每周推荐阅读2013Q2汇总

【阅读笔记】联邦学习实战——联邦个性化推荐案例 联邦学习实战——用FATE从零实现纵向线性回归前言1. 引言2. 传统的集中式个性化推荐2.1 矩阵分解2.2 因子分解机9.2 联邦矩阵分解9.2.1 算法详解 前言 FATE是微众银行开发的联邦学习平台,是全球首个工业级的联邦学习开源框架,在github上拥有4000stars,可谓是相当有名气的,该平台为联邦学习提供了完整的生态和社区支持,为联邦学习初学者提供了很好的环境,否则利用python从零开发,那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第九章内容,使用的fate版本为1.6. 阅读详情

不知道每次推荐的文章有多少人是看完的,或者能看掉一半的人有多少?真心觉得不多,沉默的大多数估计还是看推荐的正文和标题……剩下的开场白就忽略了,直接进入正题吧。

 

每周推荐阅读 2013-04-01

上个礼拜,有一个故事深深地打动了我,我相信故事的主人公是真实的,刺哥的中国黑客系列越来越引人入胜了——《中国黑客传说:游走在黑暗中的精灵》(http://taosay.net/?p=189),一看到V,我就想到了《V字仇杀队》,果然,《V,背后的故事》(http://taosay.net/?p=200)中证实了我的猜测,V,一位低调的地下世界的王者,震撼了我们大家的每一根神经。

Instagram的故事有点被神话了,但他们所用的技术和各种方案却没有那么多的惊喜之处,简单的东西往往是最好的,大家都期望“简单”,可要做到简单往往是很不简单的。这篇《Instagram 5位传奇工程师背后的技术揭秘》(http://www.youkuaiyun.com/article/2013-03-28/2814698-The-technologie-%20behind-Instagram)揭示了Instagram背后的技术,看看他们是怎么做的。

这段时间关注了不少微信的公共账号,微博140字往往很难把事情讲深入讲透彻,相信讲的人也不过瘾,但是微信公共账号就有很大的区别,你可以充分地表达自己的观点,相比微博的“浅”阅读,它可“深”多了。今天的最后,我要推荐3个公共账号,几乎都是每天更新,而且不局限于技术,还能谈人生谈理想,比起我每周写点东西,他们辛苦多了,我要代表读者感谢他们:

  1. 冯大辉的“小道消息”,这个就不用多作介绍了,我相信大家十有八九已经关注了。“小道消息”里不止小道消息,还包含了大辉对各种问题的观点,他的分析很是犀利。
  2. 池建强的“Mac技巧”,我在之前的推荐中有提到过,“Mac技巧”从第一天起就不局限在Mac小技巧,每次开篇都会谈点人生百态,谈点自己的所思所想。
  3. 吴翰清的“道哥的黑板报”,黑哥和V这两位的故事刺激到了我的神经,相信被震撼到的不止我一个,这个黑板报上除了故事,还有很多安全方面的东西。

以后我会陆续再推荐几个我喜欢的微信公共账号,也欢迎大家向我推荐。

每周推荐阅读 2013-04-08

很多人都知道我平时使用的脚本语言是Ruby,而Ruby似乎总是和Rails纠缠在一起,不过我几乎是纯粹地使用Ruby,所以当我看到范凯的这篇《Ruby社区应该去Rails化了》(http://robbinfan.com/blog/40/ruby-off-rails)还是挺赞同的,谈到Ruby就提Rails的日子早该结束了,Linkedin和Iron.io转投其他语言不是Ruby的错,说Ruby的性能不差并不是事实。

最近玩单片机的同学不少,有的拿来做BT下载机、高清播放器,还有的拿来放个人网站,甚至像百度还架起了规模化的集群。淘宝的一粟就结合了Raspberry Pi和Go跑起个人站点,还写了很多Raspberry Pi相关的文章,比如这篇不少人都用的上的《Raspberry Pi做BT下载机+高清播放器》(http://hugozhu.myalert.info/2013/03/06/raspberry-pi-with-xmbc.html)。另外,市面上除了“树莓派”还有很多别的板,贵点的有PandaBoard,便宜的有CubieBoard,看看张宴的《iPhone大小的盒子服务器Cubieboard》(http://blog.s135.com/cubieboard/)。

最后,上次说好了会陆续推荐微信公共账号,这次的三个公共账号分别是:

  1. 林昊(毕玄)的“HelloJava”,毕玄大神对Java的了解之深,我等只能仰视,这里有很多排查技巧,问题解答,Java开发者不能错过。
  2. 王保平(玉伯)的“WTP”——Web技术与产品交流,关注前端技术,前端同学必备精品。
  3. 吴鲁加的“防泄密”,我本来对这个话题并不感冒,可是越看到后面越是觉得有意思,起码应该保护好自己。

每周推荐阅读 2013-04-15

俗话说“林子大了,什么鸟都有”,类似的,系统大了,什么问题都能撞上,前段时间遇到了好几次HashMap造成的系统Load飙高,耗光CPU的事情,大家也进行了排查,找到了原因。林昊大神就这个问题,发表了两篇深入的分析:《又一起并发场景下错误使用HashMap的Case》(http://hellojava.info/?p=31)以及《并发场景下HashMap.get导致cpu耗光的原因分析》(http://hellojava.info/?p=45)。网友@fire对原因的一句话描述:

出现死循环是因为map中的桶链表出现了循环链表,循环链表是因为并发put操作造成的,同时进行了resize();如果只有一个线程进行put操作,是不会出现循环链表,所以读写并发不会出现死循环,只有写写并发才有可能出现死循环。

第一次听说林仕鼎的大名是在12306第一次被春运整趴下,多路高手为它出谋划策的时候,后来才知道林仕鼎是百度的大牛,今年年初时,百度搞了南京数据中心开放日的活动,介绍了百度新一代数据中心的情况,最近InfoQ对林仕鼎做了个采访,了解了下他对数据中心计算的一些想法:《林仕鼎谈数据中心计算(一):整体大于部分之和》(http://www.infoq.com/cn/articles/linshiding-on-sddc-design-01)、《林仕鼎谈数据中心计算(二):存储资源分层》(http://www.infoq.com/cn/articles/linshiding-on-sddc-design-02)。

前几天池建强在Mac技巧上做了个调查,想了解下大家对他写的内容的看法,是想看技术、扯淡还是技术加扯淡。我告诉他,读者多了之后,难免众口难调,其实你写什么,读者看什么。有一篇感兴趣的,他会多看看,不感兴趣,就忽略,再不喜欢,退订就是了,如果为了迎合各种口味做了很多改变,也许就不是那个Mac技巧了。我想每周推荐阅读也是,曾今看到过有评论说都是技术类的,没意思,我本来就是写给周围搞技术的人看的,所以自然以技术类的文章为主(我现在也会推荐些轻松的东西),而且我推荐的都是我看过的东西,所以我本人的口味也会对推荐的内容有很大的影响,如果您收到了邮件,不喜欢这些文章,我只能打个招呼,说声抱歉了。

每周推荐阅读 2013-04-22

本周的第一篇推荐文章来自Facebook的第二位中国籍工程师王淮,他在离开Facebook后回到国内后当了一位天使投资人,同时他也经常会写些东西分享一些Facebook的成功经验,比如那本非常畅销的《打造Facebook:亲历Facebook爆发的5年》,这里有一篇节选——《解密Facebook产品的开发流程》(http://www.programmer.com.cn/15584/),其中罗列了一些可以借鉴的东西:

  1. 描绘远景,设置目标
  2. 收集想法并排出优先次序
  3. 跨团队沟通
  4. 告知所有可能关心的人
  5. 设计产品
  6. 指定项目责任人
  7. 定期碰头会
  8. 了解进度 汇总报告
  9. 发布产品 监测数据

曹政(caoz)是互联网圈内的知名人物,曾在QCon上听过他的分享,最近他在博客上分享了一些自己的数据分析经验——《数据分析这点事》(http://hi.baidu.com/ncaoz/item/564975db8fcd6495260ae79e),也许他不是专业的数据分析师,但是我觉得他的经验更值得我们这些不是专业人士的人去学习,看着很简单直白,如果能做好,那一定能受益匪浅,比如让自己对数据更敏感一些,部门搞些竞猜什么的。

最近雅虎中国邮箱要关闭的事情让我有点伤心,作为雅虎邮箱的老用户,大量的账号都绑定在这个号称永久、无限的邮箱上,后续估计有的好折腾了。心情差啊,用句落伍老套的话来说,我再也不相信用户和邮箱之间的爱情了。但是我看到了两篇文章,我觉得我又开始相信爱情了,攻城师们好好看看吧——《程序员妻子自述:那些程序员教给我的》(http://www.cnbeta.com/articles/233442.htm)和《中文女和程序员的爱情奇遇》(http://www.cnbeta.com/articles/234153.htm)。

这两天都在关注四川雅安地震的消息,作为非专业人士,大家还是好好做好自己的工作,不要好心跑去灾区却给人家添乱,有钱捐钱有物捐物吧(要捐钱的话,红十字会还是算了,实在是很难再让我相信它了,汶川地震那年《开源技术选型手册》的作者们委托出版社将稿费捐献给了灾区,我很无知地投票选择捐给红十字会,这次建议大家选择支付宝吧,捐给壹基金)。雅安加油!附上一份最新2010年版《地震安全手册》(http://select.yeeyan.org/view/140316/358260),有空读读吧,也许关键时能救人一命。

每周推荐阅读 2013-05-06

上周由于五一小长假正逢周一,所以每周推荐阅读也放假一次,想想那些每天都笔根不辍的微信公共账号,我的工作量还真是可以忽略不计。最近大把的时间都花在看几本书上了,网上的文章还真看的比以前少,如果推荐的东西不合大家口味,就请选择性阅读吧,呵呵。

先来谈谈邮件,我想大概是受小道君那篇微信的影响,大家都开始谈论公司里怎么写邮件,后来又看到了这篇《在公司里,如何写好一封电子邮件》(http://focuzine.com/2013/04/how-to-write-a-good-email-in-your-company/),写邮件也是门科学啊。不得不提的是,群发邮件不知道能不能少点,群发后的群回能不能再少点,太多与邮件无关的人只会把它当做垃圾邮件来看待,甚至是看都不看。(希望没人把每周推荐阅读当垃圾邮件,好歹看个正文吧:-))

我不知道有多少人分不清进程和线程,分不清没关系,网上找篇文章看看就好了。什么?大学的操作系统教程?算了吧,这里有篇通俗易懂的——《进程与线程的一个简单解释》(http://www.ruanyifeng.com/blog/2013/04/processes_and_threads.html),真的是图文并茂,卡通漫画风格,绝对好懂。

七印部落花了几个月,把70几分钟的《乔布斯:遗失的访谈》(http://v.youku.com/v_show/id_XNTUxNDY1NDY4.html)翻译整理了出来,我一直非常钦佩那些听译公开课、采访和演讲的人,那得花多少时间和精力啊,我自己就听译过几次采访,深知其中的辛苦,感谢七印部落。

最后,来点大容量的干货,首先是本次QConBeijing的所有讲义大集合(http://vdisk.weibo.com/u/1746173800),以前我都会整理打包一下,这回偷个懒,有空我整个大包,每年那几次QCon都是大信息量轰炸,不过大会么,更多的是和人去交流的,不是么?接下来是2013年中国数据库大会(http://vdisk.weibo.com/s/yJ3L7/1366726293),我看了几篇,觉得内容还是不错的,一起推荐给大家。

P.S. 五月份的每周推荐阅读可能会要暂停一次,时间不确定,为了避免大家没东西看,所以最后放上了这么多演讲的内容,没有推荐阅读的日子,就看看PPT吧,谢谢。

每周推荐阅读 2013-05-13

本周的文章主要与语言有关,首先是Java 8,千呼万唤始出来,终于离GA的日子越来越近了,希望不会继续跳票。在还没能用上Java 8之前,先来看看有什么新特性吧——《Java 8 的新特性和改进总览》(http://www.oschina.net/translate/everything-about-java-8)。话说最近我觉得OSChina的技术翻译板块是越来越好了,再推荐一篇别的吧——《Go在谷歌:以软件工程为目的的语言设计》(http://www.oschina.net/translate/go-at-google-language-design-in-the-service-of-software-engineering),关心Go的同学不妨看看。

继续Java的话题,说起Java,除了James Gosling,另一个不得不提的人就是Doug Lea,Java的并发包都用过吧,这就是Doug Lea大神的杰作,清英的并发编程网上整理翻译了不少Doug Lea的并发编程的文章,不得不看,详细列表请移步:http://ifeve.com/doug-lea/。

最后,推荐一篇程辉的文章,他以前是新浪SAE的技术经理,前阵子离开了SAE,踏上了创业之路,同时,他还是OpenStack基金会的个人理事……如此丰富的从业经验,肯定在很多方面有自己独到的见解,本来这是一篇招聘广告,不过写着写着就偏题了,讲了个更有趣的话题——《谈工程师的价值和发展》(http://www.ustack.com/unitedstack-engineer-value/)。

每周推荐阅读 2013-05-20

很早就听说过连城的名号,Erlang的专家,最近看到了他写的《加州求职记》(http://blog.liancheng.info/job-hunting-in-california/),想进硅谷的那些大公司,还真是件不容易的事情,就连他这样的大牛,居然也是屡败屡战……后悔当初在大学里没有参加一下ACM的训练,貌似各大国际知名的攻城湿天堂都对算法有所要求。看完这篇文章,总结下来一句话,学好算法和英语,走到哪里都不怕。由于这篇文章很火,于是《程序员》杂志做了个约稿,就有了这篇《门内门外看招聘》(http://www.programmer.com.cn/16068/),从应聘者和面试官两种不同的角度谈了谈招聘这件事。由于平时我自己也经常作面试官,所以看了之后也颇有感触。(推荐这两篇文章可不是在怂恿大家人肉翻X墙哦)

讲完了招聘,换个话题,相信大家都听说过互联网中很大一部分流量都是属于成人网站,他们为了应对这样的流量,在技术上一定是做了不少功夫。《在整个互联网中,成人网站有多大?》(http://blog.jobbole.com/12479/)和《成人网站性能提升20倍之经验谈》(http://blog.jobbole.com/39323/),这两篇文章也许能让我们一窥其中的究竟。

每周推荐阅读 2013-06-03

估计很多人都会觉得咨询公司有点神秘,里面的人都是何方神圣,尤其是TW,里面大把的技术大牛。来自TW的胡凯写在博客中写了一个系列,让大家可以对咨询公司多一点了解:

三个和尚的故事估计很多人都听过,但是这个版本的故事却很有意思,看看团队的效率是如何扼杀整个寺庙的和尚的,为了解决喝水问题,成立了种种部门,开了无数大会,进行了多方协调,最终,三个和尚累死了,寺里的和尚渴死了——《效率低下的组织是怎么产生的?》(http://mp.weixin.qq.com/mp/appmsg/show?__biz=MjM5ODIyMTE0MA==&appmsgid=10000507)

每周推荐阅读 2013-06-17

上周一属于法定假日,按照惯例,放假的日子不写每周推荐阅读,加上本月暂停了一期,所以这周会多推荐几篇东西。

上周的一件大事就是WWDC 2013,关于大会的各种信息欢迎自行Google,当然相信各位同学都已经知道了,比如新的iOS、新的Air、新的Mac OS X……如果有兴趣,一定要去看看这次放出的Keynote,已经有同学把它搬上优酷了,还是高清的:《Apple WWDC 2013 Keynote Address》(http://v.youku.com/v_show/id_XNTY5NDkwMjMy.html)。

聊完苹果,再来看看Google,它们的云计算技术世界领先,这里有篇来自GCE团队内部人员之手的文章,可以让人稍微了解一些GCE的情况——《An Introduction to the Google Cloud Platform from an Insider》(http://blog.rightscale.com/cloud-industry-insights/introduction-google-cloud-platform-insider)。

视线继续留在硅谷,那里的高智商精英们业余时间都玩点啥,相信很多人都很感兴趣,工作时开动脑筋,到了业余时间继续开动脑筋,看完了他们做的智力题,我渐渐觉得,不是我没训练好,就是自己真的智商不够……《硅谷日记2009年1月8日:硅谷的智力题》(http://www.guifabu.com/?p=6063),好吧,也许就是智商低了点。

还是回到日常工作吧,虽然我不是DBA,不过我经常和DBA打交道,要承认一点,我们的DBA们还是很牛X的。互联网行业和传统行业有着很大的不同,做事的方式也不太一样,MySQLOPS上起了个头,期待后续内容——《互联网DBA需要做那些事》(http://www.mysqlops.com/2013/04/27/internet-dba.html)。

说完了DBA,再来聊聊前端,和玉伯是在QCon上认识的(作为同事居然还要跑大会上才初次见面,上海杭州应该多交流啊),和他聊天有种很踏实、谦逊的感觉,而且话语中隐约透露出道与禅的味道,让人钦佩。最近读到一篇他很久前写的《互联网时代的时间管理实践》(https://github.com/lifesinger/lifesinger.github.com/issues/102),最后有两句话很有道理:

最好的阅读是产出。...读是为了写,学是为了用。

虽然我出过好几本书,不过说起读书,和每年能读100本书的人比起来,真是读得太少。看到这篇标题时,我楞了一下——《程序员都不读书,但你应该读》(http://www.aqee.net/programmers-dont-read-books-but-you-should/),程序员都不读书么?还是值得一读的好书太少了?我一直觉得看文章比看微博好一点,看书比看文章再好一点,所以建议大家要多读书,读好书。其实国内有不少有良心的出版人,我相信他们能给我们带来好的作品。

每周推荐阅读 2013-06-24

本周的推荐从36kr上的两篇文章开始,与国外两个很火的产品有关。《Facebook的黑客之道——这三个人重建了Facebook的基础》(http://www.36kr.com/p/204004.html),三个牛X的人,写出了HipHop和HHVM,让Facebook得以更顺利地发展。《Pocket历程:一家拒绝了Evernote收购的创业公司如何成长》(http://www.36kr.com/p/204119.html?vt=0),我正在使用Pocket,所以对它还是很感兴趣的,尤其是标题里还写着拒绝了Evernote的收购,Evernote用户们怎么看?

现在DevOps真是很火,除了互联网公司,企业也开始来趟这浑水——《企业为DevOps做好准备了吗?》(http://www.infoq.com/cn/articles/virtual-panel-entreprise-ready-for-devops),看看参加这个采访的嘉宾,大牛云集,值得一看。

最后,看点轻松的内容,你有没有在头脑发昏的时候编码?相信每个码农多多少少都会经历过那么几次吧,看看这个忠告——《忠告:不要在愚蠢时间写代码》(http://www.youkuaiyun.com/article/2013-06-02/2815508),有多少人愿意接受这个忠告呢?

智能书架:AI Agent的阅读兴趣推荐系统 智能书架:一个结合人工智能技术的在线阅读平台,用户可以通过该平台获取和推荐感兴趣的书籍。AI Agent:一种人工智能程序,能够根据用户的阅读行为和偏好,提供个性化的阅读推荐。协同过滤:一种基于用户行为数据的推荐算法。基于内容的推荐:一种基于书籍内容特征进行推荐的算法。深度学习:一种模拟人类大脑神经网络的学习算法。智能书架系统旨在为用户提供个性化的阅读推荐,包括书籍推荐、阅读进度跟踪、用户行为分析等功能。项目名称:智能书架项目目标:构建一个基于AI Agent的阅读兴趣推荐系统。 阅读详情

相关推荐

深度 Qlearning:在新闻推荐中的应用

1.背景介绍 在一个信息爆炸的时代,个性化新闻推荐成为了解决信息过载问题的关键。新闻推荐系统的目标是提供与用户兴趣相关的新闻,以增强用户的阅读体验和满意度。在此背景下,深度 Q-learning 作为一种强化学习方法,为新闻推荐提供了一种新的解决方案。 1.1 信息过载问题 在数字化信息迅速

AGI×大数据,开启智能时代的认知跃迁;解码AGI,赋能数据驱动的智能革命。 1063

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

DigitalSonic的自留地 4494

手把手教你用Simulink搭建交流异步电机矢量控制模型(附完整仿真文件)

本文提供了一份详细的Simulink仿真指南,手把手教你从零开始搭建交流异步电机矢量控制模型。内容涵盖主电路搭建、坐标变换实现、双闭环PI调节器设计、转子磁链观测器调试等核心步骤,并附有完整的仿真文件,帮助读者跨越理论到实践的鸿沟,掌握高性能电机控制系统的建模与仿真技能。

pz890123的博客 665

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

DigitalSonic的自留地 2683

USB的24脚和12脚TYPEC引脚定义

USB 是一种接口,用于将设备连接到计算机上。通过该连接,计算机可以向设备发送数据或检索来自设备的数据。USB 为开发者提供了一个标准接口,适用于多种不同类型的应用。借助于系统的设计过程,USB 设备易于连接和使用。本应用笔记会使该过程变得更加简单。以下是本应用笔记中会使用的概念:USB 历史USB 架构USB 物理接口USB 速度USB 电源USB 端点USB 通信协议USB 描述符USB 类设备USB 枚举与配置过程。

易板 1万+

正点原子RK3588 Android 12镜像构建实战:从环境配置到烧录验证全指南

本文提供了一份基于正点原子RK3588开发板的Android 12镜像构建全流程实战指南。内容涵盖从Ubuntu环境配置、SDK获取、编译内核与系统,到最终镜像打包与烧录验证的完整步骤,并分享了内核驱动定制与系统优化技巧,旨在帮助开发者高效完成瑞芯微RK3588平台的系统定制工作。

grass的博客 811

【每周CV论文推荐】基于GAN的图像降噪值得阅读的文章

欢迎来到《每周CV论文推荐》。在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的。图像降噪是一个非常基础的图像处理领域,随着生成对抗网络技术的成熟,基于GAN的图像降噪在一些复杂问题上取得了比较不错的进展,本次我们来简单给大家推荐一些初学者值得关注的工作。作者&编辑 | 言有三1基本噪声仿真模型我们之所以研究GAN模型用于图像降...

hacker_long的专栏 936

别再手动写JSON了!用Node-RED OPC UA节点5分钟搞定楼宇温湿度数据采集

本文介绍了如何利用Node-RED和OPC UA节点快速实现楼宇温湿度数据的自动化采集与JSON格式转换。通过可视化工具Node-RED,开发者无需编写复杂代码,5分钟内即可完成从传感器到数据输出的全流程配置,大幅提升智慧楼宇和工业物联网项目的实施效率。

weixin_30368405的博客 432

SpringBoot小说阅读系统q2duh

SpringBoot小说阅读系统q2duh本系统(程序源码数据库调试部署开发环境)带论文文档1万字以上,文末可获取,系统界面在最后面。系统程序文件列表开题报告内容。

ck3027的博客 1228

STM32:TTL串口调试

TTL只需要两个线就可以完成两个设备之间的双向通信,一个发送电平的I/O称之为TX,与另一个设备的接收I/O口RX相互连接。两设备之间还需要连接地线(GND),这样两设备就有相同的0V参考电势。

superSmart_Dong的博客 5638

图像处理(12)--图像各种噪声及消除方法

文章目录结构1.什么是图像噪声2. 图像噪声来源3. 噪声分类及其消除方法3.1 高斯噪声及其消除方式3.1.1 如何确定一种噪声是高斯噪声3.1.2 高斯滤波消除高斯噪声3.1.3 高斯函数的重要性质3.2 瑞利噪声及其消除方式3.3 伽马(爱尔兰)噪声及其消除方式3.4 指数分布噪声及其消除方式3.5 均匀噪声及其消除方式3.6 脉冲(椒盐)噪声及其消除方式 1.什么是图像噪声 图像噪声是指...

ShaneHolmes 11万+

Qwen2.5-7B新闻个性化推荐:基于阅读历史

Qwen2.5 是阿里云通义实验室发布的最新一代大语言模型系列,覆盖从 0.5B 到 720B 参数规模的多个版本。其中Qwen2.5-7B因其性能与资源消耗的良好平衡,成为边缘部署和轻量化应用的理想选择。参数结构总参数量:76.1 亿非嵌入参数:65.3 亿层数:28 层注意力机制:采用 GQA(Grouped Query Attention),Q 头数为 28,KV 头数为 4,显著降低推理内存占用上下文长度:支持最长的输入上下文,输出可达架构设计。

weixin_35995661的博客 692

CorelDraw插件开发-Cdr插件-CPG插件-GMS插件-安装位置

文章目录1.gms格式插件2.cpg格式插件3.作者答疑   CorelDraw软件是一款使用非常广泛的矢量图形软件,系统本身提供了非常便利的二次开发环境,制作插件的格式有两种,一种是gms格式的脚本插件,另外一种是cpg格式dll插件。 1.gms格式插件   gms格式插件是使用微软的 VBA 技术,编写和调试都比较方便,从9的版本开始支持。   安装:把gms文件复制到程序所安装的目录 gms 下,一般在C:\Program Files\Corel\CorelDRAW Graphics Suite 1

插件开发 2751

MiniMax-H3-GGUF量化等级怎么选?Q2_K到Q8_0全系对比与推荐清单

MiniMax-H3 是能"文生视频+原生立体声音频"的全模态生成模型,而 **MiniMax-H3-GGUF** 正是 unsloth 社区为它制作的 GGUF 量化版本,覆盖 Q2_K 到 Q8_0 共 8 档量化等级,让不同显存的电脑都能本地跑视频生成。面对 6GB 到 20GB 不等的模型体积,量化等级怎么选?本文用一张对照表讲清各档体积、精度与适用场景,再给出按显卡显存的推荐清单,帮你一

gitblog_00701的博客 623

innovus: 如何让两个generate clock balance skew group?

如题,在sdc约束中两个generate clock被设置到同一个clock group中,工具虽然会生成对应的两个skew group,但是阅读ccoot_spec发现工具并没有让两个skew group进行balance,这时就需要手动设置balance skew group。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 4049

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")

【每周CV论文推荐】初学模型可视化分析有哪些值得阅读的论文?

欢迎来到《每周CV论文推荐》。在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的。模型的可视化分析是模型可解释领域里非常重要的方向,通过可视化可以直接得分析模型的性能,让初学者更好地理解模型,本次我们来介绍初入该领域值得阅读的文章。作者&编辑 | 言有三1 基于梯度法的输入可视化Dumitru Erhan和Yoshua Bengi...

hacker_long的专栏 813

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

每周阅读精选(2013-02-25)

本周阅读精选,如下:   ​1、李开复如何半年内把微博排名做上去的 http://www.huxiu.com/article/10531/1.html  一篇文章,其实是一个广告贴,介绍了一下微脉搏这个产品,能够实现微博的定时发送、内容推荐、微博管理、以及效果分析等。审核通过后自己试用一下,创新工厂的产品。 2、对比在线教育在美国和中国的区别 http://www.36kr.com/

iamzhongyong的专栏 962

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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。

阅读器推荐

【效率工具】隐形小说阅读器:职场摸鱼神器の极致伪装方案▲ 彻底隐藏任务栏图标,进程零痕迹(素材包内示意图)▲ 托盘图标双重隐匿模式,支持快捷键唤醒(素材包内示意图)

Jiuannnn的博客 532

强力推荐!这款鸿蒙阅读神器彻底解决你的阅读烦恼

还在为广告弹窗和付费订阅烦恼吗?想要一个完全属于你的纯净阅读空间?开源阅读鸿蒙版正是为你量身打造的完美解决方案!这款免费开源的阅读应用不仅支持自定义书源抓取全网内容,还能完美管理本地文件,通过高度个性化设置打造专属数字书房。 ## 🤔 为什么你需要这款阅读神器? **痛点一:广告无处不在,阅读体验极差** 传统阅读应用频繁弹出广告,打断阅读节奏,影响沉浸感。 **痛点二:内容来源受限,选择

gitblog_00723的博客 470

推荐一款代码阅读管理软件-Scitools Understand

【以下转载】 不知道大家在平时看代码写代码都使用什么工具? 在以前在 windows 下我一般使用 VS2008, 其实我觉得 VS 做的还是很好的, 它在调试方面 的功能很强大,可以很好的查看变量的值,以及内存中的变化状况。现在转战 Fedora14, 虽然无法使用 VS 了,但是我还是有时在虚拟机中安装一个 VS 的。 之前在阅读代码的时候,发现一款很好的代码阅读工具,是 Scitool

断浪追风 2万+

(最新)基于Springboot智能阅读推荐系统【附源码+文档】

该课题采用的主流的Java语言这种面向对象的语言进行智能阅读推荐系统的开发,在数据库的选择上面,选择功能强大的Mysql数据库进行数据的存放操作。

程序定制,毕设辅导、论文写作、技术指导! 1034
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