2008年IT业界10大预言(转)

GitHub热榜项目qzonearchive:QQ空间数据本地备份与归档工具详解 在数字化时代,个人数据的长期保存与备份已成为数据管理领域的重要课题。随着社交平台内容日益庞杂,用户对本地归档和离线访问的需求持续增长,这催生了大量开源工具的出现。这类工具通常基于成熟的Web技术栈,通过构建本地服务实现数据导出与静态化呈现。其中,GitHub Trending上热门的qzonearchive项目,正是利用PHP与MySQL搭建Web应用,帮助用户将QQ空间中的日志、说说、相册及留言板等核心内容,打包为可离线浏览的HTML档案。其低门槛部署特性,使得普通用户无需高配硬件即可完成个人数据备份,既 阅读详情

在21IC上看到这个文章,觉得可以拿来让大家看看,所以就转过来了!

一、Google成为一个超级偷窥狂 

想想看,还有什么是Google不知道的?

你或者用Google搜索过初恋女友的名字,试图发现点什么;又或者在百无聊赖的时候搜索过一些敏感、带点“荤腥”的词汇……这一切,你不希望任何人知道,但Google知道。Google或许是这世界上最了解你的人,你的性格、爱好、习惯、怪癖……

或许你觉得Google没这么无聊,但偷窥的事情已经发生——当2005年愚人节Google发布Gmail的时候,它同时告诉你:“我们会在Gmail的邮件正文里放上与之匹配的广告”。Google知道你正在偷听你和客户、朋友、情人的任何联络!

我预言,在2008年Google的另一个服务——Google Talk中将引入与Gmail类似的广告系统。打个比方,当你正在Gtalk上与你的情人幽会,当你们讨论确定将偷情地点放在某个城市的7天连锁酒店时,Gtalk上不失时机地蹦出一条广告“7天连锁不太适合情人约会,为什么不选择希尔顿呢?”……

还记得2007年春节晚会上李金斗、大兵表演的小品《免费电话》吗?那不是让人捧腹的喜剧,可能未来某天将成为真实的一幕。 

二、主板集成微软操作系统 

在普通老百姓眼中,主板在他们的大脑里的印象只是一个电脑的配件。在一个普通的用户眼里,主板是一个有着高、中、低端之分的配件载体。而在一个玩家的眼中,高端主板是超频和性能的基础。一个浑身都插满电子元器件的死物,在工程师的手中赋予了它新的生命。

早在半年前,业界就传闻华硕将会推出首款集成了操作系统的主板,当时只是传闻,并没有得到验证。而当华硕P5E3 Deluxe主板真正上市后,我们才知道主板未来集成微软操作系统并不是不可能的。

从华硕的这款最新主板上可以看到,该主板已经开始安置大容量的Express Gate Flash存储介质,虽然具体容量官方没有透露,但是它标志着首块大容量BIOS芯片在主板上的应用。在普通情况下,普通的BIOS芯片也仅为2MB,而这次全新引入的大容量BIOS为实现更多功能以及无限发挥工程师的想象带来了直接的好处。试想想当前最小的Windows XP系统容量仅为75.85MB,将它集成在主板的BIOS芯片中实现难度并不大,关键是一个授权问题。

综上所述,未来当你去电脑卖场挑选主板时看到主板包装盒上标贴提示:“该主板已预装Windows操作系统”时,你可千万不要大惊小怪哦。 

三、音箱价格超过猪肉 

把音箱和猪肉一起来比价格?嘿嘿,你别说,还真有可比性。根据我们的长期观察发现,对于多数音箱,尤其是2.0书架箱,其重量与音质的优劣成大致正比关系,而抛开功能和面板的差异,音质的优劣又大致跟价格成正比。也就是说,音箱越重,则其音质越好,随之而然价格也越高。

根据我对数十款2.0音箱的大致测算后发现,一款2.0音箱在2007年的大概单价是25~30元/千克。也就是说,如果音箱论斤卖的话,大概就是这个报价了。将这一价格与2007年的猪肉价格做一个对比(下图为2007年生猪价格走势)就会发现,音箱显然还不如猪肉贵——尤其是在2007年8月上旬和中旬期间,全国生猪价格达到历史上的最高峰,大约为16.4元,猪肉价格更是随之飙升到了40块左右。

在2008年,我预计音箱价格将稳超猪肉,这对音箱厂商来说,是个利好消息。之所以作出如此预测,主要基于两点:

其一,自2007年8月以来,生猪和猪肉价格开始回落,目前全国猪肉价格普遍保持在30元左右。尽管根据国家发改委的数据,近期猪肉价格有小幅反弹,但猪肉价格已经基本趋于稳定。

其二,音箱制造的成本正在提升。原材料方面,铜价今年2月份回落后,价格又有一个大的反弹。有消息称,今年国内CPI同比暴涨,大量流动资本的乘数效应将哄抬物价,橡胶和铜的价格可能挑战历史最高点。此外,与音箱制造有密切关系的木材、石油(它是提炼塑料的原料)价格也在涨。而人力资源短缺、RoHS的实施等因素也左右着音箱制作的成本。由此可以肯定,音箱的价格只可能上升,不大可能下降,最多也就是维持现状。 

四、笔记本进入DIY时代

“老板,给我配一台笔记本,屏幕给我要14.1英寸的,CPU用酷睿双核的,硬盘要160GB,光驱用DVD刻录机……再给我一个铝合金的绿色外壳……”

买笔记本再也不用考虑品牌是DELL、三星、联想还是SONY之类了。为啥?因为咱能自己组装!这听起来似乎是在痴人说梦,因为大家都知道笔记本是非常精密的电子产品,一般人怎能DIY得了?

其实笔记本DIY早在两年前就已经出现了,不过当时的条件并不完善而没能发展起来。究其原因主要是以下几点限制了它的发展。第一,笔记本配件很难购买;第二,配件通用性差,很容易出现不兼容的现象;第三,资金投入风险过高;第四,对DIY者的水平要求较高。

不过科技在进步,笔记本行业也在发展,几年前的这些限制,到今天已经变得不再是什么“大不了”了。分析、对照一下今天的现有条件,展望2008年,我们认为很有可能在这个不久的将来迎来笔记本的DIY时代。

相比几年前,现在市场上销售的笔记本配件已经越来越丰富,从主板到CPU到屏幕、硬盘、光驱、电池、外壳已经唾手可得。而由英特尔2004年提出通用模块构建(CBB)计划,这对笔记本DIY行业来说是一个重要的推动。目前在英特尔的带动之下,有越来越多的厂家也都加入到了这个计划当中,其取得了不小的成效。笔记本核心的CPU、显示面板、硬盘、光驱、键盘等都制定了统一的标准。如果通用模块的计划在2008年被进一步推进,那么相信到时候配齐一套笔记本配件会变得轻而易举,而组装笔记本也不再是什么高深的技术活了,普通用户最多看看说明书即可自行搭配好一台笔记本。 

五、CPU功耗进入个位数量级

目前,台式机CPU号称“超低功耗”的有些呢?也许我们只能屈屈有限的几只手指数出几款:07年第二季度,Intel超低功耗Core Duo U2500处理器悄然上市,主频1.2GHz,最高功耗9W,平时功耗1W左右;第三季度,威盛发布了一款功耗低达1W的Eden ULV CPU;而在今年台北举行的Computex大会上,AMD宣布该公司会在2008年专门面对UMPC推出新款超低功耗处理器,并命名为“Botcat”(山猫)。

只可惜以上的都不是台式机处理器,但值得欣慰的是2007年实际上在低功耗处理器上,目前威盛Mm3500整合了威盛C7-D处理器,是目前全球最小的x86处理器,功耗虽然还达不到一位数的级别,但总耗电量已经达到20W的水平,而且价格方面已经相当低廉,而性能已经赶及入门级处理器了。

让我们猜想一下未来某天的行情分析:“AMD最低1W级的CPU已经跃破300元大关,而Intel方面价格也迅速做出调整,最低功耗的多核处理器性能强悍,威盛上月发布的超低功处理器在市场上有不错的表现,最近入学的学生们可以考虑购买……” 

六、未来手机充电多种方式可供选择 

2007年,电视手机直销广告打得火热火热的:“出门在外手机突然没电怎么办?如何应付类似紧急情况?如何使手机充电这项工作更加节能与环保?XX手机配备太最能充电功能,实现了手机无限时待机!”看着广告相信谁都会有所心动。的确,广告里的手机刚好迎合了我们的需求,的确“电力警告”是一件很郁闷的事情!

记得今年4月份一节新闻报道,西班牙华伦西亚举行的泳衣内衣时装秀上,游泳运动员Gemma Mengual展示了一款据称可以供手机充电的太阳能泳衣。把太阳能充电设置设计在泳衣上显然是为了吸引眼球,没有人会为了为手机充电而站在太阳下曝晒几个小时,但这却代表了一种新的手机充电方式与设计理念,但一切都不能违背能量守恒定律。

晒太阳显然不能让女孩子们接受,靠太阳能不行,可以靠动能。近期英国科学家表示,他们已经成功地研制出一款依靠震动发电的发电机,未来将可以通过心跳来为手机实现充电。不过,提到心脏多少让人感到不安。还好人类还拥有许多可被利用的动能,如脚后跟踩在地板上发出的震动,因此我们很可能实现这个梦想。

未来某天,手机停电了,我们猜想一下有如下情况发生:

某位同学把手机放在但要在太阳下曝晒,某位同学说:“要放在安全的地方,最好拿把锁锁在栏杆上!”

某位编辑把手机连接到笔记本上充电,同事说:“你的笔记本是靠什么充电的?”“电池,一次充电可以用一个月!”

某位运动员把手机捆绑在连接到自己身体上,然后进行5000米的长跑练习,一边享受充电中的手机发出的音乐。 

七、显卡也玩双核 

随着CPU领域内“双核”的概念日渐普及,不少人已经把当年的那句经典台词改成:“今天你双核了吗?”由此可见双核CPU已经成为了很多用户的首选。但是你是否发散思维想过,既然CPU可以双核,那其他配件是否也可以双核呢?于是很多人把目光投向显卡……

其实“双核显卡”这个概念在之前的产品上就成实现过,如NVIDIA在GeForce 7时代就曾经推出过GX2型号的显卡;同期AMD-ATI也推出了Radeon X1950PRO显卡。上述两款显卡一经上市便引起了业界的议论纷纷,其中不少人指责此类“双核”并非“真双核”,它们不过是在PCB上集成了两个显示核心罢了,于是在很多玩家心目中都默默地期待着“真双核”GPU的上市。

近期随着新一代GPU发布日期的临近,网上有不少这方面的消息曝光,不过在这里有一条消息真的让我们感到莫大的惊喜,因为我们之前一直期待的“真双核”GPU即将到来!而这次扮演真“芯”英雄的依然是我们熟悉的AMD-ATI。消息称,下一代旗舰型号R680显示核心将在一个GPU内封装两个RV670核心,这点与早期的双核CPU的设计手法有异曲同工之妙。

对于这次GPU真正走向双核的道路,可以说是既意外,同时也是清理之中的事。因为就当前的发展趋势来看,下代GPU要实现性能的提升,只能通过优化架构设计来实现,不过在当前GPU内部晶体管数量集成密度过高、最新的45nm制程还没完全普及之前,GPU只能在架构本身变化不大的前提下另辟蹊径来获得性能的提升,其中AMD-ATI这次选择的双核GPU设计就是一个简单易行的方案。 

八、我的硬盘不怕摔 

看了这个标题,可能你会觉得有人在说梦话,因为硬盘是大家公认最脆弱的配件之一,怎么可能不怕摔呢?其实随着闪存等技术的不断进步,新型的闪存式硬盘正渐渐浮出水面,昔日大家梦寐以求的抗摔硬盘将会很快来到我们身边。

为了彻底摆脱“脆弱”的特征,新一代硬盘被冠名为“固态硬盘”,取其名之意都是为了让大家有一个全新的认识。其实硬盘之所以“脆弱”,与它内部的机械结构不无关系。自IBM在1956年推出的世界上第一块硬盘至今,硬盘在容量和体积上发生了不少变化,而唯一不变的是它那颗“脆弱的心”。

应该说在经过几十年的发展之后,机械式存储方式仍然得到应用这不能不说是一个奇迹,但事实证明这样的方式存在着极大的弊端,如当硬盘进行数据的读取操作时,如果发生了物理上的震动话,那么就很有可能发生珍贵数据彻底丢失的情况。此外,传统硬盘在发热量以及功耗、噪音方面的缺陷也一直没有得到很好的解决。而这种机械式硬盘的缺陷早就引起了业内相关部门重视,而且尝试着用闪存这种全新的存储介质寻求突破,于是全新“固态硬盘”的概念就被提出了。

其实说白了,固态硬盘就是用闪存替代之前的内部机械结构,而经过这样的“脱胎换骨”,让全新的固态硬盘具有读取速度快、抗震性强、无噪音、轻巧便携等优点,而这些恰好都是现有机械式硬盘的软肋。至于抗摔嘛,你自己试试就知道啦。 

九、电源大步迈进100W时代 

在过去的几年时间内,电源的功耗级别不断飙升,根据最新的ATX12V 2.3版规范,最低功耗级别也有180W,而主流的功耗级别大多在250W~300W之间。电源大步迈进100W时代?这显然是痴人说梦!

嗯。或许有点。不过您还别不信,之前我们不是预测CPU功耗迈进个位数吗?而且实际的产品都已经在酝酿中。电源的发展是有其他配件的功耗趋势所决定。就来算一算未来PC平台的功耗,或许您就不会认为我们的猜测不是在纯“搞”:

CPU:1W或许还有比较远,但随着45nm工艺的到来,32nm已经不再遥远,我们应该相信不管是Intel还是AMD,在保持原有的性能水平的基础上将CPU功耗控制在10W左右应该不是什么难事。

主板:目前主板的功耗平均水平为25W~40W,不过随着主板整合程度不断提高,主板的平均功耗水平控制在20W左右。

显卡:由于NVIDIA和ATI在性能上的死磕,显卡成为了PC平台中最耗电的产品。不过,类似的游戏已经被Intel和AMD玩腻了,用户已经从CPU方面领悟了“性能不是唯一,功耗不能丢弃”的真理。相信,显卡的低功耗时代已经不远。所以保守估计,显卡功耗也在20W左右。

内存、硬盘、光驱:既然,CPU、显卡的功耗都能控制在20W甚至更低,而这三个配件的功耗一共控制在50W左右,大抵也是可以接受的。

其他配件,暂时忽略不计。

那么,电源的功耗级别大抵为:10+20+20+50=100W,正好。

苹果开发者账号注册指南:解决Apple Developer app证件验证失败问题 本文详细解析了苹果开发者账号注册中证件验证失败的常见原因与解决方案。核心在于确保Apple ID、设备与iCloud信息一致,并提供了从官方支持联系到材料准备的全流程操作指南,帮助开发者高效解决“未能验证证件”问题,顺利完成注册。 阅读详情

相关推荐

Cisco Firepower FMCv修改管理Ip方法

Cisco Firepower FMCv修改管理Ip方法

funnycoffee123的博客 1091

2008年IT业界10大预言 [转]

一、Google成为一个超级偷窥狂  想想看,还有什么是Google不知道的? 你或者用Google搜索过初恋女友的名字,试图发现点什么;又或者在百无聊赖的时候搜索过一些敏感、带点“荤腥”的词汇……这一切,你不希望任何人知道,但Google知道。Google或许是这世界上最了解你的人,你的性格、爱好、习惯、怪癖…… 或许你觉得Google没这么无聊,但偷窥的事情已经发生——当2005...

weixin_33778544的博客 183

simulink调用C代码函数-C Caller模块

simulink中如何调用写好的C代码函数?使用C Caller模块调用C代码。

weixin_40531919的博客 5668

7中人才2008将会走俏

根据computerworld2008年的调查,以下技术将在2008年相当走俏。1.应用程序的发展。由于现在的企业希望依靠网络来激活它们的应用软件以及深入到Web2.0的应用,如果你懂得AJAX,.Net和PHP等开发语言的话,你将会是就业市场上抢手人才。除此之外,随着越来越多的企业开始使用微软的Silverlight1.0软件工具,我们可以预期掌握这门技术的计算机人才也将会走俏。2.项目管理。现

gis_web的专栏 551

SAR成像系列:【3】合成孔径雷达(SAR)的二维回波信号与简单距离多普勒(RD)算法 (附matlab代码)

二维回波信号分析

zr2006_7的专栏 2万+

运放专题:运算放大电路中的相位补偿

的方法

五花带点肉 2万+

2008年最热门的七大IT软件技能

2008年最热门的七大IT软件技能   某些IT专业人才的缺乏已经成为了压在CIO们心头的一块重石.看来,软件开发以及应用人才的需求在美国都将“看涨”.  《Computerworld》最近整理出了2008年最热门的七大IT软件技能,有意向IT界发展的朋友们需要关注一下哦!   编程——应用程序开发   “很多企业还是在继续着将自己现有的软件网络化的工作,并且在向Web 2.0

Eleven's Blog 1163

海康威视web控件开发+vue结合做网页开发

需求:vue的项目,需要在页面展示出海康的硬盘录像机连接的摄像头的实时监控画面以及回放功能. 准备:web开发包(包含插件以及demo,在海康官网即可下载32位64位的都有.那些需要积分下载的博主良心不疼么.) 点击这里下载:链接: https://pan.baidu.com/s/12FrbycWyWWyiRJH5Yd1tPA 提取码: gam5 开始开发: 1.安装demo目录下的WebComponentsKit.exe插件(根据自己的浏览器以及系统选择32位还是64位的插件) 2.打.

u013682258的博客 8482

08年IT业界九大预言 主板集成微软操作系统

一、Google成为超级偷窥狂     想想看,还有什么是Google不知道的?     你或者用Google搜索过初恋女友的名字,试图发现点什么;又或者在百无聊赖的时候搜索过一些敏感、带点“荤腥”的词汇……这一切,你不希望任何人知道,但Google知道。Google或许是这世界上最了解你的人,你的性格、爱好、习惯、怪癖……   或许你觉得Google没这么无聊,但偷窥的事

phphot 1662

一、5.8GHz射频接收机链路仿真

5.8GHz射频接收机链路仿真 一、5.8GHz射频接收机链路仿真 文章目录5.8GHz射频接收机链路仿真目的一、原理1、仿真工具2、二次下变频超外超接收机二、要求三、内容总结 目的   1、熟悉射频接收机整体结构。   2、学习使用MATLAB工具进行行为级仿真。   3、进行简单的通信链路预算。   4、直观感受接收机各个模块对整体性能的影响。   5、分析增益、线性度、噪声系数等参数。 一、原理 1、仿真工具   MATLAB是一款功能强大的数学软件,针对不同领域提供各种工具箱,帮助设计者快

平乾的博客 6760

【数据集】中国各类水文专业常用数据集合集

对中国各类水文专业常用数据集进行整理并总结

WW、forever的博客 9298

IT2008预言:哪些可能发生,哪些不会

每年初,都会出现许多关于未来的预言,PC World别出心裁,将这些预言收集起来,判断它们中间哪些可能发生,哪些不可能。 1.互联网将会熔化:《经济学家》认为信息高速公路会堵塞。有些夸大其辞,例如部分ISP正在升级它们的网络,家庭用户最终将能获得100M的带宽。 2.社交网络面临安全和财政困难:未来12个月社交网络将不再是社会现象而更像是社会灾难。这确实很有可能出现,当过度宣传过后,真相将会浮现...

weixin_30340353的博客 74

观测器选择与工程实践建议

摘要:永磁同步电机(PMSM)无传感器控制中,观测器选型需综合考虑应用场景、性能需求与成本。消费级(家电、工具)推荐滑模观测器(SMO),成本低、鲁棒性强;工业级(伺服、泵阀)适用扩展卡尔曼滤波器(EKF),精度高但计算复杂;车规级(EPS、主驱动)需混合观测器(SMO+EKF),兼顾全速域性能与可靠性。低速时需高频注入法,IPMSM更适用。SMO易实现但存在抖振,EKF调试复杂。未来趋势是混合架构与AI增强,提升适应性与性能。选型需权衡速度范围、电机类型、处理器能力及成本。

汽车软件开发 145

掌握先机:2006年IT行业发展趋势六大预言

Gartner日前发布的报告指出,来自笔记本电脑、移动通讯设备、IT人力资源市场、商务流程外包、产品可调整的适应性等领域的六大趋势将会对2006年及以后的IT行业造成重大的影响以及为从业者创造出宝贵的机会。  一、笔记本电脑私有化  近几年来,笔记本电脑的持有量一直在迅猛增长,越来越多的企业为他们的员工购买笔记本电脑以供移动办公之用。但目前的问题是,笔记本电脑在很大一部分时间内被员工用作了个人用途

w5king的专栏 870

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")

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。

2009年中国互联网10大预言

 新闻来源:搜狐IT1、视频新闻网站大行其道,CCTV等传统电视媒体危机深重,而诸如YOUKU这样的没有鲜明特点的视频网站将被收购。在美国,Hulu这样视频网站也会重蹈YOUTOBE的老路,最终被收购,随着美国NBC和新闻集团将更多内容放到网络上,视频网站迎来发展高潮,未来的新闻网站将走向精细化、视频与文字并举,这将给搜狐、新浪这样的新闻视频网站以巨大发展机会。  2、网络游戏竞争走向白热化,

神经网络爱好者 963

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

2008,展望IT未来

学耕,可以田之;学炊,可以食之。多学无害,学一而知百,此为善学者!做IT行业,做程序员,能耐寂寞者,无视窗外雨雪阴晴,无闻街市寂静喧嚣,花开花落不喜,得失成败不悲,此为忘我之境!凡事,忘我,加以持之,执著如一,何患不成!光阴斗转,时不我待,蹉跎中故人我忘,冥冥中自有注定,这不是预言,仅为已见,以望IT未来。一、未来的语言?现在的中国,提倡和谐,现在的世界,追求和平,作为计算机开发语

靳英辉的专栏 2020

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

《商业周刊》:2009年传媒业十大预言

  《商业周刊》媒体专栏作家Jon Fine发表文章,预测了美国传媒业在2009年的趋势,他指出传媒业将继续下滑、网络广告表现差强人意等,以下为其全文:   尽管预测未来是一件困难的事情,或许会被人们批评为短视或愚蠢。但是鉴于当前传媒世界中普遍存在的浮躁现象,很有必要看一下明年可能发生的事情:  1、传媒业局势进一步恶化  商家正在因经济下滑而调整(多是削减)广告支出。一些受此

铭铭的周记簿 643

SOA:新衣裳还是美丽的谎言?

原文是在《程序员》杂志社第十期发表,详细信息请参看杂志,本文允许非商业站点转载,如果商业网站转载,请和《程序员》杂志社联系,本文仅代表作者个人的观点 用这样的题目有点哗众取宠的意味,不过相对于SOA(Service-Oriented Architecture)这个所谓“下一代软件架构”,任何的修饰都显得暗淡无光。早在1996年,Gartner Group就已经提出了SOA

5675

2008IT分销:挑战与机遇共存 IT分销须求新求变

DoSTOR存储在线 2月25日国内报道:伴随着旧历传统新年的结束,似乎到处都充满着喜庆与和谐的气息,IT分销巨头们应该更有理由兴奋。相对于以往的屡受质疑,现在的上游企业对分销的价值给予了全新肯定,促使分销企业的销售额、利润节节攀升,而有利的外在大环境更足以让它们感到前途一片光明。不过,就像初春的天气依然有阵阵寒气一样,08年IT业的竞争形势不容乐观。在即将到来的惨烈市场竞争中,对各IT分

collswang的专栏 530

(资讯)历史——4 月 10 日:Github 诞生;人类第一张黑洞照片;计算机延误航天飞机

透过「历史上的今天」,从过去看未来,从现在亦可以改变未来。 今天是 2022 年 4 月 10 日,在 2007 年的今天,九城出资 2700 万美元闪电收购雅蜂网,当时雅蜂网上线时间还不到一年。九城从 2006 年起将电子商务领域作为重点投资领域,在 2006 年推出国际贸易 B2B 平台沱沱网后,其互联网战略逐渐浮出水面;这次合作改变了传统 B2B 国际业务形式,首次使用“全面质量采购”为规则,推出了国内第一个纯英文的 B2B 垂直搜索平台。回顾互联网发展史,历史上的 4 月 10 日还发生过哪些关键

moose_killer的博客 752

优快云中国IT技术指数报告 2008年7月 第一期 (4) 基础软件设施

服务端操作系统 排名 名称 指数 比例 指数变化 比例变化 排名变化 评级 1 Windows 1815 46.9% - - - *****

phphot 1865

云计算竞争大转化:IT不再重要,服务越来越有价值

2008年,中信出版社出版了尼古拉斯·卡尔关于“云计算”的著作,《IT不再重要》,这本书的副标题是,“互联网大转换的制高点——云计算”。但这本书的英文副标题直译是,“从爱迪生电器公司到Go...

weixin_47801018的博客 689
上一篇: 显示器模糊的一般原因与处理(转)
下一篇: 看周杰伦《不能说的密秘》
woodcol
博客等级 码龄19年 288粉丝 429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