文笔极佳的郭靖夫妇悼文

大模型应用开发面试全流程实录:RAG、上下文工程与多Agent协作技术深度解析 Transformer 依靠多头自注意力和位置编码实现高效序列建模。Prompt Engineering包含多种设计思路,如 Zero-shot、Few-shot、Chain-of-thought,提升模型泛化和推理。Token 和上下文窗口直接影响模型性能与成本,选择需结合实际业务场景(如客服对话需长窗口)。Embedding 技术是 RAG 的基础,决定了语义检索效果。向量数据库如 FAISS、Milvus等分别适用于本地/分布式检索。 阅读详情

  郭靖和黄蓉死了,就在襄阳城破的那一天。金庸老先生聪明的回避了这一段,给自己少留下一些破绽,也给了读者一个想象的空间,可能他也不忍心亲手给自己笔下这对最完美伴侣的生命旅程画上一个无可奈何的句号。空闲的时候我常常会一个人独自在冥想,在城破的 那个黄昏,天际的火烧云红得像血一样鲜豔,那是一场何等惨烈的战斗啊,郭靖夫妇如何以血肉之躯面对只需要两个万人队就能征服欧洲,被胆寒的欧洲人称为“闪电的鞭子”的蒙古铁骑,如何以血肉之躯面对东方有史以来最为伟大即使与恺撒及亚历山大相比也毫不逊色的 军事统帅。在冷兵器时代,面对潮水般汹涌而来的千军万马,个人的力量显得如此的渺小,纵然武功高强如郭靖夫妇,就像根据井上靖的《敦煌》拍摄的电影中的场景一样。有时我实在不忍心想象郭靖夫妇在战场上的生离死别的那一幕,也许他们根本连生离死别的机会都没 有。

  郭靖是一个平民英雄,但却绝不是个平凡的英雄。他可能是金庸笔下个性最为接近普通人的男主角,不是玉树临风,而是壮壮实实;天资也不聪颖,可能资质比一般人还差一点;更谈不上风流倜傥,有时连话都说不周全;非但不是文武双全,可能也没读过几本书,认识 的字也有限。他的成功,我觉得倒是和阿甘有几分相似。他的世界观与人生观,基本来自於一个普普通通的中国农村妇女──他的母亲李萍,就是这个普通的农妇,教给了她唯一的儿子中华民族的精髓──仁、义、理、智、信,有时候最浅显的语言里往往包含著人生最重要 的哲理,不过知易行难,这些人生至理的付诸实施往往是无比的沈重。

  可是就是郭靖,也只有郭靖才能称为真正意义上的“大侠”,因为与令狐冲、杨过、张无忌、袁承志等人以遁世隐居等方式进行消极逃避明哲保身相比,只有他在人民陷於水深火热中时与人民同呼吸共命运,达到了“侠之大者,为国为民”的境界,而那些人,充其量只 能称为“游侠”。“神龙见首不见尾”的游侠也是侠,不过只是一种适逢其会的侠,他们先天的优越条件并没有让他们成长为大侠,因为他们没有那种“先天下之忧而忧,後天下之乐而乐”的悲天悯人之心,性格决定了命运,与郭靖这样的民族脊梁相比,他们只能算是阑尾 。

  在金庸笔下,只有乔峰才能和郭靖相比,两个人有著极其相似而又截然不同的身世。郭靖是在蒙古长大的汉人,草原给了他广阔的胸怀;而乔峰则是由汉人养大的契丹人,南朝汉人文化深深的影响了他,有时候思想也是一种痛苦的折磨。在民族冲突极其尖锐的时候,他 们都毫不犹豫的放弃了在战略优势方的荣华富贵,本来一个是“金刀驸马”,一个是“南院大王”,同样手握重兵,不过一个是站在了父母之邦,一个却站在了养育之邦,在这个不同的表象之下,是两个人一样的感情,那就是他们都是把人民的苦难放在了第一位,考虑的首 要问题就是担心“刀兵一起,生灵涂炭”。在民族矛盾与民族感情的夹缝中,乔峰选择了自杀,他用自己的死,换来了雁门关数十年的和平,死对他来说,可能倒是一种解脱,他不必再痛苦了,而且阿朱早就死了,他的心也早就死了,本来就对这个世界就没有什麽太多牵挂 了。与乔峰不同,郭靖选择了抗争到底,他不能死,也不能逃避,因为在他背後是千千万万手无寸铁的老百姓。在这两位大侠巨大背影的映衬下,其他金庸笔下的男主角是那样的苍白无力。

  你可以说不食周粟的伯夷与叔齐是“愚忠”,可以说被以“莫须有”罪名杀掉的岳飞与被皇太极“反间计”除掉的袁崇焕是“愚忠”,也可以说孤守海外的郑成功是“愚忠”,但是你不能说郭靖是“愚忠”,因为他一不是朝廷命官,二不是效忠皇上,三不为朝廷卖命, 他也不遵守朝廷法纪,也曾痛斥朝廷腐败。他只是为人民而战,因而他率领的是一支真正意义上的人民子弟兵。他也没有权利欲,否则他也不会拒绝成吉思汗“南朝为王”的承诺,如果战争胜利了,他也不会稀罕腐朽朝廷的封赏,而只会骑上小红马带著他心爱的蓉儿回到桃 花岛上去过自由自在的生活,就像打赢了美国独立战争後又回到弗吉利亚庄园中去的华盛顿一样。可惜,他打的是一场必输的战争,其实他可能自己也明白,如同美国南北战争中南方的那位李将军,只不过他知道什麽叫“大丈夫有所不为,有所必为”。或许今天以有些人的 眼光来看,他很傻。因为从某种意义上说,他站到了历史的对立面,他的存在和努力客观上阻碍了历史车轮的前进,可是谁又能脱离自己生活的时代看待事物呢?

  “巧妇偏伴拙夫眠”是《射雕》经久不衰的话题,有人为兰心慧质的蓉儿不值,认为他俩在婚後必定不会幸福。我却很欣赏黄蓉的好眼光,就像李莫愁说的那样,“易求无价宝,难得有情郎”,或许这是一种“反恋父情结”,因为男人无论如何聪明,都很难超过她的父 亲黄药师了。在《射雕》中蓉儿只是一个“盈盈十四五”情窦初开的小女孩,到了《神雕》中她已经成长为一个女人─一个很现实也很有心计的女人(有点像任盈盈)。这种性格的转变是很自然的,毕竟,恋爱中的女孩是浪漫的,而婚姻中的女人是现实的,女人与女孩还有 一个很大的区别就是在她心中除了情爱之外还多了母爱。许多人接受不了这种人物角色的变换,觉得《神雕》把一个不拘礼法精灵古怪的蓉儿写得俗不可耐了,这也是为什麽再杰出的女演员也很难演好中年蓉儿一个很重要的原因,因为观众对这个角色有著一种先入为主的排 斥感。

  蓉儿的人格是在变化的,这也是很正常的,小姑娘总有长大的一天,但是她对靖哥哥的感情却是至死不渝的。她虽然比郭靖聪明的多,但不可否认她没有郭靖那样的大义凛然。她和她的靖哥哥生活在一起,被同化的不是她的傻哥哥,而是她自己。她的个性可能和杨过夫 妇以及张无忌、令狐冲等人比较接近,属於那种“躲进小楼成一统,管它冬夏与春秋”的隐士,或许他们在历史的大局观都比郭靖看得更远,知道什麽叫“换汤不换药”,什麽叫“鸟尽弓藏”。她应该是一个“出世”的女人,却爱上一个“入世”的男人。从她爱上她的傻哥 哥的那一天起,她就准备“执子之手,与子偕老”,可惜她的梦想最终没有实现。她在小节上可能犯错,但却大节不亏,在抵御外侮的战斗中,她辅佐她的夫君一直战斗到最後一刻,虽然这可能不是她的本心。其实与其说她是为国捐躯,不如说她是为爱情献身。

 《宋史》已经丢了好久了,曾经听一个朋友说过好象历史上郭靖是确有其人的,时任襄阳城团练使,可能是真的吧,我也一直没有时间去查证。而前半段的蓉儿绝对是神话中的人物,“此女本应天上有,人间哪得几回闻”,至少我没有遇见过,後半段才沾上了一丝人间烟 火气。多谢金老先生用一支生化妙笔为一个历史上的庸人演绎出了一段荡气回肠的神话传说。蒙古人在中原不过待了九十九年,激励人民奋起抗争直至取得最终胜利的不是虚无缥缈的“武穆遗书”,而是千万个郭靖身上所体现出的不屈不挠,战斗到底的中华民族精神。他们 的一缕忠魂,即使经过千百年岁月长河的涤荡,仍然散发出淡淡的芳香。

  在浑身是血几近脱力的蓉儿看见她的靖哥哥力战至最後一刻终於虎吼一声倒下去的时候,她鼓起身体里的最後一丝力气飞跃了过去,用自己柔弱的身躯扑在靖哥哥身上,挡住蒙古兵千万把雪亮的钢刀,哪怕这只能延缓靖哥哥一秒锺的生命,毕竟两个人还是死在了一块。 如果郭靖还有一丝神智清醒的话,他就会听见蓉儿在他耳边又轻轻唱起了少年时他背蓉儿赴一灯大师处求救时蓉儿唱的那段《山坡羊》的结尾:“活,你背著我!死,你背著我!”

  这一幕,悲壮而凄婉,写到这里,我的眼睛也不由得湿润了

光学测量仿真软件:Zygo_(12).Zygo软件的用户界面与操作指南 Zygo软件支持用户自定义工具和插件,以扩展软件的功能和适应特定的仿真需求。编写脚本使用Python或其他支持的脚本语言编写自定义工具的脚本。例如,编写一个脚本来计算光束的衍射效率。# 示例脚本:计算光束的衍射效率 import zygo # 导入Zygo软件的API def calculate_diffraction_efficiency(wavelength , grating_period , angle) : """计算光束的衍射效率:param wavelength: 光源波长(单位:米) 阅读详情

相关推荐

PLC编程标准之争:IEC61131与IEC61499核心区别与选型指南

在工业自动化领域,PLC编程长期依赖IEC61131标准,它定义了梯形图、结构化文本等语言,通过周期扫描机制保证确定性执行。然而,随着工业4.0和分布式控制场景的兴起,IEC61499以事件驱动模型打破传统范式,让功能块能跨设备协同,实现更灵活的柔性产线和模块化系统。理解两者在程序结构、数据交互、部署方式和实时性上的差异,是选型与工程落地的关键。本文从基础概念出发,剖析执行模型与架构演进,结合一线调试经验,帮助工程师在传统PLC与下一代标准之间做出理性决策。

weixin_27014595的博客 268

超全的英语短句汇集

English 900 英语九百句常用职位英文译名超级短句成语集锦打开话匣子PC电脑词汇一百个绝佳句型李阳英语365句托福听力常用短语校园英语迷你惯用语洋话连篇至理名言English 900 英语九百句第一册一、 Greetings 问候语 1. hello! / hi! 你好! 2. good morning / afternoon / evening! 早晨(下午/晚上)好! 3. i

8万+

YOLOv8使用设备摄像头实时监测

YOLOv8使用设备摄像头实时监测

Joining667的博客 4188

嵩山少林寺网站向全世界公布了千年武功秘籍

        近日,千年古刹少林寺通过少林寺网站(www.shaolin.org.cn)向全世界公开了从不外传的千年秘方、《易筋经》、金刚指、蛤蟆功、点穴法等武功心法口诀、练习方法等也被公之于众,神秘的少林武功已被撩开了面纱。  “绝世神功”易筋经 实为上乘内功心法  在金庸小说中,少林《易筋经》被奉为绝世神功,习者不但武功突飞猛进,更能医治疑难杂症,是武功最高境界,非常人所能企及。

2万+

Miniforge3部署教程,完美替代Anaconda3

大背景不介绍了,哎!直接上教程!

zzy_ucas的博客 1万+

从临床试验到互联网AB测试:边缘结构模型(MSM)如何解决‘时依性混杂’这个老大难问题

本文探讨边缘结构模型(MSM)如何解决时依性混杂问题,适用于临床试验和互联网AB测试。通过逆概率加权(IPTW)等方法,MSM能有效剥离混杂效应,准确评估长期干预效果。文章结合跨领域案例,详细解析MSM的核心原理、实施步骤及在推荐算法效果评估中的实战应用,帮助读者掌握这一先进因果推断工具。

weixin_28725949的博客 207

77-83年出生的进来看看听听

近日看到网上热烈讨论70年代人类生活之状况,甚感有趣.遂试拟出几条"十大",供各位 同年回味.或满足各位九十年代的DDMM们之猎奇心态. 另外所谓七十年代末我认为应该包括从77~83年的这一群. 十大经典游戏 还记得你小时候玩的什么游戏吗?看看下面有没有. 1.打弹珠 即打玻璃珠.玩的人各出数枚,输者将丧失对玻璃珠的所有权.玩法通常是"出纲"或"打 老虎洞".在地上划线为界,谁的玻璃珠被打出去就输

1万+

信号完整性仿真SI之Cadence Sigrity SPEED2000_眼图仿真(四)

今天给大家分享一个仿真的操作流程,是关于Cadence Sigrity SPEED2000的时域波形仿真和眼图仿真。我们会经常看见硬件工程师调试示波器上的一些信号的波形变化,其实这些也可以通过仿真电路的搭建来做出投板前的仿真,来优化走线,以减少版本的迭代次数。如果要和实际的信号保持一致,就要求仿真设置的参数和实际的参数保持一致,这也是仿真的重点和难点。下面先让我们了解一下Cadence Sigrity SPEED2000时域仿真的操作流程: 1.仿真模式选择与文件导入 选择Cadence Sigrity下的

刘小同学的博客 1万+

手把手教你如何免费注册国际顶级域名

手把手教你如何申请国际顶级域名(新鲜的,快到快强,过时无效不负责)申请域名地址:https://www.domaindiscover.com/第一步:敲入 https://www.domaindiscover.com/ 网址,在页面内输入你想要申请的域名地址。我这里以注册wzsoft.info为例子教大家如何申请到自己的顶级域名。screen.width*0.7) {this.resized=tr

1万+

Vue3 - Element Plus 表格组件 el-table “表格行数据中又嵌套了二维对象数组“,按平级循环渲染(嵌套数组视为同级行数据), 对嵌套的数组循环展示为表格,智能合并行或列详细教程

vue3,nuxt3,element-plus,table表格组件,el-table,vue3element表格组件,数据中有二维数组怎么遍历循环显示,表格数据带二级数组怎么循环渲染显示,表格数据中存在一个数组要怎么才能显示到表格,el-table表格合并详细教程示例,table表格如果对象里面还有对象数组那该怎么去渲染,平常都是数组中一个对象渲染成一行,每行中还有嵌套数组怎么办,每个行数据下还有一个数组怎么显示,怎么把表格相同的数据合并为一行,合并上下两行相同数据单元格,合并行或列如果遇到相同单元格就合

🏆 前端领域优质创作者 1万+

结构化数据特征构建神器openfe的实战代码

最近订阅专栏的几位同学一起参加了AI比赛,该比赛的数据形式是结构化的。随着特征和模型的不断迭代优化,达到了一个难以跨越的瓶颈。希望我能够给出一些有效的方法,帮助他们提高成绩。在个人的调研和体验后,向他们推荐了结构化数据特征构建神器openfe,最终也帮助他们提升了十来名的成绩,个人也感到十分的欣慰。特意写此博客,希望能够帮助更多的同学。 文章目录 1. 安装 2. 实战例子一 3. 实战例子二

herosunly的博客 3万+

中国共享软件走向国际指南

http://duduwolf.winzheng.com/post/5.asp引用:http://duduwolf.winzheng.com/cmd.asp?act=tb&id=5作者:Tuenhai.com Email: king#tuenhai.com QQ:83087 版权声明:可以任意转载,转载时请务必以超链接形式标明文章原始出处和作者信息及本声明 http://www.Tuenhai.c

1万+

23、工业物流中的多智能体路径规划与碰撞处理策略

本文探讨了工业4.0背景下工业物流中的多智能体路径规划(MAPF)与碰撞处理策略。分析了自动导引车(AGV)等移动资源的应用现状,综述了主流路径规划算法如A*、D*Lite、M*等,以及集中式与分布式碰撞检测方法。重点比较了五种碰撞避免策略:路径交叉、优先级、起始时间调整、无交叉路径和速度调整,提出了基于环境条件的策略选择流程,并通过流程图展示了评估、组合、测试与优化的全过程。文章强调应根据订单不确定性、时间约束、优先级和生产组织等因素综合选择或组合策略,以提升物流效率与系统可靠性。

mac99的博客 125

哈哈,昨天得到了一个wallop的邀请信,总算有自己的wallop啦

微软这家伙就是厉害,什么东西都插一手,这不,最近又大搞sn(social network),wallop就是一个悄悄进行的项目,昨天有幸得到网友的邀请,总算有了自己的wallop。哈哈,看起来是不是很漂亮啊,微软这次比较狠,全部都用flash做的,而且速度还可以,不知道是不是用Macromedia新出来的那个Flex实现的。虽然看起来很花哨,而且放弃msn那种清新爽目的风格,从整体看都是暗色调。不

9940

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

中国十大穷光蛋排行榜隆重推出

      近日,闻名全球的《祸布斯》杂志中文版隆重推出了全新的2004版中国大陆一百名极品穷光蛋排行榜。这次最新穷光蛋榜是《祸布斯》经过认真筛选,反复比较,根据最新资料精心制作的,具有独一无二的权威性。       现在,将穷光蛋排行榜前十名极品穷光蛋发布在此,供广大网友欣赏:       十大穷光蛋第十名:改制纺织厂职工白辛苦。       年龄:42       月收入:350元    

8543

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")

Windows服务器安全解决方案

Windows服务器安全解决方案 目前Internet上的服务器,Windows Server是占有一定的比例的,但是由于Windows Sever的突出安全问题,Microsoft也迟迟没有提出比较可行的解决方案,只是推出这一个又一个的补丁,使得Windows Server的用户整天担惊受怕。我们经过长期的摸索和考究,对网络的零零碎碎的安全文档进行了整理,总结出一套解决方案,具体如下

8459

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。

把男友升级为老公的时候发生的bug

技术负责人,您好: 去年本人把"男友5.0"升级为"老公1.0",发现财务软件发生意外的变化,导致与在"男友5.0"版本下,运行良好的"flower"和"装饰品"应用程序的连接发生障碍。而且"老公1.0"系统删除了"浪漫9.9"等软件,并擅自把"足球11.0"或者"nba3.0"安装进去。更糟糕的是,"沟通8.0"也不象以前那样灵活,"家务2.6"子系统渐渐处于崩溃状态。我试图用"唠叨5.3"解决

7956

咬舌自尽的狗(台湾/林清玄)

     有一次,带家里的狗看医生,坐上一辆计程车。 由于狗咳嗽得很厉害,吸引了司机的注意,反身问我:“狗感冒了吗?” “是呀!从昨晚就咳个不停。”我说。 司机突然长叹一声:“唉!咳得和人一模一样呀!” 话间于一打开,司机说了一个养狗的痛苦经验: 很多年前,他养了一条大狼狗,长得太大了,食量非常惊人,加上吠声奇大,吵得人不能安宁,有一天觉得负担太重,不想养了。他把狼狗放在布袋里,载出去放生,为了怕

7844

献给所有喝醉怕老婆(女友)骂得男士们

        赵先生一早起来就头痛的要死……        因为他前一天晚上喝的烂醉回家!        他强迫自己把疲惫不堪的眼睛睁开。        睁开眼后竟然看到床头上放了一杯水跟几颗头痛药,然后坐起身后又看到了他的衣服已经烫好、叠好在床边。        因为一起床就看到这几样反常的事,所以他决定要起身看一看房子其它的地方有没有什么奇怪的事        他把几颗头痛药吃了。     

7296

信息泛滥的时代要学会躲避信息。

http://61.129.75.54/zhenjiu/blogs/xp/2004/1/2#311信息匮乏的时代一去不复返了,这看起来是一种福分但信息多到一定程度就可能泛滥,让我们处于新的困境,穷于应付而无所适从信息泛滥意味着生命将消耗在无谓的信息冲浪中没有了静思默想,多了随波逐流没有了对传统、对经典的钻研,多了浮光掠影的涉猎人生多了知识和经验,却少了只属于个体的某些体验在信息冲浪的冲击下

3135

软件开发公司管理手册

  总结一些管理心得、经验与想法,写出来,便于解决问题或日常检视公司运行状况的时候看看。   一、动态平衡与发展   公司创办的热情、首轮机会过去后,面对经营中不断出现的诸多问题,经营者的想法会发生很多变化,会发现可以导致公司走向衰落甚至垮掉的因素非常多而且问题不断出现。   公司的运行是很多环节的协同运行,概括起来说,就是在现有的政策法律的规范下,协调合伙人或投资人与经营者关系,运作资金,了解消

2102

执子之手,与子偕老——最浪漫的事

      一直欣赏这样一种爱情:没有太多的轰轰烈烈惊天动地,有的是象流水一样绵延不断的感觉;没有太多的海誓山盟花前月下,有的是相对无言眼波如流的默契……这该是一种“执子之手,与子偕老”的感觉吧,在陌生的人群中,在迷失和彷徨间,你却始终安详而从容——因为你知道,冥冥之中,自有一双属于你的双手,它们紧紧地握住你,陪你走过所有的阴天和所有的艳阳天,直到一生一世。 在我们平凡的生命里,本来就没有那么多琼

1551

本地生活服务系统:试单和正式开业的单为什么会进同一本账

本地生活服务系统应将试营业与正式运营的订单统一记入同一账本,通过“试单标记”区分,而非分设两本账。单号连续、信息唯一,避免重复或遗漏。正式账单仅提取“非试单且已付款”的记录,确保财务核算准确。过程查询则可查所有单据,便于客服追溯。关键在写入时即标注试单状态,开业日调整取出条件,不修改历史标记,保障数据可审计、可复原。

2509_93184100的博客 101

设计模式与生活⑰:空腹体检,单子领着人走

一年一度的体检,约在了周二。早上打完卡,没开电脑,先去体检机构——公司指定的那家。空腹,早饭留着查完再吃。前台登记,递身份证,领回一张指引单:姓名、条码,今天要查的项目按房间号排成一列。抽血、心电图、视力……单子一到手,人就被单子领着走了。先查哪项看哪边排队人少,但单子上的项目,一项落不下。去年也是这套流程。单子上的项目换了几样,走的科室还是那几个。身体还是这副身体,单子年年换。这事儿跟代码里的一种结构,是一回事。单子一到手,人就被单子领着走了今天聊的:元素稳定,操作多变;

工一木子 293

从零开始的C++生活——第八讲——01

这个和之前学的二叉树的层序遍历区别在于,这个要求将二叉树每一层的数据分别插入最后返回的数组中,这就需要进行一个思考,之前常规思路实现层序遍历时是队列出一个进来他的孩子,但是这种方式必然会造成不同层元素之间的混淆,我采用的方法是再用一个队列,专门用来存储本层元素,当每次出原队列元素时都需要在新队列中记录一份,此外,还需要一个变量计算此时原数列中本层元素个数,其实就是当前的元素个数,因为是一层一层进去的。相信在写完这三道题后,你一定对栈和队列的基本使用有了了解,下一节就是栈和队列的模拟实现。

dshswra的博客 177

第38章:ResNet+CBAM改进模型实战生活垃圾12分类

本文基于PyTorch实现ResNet+CBAM注意力模型,针对复杂场景下垃圾分类图像的遮挡、光照变化等问题,通过在ResNet各残差层后嵌入CBAM模块,实现通道与空间双重注意力增强,提升特征聚焦能力。项目包含数据预处理、迁移学习冻结策略、余弦退火优化、批量推理等全流程代码,支持12类垃圾识别,4600+图像数据集,开箱即用,完整记录训练日志与评估指标,显著提升模型在真实环境下的分类精度与鲁棒性。

Henry的博客 348
上一篇: 嵩山少林寺网站向全世界公布了千年武功秘籍
下一篇: 内容管理系统的设计和选型
duduwolf
博客等级 码龄25年 17粉丝 52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