每周推荐阅读第一季结束

2012年8月27日,我发出了第一篇《每周推荐阅读》,到明天为止就是整整一年了。我做了些数据统计,2012年的16篇《每周推荐阅读》中一共推荐了59篇文章,而在2013年的30篇《每周推荐阅读》中一共推荐了138篇文章,即一年里一共推荐了197篇内容(里面还有几个是大会PPT,数量众多),姑且就当是一天一篇吧。

所有这些内容我基本都是在读过之后才做的推荐,而且为了推荐一篇文章,读上几篇以便挑选那是必须的,所以我也要感谢《每周推荐阅读》对我自己的鞭策。值此第一季结束之际,我汇总了所有的推荐内容,也算是一个总结了:

至于会不会有第二季,有的话是什么时候,我暂时也不确定,也许会换一个形式吧。最后,让我们感谢一下为我们奉献了这么多精彩内容的原文作者们吧! 


每周推荐阅读 2013-07-01

Yahoo前端的14条军规非常有名,于是乎后来诞生了各种各样不同领域的军规,今天就要来推荐一篇运维相关的军规——《运维的 85 条军规》(http://www.oschina.net/translate/85-operational-rules),有趣的是,我看到过不少类似的文章,在前几条总会有KISS的身影,可见把事情做简单了还是很重要的。

现在做API,不让自己和REST沾点边都不好意思和人打招呼,那怎么样才算是真的REST了呢?6月30日,我在上海JUG的第一次活动上做了个与REST相关的分享,在准备Keynote时(我已经放到微盘上了,欢迎下载 http://vdisk.weibo.com/s/HYN3_/1372578166),我参考了下这篇文章——《Best Practices for Designing a Pragmatic RESTful API》(http://www.vinaysahni.com/best-practices-for-a-pragmatic-restful-api),当中大多数的观点还是挺好的,今天突然发现了它的译文,推荐给大家——《RESTful API 设计最佳实践》(http://blog.jobbole.com/41233/)。

很多人都对技术翻译蠢蠢欲动,有的也进行了积极的尝试,比如我觉得OSChina的那个众包的翻译版块就很不错。但实际情况是很多人都把翻译这件事像的太简单了,不妨来听听大神余晟的心得,他的译作很值得品味,有些字句那真是经过了精心打磨的——《浅谈翻译的两个基本问题》(http://www.luanxiang.org/blog/archives/1519.html)和《科技翻译的特点》(http://www.luanxiang.org/blog/archives/1530.html)。如果你真的想尝试,那就动手翻译一篇东西吧,然后仔细想想自己是中文水平有待提高,还是英文水平有待提高,亦或者是理解能力有待提高呢?

每周推荐阅读 2013-07-08

上周看到一条微博,大概内容是下厨房的数据丢失,一个黑客告诉他们自己曾经黑进下厨房把数据库DUMP过一份,不知道是否对数据恢复有帮助,他可以私信给他们……下厨房的人看到这条微博是该高兴呢还是悲哀呢?说到底还是rm命令误操作惹的祸,下厨房官方对此次数据丢失的具体分析如下:http://tech.xiachufang.com/?p=18,最后的致谢感觉还是阿里的DBA牛B啊。

我们每天多多少少都要和版本管理工具打交道,不知道大家提交代码时的习惯怎么样,反正我看到过很多提交的注释,看了之后很迷茫,有的甚至都没有注释。当然,我之前做项目时习惯也不怎么样。记得很久之前,公司的SCM做过一次变更,限制提交时必须要写注释,不过马上就把这个策略回滚了……《一个优秀的提交应该包含什么?》(http://blog.jobbole.com/42515/),当中最后一点是不要提交被注释掉的代码,说的太对了,不然还要版本管理干什么,如果你有这个习惯,尽快改改吧。

上周末,上海举办了一场中国运维与安全大会,虽然个人感觉它还有很多可以改进的地方,不过作为一次民间主办的大会,第一次能做出这个效果值得表扬了。如果明年有第二届的话,应该会好很多。我们也有不少同事去参加了一下,章邯同学还做了一个效果不错的分享。我对这次活动做了一些记录和整理,感兴趣的同学可以看看——《云计算时代的运维与安全》(http://www.infoq.com/cn/articles/sscon)。

最后,聊点和技术无关的话题。急诊科女超人于莺是网上的红人,当然并不是因为她微博发的好,而是她对一些事情的态度,最近微博上看到一个她做的演讲,看起来很像模仿TED的——《女超人于莺:活出自己的真我》(http://t.cn/zYhT5dJ),当中提到的慢生活看起来很美好,只是我很怀疑不是所有人都慢的下来,很多人想的太多了,很难放下,我估计自己一时半会儿就慢不下来。

每周推荐阅读 2013-07-15

上个周末好像不少同学都去参加阿里技术嘉年华了,想必周末过得比较充实,这次的每周推荐阅读就不再推荐太技术的东西了。

《中国合伙人》不少人都看过了吧,创业不易啊,小米的陈臻在自己的博客上给大家刻画了三个IT创业公司的形象,有不太成功的,也有过得还凑合的,的确挺贴近现实的——《创业启示录》(http://www.54chen.com/document/startup.html)。

新闻里看到说有名南航空姐在iphone充电时打电话然后被电身亡,在感到惋惜的同时,不禁要问一声经常听到手机充电时爆炸,充电时打电话被电,有没有科学一点的解释呢?高手自在民间,这条微博讲的挺像那么回事的——http://weibo.com/1982867485/zFShL76Uj,只是我感觉之前学校里学得电路知识都还给老师了……

我不止一次推荐过西乔的《神秘的程序员》系列漫画,没想到一晃这漫画都连载4年了,霍炬为这个系列的四周年写了篇纪念文,也让我们了解了它的诞生,向《神秘的程序员》致敬——《霍炬:《神秘的程序员》漫画四周年》(http://blog.xiqiao.info/2013/06/30/1420)。

好吧,最后回归一下主题,我平时写的代码以命令式的为主,不过这不妨碍我去了解别的编程风格,比如说能分清楚声明式和编程式——《声明式编程和命令式编程的比较》(http://www.aqee.net/imperative-vs-declarative/),这篇文章就讲得比较清楚。以后可以尝试一下混搭,看看写出的代码是什么样的。

每周推荐阅读 2013-07-22

最近饶有兴趣地用Go写了个小的扫描程序,体验了一把Goroutine,算是入门一下,感觉Go中有着浓郁的C/C++的味道,对于写惯了Java和Ruby的我来说,多少有点不习惯,看来还是应该再多写点。许式伟算是国内Go语言第一人,他在OSC源创会上做了一个Go的分享——《Dive into Golang》(http://open.qiniudn.com/dive-into-golang.ppt),针对一些语言细节做了一个详细说明。

性能监控的话题大家都很感兴趣,Linux下有不少神器,Joyent的大牛Brendan Gregg在SCaLE11x上重新整理分享了一下他之前的一个话题《Linux Performance Analysis and Tools》(http://www.slideshare.net/brendangregg/linux-performance-analysis-and-tools),褚霸以前还推荐过这个分享里的一张神图,大家可以移步。为了方便没有梯子的同学,我另外加个链接(http://www.kuaipan.cn/file/id_3401867501504403.htm)。

阿里技术嘉年华的夜聊环节里,大家讨论了与开源精神相关的话题,玉伯把他的意思整理在了WTP微信公共账号里,不管有没有去参加夜聊,都应该去看看——《什么是开源精神》(https://github.com/lifesinger/lifesinger.github.com/issues/167)。

最后的轻松一刻,让我们来了解下Ctrl+Alt+Delete的来历,以前重启电脑就靠它了,神奇的组合键——《你知道Ctrl+Alt+Delete是怎么来的吗?》(http://news.mydrivers.com/1/269/269288.htm)。话说Mac电脑用啥重启,请自行Google。

每周推荐阅读 2013-07-29

遇到故障不可怕,可怕的是故障迟迟无法恢复,事后又不认真总结教训,互相推脱责任(这句话请不要和后文产生联想,自己瞎想的我不负责)……本周的每周推荐阅读就从前阵子工行发生的大面积故障开始讲起,这件事电视新闻里也做了报道,原因是“IBM提供的软件存在缺陷”,信不信由你。NinGoo在博客里对这次故障做了个分析,不仅回顾了故障的过程,还分享了一下数据库系统升级的一点经验——《大数据下的工行》(http://www.ningoo.net/html/2013/bigdataicbcdisaster.html)。

说完了软件,再让我们来看看硬件,淘宝中间件团队的沈询写了一个系列的文章深入浅出了一下磁盘,目前的文章内容包含了磁盘的硬件特性、RAID和SSD,不知道是否未完待续呢?

还是硬件,我有介绍过树莓派和CubiBoard这类板子,今天让我们来看篇树莓派之父的采访,包括为什么会想到做树莓派,未来的发展方向如何,树莓派与Arduino相比有何区别等等问题——《从教育到创意——Raspberry Pi设计者Eben Upton访谈》(http://www.youkuaiyun.com/article/2013-07-17/2816257)。

这周就不放娱乐内容了,有兴趣的话,不妨研究下搞块板子玩玩吧。

每周推荐阅读 2013-08-05

前几天看到一个Web版本的Terminal控制台,可以直接在里面打命令控制远程的Linux服务器,就像是ssh登录过去操作一样,感觉很有意思。正好看到这篇《使用 noVNC 开发 Web 虚拟机控制台》(http://www.vpsee.com/2013/07/integrating-novnc-with-our-vm-control-panel/),突然发现只要有现成的“轮子”,做这个东西还是比较简单的。很多东西都这样,只要找到合适的工具,一切问题都不再成问题。

刚才说的是工具,但有工具是不够的,比如运维人员经常要面对线上的紧急故障,无论在哪里,比如之前@Fenng说的,背着笔记本爬黄山……郑柯在InfoQ上发表了一篇文章《运维团队能从橄榄球教练身上学到什么?》(http://www.infoq.com/cn/news/2013/08/football-coach-lessons-for-ops),乍一看标题还没能明白橄榄球队和运维团队的关系,看了之后才明白,其实就是未雨绸缪,在风平浪静的时候预先为各种紧急情况制定预案,并定期演练,这样在真正发生问题时才能处乱不惊。

以前读《软件工艺》时书中将开发者比作工匠,每位工匠的作品都包含了自己的心血,在上面署名是一份荣耀,一份承诺,而且还有品牌的含义在内。《为代码签名,供后人瞻仰或唾弃,你敢吗?》(http://ifeve.com/signing-for-code/),我自己倒是一直在各种源代码的文件头注释里写上自己的名字,不过也有过冤假错案,别人改了我的代码,接着出问题了,但是那个@author还是我,于是就悲剧了……你有没有在自己的代码上署名的习惯?

最后,推荐大家一篇虚拟访谈,内容与RESTful API有关——《虚拟研讨会:如何设计好的RESTful API?》(http://www.infoq.com/cn/articles/how-to-design-a-good-restful-api),其中讨论了好API的标准、安全、版本化等诸多方面的内容。而参与的阵容方面,有《REST实战》的译者李锟、马钧,淘宝广告应用开发团队的李建业,还有《RESTful Web Services Cookbook中文版》的译者(额,就是我),在我眼中李锟应该是全国最懂REST的人,没有之一,所以他的意见还是很有参考价值的,本文不容错过。

每周推荐阅读 2013-08-12

这几天微信5.0着实火了一把,其实国外也有很多优秀的应用,但是这些应用在进入中国市场后都会出现“水土不服”的情况,这也为国内的本土应用开拓市场创造了一些机会。但为啥老外的应用在中国不吃香呢,说到底还是不了解天朝的特色,比如这篇文章里说的——《海外看中国:老外开发者间流传着的7件事儿》(http://www.youkuaiyun.com/article/2013-08-08/2816502-7-things-app-developers-dont-know-about-the-china-mobile-market)。

有一阵子特别关注NoSQL数据库,当然其中少不了MongoDB和Redis,在看到江南白衣的这篇Redis的资料整理(https://github.com/springside/springside4/wiki/redis)后,我就后悔啊,当初怎么就没找到它呢,作为快速入门了解Redis的文章就再好不过了,读完正文,可以再去读一下里面的各个链接,作为深入学习材料。

最后大家再来学习一些用户体验的知识——《把握五元素,让页面文字阅读更舒适》(http://mux.baidu.com/?p=4943),文中介绍了字体、字号、行长、间距和背景五大内容,每点都配了很合适的实例,通俗易懂。如果实在不明白,理解下啥是衬线字体,啥是非衬线字体也算有所收货了。

每周推荐阅读 2013-08-19

我平时推荐的内容主要以中文为主,主要是考虑到不少同学觉得读英文的内容有点吃力,其实作为一名IT从业人员,能够顺畅地阅读英文文档还是很占优势的。这周会推荐两篇英文的内容,有兴趣的同学不妨看看。

不知有多少人知道MariaDB,这是一个由MySQL之父Monty创建的MySQL分支,现在已经发展为了一个强大的数据库产品了,在功能和性能上都有可圈可点之处。OpenShift对Monty做了一次采访——《Why MariaDB Matters: The OpenShift Interview with Monty》(https://www.openshift.com/blogs/why-mariadb-matters-the-openshift-interview-with-monty),听听大神是怎么说的。话说阿里也有MariaDB的Committer,以后不知道有没有可能使用MariaDB呢,还是把一些牛X的功能移植到阿里的版本上。

RightScale简单说起来就是提供便捷地云环境管理服务,同时也能进行一些优化,其官方博客上近日发布了一篇与云环境调优相关的文章——《20 Ways to Fine-Tune Your Cloud Environment》(http://www.rightscale.com/blog/cloud-management-best-practices/20-ways-fine-tune-your-cloud-environment),内容分为几个部分,即成本优化、服务器利用率、高可用、安全以及最佳实践。

ThoughtWorks一直以来都会定期发布“技术雷达”,列出热门或前沿的技术,以便大家更方便地了解技术发展趋势,我就在TW北京办公室近距离看过强上的技术雷达,InfoQ上也经常会对最新的技术雷达做些介绍。今天,让我们来听听TWer胡凯是怎么看技术雷达的——《2013年的技术趋势 — ThoughtWorks技术雷达阅读笔记》(http://www.iamhukai.com/?p=1132)。对了,他最近还写了篇和吃有关的文章,信息量很大啊——《关于食物的那些事儿 — 餐桌上面和老外说什么?》(http://www.iamhukai.com/?p=1159)。

每周推荐阅读 2013-08-26

2012年8月27日,我发出了第一篇《每周推荐阅读》,到明天为止就是整整一年了。我做了些数据统计,2012年的16篇《每周推荐阅读》中一共推荐了59篇文章,而在2013年的30篇《每周推荐阅读》中一共推荐了138篇文章,即一年里一共推荐了197篇内容(里面还有几个是大会PPT,数量众多),姑且就当是一天一篇吧。

所有这些内容我基本都是在读过之后才做的推荐,而且为了推荐一篇文章,读上几篇以便挑选那是必须的,所以我也要感谢《每周推荐阅读》对我自己的鞭策。值此第一季结束之际,我汇总了所有的推荐内容,也算是一个总结了:

至于会不会有第二季,有的话是什么时候,我暂时也不确定,也许会换一个形式吧。最后,让我们感谢一下为我们奉献了这么多精彩内容的原文作者们吧!

YOLO26算法心电图十二导联目标检测+训练好的模型+368张数据集+pyqt可视化界面.zip 附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[导联I(I), 导联II(II), 导联III(III), 胸导联V1(V1), 胸导联V2(V2), 胸导联V3(V3), 胸导联V4(V4), 胸导联V5(V5), 胸导联V6(V6), 加压肢体导联aVF(aVF), 加压肢体导联aVL(aVL), 加压肢体导联aVR(aVR)] · 训练集:313 张 · 验证集:37 张 · 测试集:18 张 · 总计:368 张 该数据集聚焦于临床心电图信号的精准识别与定位,其核心检测目标为标准12导联心电图中的各个独立导联波形区域,涵盖肢体导联(I、II、III)与加压肢体导联(aVR、aVL、aVF),以及胸前导联(V1至V6),适用于心电图自动分析系统中对各导联位置的快速准确标注与分类。数据采集场景真实还原了医院心电图室或急诊监护环境下的标准心电图记录纸,波形清晰、基线稳定,具有高度临床参考价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 57 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9708** mAP50-95 | 0.6344 Precision | 0.8990 Recall | 0.9191 train/box_loss | 1.2231 train/cls_loss | 0.9703 val/box_loss | 1.2779 val/cls_loss | 0.... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。 立即下载

相关推荐

企业级AI助手平台 开箱即用的全栈AI平台,支持多智能体协同、Supervisor模式编排、多种决策模式、RAG技术和流程编排能力 支持多厂商大模型统一接入与管理,安全可控的企业知识库与高精度检索优化

企业级AI应用开发框架,支持多厂商大模型统一接入与管理,安全可控的企业知识库与高精度检索优化能力,提供可视化流程编排、自主决策智能体与多智能体协同调度,兼容主流 Agent Skill 协议,帮助企业与开发者零门槛快速构建安全、高效、可落地的AI智能体应用与行业解决方案。

每周推荐阅读2013Q1汇总

上次把去年发的每周推荐阅读汇总贴了出来,收到了大家的肯定和鼓励,非常感谢。最近开始越来越多地阅读微信公共账号,比起微博这样的140字浅阅读,公共账号的信息似乎更有价值,当然前提是关注对的人,Q2开始我想应该会更多地推荐其中的内容。   每周推荐阅读是我发给自己同事的邮件,现在的发送范围也不局限于自己部门。但是随着时间的推移,越来越担心自己推荐的内容,不合大家胃口,所谓众口难调,我也只能尽力...

DigitalSonic的自留地 1281

C# 【WebService编写调用】

😹 觉得博主文章写的不错的话,希望大家三连(✌关注,✌点赞,✌评论),多多支持一下!!!

只有登上山顶,才能看到那边的风光 1173

每周推荐阅读网站低调上线

《每周推荐阅读》是我在2012年8月开始的一个个人计划,基本每个星期会整理一些文章,推荐给身边的同事,后来发现大家都挺喜欢的,于是每隔一段时间做一次整理,汇总到博客和长微博中。在持续了一年的邮件推送和整理后,我很赶潮流地结束了第一季。 考虑到博客和微博对于每周推荐阅读系列在归档和整理方面的不便,我打算改由Github Pages + Jekyll来做个专门的小网站,这又是一次尝试。 经

DigitalSonic的自留地 2255

ORACLE 12C RAC 启动报错,错误代码 ORA-27300,ORA-27301,ORA-27302

非一体机,12.2 无任何补丁,2套X86服务器,1节点集群异常(数据库正常,还有会话),2节点正常工作,负载不高,硬件、空间均未检查到异常,多路径存在掉线的情况,但通过Mulitpath -ll 看又是正常的,2根私有网络,其中一根不同,sysctl中配置的稀疏模式。5、再次加成crs alert ohas等集群日志,以及根据现象和错误再次到后台sr中查找可用信息,发现有一个类似问题,12.2 RAC 无任何补丁,报同样错误,解决方案为重启两套服务器。查询MOS文档以及后台文档,排除上面指出的问题。

weixin_42344665的博客 1463

QEMU pcie config空间访问机制

而pci_host_conf/data_le_ops的定义是在hw/pci/pci-host.c里,对于0xCF8端口的处理,因为是地址选通,所以只需要在write的时候记录、read的时候返回记录的值即可。而pci_host_config_write/read_common接口,在前256Bconfig空间的模拟中,也同样是会调用这个接口,所以后续的处理都是一样的。这是真实的硬件设计,而对于QEMU+KVM的虚机场景,显然是要基于硬件实现和虚拟化的需求设计虚机访问config空间的完整流程。

leiyanjie8995的博客 1950

每周分享第 39 期

这里记录过去一周,我看到的值得分享的东西,每周五发布。 ...

ruanyf的博客 606

保姆级教程:在LKD3588开发板上为RK3588添加SC2210摄像头驱动(含完整DTS配置)

本文提供了一份详细的教程,指导如何在LKD3588开发板上为RK3588处理器添加SC2210摄像头驱动,包括完整的DTS配置和内核编译步骤。教程涵盖了环境准备、驱动文件添加、DTS配置详解、内核编译与烧录、驱动测试以及常见问题排查,帮助开发者快速实现SC2210传感器在RK3588平台上的集成与优化。

weixin_42641741的博客 479

《英语学习全攻略:从入门到精通的系统方法论》

《英语学习全攻略:从入门到精通的系统方法论》 本文构建了一套完整的英语学习体系,涵盖四大核心技能提升方案: 听力突破:采用"VOA慢速→常速→影视"渐进训练,配合精听+泛听组合,每日10分钟碎片化输入 口语进阶:推荐模仿跟读法和角色扮演,利用AI工具纠正发音,建立"犯错-改进"循环 词汇记忆:运用艾宾浩斯遗忘曲线,结合Anki等智能软件,通过造句、联想强化记忆 阅读写作:实施泛读与精读并重策略,写作训练注重模板积累和逻辑构建 特色亮点: 提供考试/职场/留学场景解决方

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 2472

从JX-2R-01热敏打印机芯到稳定打印:硬件设计与时序控制的实践指南

本文详细解析了JX-2R-01热敏打印机芯的硬件设计与驱动开发全流程。核心内容包括:实现严格的双电源上电时序控制、采用PWM恒流驱动步进电机确保走纸平稳,以及精确控制SPI数据加载与加热脉冲时序以获得清晰打印效果。文章提供了从电路设计、芯片选型到代码调试的实战指南,旨在帮助开发者构建稳定可靠的热敏打印模块。

weixin_29169899的博客 218

OCTA-500:用于光学相干断层扫描血管造影研究的视网膜数据集|文献速递-基于生成模型的数据增强与疾病监测应用

数据集提供了丰富的图像和注释,包括两种模态(OCT/OCTA体积)、六种投影类型、四种文本标签(年龄/性别/眼别/疾病)以及七种分割标签(大血管/毛细血管/动脉/静脉/2D FAZ/3D FAZ/视网膜层)。我们介绍了新的 OCTA-500 数据集,该数据集包含来自 500 名受试者的 OCTA 成像,并提供了丰富的图像和标注集。(C) OCTA-500 切片的人工标注示例。图 4. OCTA-500 数据集中文本标签的统计直方图:(a) 性别,(b) 眼别,(c) 年龄,(d) 疾病。

weixin_38594676的博客 1435

NLP-阅读理解-数据集-DuReader01:数据集介绍及预处理【SQuAD、DuReader】

一、SQuAD数据集 二、DuReader数据集 1、DuReader数据集介绍 DuReader,从名字(Du和Reader)就可以看出来,是百度整理出来的阅读理解数据集。 DuRader数据集由一系理的4元组构成,每个4元组 {q,t,D,A}\left\{ q, t,D,A \right\}{q,t,D,A} 就是一条样本,其中, qqq 表示一个问题, ttt 表示问题的类型, DDD 表示问题相关文档集合, AAA 表示一系列答案(由人手工标注)。 它相较于之前阅读理解数据集,主要有三个特点:

u013250861的博客 7298

手把手学计科--web网页设计

网页的组成:文字、图像和超链接等元素。还可以包括哦音频、视频和动画。分类:静态(固定信息)和动态(与服务器数据库进行实时的数据交换。HTML和CSS 是一种静态网页搭建技术。

Yhvaely的博客 1747

作为一个部门 Leader,居然不如一个实习生

图片来源电影《逃学威龙II》春节放假前,我约了大学室友阿杰出来,他是唯一和我一起北漂的大学同学。虽然同在一个城市,他在西北边,我在东南边,一年只碰头两三次。这次见面,他说有点事儿,让我先...

优快云资讯 2536

【LE Audio】CAP精讲[1]: 从理论到实操,CAP 协同流程入门全攻略

LEAudio生态中的CommonAudioProfile(CAP)是一个关键协同框架,它通过整合基础音频协议(BAP/VCP/MICP等)构建多设备协同能力。CAP定义了三大核心功能:音频流管理、设备组控制和统一交互服务,解决了传统蓝牙音频在多设备场景下的协同痛点。其规范历经v1.0到v1.0.1的优化,修正了角色定义、连接流程等关键模块,提升设备兼容性。CAP采用严格的语言约定(shall/must/should)和术语体系(ContextType/CCID/协同集),确保不同厂商设备能相互理解。

byte轻骑兵的技术小窝 2万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

你复工了吗?啥感受?

这里是Z哥的个人公众号每周五11:45 按时送达当然了,也会时不时加个餐~我的第「136」篇原创敬上感觉还没做什么事情,2020年的第一季度就结束了。相信大多数人也都已经复工了。之前进...

Zachary的博客 572

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

python 培训机构南通

深圳市创新投资集团有限公司(简称“深创投”)国内管理规模最大,IPO上市数量最多,收益最好的风险投资机构,现注册资本100亿元,管理各类资金总规模约4236亿元。截至2021年10月31日,深创投投资企业数量、投资企业上市数量均居国内创投行业第一位:已投资项目1350个,累计投资金额约755亿元,其中199家投资企业分别在全球17个资本市场上市,380个项目已退出(含IPO)。 【实习】【深创投】招聘投资经理|分析师实习生 凭借在创投领域的杰出表现,深创投在中国创投委、清科集团、投中集团等...

weixin_63757190的博客 1653

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")

《一拳超人》深度解析:反套路英雄叙事与存在主义内核

在动漫创作领域,英雄叙事与角色成长是经典且核心的创作范式。其原理在于通过主角的能力成长与心路历程,构建戏剧冲突并传递价值观。这种模式的技术价值在于能稳定地提供情感代入与激励体验,广泛应用于少年热血、奇幻冒险等主流类型。然而,当我们将视角转向对传统范式的解构与创新时,一种以“绝对力量”为起点的反套路叙事便展现出独特的魅力。它通过颠覆“成长”这一核心驱动力,将叙事重心从战斗结果转向过程影响与社会性探讨,从而在技术层面实现了对英雄题材的深度拓展。在此背景下,结合【反套路设定】与【存在主义】的思考,作品《一拳超人》

weixin_30386713的博客 361

有氧工作法:构建可持续高效能的知识工作操作系统

在知识工作领域,提升个人效能与可持续性是一个核心挑战。从认知科学和生理学原理出发,大脑的最佳工作状态类似于有氧运动,需要稳定的能量供给与规律的恢复间歇,而非依赖意志力的短时高强度冲刺。多任务处理与长时间不间断聚焦会引发‘认知转换损耗’,积累类似‘乳酸’的认知疲劳,导致效率下降。通过理解并应用超日节律、昼夜节律等人体自然节律,可以系统设计工作节奏,实现专注与恢复的良性循环。这套方法的技术价值在于将可持续的生理学模型工程化地应用于认知劳动管理,通过环境设计、节奏规划、任务分级与能量恢复等模块化策略,帮助知识工作

weixin_34327223的博客 317

Anko AI:零代码数据洞察,普通人也能用的AI分析智能体

数据分析是挖掘业务价值、驱动科学决策的核心技术。其原理在于通过统计、建模等方法,从海量数据中识别模式、趋势与关联。在数字化转型浪潮下,高效的数据分析能力已成为个人与企业的关键竞争力。传统BI工具虽功能强大,但学习门槛高,需要掌握SQL或复杂操作,将许多非技术背景的普通用户挡在门外。如今,以自然语言交互为核心的AI分析智能体技术,正通过将复杂的查询与分析过程自动化、平民化,极大地降低了数据洞察的技术门槛。这类工具让用户只需用说话的方式提问,即可获得深度分析结果,其技术价值在于将专业的数据分析能力封装为易用的服

weixin_30615767的博客 358

OpenClaw项目解析:如何构建多AI智能体协作系统实现自动化办公

智能体(Agent)作为人工智能领域的重要概念,是指能够感知环境、自主决策并执行动作的软件实体。其核心原理在于结合大语言模型(LLM)的理解与推理能力,通过预设的目标和工具集,完成复杂任务。这项技术的核心价值在于将AI从单一问答模式,升级为能够持续工作、分工协作的“数字员工”,从而在自动化办公、智能客服、数据分析等场景中大幅提升效率。OpenClaw项目正是这一理念的杰出工程实践,它通过设计12个具备不同职能的AI智能体,并利用任务队列和工作流引擎实现智能体间的自主协作与异步执行,成功在飞书和Telegra

340

Hermes Agent 入门指南:零代码构建AI智能体,实现自动化任务处理

智能体(Agent)作为人工智能领域的关键技术,其核心原理在于通过大语言模型(LLM)作为“大脑”进行规划与决策,并调用一系列工具(如网络搜索、文件读写等)作为“手脚”来执行具体操作。这种架构的价值在于实现了任务处理的自动化与智能化,能够将复杂的自然语言指令分解为可执行的步骤序列。在应用场景上,智能体技术广泛适用于个人知识管理、市场监控、内容创作辅助及自动化数据处理等需要多步骤、多数据源协同的重复性工作。本文以 Hermes Agent 这一低代码框架为例,深入解析其配置驱动的设计理念,并演示如何通过集成

weixin_30788239的博客 360

AI功能测试实战篇

边界词是指。

qq_45334136的博客 414
上一篇: 每周推荐阅读2013Q2汇总
下一篇: 每周推荐阅读第一季结束
dingx
博客等级 码龄24年 67粉丝 112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