AI 辅助 Rust 算法选型:让模型对比不同数据结构的时空复杂度

GLM-5.1登顶SWE-Bench Pro:开源大模型工程能力实战解析 大语言模型在软件工程任务中的实际效能,核心取决于缺陷定位精度、修复鲁棒性与长上下文理解能力。GLM-5.1凭借DSA稀疏注意力机制与200K上下文支持,在SWE-Bench Pro真实GitHub Bug修复榜单中以58.4分全球第一,显著优于Opus 4.6;其终端自治能力、代码生成质量及API性价比,已覆盖环境搭建、CI/CD审查、日志分析等高频开发场景。作为首个在硬性工程指标上站上全球榜首的中国开源模型,它标志着LLM从‘能写代码’迈向‘可交付生产级修复’的关键拐点。 阅读详情

AI 辅助 Rust 算法选型:让模型对比不同数据结构的时空复杂度

一、一个真实的选型困境:计数器场景

事情的起因是我在做一个实时日志分析工具,需要统计每分钟内每个 IP 的请求次数。数据量大概每分钟 10 万条日志,问题是:

  • 每分钟开始时要清空上一分钟的数据。
  • 同一分钟内,每个 IP 的计数需要频繁更新(自增)。
  • 每分钟结束时,需要按访问次数排序输出 Top 100。

我先问 AI:

"Rust 中统计每分钟内按值排序的 Top K 数据,数据量 10 万条/分钟,需要频繁更新。HashMap + 排序、BTreeMap、还是 BinaryHeap?帮我分析三种方案的时空复杂度。"

AI 给出了三种方案的对比:

三种方案的理论复杂度如下:

操作HashMap + SortBTreeMapHashMap + BinaryHeap
插入/更新 IP 计数O(1)O(log n)O(1)
获取 Top 100O(n log n)O(n)O(n log 100)
清空数据O(n)O(n)O(n)
内存占用中中中(多了一个堆)

AI 的分析是:如果插入频率远高于排序频率(每分钟才排一次),方案三最优;如果需要实时 Top K,方案二最优。在我们的场景中每分钟只排序一次,方案三理论最优。

二、写 Benchmark 验证

AI 给了理论分析,但作为工程师,我还是要实测验证。写了三个方案的 Benchmark:

use std::collections::{BinaryHeap, BTreeMap, HashMap};
use std::time::Instant;
use rand::Rng;

// 模拟的 IP 地址数据
const IP_COUNT: usize = 100_000; // 10 万个 IP
const TOP_K: usize = 100;

/// 模拟数据:生成随机 IP 的访问记录
fn generate_data() -> Vec<u32> {
    let mut rng = rand::thread_rng();
    (0..IP_COUNT).map(|_| rng.gen::<u32>()).collect()
}

/// 方案一:HashMap + 最后排序
fn bench_hashmap_sort(data: &[u32]) -> Vec<(u32, usize)> {
    let mut map: HashMap<u32, usize> = HashMap::with_capacity(IP_COUNT);
    
    // 阶段1:统计计数 O(n),平均 O(1) 每次
    for &ip in data {
        *map.entry(ip).or_insert(0) += 1;
    }
    
    // 阶段2:排序取 Top 100 O(n log n)
    let mut counts: Vec<_> = map.into_iter().collect();
    counts.sort_by(|a, b| b.1.cmp(&a.1)); // 按计数值降序排列
    counts.truncate(TOP_K);               // 截取前 100 个
    counts
}

/// 方案二:BTreeMap 天然有序
fn bench_btreemap(data: &[u32]) -> Vec<(u32, usize)> {
    let mut map: BTreeMap<u32, usize> = BTreeMap::new();
    
    // 插入 O(n log n),每次插入是有序的
    for &ip in data {
        *map.entry(ip).or_insert(0) += 1;
    }
    
    // BTreeMap 天然有序,直接倒序遍历取 Top 100
    map.into_iter()
        .rev()                    // 从大到小
        .take(TOP_K)              // 只取前 100 个
        .collect()
}

/// 方案三:HashMap + BinaryHeap(保留 Top 100)
fn bench_hashmap_heap(data: &[u32]) -> Vec<(u32, usize)> {
    let mut map: HashMap<u32, usize> = HashMap::with_capacity(IP_COUNT);
    
    // 阶段1:统计计数 O(n),平均 O(1)
    for &ip in data {
        *map.entry(ip).or_insert(0) += 1;
    }
    
    // 阶段2:用小顶堆保留 Top K
    // Rust 的 BinaryHeap 默认是大顶堆,这里用 Reverse 包装实现小顶堆
    use std::cmp::Reverse;
    let mut heap: BinaryHeap<Reverse<(usize, u32)>> = BinaryHeap::with_capacity(TOP_K + 1);
    
    for (ip, count) in map {
        heap.push(Reverse((count, ip)));
        if heap.len() > TOP_K {
            heap.pop(); // 弹出最小的,始终保持堆大小为 100
        }
    }
    
    // 堆中就是 Top 100 的元素
    heap.into_sorted_vec()
        .into_iter()
        .map(|Reverse((count, ip))| (ip, count))
        .collect()
}

实际 Benchmark 结果(M1 Mac,Release 模式):

hashmap_sort    time: [18.231 ms 18.456 ms 18.701 ms]
btreemap        time: [32.119 ms 32.341 ms 32.589 ms]  
hashmap_heap    time: [15.892 ms 16.023 ms 16.187 ms]  ← 最优

三、结果分析:理论 vs 实践

结果和 AI 预测的基本一致,但有几个值得注意的细节:

  1. HashMap + BinaryHeap 确实最快,因为插入用 O(1) 的 HashMap,排序只维护 100 个元素的堆(O(n log 100) ≈ O(n)),比全量排序 O(n log n) 好。

  2. BTreeMap 最慢,因为每次插入都是 O(log n),10 万次操作就是 10 万 × log₂(100000) ≈ 166 万次比较,而 HashMap 只需要 10 万次哈希计算。

  3. 但 BTreeMap 也有它的优势——代码最简单,而且如果数据是持续流入的(不是每分钟一次性处理),BTreeMap 可能更合适,因为它天然有序,不需要额外的排序步骤。

我把实测数据反馈给 AI:

"实测 HashMap + BinaryHeap 最优,但 BTreeMap 代码最简洁。有没有什么折中方案?"

AI 建议了一个混合方案——用 HashMap 做计数 + 用 BTreeMap 做排名,只维护 Top 条目在 BTreeMap 中。这个方案在数据量大但 Top K 小的场景下很实用。

四、形成自己的决策框架

经过多次这样的"AI 分析 → 写 Benchmark → 验证 → 反馈"循环,我总结了自己的算法选型框架:

/// 我的算法选型决策树(实用版)
fn choose_data_structure(
    total_elements: usize,      // 数据总量
    access_pattern: AccessPattern,  // 访问模式
    need_ordering: bool,        // 是否需要排序
    need_duplicate_key: bool,   // 是否允许重复键
) -> &'static str {
    match (need_ordering, need_duplicate_key) {
        // 不需要排序,不需要去重 → Vec
        (false, true) => "Vec",
        // 不需要排序,需要去重 → HashSet
        (false, false) => "HashSet",
        // 需要排序,需要去重 → BTreeSet
        (true, false) => "BTreeSet",
        // 需要排序,不需要去重 → 看场景
        (true, true) => {
            if access_pattern == AccessPattern::InsertOnly {
                "Vec + sort (只插入一次)"  // O(n log n) 一次性排序
            } else if access_pattern == AccessPattern::FrequentRead {
                "BTreeMap"  // O(log n) 读+写
            } else {
                "HashMap + BinaryHeap (Top K)"  // 只关心最高/最低
            }
        }
        _ => "找 AI 再分析一下",
    }
}

实际项目里我还遇到过一次 AI 分析完全跑偏的例子:让 AI 对比 Vec<u32> 和 FxHashSet<u32>,它给出的结论是 "FxHashSet 查找更快",但忽略了我的场景中 80% 的 IP 是重复的——HashMap 的哈希碰撞导致链表退化,实际比 BTreeMap 还慢。写成 benchmark 跑了一次才发现,实测跟 AI 的理论分析差了一个数量级。

现在我的习惯是:任何复杂度分析先过一遍 benchmark,哪怕只跑 1 万条数据,也够发现量级偏差了。

五、总结

  1. 把问题描述清楚——告诉 AI 数据量、操作频率、内存限制、性能要求。
  2. 让 AI 给出备选方案和复杂度分析——不要只听结论,要理解为什么。
  3. 写 Benchmark 验证——AI 的结论不一定对(尤其是忽略了常量因子的时候),实测最靠谱。
  4. 反馈闭环——实测结果不吻合时,把数据喂回 AI,让它分析原因,这是最好的学习方式。

通过这个工作流,我发现自己对数据结构的理解比以前深了很多。很多事情不是说 AI 替你做了,而是 AI 帮你降低了试错成本——你可以在几分钟内对比 3 种方案,这在以前可能要花一下午。

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

相关推荐

告别安装报错!保姆级教程:用阿狸狗破戒大师V3.2.6搞定Cadence 17.4完整安装与补丁

本文提供Cadence 17.4的完整安装与破解教程,特别针对国内用户常见问题优化。从前期准备、镜像处理到阿狸狗破戒大师V3.2.6的智能破解,再到补丁管理与性能调优,详细指导每一步操作,确保一次性安装成功并提升设计效率。

weixin_30632089的博客 843

2026年前端面试核心考点与实战技巧

前端开发作为构建用户界面的关键技术,其核心原理始终围绕HTML/CSS/JavaScript三大基础展开。随着虚拟DOM和响应式编程等技术的演进,框架原理深度理解成为区分工程师水平的关键。在工程化实践中,构建工具链配置和性能优化方案直接影响项目质量。2026年前端面试重点考察WebAssembly性能优化和AI辅助编码等新兴技术,同时算法题型更侧重虚拟列表渲染等实际应用场景。系统设计能力评估则关注状态管理架构和组件分层策略,这些技能对开发高性能前端应用至关重要。面试中的行为问题和技术边界讨论,也反映了行业对

weixin_34341229的博客 406

Vmware虚拟机一打开就蓝屏解决方法

Vmware虚拟机一打开就蓝屏解决方法 问题: 一打开Vmware虚拟机就蓝屏,如下图所示: 解决方法1: 启用和关闭windows功能(对话框)——>虚拟机平台(选项打对勾,默认没勾选)——>确定后重启——>再进应该就好了。 解决方法2: ①.查看电脑中的Hyper-V服务是否关闭 1.打开控制面板-程序-程序和功能 2.双击启用或关闭Windows功能 3.把Hyper-V前面的勾去掉 如果后期发下没有反应,或者电脑本身Hyper-V的服务没有打开,可以先打开在关闭,试

m0_55901666的博客 26万+

宋宝华:论程序员的时代焦虑与焦虑的缓解

宋宝华:论程序员的时代焦虑与焦虑的缓解

2501_93198884的博客 346

在Windows11下安装完Ubuntu20.04双系统后配置环境的过程

在Windows11下安装完Ubuntu20.04双系统后配置环境的过程 1.NVIDIA驱动检测及安装 2.Anaconda的安装 3.安装cuda、cudnn、pytorch 4.其他报错

aaaccc444的博客 2426

保姆级教程:用dnSpy调试Unity游戏,从找DLL到打断点全流程(附调试版mono.dll下载)

本文详细介绍了使用dnSpy调试Unity游戏的全流程,包括环境准备、关键程序集定位、mono.dll版本匹配与替换、调试环境配置及实战技巧。通过本教程,开发者可以高效进行Unity游戏逆向分析,适用于学习设计模式或安全审计等场景。

weixin_30236595的博客 579

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

Avalonia 超级详细学习指南

什么是 Avalonia?Avalonia 是一个开源的、跨平台的 GUI 框架,允许开发者使用 XAML 和 C# 构建现代化、高性能的桌面应用程序。与其他框架相比,Avalonia 具有强大的跨平台能力和灵活的界面设计。} }()Avalonia 的特点和优势跨平台性:Avalonia 可以在 Windows、Linux、macOS 等多个平台上运行,开发者可以编写一套代码,然后在不同的操作系统上运行相同的应用程序。

仰望星空的博客 1万+

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 165

[Dify] 法律文档解析助手怎么做才敢用?先把条款提取、依据核对和人工复核分开

这篇文章围绕用 Dify 搭建法律文档解析助手时最容易被忽略的可靠性问题展开:文档能上传、模型能总结,并不等于结果就能直接用于法务判断。文章会从文档抽取、条款定位、召回片段核对、结构化输出和人工复核几个角度梳理设计思路,适合正在用 Dify 处理合同、制度、招投标文件或企业知识库问答的读者阅读。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 9382

084、ISP 多Context调度:预览、抓拍、录像三路并行 ISP 资源分配

ISP多Context调度优化经验总结 问题本质:ISP多Context并非真正并行,RAW域处理存在串行瓶颈。典型案例是4K60录像时连拍导致视频帧率骤降,根源在于capture抢占video资源引发优先级反转。 关键发现: 移动平台ISP采用"共享管线+独立配置"架构,RAW处理和DMA带宽是主要冲突点 三路典型场景:预览(低延迟)、抓拍(高突发)、录像(高稳定)各有不同资源需求 静态优先级方案会导致video帧率锯齿状波动 解决方案: 时间片轮转+动态提升(高通方案):为各Context分配合理时间片

sundong_81的博客 26

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

YOLOv11的对比学习预训练改进-(通过SimCLR预训练增强特征提取)

本文介绍了将SimCLR对比学习预训练与YOLOv11目标检测模型相结合的创新方法。文章首先概述了目标检测领域的发展现状和YOLOv11的架构优化,包括主干网络、特征金字塔和检测头的改进设计。其次详细解析了SimCLR对比学习的核心原理,涵盖数据增强、投影头设计和NT-Xent损失函数。最后探讨了如何将对比学习与目标检测有效结合,通过特征空间对齐和渐进式微调策略提升模型性能。该方法显著增强了特征提取能力,提高了检测精度和训练效率,特别是在小目标和遮挡目标的检测上表现突出。

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。 687

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 633

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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

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")

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 448

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

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 440

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 561

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 169

【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 119

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: 系统工具的启动时间优化:懒加载加按需初始化,冷启动从 2 秒到 200ms
下一篇: WASM SIMD 实战:用单指令多数据加速向量计算的完整示例
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