跨语言 C ABI 结构体展开与布局对齐陷阱:当 Rust repr(C) 撞上 GCC 的 attribute packed

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

封面信息图

在跨语言系统级开发(如用 Rust 编写网络数据包嗅探器、硬件 PCIe 驱动或对接遗留的 C 语言二进制协议)时,很多开发者在踩过字段重排的坑后,都会牢记一条“常识”:只要在 Rust 结构体上方挂一个 #[repr(C)],它的内存布局就和 C 语言完全一致了。

这个常识在 90% 的普通场景下是正确的。

然而,在底层驱动与网络协议领域,C 语言开发者为了压榨每一寸网络带宽或硬件寄存器空间,极其普遍地使用 GCC 编译器扩展:__attribute__((packed)) 或 #pragma pack(1)。

当你兴冲冲地在 Rust 侧声明了一个看似完美对应的 #[repr(C)] 结构体,并把接收到的网络帧强转进去时,系统会迅速用最诡异的数据错位给你上一堂残酷的体系结构课:原本应该是 192.168.1.1 的 IP 地址,在 Rust 里读出来变成了完全荒谬的随机端口号;更恐怖的是,当你在 ARM 架构服务器上尝试读取一个整型字段时,CPU 会直接抛出硬件级总线错误(Bus Error)瞬间杀死整个进程!

本文我们将深入物理内存排布的微观世界,拆解 packed 属性在不同硬件架构下的物理陷阱与 Rust 的终极防御之道。

致命的错位:默认对齐与强制紧凑的冲突

假设 C 语言底层定义了一个用于网络遥测的精简数据包头:

// C 语言驱动层协议定义
struct __attribute__((packed)) TelemetryHeader {
    uint8_t   version;     // 1 字节
    uint32_t  seq_num;     // 4 字节
    uint16_t  metric_id;   // 2 字节
};

因为加了 __attribute__((packed)),GCC 编译器会强制消除所有用于对齐的填充字节(Padding):

  • version 位于偏移量 0;
  • seq_num 紧挨在后面,位于偏移量 1;
  • metric_id 位于偏移量 5;
  • 整个结构体在物理内存中严格占用 7 个字节。

现在看一个麻痹大意的 Rust 开发者在跨语言头文件里写下的代码:

// 隐藏着巨大灾难的错误声明!
#[repr(C)]
pub struct BrokenTelemetryHeader {
    pub version: u8,     // 1 字节
    pub seq_num: u32,    // 4 字节
    pub metric_id: u16,  // 2 字节
}

在 Rust 侧,#[repr(C)] 遵循的是目标平台的自然对齐(Natural Alignment)标准。
为了让 4 字节整数 seq_num 的内存地址能被 4 整除,Rust 编译器会在 version 后面默默填充 3 个无意义的 Padding 字节!
其内存排布变成了:

  • version: 偏移量 0;
  • [填充字节]: 偏移量 1, 2, 3;
  • seq_num: 偏移量 4;
  • metric_id: 偏移量 8;
  • 整个结构体在 Rust 看来占用了 12 个字节!

当一段由 C 语言生成的 7 字节紧凑报文流入 Rust 时,Rust 从偏移量 4 开始读取 seq_num,读取到的实际上是原本属于 seq_num 的最后一个字节加上 metric_id 的全部内容以及后面的未知脏数据!所有字段全面错位失真!

第一步修复:#[repr(C, packed)] 抹平物理填充

在 Rust 中,要精确镜像 C 语言的 packed 行为,必须显式附加 packed 属性修饰符:

#[repr(C, packed)]
pub struct PackedTelemetryHeader {
    pub version: u8,
    pub seq_num: u32,
    pub metric_id: u16,
}

现在运行 std::mem::size_of::<PackedTelemetryHeader>(),输出精确的 7 字节。结构体内部的每一个字段偏移量与 C 语言实现了 100% 的物理咬合。

更深层次的深渊:未对齐引用的未定义行为(UB)

很多人以为加上 #[repr(C, packed)] 就大功告成了,接着在业务代码里顺手写下了这行调用:

fn print_header_info(header: &PackedTelemetryHeader) {
    // 极其危险的高危操作!
    println!("序列号: {}", header.seq_num);
}

在现代 Rust 编译器下,这行代码会直接触发编译警告(甚至未来版本会直接升级为硬错误):

warning: reference to packed field is unaligned
  --> src/main.rs:14:28
   |
14 |     println!("序列号: {}", header.seq_num);
   |                            ^^^^^^^^^^^^^^
   = note: creating a misaligned reference is undefined behavior (even if that reference is never dereferenced)

为什么连打印一个字段都是高危行为?
因为 println! 宏在底层展开时,为了避免不必要的内存拷贝,会隐式获取字段的不可变引用:&header.seq_num。

而在 PackedTelemetryHeader 中,seq_num 的物理偏移量是 1!
如果结构体本身的起始地址是按 4 字节对齐的(如 0x1000),那么 seq_num 的物理内存地址就是 0x1001(奇数地址)!
在 Rust 的核心语言契约中:引用 &T 必须永远指向满足其类型对齐要求的合法内存地址! 创造一个指向未对齐地址的引用,在类型系统层面构成了赤裸裸的未定义行为!

更残酷的是物理硬件的惩罚:

  • x86-64 架构:硬件虽然能容忍未对齐内存读取,但在跨越缓存行边界时会触发数倍的时钟周期惩罚;
  • ARM64 / RISC-V 架构:大多数嵌入式或精简指令集芯片在硬件级别对未对齐内存访问是零容忍的。一条针对非 4 字节对齐地址的 ldr 寄存器加载指令,会直接触发 CPU 硬件异常(Alignment Fault),操作系统直接下发 SIGBUS 信号将进程瞬间拍死!

终极安全解法:read_unaligned 零引用读取

在 Rust 中,处理紧凑结构体的标准工程准则是:永远不要创建指向 packed 字段的直接引用,必须使用 std::ptr::read_unaligned 与 write_unaligned 以纯值语义进行访问!

use std::ptr;

impl PackedTelemetryHeader {
    // 安全的字段提取方法:通过 read_unaligned 拷贝值,绝不暴露未对齐引用
    #[inline(always)]
    pub fn get_seq_num(&self) -> u32 {
        unsafe {
            // 使用 addr_of! 获取裸指针,避免在语法树中产生临时借用
            let ptr = ptr::addr_of!(self.seq_num);
            // read_unaligned 会在机器码层生成多条按字节拼接指令,安全搬运数据
            ptr::read_unaligned(ptr)
        }
    }

    #[inline(always)]
    pub fn get_metric_id(&self) -> u16 {
        unsafe {
            let ptr = ptr::addr_of!(self.metric_id);
            ptr::read_unaligned(ptr)
        }
    }

    #[inline(always)]
    pub fn set_seq_num(&mut self, val: u32) {
        unsafe {
            let ptr = ptr::addr_of_mut!(self.seq_num);
            ptr::write_unaligned(ptr, val);
        }
    }
}

汇编反编译:read_unaligned 是如何被硬件消化的

使用 cargo-show-asm 检查 get_seq_num 生成的机器指令:

在 x86 架构下,由于硬件原生支持,LLVM 直接生成了最精简的未对齐内存搬运指令:

# x86-64 汇编
mov eax, dword ptr [rdi + 1]
ret

而在严格对齐的 ARM64 架构下,编译器为了防范总线错误,极其智能地将 4 字节读取拆解为安全的连续字节加载与位移拼接指令:

# ARM64 汇编安全防线
ldrb w8, [x0, #1]
ldrb w9, [x0, #2]
ldrb w10, [x0, #3]
ldrb w11, [x0, #4]
# 通过 orr 与 lsl 寄存器移位合并为完整的 32 位整型,彻底杜绝硬件 Bus Error!

跨语言契约的防御清单

为了杜绝任何因 C ABI 结构体展开不一致引发的线上灾难,系统级工程必须建立以下三条防御底线:

  1. 编译期全量静态尺寸与偏移断言:
    在 Rust 侧为每一个跨语言结构体编写显式的 const 断言:
    const _: () = {
        assert!(std::mem::size_of::<PackedTelemetryHeader>() == 7);
        assert!(std::mem::offset_of!(PackedTelemetryHeader, seq_num) == 1);
        assert!(std::mem::offset_of!(PackedTelemetryHeader, metric_id) == 5);
    };
    
    只要任何一方的编译器选项变动导致对齐偏差,代码在编译期就会立即自爆,绝不流向生产!
  2. 私有化 packed 结构体的全部字段:
    坚决不要将 #[repr(packed)] 结构体的字段声明为 pub。将字段全部私有化,仅向外暴露经过 read_unaligned 封装的安全 Getter/Setter,从 API 设计层面剥夺外部使用者误创未对齐引用的能力。

跨越语言边界不是一次盲目的参数传递,而是一场由硬件对齐规则严格约束的微观探险。唯有敬畏每一个字节在物理内存中的精确坐标,系统级架构师才能筑起坚如磐石的安全壁垒。

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

电力电子课设救星:用Simulink实现Buck变换器双闭环控制(PID调参技巧)

本文是电力电子课程设计的实用指南,详细讲解如何利用Simulink仿真平台实现Buck变换器的电压电流双闭环控制。文章核心聚焦于PID参数整定的实战技巧,提供了从手动调试口诀到MATLAB脚本自动优化的完整方案,旨在帮助学生高效完成课设,深入理解闭环控制原理并生成专业报告。

weixin_29179311的博客 296

C++/Rust FFI类型安全:三大隐患剖析与实战解决方案

在跨语言编程中,类型安全是确保数据正确传递和程序稳定运行的核心基础。其原理在于不同编程语言拥有各自的内存模型和类型系统,当它们通过外部函数接口(FFI)交互时,编译器原有的安全检查机制在边界处可能失效,导致数据错位或资源管理冲突。这一问题的技术价值在于,正确处理FFI类型安全能显著提升跨语言组件的可靠性与性能,避免因底层细节不一致引发的隐蔽错误。应用场景广泛涉及高性能计算、系统编程、游戏引擎及嵌入式开发等领域,尤其在集成遗留C/C++代码库与现代化Rust组件时至关重要。本文聚焦于C++与Rust的FFI交

afeyfre41671的博客 592

HexView 脚本自动化工具:从刷写文件处理到批量转换实战

本文详细介绍了如何利用HexView脚本自动化工具高效处理嵌入式刷写文件。通过实战演示,文章展示了如何使用bat脚本实现S19、HEX等格式文件的剪切、填充、合并与批量转换,构建自动化流水线,从而显著提升汽车电子等领域的开发与生产效率。

weixin_29237635的博客 358

Rust不是新C:编译器契约与内存管理范式对比

C语言和Rust同属系统编程语言,但二者在内存管理、编译器行为与安全模型上存在根本性差异。C依赖程序员经验与运行时防护,构建‘信任契约’;Rust则通过所有权、借用检查与生命周期,在编译期实现内存与线程安全的数学证明,形成‘强制契约’。这种范式切换带来零运行时开销的安全保障,也引发ABI兼容、裸机支持等工程挑战。其技术价值体现在高可靠性模块开发(如协议栈、风控引擎)、跨语言集成及开发者效率提升。本文聚焦内存管理机制与编译器设计哲学,解析Rust如何作为C的增强伙伴而非替代品,在嵌入式、内核模块与网络服务等场

weixin_33853827的博客 345

PCIe中ACS知识小记

虚拟机内部的访问数据显而易见是带的GPA地址。而目前几乎所有的PCIe 设备都带ACS control,所以它们可以单独assign给不同的VM,但是随之而来的就是即使两个GPU同时assign给同一个VM,由于ACS的存在,他们之间也不会有真正的物理层面的P2P访问。每一个TLP都自带一个address(寻址类TLP),同时每一个endpoint,PCIe switch都自带一段BIOS配置的地址空间范围,一旦这个TLP的address落入某个设备的地址范围,那么这个TLP就属于这个设备并消费。

Summer的博客 5080

ComfyUI安装包运行前准备:增加虚拟内存

在Windows系统中,虚拟内存是一种重要的系统资源管理机制,它主要通过将硬盘空间用作内存来扩展系统的可用内存容量。以下是虚拟内存的主要作用: 1. 扩展物理内存容量 当物理内存(RAM)不足时,系统会将一部分数据从内存转移到硬盘上的虚拟内存区域(也称为“分页文件”或“交换文件”)。这样可以为正在运行的程序提供额外的“内存空间”,确保系统能够继续运行,而不会因为内存不足而崩溃。 2. 提高系统稳定性 虚拟内存为系统提供了一个缓冲区。如果没有虚拟内存...

聚梦小课堂 1万+

C++与Rust协同静态分析:五大技术突破与实践指南

静态代码分析作为保障软件质量的关键技术,通过在不运行程序的情况下检查源代码,能够提前发现潜在缺陷和安全漏洞。其核心原理是将代码转换为抽象语法树等中间表示,并基于数据流、控制流等程序分析技术进行推理验证。在系统级编程领域,随着Rust语言的兴起,C++与Rust混合代码库日益普遍,传统的单语言分析工具难以应对跨语言边界的内存安全、并发安全等挑战。协同静态分析技术应运而生,它通过构建统一中间表示、跨语言所有权分析、并发安全检测等创新方法,有效解决了混合代码库的语义一致性和安全性验证难题。该技术特别适用于大型基础

chuiqi9947的博客 318

YOLOv11改进,YOLOv11添加DCNv4可变性卷积(windows系统成功编译),二次创新C3k2结构,全网最详细教程

引入了可变形卷积 v4 (DCNv4),这是一种为广泛视觉应用设计的高效且有效的操作算子。DCNv4通过两项关键增强解决了其前身DCNv3的局限性:1. 移除空间聚合中的softmax归一化,以增强其动态特性和表达能力;2. 优化内存访问以最小化冗余操作,从而加速计算。这些改进使得DCNv4相比DCNv3显著加快了收敛速度,并且处理速度大幅提升,前向传播速度超过三倍。DCNv4在多个任务中表现出色,包括图像分类、实例和语义分割,特别是在图像生成方面表现突出。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 2668

Rust不是新时代的C:从内存管理到编译器验证的范式跃迁

内存管理是系统编程的核心基础,其本质是在运行时对资源生命周期进行精确控制;C语言依赖开发者手动维护隐式契约,通过malloc/free和valgrind等工具实现‘信任模型’下的动态管理,而Rust则将生命周期升维为编译期可证明的数学约束,依托所有权、借用检查与MIR中间表示构建‘验证模型’。这种从人工记账到编译器审计的转变,不仅消除了悬垂指针、数据竞争等经典缺陷,更重塑了嵌入式、驱动、FFI等关键场景的工程实践方式——它不替代C,而是将C语言所珍视的控制力、确定性与零成本抽象,在现代安全与协作需求下完成形

weixin_34279579的博客 334

KEPServerEX 6 之驱动协议(UDD)实战 HTTP协议对接OpenWeatherMap天气 API全流程指南

本文分享了基于 KEPServerEX 6 的通用设备驱动(UDD)对接OpenWeatherMap天气API的实战方案。该方案针对工业物联网场景进行了深度优化,具有动态城市切换、运行时热配置、老旧JS引擎兼容等核心特性。文章详细介绍了从环境准备、脚本部署到Tag配置的全流程,重点解析了Legacy JS语法适配、Float类型安全处理等关键实现细节,并提供了完整的避坑指南和故障排查方法。该方案经过生产环境验证,可稳定实现气象数据采集与动态切换功能,适用于SCADA/MES系统集成场景。

-雲飛兄-博客 745

【数据集8】全球人口数据WorldPop详解

全球人口数据WorldPop详解

WW、forever的博客 7883

STM32结构体初始化原理:硬件配置的语义化契约

在嵌入式开发中,外设初始化结构体(如GPIO_InitTypeDef)并非冗余设计,而是将硬件寄存器操作抽象为可读、可调试、可扩展的C语言语义模型。其核心原理是通过具名字段映射寄存器位域,结合编译器内存布局控制与运行时校验,实现配置意图显性化、写入操作原子化、跨芯片兼容性保障。这种模式显著提升代码可维护性与调试效率,支撑工业级固件长期稳定运行;尤其在STM32 HAL库和CubeMX工程中,结构体已成为连接图形化配置与底层寄存器的关键桥梁,并广泛应用于GPIO、USART、TIM等外设初始化场景。

weixin_34413802的博客 201

目标检测基础

目标检测是计算机视觉的核心任务,需同时对图像中的物体进行定位与识别。传统方法存在速度慢、精度低等问题,而深度学习显著推动了该领域发展,使实时高精度检测成为可能。检测的核心是为每个物体预测边界框坐标和类别标签。为实现高效检测,引入了锚框机制,通过预设多尺度、多宽高比的候选区域,缩小预测偏移量,提升定位精度。训练时,通过计算锚框与真实边界框的交并比 (IoU) 确定正负样本,并基于此生成类别标签和坐标偏移量作为监督信号。该方法提升了检测器对多尺度目标和复杂场景的鲁棒性。

盼小辉丶的博客 2823

CMSIS-4静态工程实践:裸机开发的接口契约与ABI约束

CMSIS-4并非标准化规范,而是ARM Cortex-M生态中维系二进制兼容性的事实性接口契约,其核心在于头文件隔离、启动文件绑定与系统初始化函数签名一致性。它本质是编译器(如ARM Compiler 5.06u7)与内核抽象层(core_cm4.h等)之间的ABI快照,直接影响寄存器映射准确性、中断向量表布局及FPU状态保存机制。在裸机开发中,CMSIS-4支撑着跨厂商芯片(STM32/NXP/EFM32)的源码级可移植性,广泛应用于医疗设备固件、工业网关和RTOS底层适配等对确定性要求严苛的场景。本文

cigang4063的博客 594

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

C++异常隔离:多语言混编中的防火墙构建与安全实践

在多语言混编架构中,异常处理机制的不兼容性是导致系统不稳定的核心风险之一。C++的异常机制基于栈展开和编译器元数据,而Python、Java、Rust等语言则拥有各自独立的错误处理模型(如虚拟机异常、Result枚举等)。当C++异常不受控制地穿越语言边界时,会破坏调用方的运行时环境,导致进程崩溃或未定义行为。其技术价值在于通过建立清晰的错误传播契约,确保模块的健壮性和可维护性。应用场景广泛存在于核心模块用C++编写、并被Python、Java或Rust通过FFI、JNI等方式调用的系统中。本文聚焦于**异

weixin_30653023的博客 328

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

深入解析C++对象内存模型与虚函数机制

C++对象内存模型是理解面向对象编程底层实现的关键。通过分析对象在内存中的布局结构,特别是虚函数表(vtable)和虚指针(vptr)的运作机制,开发者可以掌握多态行为的实现原理。这种底层认知具有重要技术价值:在调试时能快速定位内存问题,在性能优化时可减少虚函数调用开销,在嵌入式开发中能有效处理硬件资源限制。典型应用场景包括数据包解析、设备驱动开发等需要精确控制内存的领域。通过GDB调试工具和编译器扩展选项,可以深入观察vtable结构和this指针调整过程,本文以嵌入式开发中的缓冲区溢出案例,展示了如何利

weixin_29219189的博客 252

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")

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 353

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 297

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 620

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 211

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 347

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 89

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 520

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 625
上一篇: llama.cpp 跨线程分派实战:用 Tokio mpsc 构建多消费者异步推理工作池
下一篇: 手写无锁 MPMC 循环队列:基于 Sequence 序号的 Dmitry Vyukov 算法 Rust 深度实作
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