硅谷之行 (13) 留守民工过春节

Mplus—随机截距交叉滞后模型(Random Intercepts Cross-Lagged Panel Model, RI-CLPM) 介绍随机截距交叉滞后模型(Random Intercepts Cross-Lagged Panel Model, RI-CLPM)的相关知识,例如模型内容、Mplus语法及对应网址等。 阅读详情

本文未经网络隐士许可,不得转载。http://www.caocao.mobi

上回说到隐士好不容易Roll back了整个无聊的租房项目,也迎来了老糨糊的回国过年。
不容易啊,终于在美国盼到了没有老糨糊的早晨,隐士伸个懒腰,一拉大门,赶紧卧倒。干啥要卧倒啊?因为门口有一个疑似爆炸物的包裹,美国可兴这个,逢年过节炸两下,新闻媒体有稿子,出兵打仗有路子。
隐士到了美国貌似没有结仇家呀,难道是Door to Door司机破釜沉舟?或是太极水上漂为了25美金痛下杀手?隐士这个后怕呀,硬硬头皮戴上自行车头盔,虽然戴和不戴没啥区别,总也有点心理安慰吧,接着抄起马桶刷子,房间里只有这玩意还算趁手。隐士就这么缩在门口,捅了那个包裹两下,包裹没包严实,散落开来,我倒,第三回提到的那包万恶的乐事薯片露了出来,原来是老糨糊留下来的东西,隐士真是哭笑不得,刚才差点尿裤子,老糨糊人走了,余威尚存啊。你就不会留房间里,写个纸条说明一下啊,堵俺门口干啥。
隐士提起包裹进屋盘点,那刻隐士做了一件改变一生的错事,是啥呀?别绕弯子啦,好,咱捞干的,直接说,隐士见薯片已经开口,但是大半包都没有动,心中暗喜,不错,咱尝尝美国的乐事薯片,夹起一片放入口中,刹那间,隐士感觉嘴里被人泼了硫酸——毁口,唉,平时太八卦,这是报应啊。这薯片也忒难吃了啊,从此隐士改变了对乐事的看法,并下定决心从此不在美国吃乐事薯片。后来民工J和监工L相继来到美国住在一起,他们都和隐士一样,一片倒,这包薯片最后进入垃圾房安享天年。
接着是一大袋加州橙,一大桶洗洁精,他蹲两个星期买那么多东西干什么啊,那一桶洗洁精后来隐士洗了两个多月的盘子才洗掉,加州橙在冰箱里开始长毛了,隐士也没能把他们对付光。都说搞IT的民工会精打细算,这老糨糊怎么就是这么无厘头呢?
后来,老糨糊回到国内在网上冒出来,隐士特地谢过他留下的这些东西,真是难以言表啊,要是能当面谢就好了,隐士一定用力握他的手,用力,再用力,吃酸奶的劲都使出来,对了,还有两个多月才回去啊,正好先练练铁砂掌。
折腾了半天,隐士再次戴上头盔,跨上两轮车,从房间里出来奔前门而去,公寓里大部分人到得前厅都奔后门停车场而去,唯独隐士奔前门,这叫有型,美国穷人不骑车,有钱人才骑车,为啥呀?锻炼身体嘛。管理员西班牙胖大姐正好在,她看见隐士这幅模样,张大个嘴,半天合不起来。隐士八卦惯了,上前搭讪,瞧,公司多好啊,多体量民工,特地买辆车让俺健身,其实是俺不会开车。胖大姐回过神来,说为啥不住公司近一点啊?嘿嘿,当然是这里好啦,舍不得啊,这么好的地方,人间天堂啊。对了,能否顺便给俺打开宽带,三克油!胖大姐相当和善,You are welcome! Have a nice day! 隐士也回一句,You too!
一路出来,这个累啊,晚上骑车好轻松,怎么早上就不对劲了呢?上回提到过,后来才发现上班一路都是上坡,骑车如拉纤般痛苦。
对付到公司,开始继续砌墙,偶然间看到走廊里这么个安民告示,哦,春节快到了哦,唉,俺这个民工连排队三天三夜买火车票返乡的机会也没有,实在搞不懂为什么要派俺来美国过春节,整个上海分舵也就俺一个民工此刻在那遥远的地球另一端。包工头L,你这是安排的啥计划啊,郁闷!
s

回到座位上,隐士想起出国前和女友一起在城隍庙附近买了些福袋,准备带到美国送同事的。这做福袋的师傅可是大牛啊,曾经上过新民晚报,价格也不贵,5元一个,很香,有几十种样式。隐士掏出福袋送给组里老少爷们,祝中国新年快乐。包工头Brian煞是喜欢,无心之下说了一句隐士感觉相当郁闷的话,他说怎么上海这边会决定让你春节留美国,你在美国蹲三个月,你女友应该飞过来看看你呀。胸闷,原来春节留美国不是你拿的主意啊,俺还以为是你定的啊,原来是包工头L,倒霉。还说让俺女友飞过来探监?别逗了,你以为孟姜女哭长城啊,孟姜女至少是爬到了长城,还哭了一把,俺女友怎么可能飞过来呀,签证就签不出,算上来回机票钱,隐士这三个月就在美国义务劳动了啊。包工头Brian忒可爱了,没办法,人家不了解咱的国情嘛,隐士解释了一下,他貌似明白了。
下午,工会的干事G来探望隐士,她和前文说到的干事J是工会马主席的两大得力干将。她听说隐士要留在美国孤苦伶仃一个人过春节感觉不妥,来邀请隐士大年初一去她家吃火锅,算是图个喜气。隐士喜出望外,千恩万谢。
第二天是除夕,也是星期六,不上班。隐士准备做个牌子上写“高价回收墨盒、显示器”挂脖子上骑车逛街去,没找到纸板,作罢,不过民工还是要出去逛逛的好。老糨糊两个多星期都没有带隐士逛过住处周围,咱自己来。隐士怀揣打印的Google卫星地图骑车溜达出来了。
这是过高速公路的人行桥,骑车正好,下面是宽阔的高速公路,这铁丝网造的,比国内类似的天桥安全多了。
s

来张全景的,周六的高速公路上车烟稀少,平时上班这里可堵啦,半个小时挪100米是常有的事情,隐士看见堵车就来劲,嗨,咱两个轮子都比你四个轮子快,嗨,咱一提把,一个轮子照样骑,还是比你快,哈哈。鲁迅师傅泉下有知,定能被隐士热衷在海外传播阿Q思想所感动。
s

下桥是一片住宅区,隐士蹲的这块地方是硅谷的偏远乡村,类似上海的崇明岛。住宅全都是两三层的别墅,门前一大块草地,一个个大大的车库遥相呼应,没有保安牵着狗巡逻。要是在上海这个治安相对全国算好的地方,不用想,这照片里肯定有“办证13xxxxxxxx”、“专业打洞15xxxxxxxxx”等等,看过MI3的主都知道汤师傅在片中有个镜头走光了,他边打手机边蹿,前面墙上赫然一个办证广告。看来还是中国人聪明啊,会做广告。
s

在美国有车算啥呀,起码要有游艇,这家挺阔,两辆好车,一艘游艇,米人啊。不过呢,有游艇又算啥呀,有自行车的才算有钱,哊,隐士就有自行车啊,怪不得一路上老美用羡慕地眼光看着隐士。
s

路过一社区公园,一群人正打冰球,隐士蹲着看了会,有意思。骑车也有骑车的好处,可以随时停下看风景、拍照。
s

转了半圈,看官问了,隐士你这是去哪里呀?还用问,去公司加班,老糨糊闹腾得隐士都没时间做项目,到美国两个多星期了,还没休息过,加班才是硬道理。半夜隐士逃回住处,嘿嘿,网通了。
周日,年初一,没有去加班,因为干事G下午要接隐士去她家吃饭,早上隐士就去逛逛住处附近的一高档购物街,名叫Santana Row,上海人都知道,大街小巷跑的出租车绝大部分都是这个桑塔纳牌的。
别逗了,这街上就这点人,还购物街呢。人是惨了点,不错啦,这算这片人气比较旺的啦,怎能和国内摩肩接踵比。
s

人家就是规范,摆地摊都有帐篷,明码标价,不过价钱可贵啊。
s

老美真是爱狗啊,隐士明明在前面看到有标志,此街禁狗,这位女士不信邪,带着两只狗,和蹲着的大叔的那条狗眉来眼去的。旁边那位真不怕冷,一月的天还穿短裤。后来才知道,这算不了啥,隐士还见过大冬天的,一女士穿个背心,后背全裸,下面是条超短牛仔裤衩,脚踏一双凉鞋招摇过街,看得隐士浑身颤抖,不由得再裹一裹身上的厚衣服以御寒风。
s

对面那小楼是这片唯一的电影院,隐士消费不起,门口张望一下而已。
s

这就逛到头了,前后还不满500米的桑塔纳路也够寒酸的,在上海这样的路敢叫自己高档购物街,早笑坏大牙了。回去吧,隐士摸回住处等干事G。
没多久,干事G驾车出现,车上还有两位男士,隐士坐了进去,一路飞快,一刻钟就到了干事G的家里。在干事G开车入车库的时候,俺已经和这两位打得火热。其中一位是干事G的老公,另一位是她老公的同事,也是个流落异乡的民工,和隐士同病相怜。隐士听她老公口音知道是南方那里的,开讲广东话,果然有效,她老公也会讲广东话,俺们立刻开始粤语对卦,因那位民工要在室外抽根烟提提神再进去,大家都在门口蹲着,隐士和她老公扯了半天粤语,过瘾,干事G受不了了,她不会听说广东话,看着俺们直发愣,后来插话进来说怎么停车才一会,你们两个就开始说鸟语了。嘿嘿,这叫老乡见老乡嘛,虽然她老公是广西人,俺是上海人,只要都说广东话,也算老乡哦。干事G对这个八卦逻辑持保留态度。
稍坐片刻,开吃火锅,隐士这个感动啊,两个多星期上顿生菜,下顿披萨,眼前都冒金星了,终于有顿像样的中式晚饭好吃。看官说了,老糨糊在美国没带你去吃中餐么?别提了,哪壶不开提哪壶啊,十多天他一共带隐士吃过三顿晚饭,没有中餐,其中两顿去的地方后来被众民工集体鄙视,一顿去的地方是隐士打听来的日本寿司店。
哇,有涮羊肉啊,还有各式中式火锅料,虽然和国内火锅店比起来材料少了好多,不过身在异乡,能吃到这样的已经很不错了。隐士和那位民工算是有点过年的感觉,其实干事G夫妇何尝不是啊,有俺们两个民工一起八卦,这年初一也算有点样子。那民工也不开车,住处走到公司要20分钟,挺好。问及俺,俺走路要一个多小时,骑车也要半小时。大家都嘱咐隐士,骑车一定要小心啊,千万遵守交通规则。都是好人啊,俺在美国极其遵守交通规则,幸好活着回国了。不过有两次俺遵守了交通规则也差点让车撞,唉,苦命啊。
他们的儿子可是个调皮捣蛋的主,家里来俩民工,他可乐坏了,上窜下跳,吃不好好吃,喝不好好喝。这不,猫在一小车里锻炼驾驶技术。隐士征得干事G的同意拍下了这个调皮鬼,隐士许诺把照片给青木堂的众民工看看,干事G笑答好呀。
后来民工J、监工L和隐士有幸坐了一次干事G的另一辆车,那是一辆宽敞的小巴,监工L笑问为何买这么大的车,干事G长叹一声,还不是为了孩子呗,监工L接着问有几个孩子,那头再一声叹息,一个呗。俺们仨皆汗,可见这小鬼的折腾能力非同小可。
入夜,两民工再次烦劳干事G送回住处,到了住处门口,隐士再次感谢盛情招待,互相道别。半夜,隐士躺在床上,感慨万千,这是怎么回事啊,莫名其妙跑到美国过春节,真是莫名其妙,究竟哪个环节出了问题啊。eBay不懂得尊重中国的文化,还玩得下去么?第七回说到的绿帽子、送终事件就是明证。
第二天上班,哪知一到公司就被包工头Brian抓住了,隐士被拖至工头台前……
欲知后事如何,且看下回分解。
下一回:硅谷之行 (14) Google之行
s 

YOLOv13添加WDBB模块,map提升5.34!!,召回率提升6.55,准确率提升3.23 本文提出了一种基于YOLOv13改进的目标检测模型,通过引入WDBB模块显著提升了检测性能。实验结果表明,添加WDBB模块后,mAP提升11.34,召回率提升14.55,准确率提升3.23。文章详细介绍了模型移植方法,包括创建新的yaml配置文件、修改tasks.py和__init__.py文件,以及实现rep_block.py中的核心转换函数。改进后的模型通过深度卷积、通道注意力等模块优化了特征提取能力,同时保持了轻量化的特点。该工作为YOLO系列模型的性能提升提供了新的思路和技术实现。 阅读详情

相关推荐

从零到一:STM32G431的DSP库集成与FFT实战避坑指南

本文详细介绍了在STM32G431微控制器上集成CMSIS-DSP库并进行FFT实战开发的完整流程。重点解析了通过CubeMX和Keil环境配置DSP库的关键步骤、编译器宏定义陷阱及解决方案,并提供了FFT算法优化、内存管理及常见问题诊断的实用技巧,帮助开发者高效实现嵌入式信号处理应用。

oauth7security的博客 768

硅谷之行 (18) 硅谷-斯坦福-旧金山

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到隐士与民工J杀入海鲜自助店大肆饕餮后再去狮子城买生活用品,买好后闪入狮子城旁的台湾小吃店“万家香卤味”买便当,台湾叫便当,对于民工来说就是盒饭,民工吃盒饭天经地义。买完盒饭,民工J忽然脸色刷白,满地乱转,是要找五谷轮回之所啦,隐士也晕了,不知道哪里有此仙境。民工J

网络隐士的专栏 5186

LAMMPS模拟新合金没势函数?手把手教你用`pair_style hybrid`混合势函数(附FeCMnSiTi案例)

本文详细介绍了在LAMMPS中如何使用`pair_style hybrid`混合势函数模拟新型高熵合金(如FeCMnSiTi),解决缺乏现成势函数的问题。通过实战案例,涵盖参数查找、命令编写、错误排查等关键步骤,特别适合处理多组元体系的复杂相互作用。文章还提供了EAM势函数与LJ势的组合技巧,帮助研究者准确模拟合金性能。

weixin_30635053的博客 246

硅谷之行 (17) 混进eBay北分舵

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到监工L被我英勇机智的边防人员在浦东机场截下,此事件严厉震慑了众多企图偷渡的犯罪分子,赵大队长荣立三等功,奖金若干,钱小队长口头通报表扬,线人保洁员孙大妈多调休半天,票务李小姐野蛮出票记大过……可怜的监工L这是被谁忽悠了呢?据监工L事后口头交代是美领馆签证官忽悠了他

网络隐士的专栏 4909

Camera metadata

Camera metadata

weixin_42136255的博客 2529

博途 V15.1安装步骤

温馨提醒:安装此软件电脑配置至少应满足以下要求 处理器 CoreTM i5-3320M 3.3 GHz 或相当 内存 至少8G 硬盘 300 GB SSD 显示器 15.6' 宽屏显示 (1920 x 1080) 1.双击打开【Siemens v15.1】文件夹。 2.鼠标右击【STEP 7 BasicProfess...

谢谢关注“小鱼教你模数电”,各平台同号 9万+

硅谷之行 (16) 单身民工的生活

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到隐士春节里走了趟亲戚,顺便被ANA忽悠了一把。周二隐士再次打入ANA,小姑娘不长记性,依旧是靠靠靠的,唉,日本人说话就那样了。隐士大发雷霆,八嘎!你们地忽悠我地,快递晚了好几天地,箱子比原来地小好多地!忒不像话,重新买个大地送过来,你地明白?小空妹吓了个半死,一声

网络隐士的专栏 4031

DeepSeek API调用太复杂?OneAPI一站式聚合解决方案

本文介绍了OneAPI如何作为一站式聚合解决方案,简化DeepSeek API的调用流程。通过统一接口、智能路由和模型映射等核心功能,OneAPI大幅降低了多API适配的复杂性,提升开发效率。文章还提供了详细的部署指南和高阶使用技巧,帮助开发者快速实现API聚合管理。

weixin_27215337的博客 381

硅谷之行 (15) Fremont观豪宅

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi为人不蹭Google饭,就称民工也枉然。上回说到干事J带着隐士去Google蹭饭,隐士连吃带划拉,鼓鼓囊囊逃离Google,万幸没被抓现行。回来后,整个下午隐士晕晕乎乎,正飘飘然间,一个电话打了进来。一接通电话,一口浓重的生鱼片式英语扑耳而来,还夹了些芥末:Hello,

网络隐士的专栏 3727

OceanBase数据库:与MySQL和Oracle的函数差异分析

OceanBase数据库兼容性解析:MySQL与Oracle模式深度比较 摘要:OceanBase通过独特的双模式架构,实现了对MySQL和Oracle的高度兼容。文章首先分析了OceanBase的兼容性架构,包括SQL解析层、优化器层和执行引擎层的差异化设计。随后对比了两种模式在数据类型、SQL语法、函数支持等方面的兼容性差异,其中MySQL模式兼容5.7版本大部分功能,Oracle模式则支持155个内置函数和PL/SQL特性。最后提出了模式选择的六大考量因素,包括现有系统基础、功能需求和迁移成本等,为数

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 1228

Hermes Agent 桌面版安装部署完全指南:一步步安装自进化Agent智能体

是由开发的开源自主 AI 智能体(MIT 协议)。它不是绑定在集成编辑器上的编码助手,也不是围绕单一 API 的聊天机器人封装——它是一个越用越强大的自主智能体,拥有独一无二的闭环学习系统特性说明自主技能创建在复杂任务后自动生成可复用的 Skills(技能)技能自我改进使用过程中持续优化已有技能持久化记忆跨会话记住你的项目、偏好和解决方案用户画像建模通过 Honcho 方言式推理,逐步构建对你的深度理解20+ 平台接入。

大模型与Agent智能体 7767

硅谷之行 (20) 印度宝宝洗礼

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到周日由太平洋上生成的一个超级Storm席卷了旧金山,正向硅谷逼近,一时间人心惶惶,街市冷落。隐士是硬着头皮准备参加老印猫哥的宝宝洗礼,包工头Brian本要接隐士赴会,可约定的时间过了20分钟人还未出现。要知道他家开车过来也不过是10分钟,晚20分钟莫非是……不敢多

网络隐士的专栏 3688

5、AIX系统硬件管理与故障诊断全解析

本文全面解析了AIX系统的硬件管理与故障诊断方法,涵盖系统管理服务(SMS)的使用、设备兼容性配置、设备配置数据库结构、常用命令如cfgmgr、lsattr、smitty devices的操作详解,并深入介绍了错误日志管理机制,包括errdemon、errpt、errlogger等命令的应用。通过实际案例分析和流程图展示,帮助系统管理员掌握从问题怀疑到诊断执行再到日志清理的完整流程,同时提供注意事项与最佳实践,助力AIX系统的稳定运行与高效维护。

y2z3a4b5c的博客 62

硅谷之行 (28) 一进旧金山 III

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到俺们几个傻老爷们逛了一把金门大桥,准备过桥回市区的时候被人在桥上拦下。原来是收钱的大爷,金门大桥实行单向收费,尽管建成近70年却依然收费。国内亿人唾骂的高速公路收费老爷们可以挺直腰板说话,瞧,人家收了70年啦,俺们建国才不到60年嘛,高速公路收费天经地义。隐士力排

网络隐士的专栏 3620

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。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

硅谷之行 (27) 一进旧金山 II

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到俺们跟着八卦K上了一回双峰山,目睹众多旅游团闪电式造访,俺们是悠然自得。逛完双峰山后,俺们坐上车开始到处转悠。前面是金门公园,车子好多啊,路堵得严严实实。七拐八拐之间,金门大桥在前方闪现。俺们从桥南面摸了上去,可以看到桥两边有人行道供人们步行过海,人行

网络隐士的专栏 3569

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")

硅谷之行 (14) 蹭饭在Google

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到年初二隐士刚到公司就被押至包工头Brian台前。包工头Brian拉长着个脸,郁闷地说周末有个女孩打电话骚扰他。隐士一怔,作莫名其妙状,心里想这和俺有啥关系啊?包工头Brian继续说那女孩英语较差,说了一大通,他也没怎么听明白,问俺知道是怎么回事么?俺已经晕了,难道

网络隐士的专栏 3335

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

硅谷之行 (26) 一进旧金山 I

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到隐士和民工J看完冰球随着人群涌了出来,外面下着瓢泼大雨。隐士发现硅谷这边的老美普遍都不带伞,从大量的美国电影、连续剧里可以得出这样的结论,整个美国也没有几个喜欢带伞的。所以大街上黑压压几千号人像示威游行一样开始暴走,俺们几个老中凑在一起也不认识路,跟着走,毫无目的

网络隐士的专栏 3227

硅谷之行 (22) 品酒在Napa I

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到周日也就是植树节海希法师要带俺们去Napa峡谷品酒。这海希法师可是eBay长老会里的一大元老,话说70年代起就在硅谷练就武林独门内功踢西皮挨屁功(TCP/IP),功力深不可测,内功深了就根本不在乎练什么时下流行的爪哇拳(Java)、捣奶拳(.Net),在海希法师看

网络隐士的专栏 3200

硅谷之行 (25) 硅谷鲨鱼队 vs 圣路易斯蓝调队

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到众老爷们从Napa品酒归来,一路上酒后驾车横冲直撞。第二天早上隐士继续睡,睡到下午1点爬了起来,推着双核人力车晃了出来。西班牙胖大姐又是一副张口结舌的表情,孩子啊,咋睡到这么晚,上班是肯定迟到了。不急,今晚通宵,所以晚点去。原来包工头Brian早就嘱咐隐士下午2点

网络隐士的专栏 3139

硅谷之行 (19) 硅谷的雨季

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到隐士等人在旧金山心急火燎找五谷轮回之所。几个老爷们真没出息,中午喝了点鲜榨果汁就要发洪水了,冲进麦当劳折腾半天没找到,只好冒雨冲回来。上了车继续找,俺们一狠心一赌劲,来到了这家貌似装修挺豪华的饭店。老糨糊朋友直给俺们打气,胜利就在前面,曙光即将到来,同志们,跟俺冲

网络隐士的专栏 3089

硅谷之行 (24) 品酒在Napa III

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到豆大的冰雹呼啸而来,接着是狂风大雨倾盆而下。冤案,肯定又有冤案了。俺们无路可走,只好猫在酒庄里到处八卦。这是Napa峡谷各酒庄势力范围图,竞争激烈啊。不过这冰雹一打,整个峡谷的酒庄谁也跑不了,以后这些葡萄算是得了先天心脏病啦。良久,雨渐渐小了,整个峡谷笼罩

网络隐士的专栏 2847

硅谷之行 (21) 加州的天空

本文未经网络隐士许可,不得转载。http://www.caocao.name, http://www.caocao.mobi上回说到隐士参加了民工猫哥的印式宝宝洗礼,被素菜憋慌了,回到工棚是六神无主、气血不畅。正团团转之际,忽然工会马主席打来电话。话说马主席自从加入eBay后每天砍柴生火、砌砖抹墙、上则补屋顶窟窿、下则堵水管漏水,比隐士那个鸡叫做到鬼叫还厉害,由此获得了广大民工、包工头、监工、

网络隐士的专栏 2835

四路 CAN 转 4G 网关

SG‑CAN‑4G‑410 为**四路隔离 CAN 转 4G 工业网关**,把 CAN2.0A/B 报文封装成 TCP/UDP 报文,通过 4G 无线网络实现 CAN 总线远程监控、远程控制。四路 CAN 相互独立;以太网仅用于本地配置,不做业务数据传输;支持移动 / 联通 / 电信 4G 网络。

S2003120416的博客 166

【计算机网络】断点续传是怎么做到的:从 Range 请求到分片上传的完整机制

断点续传在下载侧靠的是 HTTP 现成的 Range 协议,Content-Range 保证偏移对得上,If-Range 防止文件变更导致的错误拼接;上传侧没有标准,需要自己设计 init/part/complete 三段式交互,核心是让服务端记住“哪些块已经收下”,从而把失败粒度从整个文件降到单个分片。 这套机制可以迁移到任何长耗时操作的设计上。判断方法很简单:先问失败粒度是多少。如果一次操作失败就得从头再来,那它迟早会在生产环境里出问题——传输、批量导入、数据迁移、长事务,都是同一个道理。把大操作切成

2503_94545876的博客 541

【Linux网络】TCP 服务器并发处理多客户端:从 fork 分发到双重 fork 彻底消灭僵尸进程

拆解 TCP 服务器并发演进链:fork 分发连接、SIGCHLD 循环回收僵尸、双重 fork 交孙进程给 init 收养,并给出模型选型与线上排错对照。

2301_78967866的博客 429

Linux 服务器性能排查手册(2026):CPU、内存、磁盘IO、网络四大瓶颈定位

iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级,避坑改了防火墙把自己挡在服务器外面的翻车事故。

2502_91473995的博客 323
上一篇: 硅谷之行 (13) 留守民工过春节
下一篇: SVN小文件清除脚本
nethermit
博客等级 码龄25年 11粉丝 68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