曾遭作者“删库”的faker.js,现被社区接手;Apache Ambari 项目被弃用;FFmpeg 5.0 发布 | 开源日报

咕umble:咕umble是一款开源,低延迟,高质量的语音聊天软件 Mumble-开源语音聊天软件 Mumble是一个基于Qt和Opus编写的开源,低延迟和高质量的语音聊天程序。 Mumble中有两个模块; 客户端(喃喃自语)和服务器(杂音)。 客户端可以在Windows,Linux,FreeBSD和macOS上运行,而服务器可以在可以安装Qt的任何设备上运行。 请注意,“ Windows”是指7及更高版本。 Vista可能受支持,但我们不能保证。 如果您不想遇到潜在的问题,则可以下载Mumble 1.3.x,这是提供XP支持的最新版本。 该项目的文档可在上找到。 也可以在此处找到。 贡献 我们始终欢迎您对该项目做出贡献。 如果您有想要贡献的代码,请继续创建PR。 这样做时,请尝试确保您遵循我们的。 建造 有关如何构建Mumble的信息,请查看。 报告问题 如果您要报告错误或创建功能请求,则可以在打开一个新问题(检查完所有问题之后)。 视窗 跑步含糊 安装后,您应该在“开始”菜单中有一个新的Mumble文件夹,从中可以启动Mumble。 跑步杂音 双击“杂音”图标开始杂音。 任务栏上将有一个小图标,您可以从中查看日志。 要设置超级用户密码,请 立即下载

整理 | 宋彤彤
责编 | 屠敏

开源吞噬世界的趋势下,借助开源软件,基于开源协议,任何人都可以得到项目的源代码,加以学习、修改,甚至是重新分发。关注「开源日报」,一文速览国内外的开源大事件吧!

一分钟速览新闻点!

开源大新闻

  • Log4j 漏洞后续:Google 和 IBM 提议建立关键开源项目清单
  • Firefox 无法上网系程序员搞错大小写
  • 惨遭作者“删库”的 faker.js,现已被社区接手
  • Chromium 上默认的搜索引擎将无法移除
  • 因无人参与开发,Apache Ambari 项目即被搁置

开源软件专区

  • FFmpeg 5.0 发布,引入 Vulkan 驱动的新滤镜
  • Wine 7.0-rc6 发布,新修复 47 个错误
  • 开源语音聊天工具 Mumble 1.4 发布

开源工具推荐

  • ShareX:开源 Windows 截图软件

开源大新闻

Log4j 漏洞后续:Google 和 IBM 提议建立关键开源项目清单

因开源项目 Log4j 出现漏洞事件的影响,美国白宫于不久之前召开了一场关于开源安全问题的会议。其中,Google 和 Alphabet 的全球事务总裁 Kent Walker 在会议上提出建议,即建立一个关键开源项目清单,以优先考虑和分配资源。随即,IBM 也表示支持,希望敦促科技组织联合起来,确定关键的开源项目。据悉,此次与会者还包括Apache、苹果、亚马逊、微软、Meta、Linux 和 Oracle 等组织的官员,以及国防部和网络安全与基础设施安全局(CISA)等政府机构。

Firefox 无法上网系程序员搞错大小写

近日,因 Firefox 火狐浏览器的升级导致更新版本无法连接上网。起初许多网友将其怪罪于 Win 系统,甚至从 DNS 以及云服务商中找原因。而后在一系列排查后发现,该问题跟 Firefox 的 HTTP3 有关,禁用后即可上网。究其根源才知道,程序员将其代码大小写弄错导致该问题。

在这里插入图片描述

图片来源:优快云 下载自东方 IC

据官方介绍,在解析 HTTP 标头时,Firefox 会用一个函数结束,该函数通常只处理大写的字段。小写的字母无法计算标头长度,从而导致 FireForx 代码陷入无限循环中。找到问题之后,修复错误的过程便已解决。同时未来这个代码不会再区分大小写。

惨遭作者“删库”的 faker.js,现已被社区接手

此前 Faker 项目由 Marak Squires 维护,而他在 1 月 4 日恶意对其进行破坏,因此该项目被抛弃。而现在,社区将为这个项目赋予新的生命。目前有由八名维护人员组建的团队将维护该项目,同时在 npm 上发布了所有以前版本的 Faker,发布了第 6 版 Alpha,创建了一个公共 Twitter 帐户,用于与社区进行交流等。

图片: https://uploader.shimo.im/f/9BXHgk2zazSikLdk.png!thumbnail?accessToken=eyJhbGciOiJIUzI1NiIsImtpZCI6ImRlZmF1bHQiLCJ0eXAiOiJKV1QifQ.eyJhdWQiOiJhY2Nlc3NfcmVzb3VyY2UiLCJleHAiOjE2NDIzOTc5NjIsImciOiJid3ZFVjYwYlNoUTZJY0xvIiwiaWF0IjoxNjQyMzk3NjYyLCJ1c2VySWQiOjc0MjE1Mzg0fQ.z7jKFLRJyaC42dvDmO5b1zpdzs14bph5_Kx0KLHXN50

维护人员名单

具体详情见:https://fakerjs.dev/update.html#is-this-the-official-library

Chromium 上默认的搜索引擎将无法移除

随着 Chrome 97 的发布,Chromium 团队的工程师已经取消了删除浏览器中默认搜索引擎的选项。此更改会影响所有基于 Chromium 的浏览器。这一变化由谷歌员工 Justin Donnolley 提交,他指出用户只需单击 2 次即可删除预填充的搜索引擎(例如 Google、Bing、Baidu)。但有用户抱怨无法删除 Chrome 中设置的搜索引擎,而后 Donnolley 承诺将在未来的 Chromium 版本中改进。

因无人参与开发,Apache Ambari 项目即被搁置

1 月 10 日,Cloudera 的工程师、Apache Ambari PMC 主席 Jayush Luniya 给 Ambari 社区发送了一封邮件,发起了“将 Apache Ambari 移至 Attic”的投票。在过去的两年里,Ambari 只发布了一个版本(2.7.6),大多数提交者(Committer)和 PMC 成员都没有积极参与到这个项目中来。

图片: https://uploader.shimo.im/f/WMbAD1YmiruSFAJl.png!thumbnail?accessToken=eyJhbGciOiJIUzI1NiIsImtpZCI6ImRlZmF1bHQiLCJ0eXAiOiJKV1QifQ.eyJhdWQiOiJhY2Nlc3NfcmVzb3VyY2UiLCJleHAiOjE2NDIzOTc5NjIsImciOiJid3ZFVjYwYlNoUTZJY0xvIiwiaWF0IjoxNjQyMzk3NjYyLCJ1c2VySWQiOjc0MjE1Mzg0fQ.z7jKFLRJyaC42dvDmO5b1zpdzs14bph5_Kx0KLHXN50

将 Apache Ambari 移至 Attic 的投票

截止到投票结束,一共有四位 Apache Ambari PMC 以及一位其他成员同意这个提议。因此,Apache Ambari 项目将移至 Attic ,即将被搁置。据悉 Apache Attic 是 Apache 软件基金会的一个项目,它提供流程以明确 Apache 项目何时达到其生命周期。

开源软件专区

FFmpeg 5.0 发布,引入 Vulkan 驱动的新滤镜

1 月 14 日,FFmpeg 5.0 发布。距离 FFmpeg 上一个 4.4 版本已过去九个月,FFmpeg 5.0 引入了许多亮点和改进:引入 Vulkan 驱动的视频水平/垂直翻转新滤镜;Apple Graphics SMC 编码器;Speex 解码器;LoongArch CPU 架构支持以及其他等。

具体详情见:https://github.com/FFmpeg/FFmpeg/blob/ce4d459db186a7d8ac842685cd6256c9ac1b7f25/Changelog

Wine 7.0-rc6 发布,新修复 47 个错误

Wine 7.0-rc6 现在可用,又修复了 47 个错误。 此次修复包括:《星球大战第一集》、《圣徒之路:第三集》等游戏;MinGW 的 GDB 调试器;Homesite+、Logos 8 Bible Software、微信、PuTTY 等其他应用程序有所改进。同时 Wine 7.0.0 稳定版可能会在未来一两周内发布。

具体详情见:https://www.winehq.org/announce/7.0-rc6

开源语音聊天工具 Mumble 1.4 发布

广受游戏玩家和开源爱好者欢迎的开源 VolP / 语言聊天程序 Mumble 1.4 发布,距离上一个 Mumble 1.3 版本发布已过去两年。目前 Mumble 1.4 已稳定,并带有一个新的插件框架,用于拓展这个高质量的语音聊天软件。Mumble 1.4 的改进还包括:功能齐全的搜索对话框;频道侦听器;立体声音频流支持;支持文本消息中的 Markdown 等其他改进等。

具体详情见:https://www.mumble.info/blog/mumble-1.4.230/

开源工具推荐

ShareX:开源 Windows 截图软件

在平时工作和学习中,截图功能必不可少。系统自带的截图功能不及QQ、微信等带的截图功能,但同时使用应用程序自带的功能还需登录,过程繁琐又复杂。而今日份的工具推荐,小编分享的就是一款开源截图软件,让大家免除繁琐!

ShareX 是一款注重分享的截图工具,截图后除了可以自动保存到本地外,还支持自动上传到 Imgur、Tinypic、Flickr、Cheverto 等网站。上传后,你还可以设置打开网站、复制网址等操作,自动化你的截图和分享工作流程。

同时 ShareX 的截图功能也非常齐全,如全屏截图、矩形截图、窗口截图、网页录制,甚至还包含了 OCR 文字识别功能等。

还等什么,赶紧来试试吧!

图片: https://uploader.shimo.im/f/WBqUr5AhfAy1f4eq.png!thumbnail?accessToken=eyJhbGciOiJIUzI1NiIsImtpZCI6ImRlZmF1bHQiLCJ0eXAiOiJKV1QifQ.eyJhdWQiOiJhY2Nlc3NfcmVzb3VyY2UiLCJleHAiOjE2NDIzOTc5NjIsImciOiJid3ZFVjYwYlNoUTZJY0xvIiwiaWF0IjoxNjQyMzk3NjYyLCJ1c2VySWQiOjc0MjE1Mzg0fQ.z7jKFLRJyaC42dvDmO5b1zpdzs14bph5_Kx0KLHXN50
具体详情见:https://getsharex.com/

【欢迎投稿】源码面前,了无秘密。大家还有哪些推荐的开源工具或者开源软件,亦或是想了解的开源资讯,可以投稿至邮箱:tumin@youkuaiyun.com。开源世界的一切,由你我共同创造!


《新程序员003》正式上市,50 余位技术专家共同创作,云原生和数字化的开发者们的一本技术精选图书。内容既有发展趋势及方法论结构,华为、阿里、字节跳动、网易、快手、微软、亚马逊、英特尔、西门子、施耐德等 30 多家知名公司云原生和数字化一手实战经验!

订阅地址:https://mall.youkuaiyun.com/item/92470?utm_source=csdn_news_group

FreeCommunication(期翼嘻嘻)开源语音聊天软件 FreeCommunication (嘻嘻)可以让您迅速搭建自己的通讯运营平台。   软件中文名称:嘻嘻, 英文名称:FreeCommunication体积小,功能多,易部署,性能高,操作易的一款免费软件,它分为客户端和服务器端。采用 C/S, B/S 的模式提供服务。客户端支持灵活配置,包括皮肤,多语言,支持插件,自身又是控件,可以二次开发;后台数据库接口对外开放,很好和您的平台进行业务对接;整个系统非常方便业务扩充,灵活的使用方式,可以和您的系统无缝结合。非常适合企业应用,行业应用以及基础平台的组建等需求的应用。我们的口号是:让用户打造自己的综合运营平台。 在这个高速发展分工越来越细致的当今,期待我们能共同握手,为您的腾飞插上双翼! 立即下载

相关推荐

开源的网络实时语音视频框架rtc.zip

基于 Google 开源的 WebRTC 的音频和视频核心引擎(也即原来的 GIPS, Global IP Sound)开发的开源语音和视频框架, 包含服务器和客户端两部分, 可用于开发类似YY, QTalk等软件.

开源语音聊天软件Mumble

Mumble 是一款开源、低延迟、高质量的语音聊天软件。

wbsu2004的博客 1万+

ffmpeg滤镜—过滤器-视频特效

系统介绍了ffmpeg滤镜的使用,让您对滤镜有一个全面的认识。是ffmpeg滤镜的一个非常全面的总结。 推出本课程的目的: 1.网络上对ffmpeg滤镜的介绍很零散,不够全面。2.很多例子很复杂,我们这里进行了简化,尽可能的简单。3.课程中采用了面向对象的思想,将各部分尽可能的独立成文件,提供了这样一个例子,对大家以后的编程有一个很好的借鉴。

零基础入门:基于开源WebRTC,从0到1实现实时音视频聊天功能

▲ 图片引用自《了不起的WebRTC:生态日趋完善,或将实时音视频技术白菜化》WebRTC(Web Real-Time Communication)是 Google 在 2010 年以 6820 万美元收购 VoIP 软件开发商 Global IP Solutions 的 GIPS 引擎,并改名为“WebRTC”于 2011 年将其开源的旨在建立一个互联网浏览器之间的音视频和数据实时通信的平台。更多WebRTC介绍详见《了不起的WebRTC:生态日趋完善,或将实时音视频技术白菜化》,本文不做赘述。

irainsa的博客 1208

实现一个简单的语音聊天室(源码)

(1)将服务端部署在一台机器上,启动服务端。 (2)修改客户端配置文件中的ServerIP为刚才服务器的IP。 (3)在多台机器上运行客户端,以不同的帐号登录到同一个房间(如默认的R1000)。 (4)如此,多个用户就处于同一个聊天室进行语音聊天了

Mumble是一款开源,低延迟,高质量的语音聊天软件-C/C++开发

Mumble-适用于游戏玩家的语音聊天实用程序http://mumble.info/ #node on freenode Mumble是一款基于Qt和Opus编写的针对游戏玩家的语音聊天程序。 Mumble中有两个模块; 客户端(mumble)和t Mumble-游戏玩家的语音聊天实用程序Mumble是针对游戏玩家的语音聊天程序,编写在Qt和Opus之上。 Mumble中有两个模块; 客户端(喃喃自语)和服务器(杂音)。 客户端可以在Win32 / 64,Linux和Mac OS X上运行,而服务器应该可以在Qt可以安装的任何版本上运行。 请注意,当我们说Win32时,我们指的是Windows XP或更高版本。 在Windows上运行Mumble,在安装后,您应该在“开始”菜单中有一个新的Mumble文件夹,您可以从中新建一个Mumble文件夹。

开源项目 VoiceChat 使用教程

VoiceChat 是一个开源的语音聊天项目,旨在提供一个简单易用的语音通信解决方案。该项目基于 WebRTC 技术,支持实时语音通信,适用于多种应用场景,如在线教育、远程会议等。 ## 项目快速启动 ### 环境准备 - Node.js (版本 >= 12.0.0) - npm (版本 >= 6.0.0) ### 安装步骤 1. 克隆项目仓库 ```bash git c...

gitblog_00918的博客 780

数据库和BI工程师面试题

 一.数据库 1.Oracle数据库,视图与表的区别?普通视图与物化视图的区别?物化视图的作用? 2.Oracle数据库,有哪几类索引,分别有什么特点? 3.Union与Union All的区别? 4.对游标的理解?游标的分类?使用方法? 5.如何查找和删除表中的重复数据?给出方法或SQL。 6.不借助第三方工具,怎么查看SQL的执行计划? 7.创建索引有哪些需要注意的要点?

web_go_run的专栏 1万+

【亲测免费】 推荐开源项目:AI语音聊天——与未来对话的便捷之选

推荐开源项目:AI语音聊天——与未来对话的便捷之选 在数字化时代的大潮中,人机交互的方式正在以前所未有的速度进化。今天,我们要向您隆重推荐一个令人兴奋的开源项目 —— AI Voice Chat,它将引领您步入更加流畅自然的智能语音交互新纪元。 项目介绍 AI Voice Chat是一个基于React构建的简易应用,实现了通过语音与AI助手实时互动的梦想。该项目巧妙地集成了前沿技术,包括用于语音...

gitblog_00042的博客 1309

gsplat在windows本地部署

3DGS的cuda提效和优化内存的版本gsplat,使得在有一定GPU计算能力的电脑上也能够尝尝3DGS的效果。我在2025年的开年之初尝试配置过gsplat,由于过程中遇到很多问题,最终还是有一些windows上字符编码的问题,没有跑通,最近看gsplat的github更新了3DGUT,优化了反射和二次折射,以及适用于非线性相机模型,如鱼眼相机等。在data目录下下载好了360_v2的数据,进入之后images文件夹是原始分辨率的图像,images_2是下采样系数为2的数据,以此类推。

yuleaf_csdn的博客 2372

Qwen-Image LoRA训练实战:从数据准备到异常修复的全流程解析

本文详细解析了Qwen-Image LoRA训练的全流程,从数据准备到参数优化再到异常修复。通过实战案例展示了如何利用LoRA技术微调Qwen-Image模型,提升中文场景下的图像生成质量,特别针对手脚生成异常等问题提供了有效解决方案。文章还分享了中文提示词优化技巧和高级训练方法,帮助开发者高效训练出高质量的LoRA模型。

lemon的博客 970

阶跃星辰开源集语音理解与生成控制一体化模型——Step-Audio

Step-Audio 是业界首个集语音理解与生成控制一体化的产品级开源实时语音对话系统,支持多语言对话(如 中文,英文,日语),语音情感(如 开心,悲伤),方言(如 粤语,四川话),可控制语速及韵律风格,支持RAP和哼唱等。1300亿多模态模型: 单模型能实现理解生成一体化完成语音识别、语义理解、对话、语音克隆、语音生成等功能,开源千亿参数多模态模型 Step-Audio-Chat。高效数据生成链路。

weixin_41446370的博客 2767

Open3D:Win10 + VS2017配置Open3D(C++、python)

一、下载源码 地址:https://github.com/intel-isl/Open3D 1.1 克隆源码【笔者的源码路径为D:\Open3D\Open3D】 1.2 切换版本【笔者的版本为0.8.0】 1.3 更新子模块【用于获取第三方库!很重要!】 二、CMake编译 2.1 设置路径 【source code: D:\Open3D\Open3D;build binaries: D:\Open3D】 【笔者设置CMAKE/CMAKE_INSTALL_PREFIX的路径为D:/Open.

累了就要打游戏 1万+

分享聊天系统【开源】,你也可以做个微信!

去年的时候,有个小伙伴找我开发了一个IM聊天系统。今天给大家看下写的一个小的聊天系统,和推荐两款不错的开源的IM聊天系统。1,基于Java的即时聊天系统:这个系统是在前面搞的了。如果再搞搞界面也是非常Nice的。基本上所有主流的功能都有了。发聊天、表情包、语音、视频之类的,语音和视频的好像还没有进行开发也可以在线新建群:建完群之后,可以随便在群里发信息:还可以在线修改下个人的信息:如果想开发聊天系...

欢迎关注公众号:【码农突围】,回复9999,可以获取一份LeetCode刷题笔记 2827

Isaac Lab 强化学习全身控制策略 Sim2Real 宇树人形机器人训练部署 HOVER

《IsaacLab策略训练与部署指南》提供了在仿真和真实机器人上实现HOVER全身控制策略的完整流程。主要内容包括:1) Linux环境下的IsaacLab安装与HOVER资源库配置;2) 使用1024个并行环境训练教师/学生策略的详细步骤;3) 策略测试与评估方法;4) Sim2Sim仿真验证和Sim2Real真实机器人部署方案。本教程特别针对Unitree H1仿人机器人,包含运动数据准备、策略训练、性能评估到硬件部署的全链条实现方案,为机器人控制策略开发提供标准化参考框架。

机器人控制与仿真应用 3073

14、网络切片技术:原理、应用与挑战

本文详细探讨了网络切片技术的原理、应用场景及其在5G网络中的重要性。网络切片作为一种关键的网络架构技术,能够在同一物理网络上创建多个独立的逻辑网络,以满足不同应用对安全性、可靠性和性能的多样化需求。文章深入分析了网络切片在5G、SDN/NFV等技术背景下的发展与挑战,并探讨了其在制造业、交通运输、零售等多个行业的实际应用。此外,还介绍了网络切片的部署流程、未来发展趋势以及相关技术难点,为读者全面了解网络切片技术提供了有价值的参考。

palm99的专栏 257

远程语音 开源_通过开源语音聊天简化远程会议

远程语音 开源 对于科幻小说迷来说,视频聊天似乎已经是很长一段时间了,但是现在可以肯定地说,视频通话确实是一种远程通信的好方法。 正如《 星际迷航》和不计其数的菲利普·迪克(Philip K. Dick)小说中所宣传的那样,人脸传达了很多人的声音无法传达的信息。 通过视频通话可以建立人与人之间的联系,而文字聊天甚至语音聊天都不会发生这种情况。 这是现代技术的胜利。 但是,视频的成本是它比语音...

cumj63710的博客 2838

90. 将 SAP ABAP 内表内容本地导出成 Excel 文件

这里文件扩展名为 csv,全称是 Comma-Separated Values,意思是这种类型的文件内容,由逗号分隔。除了 ASC 之外,另一个可用的选项是 BIN,适用于 PDF,EXE 等二进制文件的导出。支持海量的输入和输出参数,我们这个简单的本地导出场景里,大部分参数都用不上。这个分隔符的添加逻辑,编写在上图红色高亮矩形框内,使用的语法是。本教程有学习者向我提问,询问如何将 ABAP 某某函数的某某输出参数的值,导出成本地 Excel 文件。把这个内表的内容,下载到本地,以本地文件的方式保存。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1745

【亲测免费】 开源项目最佳实践教程:语音聊天AI

开源项目最佳实践教程:语音聊天AI 1、项目介绍 本项目是基于Python的开源语音聊天AI,它使用了先进的自然语言处理技术,可以与用户进行实时语音交流。项目来源于GitHub上的voice-chat-ai仓库,通过不断地更新和维护,为开发者提供了一个强大的交流平台。 2、项目快速启动 环境准备 在开始之前,请确保您的系统中已安装以下依赖: Python 3.x pip(Python包管理器) ...

gitblog_00023的博客 926

MATLAB - 使用 RRT 进行挖掘机运动规划

本例演示了如何使用运动规划器在包含障碍物的环境中为挖掘机规划路径。在此示例中,您将以运动树的简化形式为挖掘机建模,然后使用基于采样的运动规划器确定挖掘机在存在障碍物的两个姿势之间的可行路径。在 Simscape™ 多体™ 模型中模拟结果。

机器人控制与仿真应用 1852

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。

linux 运行开源音视频livekit,实现html视频语音聊天。

我这里是单独用7443这个端口作为证书的端口,因为其他地方已经用了443端口了,你也可以使用443,这样访问的时候就不需要单独加上端口。这里的html需要修改wsURL的地址,也就是把ws://8.218.***.**:7880这个替换成你liveKit的IP,然后把html里面的wsURL替换成“wss://gscs.****.fun:7443”,即可访问摄像头和语音聊天。如果使用的是ws+ip访问的,只能测试能不能链接成功,不能使用使用视频或者语音。然后就是keys:这个是创建token需要的,

w981912536的博客 8588

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

基于网络视频聊天语音通话的开源框架

 基于网络视频聊天语音通话 比较齐全的sip voip介绍 (各种协议,开源服务器) http://www.voip-info.org/ http://www.voip-info.org/wiki/view/Open+Source+VOIP+Software 手机 Sipdroid uses MjSip, Csipsimple uses PjSip PJNATH imsdro

lindao0的专栏 1万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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")

推荐2个开源聊天服务器

本文的原文连接是: http://blog.csdn.net/freewebsys/article/details/51820075 未经博主允许不得转载。 博主地址是:http://blog.csdn.net/freewebsys 1,关于移动互联网 快速开发移动互联网应用,参考开源版本,快速进行搭建。 这样非常...

weixin_34396103的博客 3097
上一篇: 谷歌牵头呼吁保护开源项目;Firefox 更新后服务器出现 Bug;Rust 1.58.0 发布 | 开源日报
下一篇: 恶意软件通杀 Win、macOS、Linux 三大系统;唱片巨头起诉 Youtube-dl 的托管服务商;2022 年不是 Linux 桌面元年 | 开源日报
开源头条
博客等级 码龄13年 1476粉丝 226原创
评论 4
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