Rust 学习路径规划:非科班转码的 90 天实战路线

Qdrant 深度拆解:35K Star 的 Rust 向量数据库,是如何把 HNSW、Payload 过滤和量化压缩揉成一台机器 Qdrant 是基于 Rust 构建的向量数据库,以高效协同稠密向量(HNSW)、Payload 过滤与量化索引著称。其核心优势在于三者在查询中同步生效,兼顾召回率与性能。适用于 RAG、语义搜索、推荐系统及多租户场景,但不擅长事务或精确检索。架构分层清晰,写入经 WAL 保障一致性,检索通过分片与段并行加速。关键技术包括过滤感知 HNSW、ACORN 跨跳搜索、八类 Payload 索引、四档量化(如 TurboQuant、Product)及灵活多租户策略。最新版本 v1.20.1 强化了嵌套索引与重打分 阅读详情

Rust 学习路径规划:非科班转码的 90 天实战路线

cover

一、我的学习背景:从零开始的 Rust 之路

我本科不是计算机专业,考研二战失败后开始自学编程。先学了三个月 Python,写了一些小脚本,然后决定学 Rust——原因很简单,Rust 岗位薪资高,而且编译器能帮我避免很多低级错误。

刚开始学 Rust 的前两周,我差点放弃。所有权、借用、生命周期这些概念完全超出了我的认知范围。Python 里随便赋值的操作,在 Rust 里编译器报一堆错。但坚持下来后发现,Rust 的编译器其实是最好的老师——它逼你理解内存模型,逼你处理每个可能的错误,逼你写出健壮的代码。

这篇文章是我 90 天 Rust 学习路径的总结,专门为非科班转码的同学设计。不追求面面俱到,只追求每一步都能跑通代码、理解原理。

二、90 天学习路径:从 Hello World 到项目实战

学习路径分三个阶段:基础语法(30天)→ 进阶特性(30天)→ 项目实战(30天)。每个阶段有明确的学习目标和可交付成果。

flowchart TB
    A[Rust 90 天学习路径] --> B[阶段一: 基础语法<br/>第 1-30 天]
    A --> C[阶段二: 进阶特性<br/>第 31-60 天]
    A --> D[阶段三: 项目实战<br/>第 61-90 天]

    B --> B1[第1周: 变量/类型/函数<br/>完成 Rustlings exercises]
    B --> B2[第2周: 所有权/借用/生命周期<br/>写一个字符串处理工具]
    B --> B3[第3周: 结构体/枚举/模式匹配<br/>写一个配置文件解析器]
    B --> B4[第4周: 错误处理/模块系统<br/>用 thiserror 重构解析器]

    C --> C1[第5周: 泛型/trait<br/>实现一个泛型缓存]
    C --> C2[第6周: 闭包/迭代器<br/>重构缓存为迭代器版本]
    C --> C3[第7周: 智能指针<br/>实现链表/树结构]
    C --> C4[第8周: 多线程<br/>实现并发爬虫]

    D --> D1[第9周: Tokio 异步编程<br/>异步 HTTP 客户端]
    D --> D2[第10周: CLI 工具开发<br/>用 clap 开发命令行工具]
    D --> D3[第11周: WASM 入门<br/>编译 Rust 到浏览器]
    D --> D4[第12周: 综合项目<br/>完整项目发布到 GitHub]

    subgraph 学习资源
        E[The Rust Book<br/>主线教材]
        F[Rustlings<br/>语法练习]
        G[Rust by Example<br/>代码示例]
        H[官方标准库文档<br/>API 查询]
    end

    E --> B
    F --> B1
    G --> C
    H --> D

    subgraph 检验标准
        I[阶段一: 能独立写<br/>500行以内的CLI工具]
        J[阶段二: 能理解<br/>开源项目核心代码]
        K[阶段三: 能独立完成<br/>完整项目并发布]
    end

    B --> I
    C --> J
    D --> K

关键原则:每天至少写 1 小时代码,每周至少完成一个小项目,遇到编译错误先自己思考 15 分钟再查资料。编译错误是学习机会,不是障碍。

三、每个阶段的学习方法与代码实践

3.1 阶段一:基础语法(第 1-30 天)

// 第 2 周练习:字符串处理工具
// 目标:理解所有权和借用

/// 统计文本中每个单词的出现频率
// 为什么从字符串处理开始:字符串操作
// 涉及所有权转移、借用和生命周期,
// 是理解 Rust 内存模型的最好练习
fn word_frequency(text: &str) -> Vec<(String, usize)> {
    use std::collections::HashMap;

    let mut freq: HashMap<String, usize> =
        HashMap::new();

    // text 是 &str 引用,不获取所有权
    // 为什么用 &str 而非 String:
    // &str 是借用,调用方保留所有权;
    // String 参数会消耗调用方的所有权
    for word in text.split_whitespace() {
        // to_lowercase 返回新的 String
        // 为什么需要新的 String:
        // to_lowercase 可能改变字符数
        // (如德语 ß → ss),
        // 无法在原地修改 &str
        let word = word.to_lowercase();

        // 去除标点
        let word: String = word
            .chars()
            .filter(|c| c.is_alphanumeric())
            .collect();

        if !word.is_empty() {
            *freq.entry(word).or_insert(0) += 1;
        }
    }

    // 转换为 Vec 并按频率排序
    let mut result: Vec<(String, usize)> =
        freq.into_iter().collect();

    // 按频率降序排序
    result.sort_by(|a, b| b.1.cmp(&a.1));

    result
}

/// 查找文本中最长的行
fn longest_line(text: &str) -> Option<&str> {
    // 返回 &str 引用,指向 text 中的某一行
    // 为什么返回 Option<&str>:
    // text 可能为空,没有最长行;
    // Option 强制调用方处理空值
    text.lines()
        .max_by_key(|line| line.len())
}

#[cfg(test)]
mod tests {
    use super::*;

    #[test]
    fn test_word_frequency() {
        let text = "hello world hello rust world";
        let result = word_frequency(text);
        assert_eq!(result[0], ("hello".to_string(), 2));
        assert_eq!(result[1], ("world".to_string(), 2));
    }

    #[test]
    fn test_longest_line() {
        let text = "short\nvery long line\nmid";
        assert_eq!(
            longest_line(text),
            Some("very long line")
        );
    }
}

3.2 阶段二:进阶特性(第 31-60 天)

use std::collections::HashMap;
use std::hash::Hash;
use std::time::Instant;

/// 泛型 LRU 缓存
// 第 5 周练习:泛型和 trait
// 目标:理解泛型约束和 trait 系统
struct LruCache<K, V> {
    capacity: usize,
    // K 和 V 是泛型参数
    // 为什么用泛型而非具体类型:
    // 缓存应该能存任何类型的 key 和 value,
    // 泛型让代码可复用
    cache: HashMap<K, V>,
    // 记录访问顺序
    access_order: Vec<K>,
}

// 为 LruCache 实现 trait 约束
// 为什么需要 K: Eq + Hash + Clone:
// HashMap 的 key 需要 Eq + Hash
// 来判断相等和计算哈希;
// access_order 需要 Clone
// 来复制 key
impl<K: Eq + Hash + Clone, V> LruCache<K, V> {
    fn new(capacity: usize) -> Self {
        assert!(capacity > 0, "容量必须大于 0");
        Self {
            capacity,
            cache: HashMap::new(),
            access_order: Vec::new(),
        }
    }

    fn get(&mut self, key: &K) -> Option<&V> {
        if self.cache.contains_key(key) {
            // 更新访问顺序
            self.access_order.retain(|k| k != key);
            self.access_order.push(key.clone());
            self.cache.get(key)
        } else {
            None
        }
    }

    fn put(&mut self, key: K, value: V) {
        if self.cache.len() >= self.capacity
            && !self.cache.contains_key(&key)
        {
            // 淘汰最久未使用的
            if let Some(old_key) =
                self.access_order.first().cloned()
            {
                self.cache.remove(&old_key);
                self.access_order.remove(0);
            }
        }

        // 如果 key 已存在,更新访问顺序
        if self.cache.contains_key(&key) {
            self.access_order.retain(|k| k != &key);
        }

        self.cache.insert(key.clone(), value);
        self.access_order.push(key);
    }
}

/// 用迭代器实现的数据处理管道
// 第 6 周练习:闭包和迭代器
fn process_data(data: &[i32]) -> Vec<i32> {
    data.iter()
        // 过滤负数
        .filter(|&&x| x >= 0)
        // 映射:平方
        .map(|&x| x * x)
        // 只取前 10 个
        .take(10)
        .collect()
}

3.3 阶段三:项目实战(第 61-90 天)

use clap::Parser;

// 第 10 周项目:命令行 Markdown 工具
/// Markdown 文件处理工具
#[derive(Parser, Debug)]
#[command(name = "md-tool", version)]
struct Cli {
    /// 输入文件路径
    #[arg(value_name = "FILE")]
    input: std::path::PathBuf,

    /// 输出格式
    #[arg(short, long, default_value = "html")]
    format: String,

    /// 是否生成目录
    #[arg(short, long)]
    toc: bool,
}

fn main() -> anyhow::Result<()> {
    let cli = Cli::parse();

    // 读取文件
    let content = std::fs::read_to_string(&cli.input)
        .map_err(|e| anyhow::anyhow!(
            "读取文件 {:?} 失败: {}",
            cli.input, e))?;

    // 根据格式处理
    match cli.format.as_str() {
        "html" => {
            let html = markdown_to_html(&content);
            println!("{}", html);
        }
        "stats" => {
            let stats = analyze_markdown(&content);
            println!("{}", stats);
        }
        _ => {
            anyhow::bail!(
                "不支持的格式: {}", cli.format);
        }
    }

    Ok(())
}

/// Markdown 统计分析
fn analyze_markdown(content: &str) -> String {
    let headings: Vec<_> = content
        .lines()
        .filter(|l| l.starts_with('#'))
        .collect();

    let code_blocks = content
        .matches("```")
        .count() / 2;

    let words = content
        .split_whitespace()
        .count();

    format!(
        "标题数: {}\n代码块数: {}\n词数: {}",
        headings.len(),
        code_blocks,
        words
    )
}

/// 简单的 Markdown 转 HTML
fn markdown_to_html(content: &str) -> String {
    content
        .lines()
        .map(|line| {
            if let Some(text) = line.strip_prefix("# ") {
                format!("<h1>{}</h1>", text)
            } else if let Some(text) =
                line.strip_prefix("## ")
            {
                format!("<h2>{}</h2>", text)
            } else if let Some(text) =
                line.strip_prefix("### ")
            {
                format!("<h3>{}</h3>", text)
            } else if line.starts_with("- ") {
                format!("<li>{}</li>",
                        &line[2..])
            } else if line.is_empty() {
                String::new()
            } else {
                format!("<p>{}</p>", line)
            }
        })
        .collect::<Vec<_>>()
        .join("\n")
}

四、学习路径的边界:什么不适合初学者

不要从 unsafe 开始:unsafe 是高级特性,需要深入理解 Rust 的内存模型才能安全使用。初学阶段应该完全避免 unsafe,等理解了所有权和借用后再学。

不要过早学宏:过程宏和声明宏是强大的元编程工具,但调试困难,编译错误信息不友好。建议在阶段二后期再接触,先从简单的 macro_rules! 开始。

不要同时学多个框架:异步编程选 Tokio,Web 选 Axum,CLI 选 Clap。不要同时学 Tokio + async-std,Axum + Actix,Clap + StructOpt。每个领域选一个学精,比每个都学皮毛好。

不要跳过 Rustlings:Rustlings 看起来简单,但它是建立肌肉记忆的最好工具。每天做 5-10 个练习,坚持两周,编译错误会从"看不懂"变成"秒懂"。

五、总结

非科班学 Rust 的 90 天路径分三个阶段:基础语法建立所有权心智模型,进阶特性掌握泛型和并发,项目实战产出可展示的作品。每个阶段的核心不是"看完书",而是"写出能跑的代码"。学习资源以 The Rust Book 为主线,Rustlings 做练习,Rust by Example 做参考。遇到编译错误先思考 15 分钟,这是最好的学习机会。不要追求速度,每天 1 小时代码比周末 8 小时更有效。90 天后你应该能独立开发 CLI 工具和简单的 Web 服务,这足以通过初级 Rust 岗位的面试。

合成孔径雷达(SAR)的常见工作模式 随着星载SAR技术研究的深入发展,单一的条带模式已经无法满足当今时代的需求,因此许多新的工作模式相继被提出。这些新模式在分辨率和测绘宽度等方面都有所提高,接下来将简要介绍几种常用的工作模式。 阅读详情

相关推荐

利用 Openocd 和 FT2232H 实现 ARMv8(Coretex-A53)高效调试方案

本文详细介绍了如何利用开源工具OpenOCD与高性能USB转接芯片FT2232H,构建一套针对ARMv8架构(如Cortex-A53)的高效、低成本调试方案。内容涵盖从环境搭建、驱动配置、核心调试架构解析到实战问题排查的全过程,帮助开发者实现对多核处理器的透明、可控调试,是嵌入式Linux及底层开发的实用指南。

weixin_29163581的博客 281

学 Rust 要几天?「GitHub 热点速览 v.22.51」

作者:HelloGitHub-小鱼干本周的 GitHub Trending 非常给力,一是解决了 Rust 的学习问题,提供了一个全面的教学课程;二是提供了多个高性能工具,比如,为 PWA 而生的 atrilabs-engine,部署方便,前后端同学都可以用;性能是其他 Python linter 10+ 倍的 Ruff;以及解决环境变量加密问题的 infisical,解决 Helm 可视化及版本...

HelloGitHub 的博客 1712

泛微ecology9二次开发-附件上传接口实战:从表单创建到数据库存储解析

本文详细解析了泛微ecology9二次开发中的附件上传接口实战,从测试环境搭建、数据库表结构解析到接口代码实现,提供了全面的开发指南。重点介绍了文件上传的核心逻辑、常见问题排查及高级应用场景,帮助开发者高效实现附件上传功能并优化系统性能。

weixin_30836759的博客 478

rust入门学习指南

已入职新公司三个月,rust技能从0开始,到现在已经可以熟练编写各种功能了。 这里分享一下笔者的rust学习路线。

聆听风雨的博客 4876

跟着团子学SAP CO:揭秘结果分析码在项目结算中的实战应用(一)KKA2/CJ88

本文深入解析了SAP CO模块中结果分析码在项目结算中的核心作用。以KKA2(方法10)和事务代码CJ88为例,详细阐述了如何在项目完工后一次性确认收入的场景下,通过结果分析功能实现收入与成本的精准匹配,将项目成本暂估为在制品,确保各期利润的准确反映。

gamma的博客 687

【08】C#实战篇——C#调用C++ 动态库dll,报错 “无法加载DLL“xxx.dll”: 找不到指定的模块。 (异常来自 HRESULT:0x8007007E)。”

摘要: 本文详细分析了C#调用C++封装的DLL时出现“无法加载DLL”错误的排查与解决方法。通过案例演示,列举了常见原因(如平台不匹配、路径错误、依赖缺失等),并重点介绍了使用VS的dumpbin工具检测DLL依赖项的方法。最终定位问题为缺失依赖的LineApi.dll和opencv_world455d.dll,将其放入C#的exe目录后解决。文章还对比了C++与C#的报错差异,提供了通用解决方案,包括检查运行时库、环境变量等,帮助开发者高效解决类似问题。 关键词: C#调用C++ DLL、dumpbin

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 2102

组网第63课:安全域划分——Trust/Untrust/DMZ、区域模型、与 VLAN 的关系

一组接口 + 一组策略 + 一条默认拒绝。一组接口:这个域包含哪些物理口、VLAN、子接口;一组策略:这个域到别的域放行什么、拒绝什么;一条默认拒绝:没写进策略的,一律不通。第三条最关键。没有默认拒绝,前面划的域全是装饰。

qq_36765170的博客 572

OpenClaw实战-行政与HR必备:AI驱动的办公自动化

智能会议纪要自动生成会议时间智能协调自动提醒和跟进简历智能筛选和匹配度分析面试安排自动化入职办理流程化通知公告一键发布发票识别和报销辅助资产管理数字化让AI处理繁杂的事务性工作,让您有更多时间专注于更有价值的战略和管理任务。

gaoxiang_120的专栏 221

rust: Fan-out/Fan-in Pattern

本项目基于Rust实现珠宝行业全流程的扇出/扇入模式,采用DDD六层架构。通过ProcessRequestDto与ProcessResponseDto传输数据,将采购、设计、生产等12个业务阶段抽象为可并行执行的FanoutTask子任务。核心由JewelryFanoutFanin实现并行调度:先扇出至12个线程并发执行,再统一扇入汇总结果。系统集成日志(文件+控制台)、重试熔断、内存仓储及依赖注入容器,支持顺序与并发两种调度方式,确保高并发下任务可靠执行与可观测性。

Geovin Du Dream Park 163

【Bug已解决】Codex App returns 401 Missing bearer/basic authentication after login on multiple Windows la

原始报错:Codex App returns 401 Missing bearer/basic authentication after login on multiple Windows laptops场景:用户在 Windows 笔记本上登录应用成功了,但随后每个业务请求都返回 401,提示"Missing bearer/basic authentication"。登录态像是"假的"——明明登了,请求却没带任何认证信息。多台 Windows 设备都能复现。

一键难忘的博客 601

111. 如何创建 SAP ABAP 锁对象(Lock Object)和加锁以及解锁函数

至此,我们完成了 ABAP 系统锁机制和加锁解锁函数的介绍。有了这些基础知识,大家就能在实际工作中,使用 Lock Object 和加锁解锁函数,编写出支持并发访问控制的 ABAP 应用程序了。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1539

Rust组织管理(AI回答)

你想做的事JS / Python 做法Rust 做法把一个文件纳入工程新建文件即可新建 xxx.rs 后,必须在入口写mod xxx;挂载对外暴露函数/结构体export(Python 默认全公开)默认全私有,必须显式加pub引入别处的函数use crate::模块名::函数名;找路径的基准词./ 或 ../(从 src 根出发)、(上一级 ../)、(当前级 ./)日常写项目:不要用 #[path],直接遵守默认规则——

yaoct的博客 153

用 Python 和 XGBoost 进行疾病诊断预测

疾病诊断预测是医疗领域的重要研究方向,准确的疾病诊断预测可以帮助医生提前制定治疗方案,提高治疗效果,降低医疗成本。本文章的目的是介绍如何使用 Python 和 XGBoost 算法构建疾病诊断预测模型。范围涵盖了从数据预处理、模型训练到模型评估的整个流程,同时通过实际案例展示如何将该模型应用于疾病诊断预测中。本文首先介绍了疾病诊断预测的背景和 XGBoost 算法的核心概念,然后详细讲解了 XGBoost 算法的原理和具体操作步骤,包括 Python 代码实现。

AI Python 编程之道的博客 1064

自建 RustDesk 服务端后,做一个“装完就能连“的客户端

如果有云服务的话,可以基于 RustDesk 的 hbbs / hbbr 自己部署一套,不过会碰到一个问题:每台电脑装完客户端,都得手动去设置里填三样东西——ID 服务器、中继服务器、Key。填错一个就连不上,还得远程指导同事操作。这篇记录两种解决办法,以及云端编译的完整流程。内容基于 RustDesk 1.5.3 的源码。

风声的专栏 632

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")

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Rust LeetCode443 算法题解

LeetCode 443 字符串压缩:原地行程编码,用 start 标记组起点、next 扫描组边界、i 原地写出;长度 1 不写计数使编码不膨胀,写指针不越过读指针。时间 O(n),额外空间 O(1)。

weixin_43379230的博客 182

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

GitHub 热榜项目:日榜(2026-11-10)

本期共 11 个热门开源项目,合计新增 13,136 stars。榜单前三分别是 Anthropic 的 Agent Skills 仓库、Meta 开源的 React 设计系统 Astryx(+3,278)和用户名检索工具 sherlock(+4,267,本期涨星最多)。其余项目覆盖 DeepMind 的物理引擎 MuJoCo、Claude 官方示例集、自托管智能体记忆系统 GBrain、用 Rust 写的浏览器自动化 CLI、基于 WiFi 信号的人体感知平台 RuView、多市场股票分析工具,以及 Ho

u130130的博客 447

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

GitHub 今日推荐|HGhubX:Tauri 2 跨平台短剧客户端实战

Tauri 2 + Rust + React 构建的跨平台短剧观看客户端,实现 HLS 代理、AES 封面解密、多线路探测与会话隔离,覆盖桌面与移动全平台。

wfly blog 423

ARTCRAFT系列软件简单试用手记1

AI辅助开发推动开源重构热潮,ARTCRAFT系列以Rust重写经典软件,性能媲美C/C++。其Launcher支持多平台、多架构,可快速部署开源版Excel(GridCraft)与Word(WordCraft),启动速度远超Office 2016。界面类Office 2016,但暂不完善汉字字号与红头嵌套编辑。项目持续更新,主打“CraftAnything”理念——理解软件原理,自创版本,未来可期。

olegja3d的博客 213

Rust 日志追踪实战:工业边缘场景下的 tracing

Rust 生态下:相比println!log,它提供结构化字段、span 上下文、异步友好和 OpenTelemetry 集成。本文从工程实战角度梳理 tracing 的用法与常见的坑。

ZenovaEdgeOS的博客 560

Rust如何实现微服务网关的高并发与限流熔断机制

在现代互联网系统中,微服务架构已成为主流,而微服务网关则是整个系统的重要组成部分。当面对高并发、高可用性需求时,很多开发者对如何用 Rust 实现一个稳定可靠的网关存在疑惑,尤其是处理请求的幂等性、限流和熔断机制。本文将以 Rust 的实际案例为基础,结合生产环境中的具体经验,讲解如何设计和实现一个具备限流与熔断能力的微服务网关。

wuchangjian的专栏 115

第 1 讲:内存布局与所有权解剖——栈帧、胖指针与“移动/拷贝”在汇编层面的真实面目

看图最下面的(或者数组切片&[T]它在栈上占16 个字节,由(ptr, len)两个机器字组成。这就是系统编程里常说的胖指针(普通指针只有 8 字节地址,它胖了一倍,多带了一个 8 字节的长度或虚表指针)。痛点追问:C 语言里表示字符串切片只要一个 8 字节的char*,为什么 Rust 非要浪费双倍的栈空间搞成 16 字节?如果少掉len这一环会出什么乱子?回想一下 C 语言是怎么知道一个字符串在哪结束的:靠在内存末尾塞一个字节的\0求长度是 $O(N)$ 的苦力活:在 C 里调strlen(p)

yaoct的博客 168

【Rust算法硬核拆解】LeetCode 334 递增的三元子序列(贪心+O(1))

【LeetCode 334 递增的三元子序列】用一次扫描贪心实现:时间 O(n)、空间 O(1)。附 13 个单测与正确性说明。

weixin_43379230的博客 354

主流开源 LLM 网关横向评测:OneAPI、LiteLLM、NewAPI 能力对比

在大模型应用规模化落地的当下,多模型混用、API 密钥分散、成本不可控、接口不统一已成为开发者的普遍痛点。LLM 网关作为 AI 应用层与模型层之间的核心中间件,承担着协议转换、流量路由、成本管控、安全审计的关键作用。本文从协议许可、功能完备度、性能表现、生态适配四个核心维度,对业内主流的三款开源 LLM 网关 ——OneAPI、LiteLLM、NewAPI 进行深度横向评测,为不同规模的团队提供选型参考。

2601_96785163的博客 303

Rust 1.100 的 DropGuard:用 Python 实测失败回滚与吞异常

解析一批数据往列表里塞,塞到第三条抛异常,列表已经脏了一半——这类「能跑但结果不对」的 bug 不报错也不崩溃。Rust 1.100.0 把 core::mem::DropGuard 稳定了:包裹一个

aifannihao的博客 222

rust: Push & Pull Pattern

本项目基于Rust实现珠宝行业全流程的推-拉(Push&Pull)消息模式,采用领域驱动设计(DDD)六层架构。通过JewelryPushPullHub通道实现生产者推送与消费者拉取解耦,12个业务部门(如采购、设计、质检等)作为独立消费者,按供应链顺序串行或并发处理消息。系统集成重试熔断、线程安全日志(按日期/等级分文件)、内存仓储及依赖注入容器,确保高并发下流程可追溯、弹性可靠。演示涵盖串行调度、批量并发、端口契约调用等场景,完整呈现企业级消息型模式的核心能力。

Geovin Du Dream Park 117

我用 RustyPaste 做 AI Agent 云端存储

RustyPaste 是一个用 Rust 编写的极简文件上传与 Pastebin 服务。可以用来存储和访问 AI Agent 生成的文件

藏云阁技术社区 242
上一篇: Cargo 工作区配置实践:多 crate 项目的工程化管理
下一篇: AI CLI 交互设计:当命令行遇上大模型,终端工具的交互革命
第一程序员
博客等级 码龄1年 1万+粉丝 1827原创
评论 3
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