚开始呢!你看它们张开大嘴向我们来了!来了!!我们想呐喊我们想呼救我们想大喊:“有畜牲,有禽兽!”但是,它们不让我们喊!它们让我们保持沉默!它们想安安静静地吃人!自我反思: 最近关注了一下武汉理工大学事件,...

伟大是熬出来的 373

未来10年,这几个专业将迎来“蓬勃发展”:1、网安专业成为新风口;2、人工智能与数据科学迎合时代;3、新能源科学持续吃香!

你是不是还在为选专业发愁 翻遍了各种报考指南 看得头都大了 但还是不知道该选啥?别说你了 连我见过的很多家长都陷入了一个误区:总觉得“热门专业”就等于好就业 “冷门专业”就是坑。但真相是 很多看起来“普通”的专业 其实正在悄悄变成就业市场的“香饽饽”!刚刚出炉的DeepSeek预测报告和两会政策信号告诉我们:未来10年 有3个专业将迎来“蓬勃发展” 而且薪资高得让人眼红。提前布局的同学 毕业就是人生赢家了。

bdfcfff77fa的博客 965

华为:为什么美国更需要华为 而不是华为更需要美国

钛媒体注:近日,美国知名科技博客GigaOM突然发表了一篇文章《为什么美国更需要华为,而不是华为更需要美国》,文章罕见地将天平倒向了华为一方,这一美国媒体认为,如今,有能力建设一个相当好的移动网络的企业已经为数不多,而美国对华为的禁入政策,严重扭曲了本已倾斜的行业平衡。 “我可能是第一个站出来承认的——我没资格去判断和评论华为在美国境内运行是否涉及国家安全问题(尽管我的同事Stacey Hi

jessonlv--吕国栋 2088

AI治理联合体扩容,数据滥用判赔3亿:技术发展的双轨挑战

7月2日,2025全球数字经济大会上传出消息:业内首个AI善治联合体“人本智能发展与治理倡议”宣布扩容,百度、MiniMax、西门子(中国)等一批科技企业加入,涵盖大模型、具身智能、算力基础设施及医疗养老等关键领域。该倡议的实践路径也日渐清晰——通过集结技术研发方与应用方,在医疗、养老等高风险敏感领域先行建立治理范式,为AI技术部署提供可操作的合规框架。赔偿背后实质是对“数据所有权”归属的司法确认——当用户为数据流量付费,数据产生的价值就不应被企业无偿独占。,覆盖技术研发、应用落地与伦理治理全链条。

WL_ZHG的博客 420

尹文萱《冬城猎凶》杀青首演刑警 新生代解锁硬核悬疑新面孔

在热播综艺《无限研习社》中,她以直爽可爱的性格与柯淳、颜安等嘉宾的趣味互动圈粉无数,从综艺里灵动可爱的少女,到如今塑造的眼神如刃的新人刑警形象,尹文萱正以扎实的科班功底与不懈努力,在剧中中勾勒出新生代演员的独特轮廓。未来,这位兼具英气骨相与共情天赋的00后小花,或将带来更多惊喜。由新生代00后演员尹文萱主演的悬疑刑侦剧《冬城猎凶》近日官宣杀青,该剧由翁子光监制、徐忱执导,由王阳、万茜、余文乐领衔主演,以双时空交叠的高能叙事,串联起一宗横跨13年的银行劫案与儿童拐卖迷局。

2401_86584021的博客 1081

流程合规率98%、营收创新高,为何企业现金流越做越差?——拆解数字化时代的三大“数字幻象“与流程智能治理之道

《流程智能》一书揭示了数字化时代企业面临的"数字幻象"现象:系统数据看似合规(如98%流程合规率),但实际业务却陷入虚假繁荣(如现金流恶化)。书中通过虚构案例"凡得能源集团",拆解了三大幻象:1)效率幻象——系统仅优化速度指标,忽视业务空转;2)关系幻象——传统数据库无法识别闭环交易链;3)合规幻象——形式合规掩盖业务造假。其根源在于考核导向偏差与"两金"资金占用问题。作者提出治理四步法:重构T-B-H(技术-商业-人性)认知框架、采用OCPM流程挖掘与本体技术实现业务穿透、建立AI Agent

一键难忘的博客 3万+

求职--并未结束的结束篇

      自国庆后开始准备求职到现在,已经将近一个多月了,除去第一个不算面试的面试(索贝数码),自广东北电开始到中间的重邮信科,浪潮集团等然后是昨天晚上西门子笔试的结束,基本可以看出我找工作的轨迹以及心态的变化,而现在--决定就此结束,转而潜心准备毕业设计了~~      在提交本篇结束篇前,我不得不很遗憾的对我梦想的华为说再见了,曾经那么热衷的想进华为,然而确被无情的拒绝,是啊,华为,真的

SuperXu_swjtu's Blog 1452

Datawhale数据分析教程来了!

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习,不错过Datawhale开源贡献者:陈安东、金娟娟、杨佳达、老表开源初心当我入门数据分析时,用...

Datawhale 1252
上一篇: 忍不住激动一下
下一篇: 帐篷大会的寒酸装备
coffick
博客等级 码龄22年 2粉丝 15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