WASM 在企业级应用中的落地:哪些场景已经成熟,哪些还在探索

企业级多Agent协同与Harness Engineering:从可控沙箱到Skill自进化的落地实践 在AI Agent快速进入生产环境的今天,如何让模型在可控轨道上完成复杂任务,成为工程落地的核心挑战。Harness Engineering 强调通过任务边界、工具权限、沙箱隔离与人工审批等机制,将Agent行为约束在安全边界内,避免“能跑通”与“可复用”之间的鸿沟。企业级多Agent系统通过编排式架构拆解任务,由Coder、Reviewer、Security等角色协同,并借助沙箱提供独立可回收的执行空间,降低误操作风险。Skill机制让Agent沉淀企业特有规范,支持自进化与人工评审;人工介入点设计则保障 阅读详情

WASM 在企业级应用中的落地:哪些场景已经成熟,哪些还在探索

一、一年前我在内部推广 WASM,被质疑了"为什么不用容器"

去年我在公司内部提了一个方案:用 WASM 替代 Docker 运行策略引擎的插件。技术主管在评审会上的第一句话:"Docker 不已经有十年了?WASM 能解决什么 Docker 解决不了的问题?"

这个问题问到点子上了。经过一周的调研和 Benchmark,我给出了三个 Docker 无法回答的数据:

  1. WASM 冷启动 0.5ms vs Docker 容器冷启动 200ms——差了 400 倍;
  2. WASM 二进制 1.2MB vs Docker 镜像 150MB(缩减到 1/125);
  3. WASM sandbox 在 Wasmtime 上已验证——三年无 RCE 漏洞(CVE)。

技术总监看完数据,批了方案。

这篇文章是我过去一年在企业级 WASM 落地中的经验复盘:哪些场景 WASM 已经可以替代容器,哪些场景还不行。

二、已经成熟的场景:可以直接上生产

2.1 插件系统

这是 WASM 最成熟的应用场景。核心价值在于:让用户写插件(任意语言),宿主用沙箱加载,恶意代码无法逃逸。

// 插件宿主——使用 wasmtime 加载和执行 WASM 插件
use wasmtime::{Engine, Module, Store, Linker};
use wasmtime_wasi::{WasiCtx, WasiCtxBuilder};

/// 插件管理器——安全加载和执行第三方 WASM 插件
pub struct PluginManager {
    /// wasmtime 引擎——全局共享
    engine: Engine,
    /// 加载的插件模块缓存
    modules: HashMap<String, Module>,
}

impl PluginManager {
    /// 创建插件管理器
    pub fn new() -> Result<Self, PluginError> {
        // 设置 WASM 引擎的编译优化级别
        let mut config = wasmtime::Config::new();
        config.cranelift_opt_level(wasmtime::OptLevel::Speed);
        
        // 限制插件的内存使用——默认最大 64MB
        // 超过会触发 OOM 错误而非影响宿主进程
        config.static_memory_maximum_size(64 * 1024 * 1024);
        
        let engine = Engine::new(&config)
            .map_err(|e| PluginError::EngineInitError(e.to_string()))?;
        
        Ok(Self {
            engine,
            modules: HashMap::new(),
        })
    }
    
    /// 加载 WASM 插件模块
    pub fn load_plugin(&mut self, name: &str, wasm_bytes: &[u8]) -> Result<(), PluginError> {
        // 编译 WASM 字节码为可执行模块
        let module = Module::new(&self.engine, wasm_bytes)
            .map_err(|e| PluginError::CompileError(name.to_string(), e.to_string()))?;
        
        self.modules.insert(name.to_string(), module);
        Ok(())
    }
    
    /// 执行插件——传入参数,获取返回值
    pub fn execute(
        &self,
        plugin_name: &str,
        input: &str,
    ) -> Result<String, PluginError> {
        let module = self.modules.get(plugin_name)
            .ok_or_else(|| PluginError::PluginNotFound(plugin_name.to_string()))?;
        
        // 为每次执行创建隔离的 store——状态不共享
        let mut linker = Linker::new(&self.engine);
        
        // 注入最小化的 WASI 上下文
        // 插件无法访问文件系统、网络(除非显式注入)
        let wasi = WasiCtxBuilder::new()
            .inherit_stdio() // 只继承 stdio
            .build();
        wasmtime_wasi::add_to_linker(&mut linker, |s| s)?;
        
        let mut store = Store::new(&self.engine, wasi);
        let instance = linker.instantiate(&mut store, module)?;
        
        // 获取插件导出的 transform 函数
        let transform = instance.get_typed_func::<(i32, i32), i64>(&mut store, "transform")?;
        
        // 调用插件并获取结果(简化示例)
        println!("执行插件 {}: {}", plugin_name, input);
        Ok(format!("插件 {} 处理结果", plugin_name))
    }
}

#[derive(Debug, thiserror::Error)]
pub enum PluginError {
    #[error("引擎初始化失败: {0}")]
    EngineInitError(String),
    #[error("插件 {0} 编译失败: {1}")]
    CompileError(String, String),
    #[error("未找到插件: {0}")]
    PluginNotFound(String),
    #[error("执行错误: {0}")]
    ExecutionError(#[from] anyhow::Error),
}

我们在两个企业场景里用了这套插件架构:

  1. API 网关的策略插件——客户自己写流量控制逻辑,我们加载执行,客户代码无法访问网关内部状态;
  2. 数据清洗流水线——每个清洗步骤是一个 WASM 模块,流水线可以动态组装。

2.2 Serverless / 边缘函数

Cloudflare Workers 是 WASM 在 Serverless 领域的旗帜产品。核心指标:

指标WASM (Workers)容器 (Lambda)
冷启动<1ms200-500ms
镜像大小1-5MB50-200MB
最大并发无限制(按请求扩缩)受限于容器数
成本按请求计费按内存+时间计费

WASM 在 Serverless 场景的优势是"粒度"。传统 Lambda 的最小单位是"一个微服务",而 WASM Worker 的最小单位是"一个函数"。当你的业务是大量短小的 API 调用时,每毫秒的冷启动都是钱。

三、还在探索的场景:技术可行但生态不成熟

3.1 微服务 Runtime

WasmCloud、Spin 等项目试图用 WASM 替代 Docker 作为微服务的运行时。技术上是可行的——WASM 的隔离性不弱于容器、启动速度远超容器。

但实际落地面临两个硬伤:

  1. 生态碎片化——不像 Docker 有统一的镜像标准和注册中心;
  2. 业务代码改造——Rust/Go 程序用 WASM 需要重新编译,Python/Node.js 无法直接运行。

我对微服务 WASM 化的判断:3 年内企业不会大规模替换 Docker,但在特定领域(IoT 网关、嵌入式中介层)会先渗透。

3.2 数据库 UDF

SingleStore 已经支持 WASM UDF,允许用户用任意支持 WASM 的语言写自定义函数。这对数仓和实时分析场景很有价值——用户可以写复杂计算逻辑而不用担心 SQL 的图灵完备性问题。

// WASM UDF 示例——在数据库中内联执行用户代码
// 编译为 WASM 后加载到数据库引擎

#[no_mangle]
pub extern "C" fn process_row(
    input_ptr: *const u8,
    input_len: usize,
    output_ptr: *mut u8,
    output_capacity: usize,
) -> i32 {
    // 读取输入行数据(JSON 格式)
    let input = unsafe {
        std::slice::from_raw_parts(input_ptr, input_len)
    };
    let row: serde_json::Value = serde_json::from_slice(input).unwrap();
    
    // 自定义业务逻辑——将销售额按地域加权计算
    let amount = row["amount"].as_f64().unwrap_or(0.0);
    let region_weight = match row["region"].as_str() {
        Some("华东") => 1.2,
        Some("华南") => 1.1,
        _ => 1.0,
    };
    let adjusted = amount * region_weight;
    
    // 写回结果
    let output = format!("{}", adjusted);
    let output_bytes = output.as_bytes();
    let copy_len = output_bytes.len().min(output_capacity);
    
    unsafe {
        std::ptr::copy_nonoverlapping(output_bytes.as_ptr(), output_ptr, copy_len);
    }
    copy_len as i32
}

3.3 端侧 AI 推理

WASI-NN(WASI Neural Network)正在标准化 WASM 调用 ONNX/OpenVINO 等推理后端的接口。一旦标准化完成,同一个 WASM 模块可以在浏览器、服务器、边缘设备上使用不同的推理后端——这是"一次编译,到处推理"的愿景。

但当前 WASI-NN 还在 preview 阶段,2026 年暂时不适合生产。

四、暂不可行的场景

有三类场景目前不建议用 WASM:

  1. GPU 密集型计算——WASM 没有标准化的 GPU 接口,WebGPU 只限浏览器。CUDA 依赖的应用只能用原生容器;
  2. 多线程共享内存——WASI 的线程模型仍不成熟(2026 年 7 月),wasi-threads 提案还在讨论阶段;
  3. 内核级操作——像 eBPF 那样做网络包过滤、系统调用拦截,WASM 没有能力也不需要做。这不是它的设计目标。

五、总结

WASM 在企业级的落地,我总结了三个判断维度:

维度判断方法
是否适合 WASM看你的场景是否需要极低启动延迟 + 强安全沙箱 + 小二进制体积中至少两个
生态是否成熟看有没有 2 个以上的头部企业(FAANG 级)在生产环境验证
开发成本是否可接受看团队是否熟悉 Rust/Go(当前 WASM 的首选语言)

我的建议路线:

  1. 立即可以做:插件系统、Serverless 函数替换现有 Lambda;
  2. 关注并实验:WASM 微服务、数据库 UDF、WASI-NN;
  3. 暂时观望:GPU 加速、多线程 WASM。

WASM 不会取代 Docker——它们解决不同层面的问题。但 WASM 会在"需要毫秒级启动 + 强安全保证"的场景里,成为比容器更好的选择。

企业级多Agent协同的Harness Engineering:任务编排、沙箱与Skill沉淀 在AI Agent工程化落地中,多Agent协同并非简单地组合多个模型调用,而是需要一套约束体系来保障任务拆解、代码执行与技能复用的安全可靠。Harness Engineering正是这样一套工程框架,它通过任务编排定义Agent协作流程,借助沙箱隔离让模型生成代码在受限环境中运行,并通过Skill机制沉淀可复用的流程化经验。从技术原理看,沙箱基于容器或WASM提供资源限制与权限控制,人工介入则在高危操作前设置审批节点,所有行为均有审计追踪。这种工程化价值在漏洞修复、测试生成等企业场景中尤为突出。无论模型能 阅读详情

相关推荐

前端 Echarts 与微前端架构的结合探索

多个业务线需要独立开发数据图表,但共用同一套可视化组件库(如Echarts)不同团队维护的图表模块互相「打架」(样式冲突、版本冲突)跨模块的图表联动(如点击A模块柱状图刷新B模块折线图)难以实现本文将聚焦「Echarts与微前端的结合场景」,覆盖从概念原理到实战落地的全流程,帮助前端开发者掌握大型数据可视化系统的架构设计方法。用「拼图游戏」和「绘画工具箱」类比微前端与Echarts,理解核心概念拆解两者结合的三大关键点(资源共享、通信联动、样式隔离)

小白菜的博客 961

ESP32上运行WebAssembly:从.wasm到可执行应用的完整链路解析

WebAssembly常被提及为可移植、轻量、安全的字节码格式,但它并非机器码,需要宿主运行时才能执行。在ESP32等嵌入式MCU上,若想将.wasm文件转化为可运行的应用,必须补齐完整的宿主链路:引导程序、分区表、运行时嵌入器、硬件外设绑定、任务调度等。理解这一原理,有助于开发者在OTA升级、脚本化控制、多端逻辑复用等场景中,更理性地选择技术方案。从ESP32启动机制出发,逐步解析.wasm在真机落地中的关键环节,以及如何通过WAMR等运行时集成,让WebAssembly真正跑在嵌入式设备上。

weixin_34127717的博客 372

半监督的医学分割数据集(LA, Pancreas, ACDC和PROMISE12)分享

这篇文章提供了四个常用的半监督医学分割数据集,所有数据集都已经被处理成了.h5文件。下载之后就可以直接使用

qq_45691955的博客 4184

Blazor Wasm在K8s的云原生实践:探索C#应用轻量化部署新范式

WebAssembly(Wasm)作为一种可移植、内存安全的二进制指令格式,其核心原理在于提供接近原生代码的执行性能,同时通过沙箱机制确保安全隔离。这一特性使其技术价值超越了浏览器环境,在服务端和云原生领域展现出巨大潜力,尤其适用于需要快速启动、高密度部署和安全多租户的应用场景。结合Kubernetes(K8s)这一容器编排的事实标准,Wasm能够为应用交付带来更轻量、更高效的运行模型。本文聚焦于将基于C#和Blazor框架构建的Web应用,通过Wasm技术栈部署到Kubernetes集群的具体工程实践,深

weixin_30825581的博客 306

【顾邦小讲堂】第二十四期 电源环路测试从入门到精髓:一文掌握环路测试原理与电压注入点选择依据

电源环路测试是评估开关电源、线性电源等闭环系统稳定性的核心手段,直接关系到电源的稳定性、输出精度、动态响应、抗干扰能力甚至可靠性

GBupupup的博客 2126

Aloudata Agent :基于 NoETL 明细语义层的分析决策智能体

这是包括我们在内的一些厂商探索的一个新方向,这种方式先由大模型将自然语言转化为对指标语义层的查询请求(MQL,Metrics Query Language),再由指标平台将指标和维度的查询与计算逻辑转化为准确的 SQL 查询语句。用户查询经大模型语义解析后,将其转换为指标、维度及筛选条件的组合表达,并生成面向指标平台的 MQL,Aloudata CAN 指标平台的语义引擎将 MQL 转换为准确和可执行的查询 SQL,语义引擎内置函数体系与 SQL 解析器,确保语义转换的 100% 准确性。

Aloudata的博客 1667

突破浏览器限制:WebAssembly非Web嵌入终极指南

WebAssembly(wasm)作为一种高性能的二进制指令格式,不仅彻底改变了浏览器中的代码执行方式,更在非Web环境中展现出巨大潜力。本指南将带您探索如何在服务器、嵌入式设备和桌面应用等非浏览器环境中集成WebAssembly,解锁跨平台开发的全新可能。 ## 🚀 为什么选择WebAssembly非Web嵌入? WebAssembly凭借其跨平台兼容性、接近原生的执行速度和安全沙箱特性,

gitblog_01186的博客 660

【电子元件篇】MOSFET场效应管作用、选型和测量指南-超简单解读

场效应管是一种电压控制型半导体器件,相比三极管具有输入阻抗高、噪声小、功耗低等优势。主要分为结型和绝缘栅型两大类,后者又可分为耗尽型和增强型MOS管。场效应管通过栅极电压控制漏极电流,具有转移特性和输出特性两大静态特性,以及快速的开关特性。其关键参数包括饱和漏源电流、夹断电压、跨导等,应用场景涵盖信号放大、恒流源、阻抗变换等领域。使用时需根据电路需求选择合适类型,如结型管适合一般放大,功率MOSFET适合高压大电流场合。检测时可用万用表电阻档初步判断好坏和放大能力。

2301_81299416的博客 2544

Spider-Flow 安装部署教程:从零搭建图形化爬虫平台的 5 个步骤

Spider-Flow 是一个以流程图定义爬虫任务的开源平台:在画布上把"请求 → 提取 → 输出"节点连成一条线,爬虫就跑起来了,全程不用写代码。你适合用它做:定时抓网页数据、跑 JSON 接口、把结果自动落库或写文件。下面带你从零完成 Spider-Flow 的本地部署,最后用一条内置示例流程验证它真正可用。 ## 📦 部署 Spider-Flow 前的环境准备 | 依赖 | 说明 |

gitblog_00710的博客 295

prplOS组件流程梳理

本文梳理了prplOS系统中设备信息管理模块(deviceinfo-manager)的工作流程。该模块启动时通过/etc/init.d/deviceinfo-manager调用核心框架amxrt执行,主要功能包括收集设备信息、管理数据模型、初始化子系统等。系统采用ODL文件定义数据模型,通过解析器将配置文件转换为内存中的对象树。流程涉及命令行参数解析、ODL文件加载、后端模块扫描等核心步骤,最终构建出完整的数据模型供上层应用访问。整个架构体现了模块化设计思想,通过动态加载插件实现功能扩展。

四儿家的小祖宗的博客 1282

从 Open SQL JOIN 走向 ABAP CDS Association:把查询写成可复用的数据模型

摘要: 本文通过飞行模型示例,对比了ABAP中三种表关联实现方式:Open SQL JOIN、CDS显式JOIN和CDS Association。重点解析了Association的本质是将表关系声明为数据模型语言,使用时通过路径表达式按需展开为JOIN。文章指出路径表达式在不同位置会默认展开为不同JOIN类型(如SELECT列表默认为LEFT OUTER),并演示了如何用[inner]强制指定INNER JOIN。最后结合S/4HANA实际案例,说明Association通过中心化关系定义和路径复用,能有效

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 386

MoonBit走进大厂:从WASM到企业级应用的语言实践观察

编程语言生态的演进始终围绕两条主线:更贴近硬件的性能表达,以及更贴近业务的高效开发。WebAssembly作为跨平台运行时的统一层,正在重塑服务端、浏览器与边缘计算的边界。然而,语言工具链是否成熟,往往取决于它能否在真实业务流量中承受住内存限制、并发压力和迭代节奏的考验。一个以编译器驱动的语言,如何在保证接近原生性能的同时,降低普通后端工程师的接入成本?这背后涉及类型系统、内存管理、调试可观测性等一系列硬核设计。从社区实验走进大型互联网公司的工程现场,意味着语言不仅要有语法上的巧思,更要具备构建、部署、监控

weixin_31292729的博客 24

详解AUTOSAR:DaVinci Configurator导入ARXML配置(拓展篇—2)

DaVinci Configurator导入ARXML配置。

不脱发的程序猿 3339

探索未来安全策略的奥秘 —— Open Policy Agent WebAssembly 模块初体验

???? 探索未来安全策略的奥秘 —— Open Policy Agent WebAssembly 模块初体验 项目介绍 在日新月异的软件开发世界里,安全性和政策控制成为了不容忽视的关键因素。而Open Policy Agent(OPA)WebAssembly NPM模块的到来,为开发者提供了一个全新的视角和强大的工具,它不仅简化了安全政策的编写与执行,更将性能优化到了前所未有的高度。 该模块作为NPM...

gitblog_00078的博客 925

手把手教你学Simulink--基于飞行控制与稳定性的场景实例:多旋翼无人机在风扰动下的稳定性分析

本文介绍了使用Simulink仿真多旋翼无人机在风扰动下稳定性的方法。通过构建包含飞行器动力学模型、PID控制系统和环境模拟模块的仿真系统,分析了无人机在不同风速条件下的飞行性能。详细说明了从创建模型、设置动力学方程、设计PID控制器到添加风扰动模型的完整流程,并提供了性能评估指标。该方法可用于验证控制系统有效性,优化飞行稳定性参数,为无人机控制系统的设计和调试提供参考。

MHD0815的博客 328

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")

《JavaScript未来已来用ES14+WebAssembly构建游戏化AR/VR沉浸式体验》

混合现实营销场景通过JavaScript配置互动规则,而复杂的视觉特效由独立WASM模块处理,形成高扩展性的解决方案架构。例如设计虚拟实验室应用时,用户扫描实物触发AR模块后,WASM处理的空间立体声定位算法可随用户头部转动自动校准音场,配合JavaScript实现的挑战任务系统,当用户解决3D拼图后,自动触发动态奖励机制,形成闭环的沉浸交互。ES14的模块化动态导入、原子操作等特性大幅降低了大规模AR/VR应用的构建门槛,而WebAssembly的二进制指令集则突破了JavaScript的计算瓶颈。

akgMQVXd的博客 1040

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

如何快速掌握Blazor:.NET开发者的WebAssembly完整教程

Blazor是微软推出的革命性Web框架,它让.NET开发者能够使用C#和Razor语法构建交互式Web UI,无需编写JavaScript代码。作为.NET生态系统的关键组成部分,Blazor通过WebAssembly技术实现了在浏览器中直接运行.NET代码的能力,为前端开发带来了全新的可能性。这个开源项目提供了完整的WebAssembly运行时支持、调试工具和构建系统,让.NET开发者能够轻松

gitblog_01102的博客 503

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Java技术解析核心技术优化与企业级应用开发实践

针对大规模应用(如金融交易系统、物联网数据处理平台),需结合G1、ZGC/ Shenandoah等算法,优化heap size分配(如`-Xms`、`-Xmx`)和GC参数(如`-XX:MaxGCPauseMillis`)。在数字化转型的浪潮中,Java作为企业级应用开发的基石,凭借其跨平台特性、强类型安全、丰富的生态工具链及成熟的社区支持,持续巩固其在关键业务系统中的地位。例如,在一个包含500+依赖的服务中,设置`MaxMetaspaceSize=256m`后,系统启动时间减少40%。

PKbwZptW的博客 336

Java技术的前沿探索与企业级应用创新实践

本文揭示的每个技术方案,均在真实商业场景中经过压力验证,为开发者提供可复用的创新模板。技术革新的关键不在于堆砌新特性,而在于如何系统性地构建技术进化飞轮——持续用创新突破创造新的可能性,再用可能性推动技术层级向更高维度跃迁。2023年,Java生态在云原生、AI融合和量子计算预研等领域的突破,正重塑企业数字化转型的底层逻辑。实践成果:某医疗系统实现容器镜像漏洞扫描自愈,构建时间缩短60%,漏洞密度降低至0.12/KB。某银行案例:信用卡实时反欺诈系统采用此模式,新旧技术栈并行验证,90天完成核心模块迁移。

GQqQIyOg的博客 400

MuleSoft驱动的企业级AI编排实战:从LLM集成到合规落地

AI编排(AI Orchestration)是企业将大语言模型深度融入核心业务系统的关键工程能力,其本质是协调模型服务、异构系统、数据权限、合规审计与异常处理的实时协同。不同于单点AI应用,它强调API治理、语义映射、细粒度RBAC穿透和端到端可审计性,技术底座需支持企业级数据格式归一化(如DataWeave)、动态策略注入与多级熔断。在金融、制造、零售等强流程领域,AI编排直接决定LLM能否从演示原型升级为SLA可控的生产服务。本文基于真实跨行业交付实践,详解如何以MuleSoft Anypoint Pl

weixin_33755557的博客 457

Python 2025:跨平台应用开发与移动端新机遇

本文探讨了Python在2025年跨平台应用开发领域的最新进展,涵盖了移动开发、桌面应用、游戏开发和性能优化等关键方向。通过了解这些趋势和技术,开发者可以拓展Python的应用边界,把握跨平台开发的新机遇。

qq_65622609的博客 1255

2023 Closure Compiler技术峰会:探索JavaScript前沿优化技术与实战应用

Closure Compiler作为Google开发的JavaScript检查器和优化器,已成为前端工程化体系中的关键工具。本次技术峰会汇聚了来自Google、阿里巴巴、字节跳动等企业的技术专家,共同探讨Closure Compiler在现代Web开发中的创新应用与未来趋势。本文将带您全面回顾峰会核心内容,揭秘如何利用这一强大工具实现JavaScript代码的极致优化。 ## 🚀 三大编译模式

gitblog_00167的博客 793

秒级交互式探索分析:重塑数据直觉的低代码EDA工具

探索性数据分析(EDA)是数据科学的基础环节,其本质在于通过快速试错建立对数据分布、异常与关联的直观理解。传统EDA依赖静态报告或编程操作,响应延迟常突破人类认知临界点(800ms),导致思维中断与洞察流失。现代高效EDA需融合内存优先计算、声明式可视化编译与上下文感知提示三大技术支柱,在毫秒级完成字段语义识别、动态采样、流式渲染与智能归因。它适用于新手入门、业务方自助核验及咨询现场演示等场景,以低代码交互替代代码编写,将统计原理与工程优化封装为‘隐形底层’,真正实现‘你动,数据立刻回应’的数据直觉构建。

weixin_36250541的博客 450

Rust 2025前瞻与应用实践解析

Rust作为现代系统编程语言,凭借所有权模型和零成本抽象等特性,在保证内存安全的同时实现高性能。其核心价值在于通过编译时检查消除数据竞争等并发问题,大幅降低系统级开发中的安全风险。随着异步编程、泛型系统等特性的持续完善,Rust在WebAssembly、嵌入式系统和区块链等新兴领域展现出独特优势。本次Rust Forward 2025活动特别聚焦工业级应用,涵盖从编译器优化到AI基础设施的实践案例,其中tokio运行时和wasm-bindgen工具链的深度应用,为构建高性能跨平台系统提供了新范式。

weixin_29211309的博客 160

LiveCharts2高级应用:打造企业级仪表盘与实时监控系统

LiveCharts2是一款简单、灵活、交互式且功能强大的图表库,支持Maui、Uno Platform、Blazor-wasm、WPF、WinForms等多种.NET平台,能够帮助开发者轻松构建企业级仪表盘与实时监控系统。本文将深入探讨如何利用LiveCharts2的高级特性,打造专业、高效的数据分析可视化解决方案。 ## 企业级仪表盘的核心组件与设计原则 企业级仪表盘需要整合多种数据可视化

gitblog_00458的博客 415

语音增强与跨平台部署:DeepFilterNet全场景技术指南

在远程会议中被背景噪音淹没?多语言语音通信时因音质问题导致误解?DeepFilterNet作为一款基于深度滤波的全频段音频增强框架,通过实时降噪技术和多语言处理能力,为全球用户提供高质量的语音解决方案。本文将从价值定位、技术解析、应用场景、实施路径到进阶探索,全面展示如何利用DeepFilterNet构建专业语音增强系统。 ## 定位核心价值:解锁实时语音增强新可能 DeepFilterNet

gitblog_00756的博客 312
上一篇: 多 Agent 协作的工程实现:用 Rust Actor 模型构建 agent 通信网络
下一篇: 7 月 AI CLI 工具开发总结:从 idea 到可用的 31 天全记录与关键决策
第一程序员
博客等级 码龄1年 1万+粉丝 1827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