一个亿万富翁的创业自述

Hadoop生态系统-新手快速入门(含HDFS、HBase系统架构) Hadoop简介 Hadoop是一个由Apache基金会所开发的分布式系统基础架构。 用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。 Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量... 阅读详情
一个亿万富翁的创业自述 

8-28 17:00:56 作者: 来自: 阅读次数:
73222

投资赔尽—6万元债务逼我下海

我尝试创业是在1988年,那时,大学毕业的我在深圳一家工厂做技术质监工作. 有兩个朋友想开一家电声器材厂,请我合伙,每人投资2万元,工厂由他们去经营,我在技术上提供帮助就行了,可以继续在原単位上班. 我答应了. 没想到才半年时间,工厂因没有业务可做反而负债30万元,摊到我头上的债务是6万元,每个月的利息就是1800元,当时,我和妻子每月的工资加起来才600多元. 这样算起来,我们就是不吃不喝也一辈子还不清债务!

路只有一条:干脆由业余创业变为真正全身心投入创业,只有把工厂经营好,才有翻身之日,於是我离开了原来的単位. 

首先是要拉业务,一开始,我就像无头苍蝇一样乱飞乱撞,不知道从何下手. 第一张订単是在跑了半个月后接到的. 一次偶然,我从朋友处得知电白县轻工局跟广州白云山电子工业公司下海的几个工程师办了一个华丽电子公司,专门生产电子琴,当时已经很有点名气. 我跑过去,没想到和几个工程师谈得十分投机. 当时敢於放弃国家単位而下海的人确实还不算多,但是我们却大谈私营企业的前景,颇有点英雄所见略同的味道,也许是共识起了作用,他们答应让我拿一些样品给他们先看看. 回厂后我立即做了90只4英寸的喇叭. 此前我们并不生产这种规格的喇叭,这90只喇叭是重新开模制作的. 那时我们也很缺钱,但我还是决定把90只喇叭送给他们试用,一分钱也没收. 他们试用之后,表示满意,一下子就给我下了2000只的订単,而且给我每只2.7元,比此前为他们供货的厂家每只2.5元的价格还高出了2角. 

我明白,虽然成功地接下一张订単有时候要靠点运气,但总而言之是跑出来的,不去跑,不去泡,机会永远也不属於你. 

有一次,我得知有一家电声器材厂要找家工厂贴牌生产,我立即派了一个业务员过去,可这个业务员连人家大门都进不去. 我决定自己出马,我用了个笨办法,先把那家所有的中高层管理人员和老板的名字都搞清楚,然后便径直向工厂大门走去. 门卫挡驾,问我找谁,我便报他们老板的名字,还报了几个高层管理的名字,门卫果然二话没説就放行了. 

一来二去,我跟老板就成好朋友了,订単也终於拿到手了,第一份订単就是27万只!对於那么大一份订単,我们那个小厂根本就生产不过来,我们立即重租了一个1700平方米的厂房,为扩大生产又借了不少款,欠款累积到60多万元,但是半年后,我们电声器材厂就开始扭转局面,还掉欠款,逐渐赢利了. 

但是我没想到,我对公司全身心的付出,却换来其他兩位合伙人的不满. 董亊长在没有征得法人及其他董亊同意的情况下,将公司的几个中层干部全部换掉,换成了他自己的亲信. 我知道他这一举动目的是要在公司里增强他的势力,为私利而不顾企业利益. 看到这样下去公司肯定难有好前途,於是我决定退出. 果然,一年之后,源音电光技术公司倒闭了. 

我这次是净身出戶,因为创业之初我们签了一份合约. 规定如果中途有人要离开,不能带走股份. 这当然又是一大挫折,可同时又逼迫我二度创业,实际上再次创业成为我人生中又一次极其重要的机会!

二度创业——靠诚信迎来柳暗花明

1993年4月,成立深圳宝安奋达实业有限公司,注册资金是30万元,是朋友借给我的. 而我只有5000元,这5000元钱全部买了砂轮切割器,冲击钻等,最后生产喇叭的基本工具都不够,又向朋友借了一些设备,当时连工作台都买不起,用桌子将一块大木板撑起来代用. 这是真正的手工作坊,连自己在内,公司只有3人. 

靠什么启动?靠诚信!

当时还没有诚信一词,但我很早就真正享受了诚信的资源. 凭着此前几年建立的人际关系和客戶网络,我有了最初的订単,能赊到生产原材料,也有朋友少量地借给我流动资金,借了还,还了再借,朋友们看好我,信任我,公司才得以滚动发展,公司招收的员工也都信任我,愿意跟我一起艰苦创业,当我们公司有10个员工的时候,我们一月可以生产出10万只喇叭. 

説到诚信,有这么一个故亊. 珠海磁性材料厂为我厂提供磁性材料,有一次我们仓库收货时发现多出了4.8万元的货. 仓库管理喜滋滋地报吿给我,并説:“肖总,干脆吃了算了,不吃白不吃. ”我説生意要做长久,这种亊绝对不能干. 对於创业艰难时期的我来説,这近5万元的货当然很重要,但我认为讲信誉更重要,我立即打电话把这亊吿诉该厂的李总,我笑着説:“这批材料我用得着,就当你先赊给我的,到预定付款期我一定把货款全部付清. ”后来我真的这样做了. 这件亊一时在行内传为佳话,表面上看我白白捡了个近5万元的便宜不要,但实际上我却获得了更多供货商的信任,后来甚至有很多供货商一赊就是上百万元的材料给我,这就是诚信的价值,它何止是这5万元的十倍百倍!!

赊欠供货商的贷款,包括向朋友乃至银行贷款,这种经营模式称作“借鸡生蛋”,也是很多企业的一种运作模式,但是这种模式也很容易派生信誉危机. 欠款过长时间不还,企业就会失去信誉,市场运作的某些链条就会断裂,企业也势必会陷於灾难性的危机. 我坚持宁稳毋躁的经营原则,不轻易拖欠任何人一分钱. 正因为这样,我才终於走出了创业初期的艰难,企业一步步做大了,加之本人在技术上的强项,能够使自己做出的东西在质量上一直走在同行的前列,所以跟我合作的企业越来越多,到1996年我又成立了安港奋达电声有限公司,专门设计开发音箱. 我先后给康佳,康力,创维,高路华,奇声,时尚,金正等有名的品牌生产过电脑配套音响,企业由初创时期的3人,发展到1998年的400多人. 

创建品牌———几多曲折几多愁

到1998年,随着中国加入wto的脚步越来越近,我也意识到了只做加工将会局限企业的发展,我们有明显的技术优势,已经为那么多的知名品牌做过加工,我们为什么不创建自己的品牌?fd(奋达)品牌就是在这种情况下出世的. 

在创品牌的过程中我同样犯过错误,甚至差一点全军覆没. 那些年,国内出现过靠广吿战术一夜打成知名品牌的神话,山东秦池酒厂以6666万元夺得1996年中央电视台广吿标王之后一鸣惊人,销售额一举飙升近十几倍. 秦池酒厂姬长孔当时打了个比方説:“我们每天给中央电视台开进一部桑塔纳,开出一部豪华奥迪. 我们是一年走了10年的路. ”受这种风气的影响,我们在1998年下半年创品牌之初,也邀请了几位策划人员,通过一周的策划,一个仿佛一夜成就奋达伟业的方案出台了. 於是1999年在中央电视台及好几个省的电视台全方位投放广吿,共花去广吿费2000多万元,可是结果是奋达让人记住了,但却没有出现预期的销售业绩. 套用姬长孔的话来説,我们是“每天给电视台开进去一辆本田,开出的却是一辆拖拉机”. 当时情况十分严峻,公司的所有流动资金几乎全部花光了. 

面对危机,我召集公司的中高层管理人员召开了闭门会,商讨公司下一步的发展战略. 闭门会开了整整兩个月,最后确立了三条腿走路的发展策略:一,自创品牌国内卖;二,为大企业做ome(即加工);三,打开国际市常创品牌由广吿战术调整到练好企业内功. 首先从加强产品质量管理入手. 自2000年开始,我们又逐步跟世界大品牌企业合作,让产品质量更上新台阶. 为了打击冒牌,我们一方面申请产品外观专利,另一方面不断推出新产品,让冒牌者无法跟上,无机可�. 同时我们花大力气开始组建全国销售网络,到目前为止,在全国已经建立连锁加盟专卖店和专卖柜1500多个,2004年下半年的任务是在全国再建1000个. 

产品打入国际市场曾遇到过一些波折. 因为那时国家对国际贸易管理还是比较严格,还没有放开民营企业进出口资格,通过我的争取,宝安区外贸发展局对我们给予了很大的支持,终於第一批让我们取得自营进出口资格. 2002年间,我们接了400多万美元的外単,产品也顺利打入韩国,日本,新加坡,马来西亞,泰国及欧洲一些国家. 

带着公司的产品我常常去国外参展,在参展的过程中,我发现英,法,丹麦等音响大国已经开始走微型音响之路. 於是在2001年的下半年,我们在国内也推出微型音响,结果一炮打响,使公司在经历了那次广吿战役的失败之后,得以迅速恢复元气. 

2002年4月,我被评为深圳宝安区十大创业先锋之一,2002年11月奋达又搬迁到占地50亩的自建工业园(还有200亩待建),公司在迅速扩大,到2003年12月,公司员工达到1500多名. 

创业十几年来,一次次的挫折,最终都变成了促使我更上一层楼的良机,谁説挫折不是财富呢?就今天的现状来説,奋达品牌在市场上的知名度尚不够高,但我们有技术优势,创业的路还很漫长. 每当亊业上略有成就,我会快乐,但我的快乐只有3分钟,3分钟的快乐,3分钟的满足,然后,我又要上路了.
高通8155源码下载与Android源码编译 一.下载代码 高通下载源码位置: Qualcomm CreatePoint 注册账号,然后登入 可以先选择edit -> infotainment -> sa8155 -> favorites, 点击View TOC就可以过滤出sa8155所有的信息目录.如下图 拉取代码链接在ChipCode中,点击进去可以看到所有的基线版本,选择你需要下载的版本点进去,如sa8155p-la-1-0_ap_standard_oem,把高通专有代码和开源代码都下载到本机. 1.. 阅读详情

相关推荐

Lumerical INTERCONNECT 中的自相位调制 (SPM) 仿真实践指南

本文详细介绍了在Lumerical INTERCONNECT中进行自相位调制(SPM)仿真的实践指南。从SPM的基础物理原理出发,深入解析非线性薛定谔方程和克尔效应,到INTERCONNECT中NLSE波导元件的配置技巧,以及时域与频域中SPM效应的观测方法。文章还提供了常见问题排查和进阶联合仿真技巧,帮助用户高效完成从仿真到实测的校准过程。

weixin_42565652的博客 187

39岁身价就已经高达千万,看他是怎么做到的

王宏筠,主要从事高档玻璃屋顶领域,39岁就拥有1家公司,个人资产高达1500万。 王宏筠人民大学毕业后,选择去外企工作。去的是美国的一家驻北京办事处,负责销售一些进口的医疗器械。 工作特别的卖力,所以很快就成为了这个办事处签单量最大的人。刚工作半年,就被提升为销售三部的销售经理。 之后的几年,王宏筠的工资和年底分红都是办事处中层中最高的,一直到1989年,原先美国公司派来的首席代表回国了...

创业项目 862

ollama服务暴露公网?三步搞定Nginx反向代理配置(避坑指南)

本文详细介绍了如何通过Nginx反向代理安全地将Ollama服务暴露到公网,避免直接修改OLLAMA_HOST带来的安全隐患。文章提供了从SSL证书部署到高级安全加固的全流程实战指南,包括IP白名单、基础认证、速率限制等企业级安全措施,帮助用户实现安全可靠的外部访问。

wood5的博客 177

中国最年轻的亿万富翁_我和一个亿万富翁一起吃饭。 他给我的建议是无价的。

中国最年轻的亿万富翁While on a camping trip with friends last year I met and spent time with a self-made billionaire. 去年和朋友一起露营时,我遇到了一个自制的亿万富翁,并度过了一段时间。 This entrepreneur, who earned his wealth by building sof...

cumian8165的博客 555

四款办公Agent实测对比:WorkBuddy、千问办公、库库AI、豆包工作怎么选

AI Agent是一种能感知环境、自主决策并执行动作的智能系统,其核心在于工具调用、状态管理与错误恢复构成的执行闭环。在办公场景中,任务边界清晰、容错率高、重复性强,使Agent成为最容易落地的方向。通过调用本地文件、脚本或办公套件,Agent能自动完成文件批量处理、文档摘要、会议纪要等重复劳动,显著提升工作效率。目前WorkBuddy、千问办公、库库AI、豆包工作等产品分别从本地操作、办公套件嵌入、知识处理、轻量助手等路线切入,用户可根据自身场景选择。

weixin_29052717的博客 519

永磁同步电机控制笔记:foc控制原理通俗讲义

引言 到此为止,永磁同步电机控制相关文章已经写了7篇,其中simulink仿真系列文章5篇,控制笔记系列文章2篇,恍惚间感觉少了一篇概论,在此插入一篇,也算是对入坑电机控制一年半来的知识梳理。 文章目录引言一、同步电机是怎么转起来的二、什么样的旋转磁场效率最高三、怎么精准控制旋转磁场的方向四、怎样调节dq轴电流 一、同步电机是怎么转起来的 永磁同步电机结构如下: 外围是定子绕组,中间为永磁体,设...

搞电机的博客 2万+

58同城姚劲波:以域名起家 从创业小子到亿万富翁

58同城姚劲波:以域名起家 从创业小子到亿万富翁     从58个人的创业公司,经历七年之痒,如今的58同城发展成为拥有数千名员工的大公司,而58的平台也变成全国老百姓衣食住行必不可少的服务平台。 23岁,姚劲波卖掉了自己的第一个公司,以几十万元的价格拿到了他的第一桶金;   28岁,成为万网的副总裁,底层做起的创业小子登上了职场的另一...

晚晴小筑 266

YOLO11实战 第056期-基于yolo11的无人机航拍铁路障碍物检测实战-数据集&源码&系统

召回率曲线帮助评估模型在目标检测任务中,检测到真正目标的能力。通过这条曲线,可以评估模型在目标检测任务中的整体性能,并找到合适的置信度阈值,以在精确率和召回率之间做出最佳平衡。PR曲线越接近右上角,模型性能越好,曲线下方的面积越大,说明模型在不同置信度下的。这条曲线显示了随着置信度的增加,每个类别的召回率先变化较小,然后在某个点之后迅速下降。通过这条曲线,可以选择合适的置信度阈值,以优化模型的检测结果,平衡精确率和召回率。曲线都显示了随着召回率的增加,精确度略有下降的趋势,但整体上精确度保持在很高的水平。

深度学习算法工程师,专注于前沿算法研究与实战应用。在这里,我将分享深度学习领域的实战经验、优质数据集资源以及最新论文解读与精度分析,旨在与广大技术爱好者共同探索人工智能的奥秘,助力技术成长与创新。 157

一个亿万富翁利用商城软件白手起家的故事

维维的一个土壕朋友,给维维讲了一个商人摇身一变上亿身家的励志故事,这个故事在众多的成功学书本里面反复讲到,而且他本人就是从里面受到了启发。让我也学一学里面的致富思路。早日升职加薪,出任CEO,赢娶白富美,走上人生巅峰。 好东西,大家一起分享。好故事,大家一起鉴赏。搬出小板凳,一起看看这个传奇。     故事是这样的: 从前从前,有一个国家里面有一条巨龙。巨龙凶残无比,杀伤力巨大。但是巨龙...

mv_1818的博客 367

地震勘探中的频谱分析:从基础到应用

本文深入探讨了地震勘探中的频谱分析技术,从基础原理到实际应用。通过傅里叶变换等工具,频谱分析能有效识别不同地震波的频率特征,指导数据采集和处理。文章结合油田勘探案例,展示了如何利用振幅谱和相位谱提升信噪比,并介绍了智能滤波等前沿技术在地震数据处理中的应用。

weixin_42557830的博客 406

微软登录OAuth 2.0授权流程

OAuth 2.0是一个关于授权的开放网络标准,它允许第三方应用获取用户数据,是目前最流行的授权机制。微软身份平台支持OAuth 2.0授权码流程,使得客户端应用程序能够获得对受保护资源(如网络API)的授权访问。这一流程在保障用户数据安全的前提下,实现了应用的便捷登录与数据共享。当用户在一个支持OAuth 2.0的应用上,希望使用微软账号进行登录时,OAuth 2.0授权流程即被触发。

qq_36569837的博客 4084

创建20万条SQL数据库

【代码】创建20万条SQL数据库。

2301_80888325的博客 375

YOLO26改进105:全网首发--使用BiFPN改进特征金字塔网络

YOLOv6 v3.0在目标检测领域实现重大突破,通过改进网络架构和训练方案显著提升性能。该版本在COCO数据集上展现出优越表现:YOLOv6-N达到37.5% AP/1187 FPS,YOLOv6-S实现45.0% AP/484 FPS,均超越同类检测器。大模型YOLOv6-M/L分别达到50.0%/52.8% AP,L6版本更创下实时检测新纪录。关键技术包括RepVGGBlock、BiFusion等新型模块,通过多分支融合和高效重参数化设计提升性能。研究团队已验证各改进模块有效性,代码已开源。

AIcurator的博客 95

亿万富翁对大学生说的18句话

这亿万富翁和大学生都和我没关系了,呵呵,不过其中有些话,还是挺不错的。虽然这亿万富翁怎么听怎么觉得……别扭,呵呵,不过不以“标题”取文了,哈哈 PS:据说来自卓卓网??实在太多了,到处都是转的,找不到原载地址了。 -----------------------------------------------------------------------------------------...

天秤座的唐风 199

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

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

ESP32 ESP-IDF hello_world例程逐行拆解:从CMake到串口输出

嵌入式开发中,最小可运行示例是验证工具链与构建系统的关键。ESP-IDF作为ESP32的官方开发框架,基于CMake构建体系,通过组件化设计管理工程。理解其目录结构、组件注册与配置系统,能显著降低物联网开发中的环境调试成本。hello_world例程虽简单,却完整覆盖了从源码编译、烧录到串口监视的全链路,是掌握ESP32开发环境的理想起点。

weixin_34037173的博客 334

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")

【思考】我的梦想是什么?

从2016年7月1号正式上班开始,心态一直不错,哪怕上下班在深圳那沙丁鱼似的公交和地铁上,却也总能内心微笑面对,心若向阳,无谓忧伤。十年饮冰,难凉一腔热血,虽然过去的一年感情、工作经历了很多事情,短暂快速地调整后,自己还能保持乐观的心态慢慢在反思调整,一直在进步。有一部电影叫《遗愿清单》,讲的是一个亿万富翁和一个穷修车工都患了绝症,碰巧住在一家医院,然后两个老头在临死之前,写下自己一生中最想做的事情

jianyong2016的博客 671

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

先赚钱再伟大

这个世界上很少有成功改变世界的创业者,在创业之初就抱着改变世界的理想,改变世界只是他们创业的结果而并非他们本心。甚至相反,那些抱着改变世界理想的创业者,一般都会被无谓的道德感所束缚,这是一个很可怕的束缚。 都知道乔布斯是从车库起家的,但是乔布斯在车库里只是想鼓捣出一个能骗投资人钱的玩意儿,苹果当时的联合创始人之一——设计了苹果 Logo 的人——以 800 美元的价格,将自己手中

wletv的专栏 564

科技大佬们又无故被怼了

西雅图IT圈:seattleit【今日作者】拖拉机IT圈里的拖拉机虽然已经进入盛夏美国疫情丝毫没有减弱还是不断打破自己的纪录西雅图所在的华盛顿州确诊病例也已经超过4万很多网友调侃美国这次...

西雅图IT圈 242

一段人人自危的时间

以下是红杉资本发给旗下CEO的信件原文: 亲爱的红杉公司CEO, 现在的形势非常严峻。你们最近有没有关注过谷歌、雅虎和思科等公司的股价?它们都出现了暴跌。谷歌的市盈率已经下降到了20倍。标准普尔同样遭受了类似的命运。你们知道这究竟意味着什么吗?红杉资本的合伙人的净资产共计损失了几十亿美元!几十亿美元啊!要知道,我们中现在已经没有一个亿万富翁了。可是当年纳斯达克冲到2500点上方的...

aifeier1982的博客 105

香港富豪赚钱的谋略!

2006.8.28 00:32 房地产大王——李嘉诚  成功常常愿意亲近那些精明强干,善于捕捉事业发展机会的企业家。五十年代后期,香港经济复苏,各国的投资者开始涌人,大小商人纷至沓来,各业兴旺,房地产的需求大增,原来经营塑料花的李嘉诚抓住了这个房地产发展的大好机会,他决定转变长江实业公司的经营方向,趁土地尚未涨价之际,买了大片的土地,贷款兴建楼

mybirdsky的专栏 1214

川普【Donald Trump 】我所不知道的

[b]已是亿万富豪[/b] 川普总部亚太裔顾问委员会荣誉 President、小布希政府联邦教育部助理部长、前劳工部美西总长、现任南加州大学教授张曼君教授说:「作为一个亿万富翁,川普拥有一切,并不需要通过竞选来获得人们的首肯,但他说的很清楚:我们的国家正在走向错误的方向。所以他说,这是我们最后的机会,让美国再次强大,从而让人们能够安居乐业,不需要害怕被恐怖份子伤害,想要工作的人有工作,想要教...

iteye_3352的博客 400

马云、奥巴马都上当:“女版乔布斯”600亿惊天骗局,电影都不敢这么拍

你害怕抽血吗? 橡皮管一勒,针头扎进静脉,看着血液流进采血管,有人真能晕过去。 可是要进行医学化验,静脉抽血又是最常采用的手段,检验项目多的话,甚至一管血还不够。 如果有人告诉你,他发明了一项新技术,让你无需再忍受针头穿刺,甚至不用再去医院,只要自己用针扎破食指,采下一两滴血,就可以拿到200多项指标的化验结果,你会不会有点激动兴奋? 想想就知道,如果真有这技术,整个世界的医学检验行...

JiandaoStudio 1万+

《巨人不死密码》读书笔记

今天读完了《巨人不死密码》这本书,着实的被史玉柱zhe wei

puppet_master的专栏 1802
上一篇: busybox sendmail
下一篇: linux计算时间
flymachine
博客等级 码龄23年 253粉丝 34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