学 Rust 的第二个月:从能编译到能上线,中间差了什么

Hermes大模型网关:Rust+Docker构建的生产级AI中间件 大模型网关是连接LLM、工具、用户与业务系统的AI中间件,核心在于协议转换、智能路由与状态协调。其技术原理涵盖高并发调度(如tokio协程)、容器化交付(Docker镜像契约)与四层解耦架构(接入层/调度层/工具层/模型层),显著提升AI服务的稳定性、安全性和可维护性。相比Python轻量框架,Rust实现的零成本抽象与内存安全带来更高QPS与更低P99延迟,而Docker封装则保障跨平台一致性与升级原子性。典型应用场景包括Telegram机器人自动化、多平台消息路由、RAG增强对话及Cron驱动的数字员工 阅读详情

学 Rust 的第二个月:从能编译到能上线,中间差了什么

一、第一个月的幻觉:能编译就是学会了

第一个月学完 The Book,做了几个练习项目,所有代码都能通过编译,clippy 一个 warning 都没有。我当时有一种错觉——"Rust 也不难嘛,有了编译器手把手教我,犯错也犯不了"。

第二个月我开始尝试写一个真正"有可能给别人用"的项目——一个带 HTTP API 的文件元数据提取工具。这个月我经历了四次大重构 + 无数次小修小补,最后才拿出一个勉强可用的版本。

回顾这个过程,我把它总结成一个等式:搞懂 Rust ≠ 能写 Rust ≠ 能写好 Rust ≠ 能发布 Rust 项目。

flowchart LR
    A["第一阶段\n能编译"] --> B["第二阶段\n能跑起来"]
    B --> C["第三阶段\n能处理错误"]
    C --> D["第四阶段\n能被别人用"]
    A -.- A1["看懂 The Book\n过一遍 Rustlings"]
    B -.- B1["会连接外部依赖\n会读写文件/网络"]
    C -.- C1["理解 Result/Option\n错误类型设计\n日志和可观测性"]
    D -.- D1["CLI 用户体验\n文档/CHANGELOG\nCI/CD 配置"]

二、我踩过的四个阶段的具体经历

阶段 1:能编译,但经不起场景变化

第一个月写的代码普遍有这种特点:

// 第一阶段:这样写确实能编译通过
fn extract_metadata(path: &str) -> Metadata {
    let file = std::fs::File::open(path).unwrap(); // 直接 unwrap
    let metadata = file.metadata().unwrap();         // 再 unwrap
    Metadata {
        size: metadata.len(),
        // ... 其他字段
    }
}

问题一目了然:路径不存在怎么办?权限不够怎么办?这些在 The Book 的示例里不存在,但真实场景天天要处理。

阶段 2:能跑起来,但结构混乱

第二版我开始把所有逻辑堆进 main.rs,代码长到 500 多行。每次加新功能都要在函数丛林里找该改哪。某个周末我想加个"支持递归目录扫描"的功能,看了 20 分钟代码不知道从哪下手。

这时候我意识到:能跑 ≠ 能维护。KISS 原则的核心不是"简单",而是"每个模块只做一件事"。

于是我开始拆分模块:

// 项目结构:每个模块有清晰的职责边界
// src/
//   main.rs        ← 入口 + CLI 参数解析
//   metadata.rs    ← 文件元数据提取逻辑
//   format.rs      ← 输出格式(JSON / YAML / 表格)
//   error.rs       ← 自定义错误类型
//   scanner.rs     ← 目录遍历逻辑

抽出来后代码量没少,但可读性好了太多。每次改一个功能只需要关注对应文件。

阶段 3:能跑 + 有模块,但错误信息让人困惑

拆分模块后,我又遇到了新问题:错误处理和日志。

我之前的所有错误处理都是 unwrap() 加 expect("出错了")。一旦有用户传了一个不存在的文件路径,看到的输出是:

thread 'main' panicked at src/metadata.rs:42:14:
出错了: No such file or directory (os error 2)

这比什么都没写强,但距离"可发布"还差太远。用户不需要看到线程 panic 信息,他需要的是:

错误:无法访问文件 `/tmp/nonexistent.txt`
原因:文件不存在
建议:请检查文件路径是否正确

要实现这种效果,需要引入自定义错误类型:

use std::path::PathBuf;
use thiserror::Error;

/// 自定义错误类型,每个变体包含足够的上下文信息
#[derive(Error, Debug)]
pub enum AppError {
    #[error("无法访问文件 `{path}`:文件不存在")]
    FileNotFound {
        path: PathBuf,
    },

    #[error("无法读取文件 `{path}`:权限不足")]
    PermissionDenied {
        path: PathBuf,
    },

    #[error("I/O 错误:{source}")]
    Io {
        #[from]
        source: std::io::Error,
    },
}

// 使用时的体验
fn open_file(path: &Path) -> Result<File, AppError> {
    if !path.exists() {
        return Err(AppError::FileNotFound {
            path: path.to_path_buf(),
        });
    }
    File::open(path).map_err(|e| {
        if e.kind() == std::io::ErrorKind::PermissionDenied {
            AppError::PermissionDenied {
                path: path.to_path_buf(),
            }
        } else {
            AppError::Io { source: e }
        }
    })
}

阶段 4:能发布,但别人用不起来

解决了错误处理问题后,我以为差不多了。结果发给朋友,他第一句话就是:"怎么用?文档呢?"

我这才意识到一个开源项目至少需要:

  1. README.md:项目介绍 + 快速开始 + API 文档链接
  2. 命令行帮助:--help 输出清晰的使用说明
  3. 错误信息对用户友好:区分"用户自己的问题"和"程序 bug"
  4. 安装方式:至少提供 cargo install 或 GitHub Release 的二进制

我的项目用 clap 实现了完整的命令行帮助:

use clap::Parser;

/// 文件元数据提取工具——支持多种格式输出
#[derive(Parser, Debug)]
#[command(name = "meta-extractor")]
#[command(version = "0.2.0")]
#[command(about = "提取文件元数据并输出为 JSON/YAML/表格")]
struct Cli {
    /// 要分析的文件或目录路径
    #[arg(required = true)]
    path: String,

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

    /// 是否递归扫描目录
    #[arg(short, long, default_value_t = false)]
    recursive: bool,
}

三、的自学方法:项目驱动 + 刻意练习

flowchart TD
    A["选一个真实需求的项目"] --> B["只实现一个核心功能"]
    B --> C["能跑起来后先给别人试用"]
    C --> D["根据反馈加功能/改设计"]
    D --> E["重构:拆模块、加错误处理"]
    E --> F["发布第一版"]
    F --> G["持续迭代"]
    G --> C

我的方法不是按教科书顺序学,而是项目驱动:

  1. 先想一个"不超过 200 行能搞定的功能"
  2. 写出来
  3. 给别人试
  4. 收到反馈后修改
  5. 在修改过程中自然接触到 Rust 的深层概念

这样学的好处是每次接触新概念都有"真实需求"作为锚点,不会觉得是在学抽象知识。

四、给自学者的资源清单

我在第二个月做了一件事:把 Rust 的学习资源分了三类:

类型资源适合阶段
入门The Book + Rustlings第一个月
进阶Rust by Example第二个月
实战Jon Gjengset 的视频 + crates.io 读源码第三个月起

特别推荐读源码:用 cargo doc --open 打开你用的 crate 的文档,慢慢看 API 设计。这是培养"工程感"最快的方式。

五、总结

第二个月最大的收获是打破了一个幻觉:编译器检查 ≠ 代码质量检查。Rust 编译器能保证内存安全,但不能保证结构清晰,不能保证错误处理好,也不能保证用户体验好。

从"能编译"到"能上线",中间差的不是 Rust 语法知识,而是工程意识——包括模块拆分、错误处理设计、命令行体验优化,以及"把代码交到别人手里"这件事带来的责任感。

自学不可怕,可怕的是满足于"代码能跑"。第二阶段的目标不是学更多语法,而是学会"让别人也能跑你写的代码"。共勉。

下一篇文章我会分享如何用 AI 辅助 Rust 代码结构化,把 500 行的 main.rs 拆成干净的模块。


欢迎在评论区分享你的 Rust 自学经历。

Rust与Linux内核:内存安全如何重塑系统编程 在系统软件领域,内存安全一直是开发者无法回避的核心挑战。传统系统编程语言在提供高性能的同时,也要求开发者手动管理内存,由此引发的空指针、缓冲区溢出等问题长期困扰着内核、驱动和网络服务等关键场景。Rust语言通过所有权与借用机制,将内存安全检查从运行时提前到编译期,在不牺牲性能的前提下大幅降低安全风险。这项技术不仅在通用后端服务和嵌入式开发中展现出实用价值,也正在被Linux内核社区逐步接纳,用于设备驱动、文件系统等新代码的编写。从C语言到Rust的演进,反映出系统编程对安全性和可靠性的更高追求,也为开发者提 阅读详情

相关推荐

StarUML最新版汉化与破解二合一教程:5分钟搞定永久使用

本文提供StarUML最新版的高效使用指南,涵盖从安装到深度定制的全流程优化方案。包括软件获取最佳实践、界面个性化设置、核心建模技巧、团队协作策略及性能优化建议,帮助架构师和开发团队提升UML建模效率。特别推荐版本控制集成和文档自动化输出方案,适用于各类规模的项目开发。

weixin_42530732的博客 455

【Rust日报】Rust 新特性:编译时反射

除了原始数字之外,文章进行了统计上的因果推断检验,计算了 Pearson 、Spearman 、Kendall 系数,所有检验的 P 值均为 0.0 ,这证实了这种关系具有显著的统计学意义,表明这种模式并非随机巧合,从而揭示了项目安全方面清晰的因果链:依赖关系越多 → 复杂性越高 → 脆弱性风险越大。阅读:https://dimforge.com/blog/2025/01/09/the-year-2025-in-dimforge/Rust 新特性:编译时反射 std::mem::type_info。

Rust语言学习交流 910

ArcGIS Pro 3.0 加载天地图WMTS服务,解决偏移问题的保姆级教程(附最新Key申请流程)

本文详细介绍了在ArcGIS Pro 3.0中精准加载天地图WMTS服务的全流程,包括最新Key申请流程、解决地图偏移问题的关键配置步骤以及常见问题排查方法。通过设置`esri`参数和统一坐标参考,确保地理数据与天地图底图精确匹配,提升GIS空间分析的准确性。

weixin_28713947的博客 310

【Rust日报】 rust-dev 邮件列表存档已上线

caml-list(用于 OCaml)的情况类似(请参阅 discuss.ocaml.org 上的讨论 ),但 Leah Neukirchen 慷慨地使用 public-inbox 托管了存档。作者指出,如果在 FFI 边界错误声明了类型,可能会导致未定义行为(UB),尤其是在 Windows 上,这可能导致运行时错误。但长期以来,网络上没有公开的存档。

Rust语言学习交流 805

Android-S无线模块前瞻

WiFi - mainlane非强制 S 采用反射的方法直接加载wifiservice,直接hook在systemserver上,无编译依赖。gms可以动态替换wifi服务。 R 采用直接启动service的方式,wifiservice仍然map在systemserver上。 WiFi - 11ad接口支持 11ad被wifi联盟商业化为WIGIG,提供短距的60GHZ载波,理论速度为当前5G 11ac的6倍。市面上基本没有手机支持,需要独立的芯片支撑此功能。 传输距离为3m以内,外界d.

头铁的伦的博客 1048

从转发时钟到嵌入式时钟:CDR、CTLE与DFE在高速串行链路中的协同演进

本文深入探讨了高速串行链路中CDR、CTLE与DFE技术的协同演进。从转发时钟到嵌入式时钟的转变,详细分析了CDR的工作原理与实现架构,以及CTLE和DFE在信道损耗补偿和ISI干扰消除中的关键作用。通过实战案例展示了这些技术在28Gbps至112Gbps SerDes设计中的优化策略与性能提升。

weixin_42539414的博客 298

【Rust日报】 2019-06-17:Rust官网简体中文翻译,正式上线了。

Rust官网简体中文翻译,正式上线了。 #official 大家快来了解下Rust吧!!! Rust官网中文简体版 【翻译】在Rust中调用Java代码 #java 通过j4rs这个库可以实现在rust中调用java,这篇翻译文章是该库的作者所写,介绍了j4rs项目的初衷和现状。 Read More 《使用Rust编写操作系统》系列文章新增一节附录《链接器参数》, #blogos 探讨了另一种裸机...

Rust语言学习交流 1347

YOLOv8首创原创改进:即插即用|创新的轻量化非对称多级压缩LADH检测头

总结而言,本文介绍了一种名为轻量化非对称多级压缩LADH检测头的原创改进,该改进可与YOLOv8无缝适配,并显著提升了检测器的性能。在本文中,我们介绍了一种原创改进的检测头,名为轻量化非对称多级压缩LADH检测头,它可与YOLOv8无缝适配,显著提升了检测器的性能。此外,我们引入了多级压缩的概念,通过在不同的检测层级上应用不同程度的压缩,进一步提升了检测头的轻量化特性。具体而言,我们采用了逐级减少卷积核数量和通道数量的策略,以降低模型的参数量和计算复杂度,同时保持较高的检测精度。

IbcVue的博客 2186

从Demo到上线:Rust项目部署运维避坑指南(99%新手都忽略的关键点)

解决Rust项目部署常见难题,系统讲解rust实战项目从开发到上线的完整流程。涵盖CI/CD配置、容器化部署、日志监控与性能优化等关键环节,规避99%新手易踩的运维坑。实用指南值得收藏。

ByteGlow的博客 891

什么是漏洞管理?为什么它很重要?(非常详细)

2. **漏洞扫描程序**:漏洞扫描程序通常通过对系统和网络进行一系列测试来寻找常见的弱点或缺陷,如尝试利用已知漏洞、猜测默认密码或用户帐户,或者只是尝试访问受限区域。1. **防范网络威胁**:漏洞管理在恶意行为者利用漏洞之前识别和纠正漏洞方面发挥着关键作用,有助于降低网络攻击、数据泄露以及随后的财务和声誉损失的风险。5. **安全信息和事件管理(SIEM)**:SIEM软件可实时整合组织的安全信息和事件,监视网络流量、识别试图连接到内部系统的设备、跟踪用户活动等。

guo162308的博客 268

matlab 受约束的 Delaunay 三角剖分【2025最新版】

matlab内置调用函数实现受约束的 Delaunay 三角剖分并将结果保存为STL文件

点云侠的博客 1876

Rust + WebAssembly 上线实战指南

本文详细介绍了 Rust + WebAssembly 应用的生产环境部署方案。主要内容包括:构建产物与目录结构、HTTP服务器配置要点(MIME类型设置、压缩与缓存)、并行编译优化、打包工具优化清单(代码分割、Tree-Shaking)、CDN部署方案、CI/CD流水线示例、安全防护措施(CSP、COOP/COEP等)以及常见问题解决方案。通过采用现代构建工具链、正确配置服务器、优化加载策略和加强安全防护,可确保Wasm应用在生产环境中高效稳定运行。文章提供了具体的技术实现细节和配置示例,为开发者部署Rus

hello.reader 887

文末含资料链接和视频讲解!YOLOv8集成CoordAtt注意力机制详细教程

本文详细介绍了如何在YOLOv8目标检测框架中集成CoordAtt注意力机制。首先解析了CoordAtt的工作原理,它通过分解式池化将位置信息嵌入到通道注意力中,相比传统注意力机制具有更好的空间信息保持能力。然后提供了PyTorch实现代码解析,包括自适应平均池化、Hard-Swish激活函数等关键实现细节。最后概述了YOLOv8架构,为后续集成CoordAtt提供基础。该教程适合具备深度学习基础的开发者,将理论与实践结合,帮助读者掌握这一目标检测优化技术。

FJN110的博客 267

LLM推理中间件层归零:Rust+GPU内联架构实践

大语言模型(LLM)推理服务正经历从‘中间件拼装’到‘模型即接口’的范式跃迁。传统基于Envoy、Redis、Consul等构建的多层推理中间件,因跨组件通信开销、CPU-GPU边界延迟和运维熵增,已成为延迟抖动、GPU利用率低下与故障定位困难的根源。Anthropic等厂商通过Rust编写、CUDA内联的方式,将认证、限流、路由、缓存等能力深度嵌入推理引擎二进制,实现专用推理中间件层(Dedicated Inference Middleware Layer)的物理归零。该架构显著降低P99延迟、提升GPU

chushang0934的博客 490

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。

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")

学Rust3次都放弃?这篇文章帮你避开90%的新手劝退

摘要: Rust学习容易受挫?本文针对多次尝试却因编译报错、所有权系统等问题放弃的开发者,指出传统教程顺序的错误——过早接触复杂语法反而消磨兴趣。文章拆解5大劝退点:所有权系统、编译报错、生命周期标注、宏编程和编译速度,提供通俗解释和避坑指南。强调正确学习路径应先实践获得成就感,再补语法知识,并给出10分钟环境搭建方案(含国内镜像配置)。通过调整学习策略,让新手快速体验Rust优势,突破入门瓶颈。(149字)

m0_67000457的博客 426

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

从零到极致:Rust编译优化技巧,开发者必须掌握的7种Cargo配置

掌握Rust编译优化选项,提升程序性能与构建效率。本文详解7种关键Cargo配置,涵盖发布优化、LTO、代码生成策略等核心方法,适用于高性能服务与资源敏感场景。优化效果显著,值得收藏。

FuncIsle的博客 838

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

零基础到上线:用Rust开发WebAssembly项目的完整路径

掌握Rust实战项目全流程,从零构建WebAssembly应用并成功部署。涵盖前端集成、性能优化与编译配置,适用于高性能网页工具开发。手把手教学,零基础也能快速上手,值得收藏。

Algorift的博客 663

【第一课】Rust入门

rust入门,rustup,cargo

一个月只有三十天 1012

编译期阻断 Bug 的底层机制:Rust 如何通过 LLVM IR 实现零运行时开销的安全保证

Rust 的编译期安全保证通过 MIR 阶段的借用检查和 LLVM IR 阶段的属性标注实现端到端传递。noalias和是 Rust 安全语义在 LLVM 层面的核心编码方式,它们使 LLVM 能够执行激进优化,同时保证优化结果符合 Rust 的语义要求。但这条传递链路存在硬边界:生命周期在 LLVM IR 中被擦除,noalias语义与 Rust 借用规则存在微妙差异,跨 FFI 边界的别名信息丢失。

2301_81410839的博客 1029

从开发到上线:构建全自动Rust部署流水线的7个步骤

掌握高效Rust部署全流程,本文详解从本地构建到自动上线的7步实践,涵盖CI/CD集成、跨平台编译与部署脚本编写,适用于Web服务与嵌入式场景。提升发布效率与稳定性,值得收藏。

Instrulink的博客 754

【Rust日报】Tiny Glade - 一款Rust开发的放松自由建造游戏,现已上线Steam

submap - 高性能的pub/sub(发布/订阅)系统submap 提供了一个高性能的pub/sub(发布/订阅)系统映射数据结构。主要特性包括:支持主题订阅,包括单个主题和通配符匹配模式。可自定义通配符和主题分隔符。支持公式订阅,允许根据某些条件(如重要性级别)订阅主题。提供BroadcastMap用于根据掩码模式获取客户端列表。提供基于SubMap的ACL(访问控制列表)映射,用于快速访问...

Rust语言学习交流 845

【Rust日报】 2020-01-12 Rust编译出的可执行文件体积优化方法

为什么Rust编译出的可执行文件那么大?#rust #exe为什么相同应用用Rust编译出的可执行文件比C编译出的要大?下面这篇文章详细阐述了原因,并提出了多重可行的方案,帮你减小可执行...

Rust语言学习交流 3281

如何自己编译 DashBeam:从源码到 P2P 文件传输工具上线的完整路线图

想给朋友传一个 40GB 的视频,微信提示"文件过大",网盘要先上传再等对方下载,中间还可能被限速、被删档。DashBeam 就是为了解决这个场景而生的开源 P2P 文件传输工具——不经过云端、不需要注册账号、不限制文件大小和格式。这篇文章带你从克隆源码开始,一步步把 DashBeam 编译出来、跑通一次真实传输,最后打出属于自己的安装包,甚至把 Web 版和安卓版一并带出来。整条路线按"里程碑"

gitblog_00618的博客 581
上一篇: Rust 生命周期标注心法:省略规则够了就别多写,不够时知道怎么写
下一篇: AI 辅助 Rust 代码结构化:用模型把 500 行的 main 拆成干净模块
第一程序员
博客等级 码龄1年 1万+粉丝 1827原创
评论 1
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