34、云计算硬件与软件深度解析

云计算硬件与软件深度解析

1 虚拟化与容器化的挑战和益处

1.1 云计算基础设施的发展与挑战

计算系统经历了从单处理器到多处理器、多核多处理器,再到集群的演变。如今,拥有数十万处理器的仓库级计算机(WSCs)已成为现实,为数百万用户提供服务。不过,WSCs 由大量系统组件构成,需要复杂的软件栈来控制,这给确保高效可靠运行带来了挑战。同时,云基础设施规模庞大,且组装 WSCs 所用的现成组件平均故障间隔时间较短,保证可靠服务并非易事。而长期运行的云服务又对可用性要求极高,例如 99.99% 的可用性意味着服务每年停机时间要少于一小时,这需要一定程度的硬件冗余以及软件的错误检测和恢复支持。

1.2 虚拟化的优势与不足

虚拟化旨在支持可移植性、提高效率、增强可靠性,并让用户免受系统复杂性的影响。例如,线程是虚拟处理器,能使处理器在不同活动间共享,提高利用率和有效性;RAID 是存储设备的抽象,可提升可靠性和性能。

处理器虚拟化由 IBM 在 20 世纪 70 年代初开创,如今在云计算中得以复兴。云虚拟机在虚拟机管理程序控制下的虚拟硬件上运行客户操作系统,进而运行应用程序。在同一服务器上运行多个虚拟机,可使应用更好地共享服务器资源,提高处理器利用率,减少服务器空闲时间。

虚拟化对用户和云服务提供商都有益处。用户能获得比传统进程共享模式更好的应用隔离;云服务提供商则因提供云服务成本降低而获利更多。此外,应用开发者可在熟悉的环境和所选操作系统下开发应用,且虚拟机便于迁移,迁移步骤为:停止虚拟机、将其状态保存为文件、将文件传输到另一服务器、重启虚拟机。

然而,虚拟化也增加了系统软件的复杂性,对应用性能和安全

相关推荐

从Tesla到Hopper:NVIDIA GPU架构演进与技术突破解析

本文深入解析了NVIDIA GPU架构从Tesla到Hopper的技术演进与突破。重点介绍了统一着色器模型、GPC图形处理集群、Tensor Core等关键技术,以及Hopper架构在4nm工艺、线程块集群、第四代Tensor Core等方面的六大创新。这些突破显著提升了图形渲染、深度学习训练和科学计算的性能,展现了NVIDIA在GPU领域的持续领先地位。

weixin_42665725的博客 381

从OpenAI甜甜圈AI硬件看端侧AI部署:本地大模型与语音交互实践指南

AI硬件与端侧AI部署正成为技术热点,其核心在于将人工智能模型从云端迁移至本地设备运行。这一转变基于数据隐私安全、低延迟响应、降低云端依赖等核心需求,通过模型量化、轻量化技术实现。端侧AI部署让开发者能够在消费级GPU等硬件上运行大语言模型,结合语音识别与合成技术,构建完全本地的智能交互应用。本文以OpenAI传闻中的AI硬件为引,通过Ollama工具链和开源模型,详细演示了如何在本地部署Qwen2.5等模型,并实现端到端的语音交互原型,为开发者进入端侧AI时代提供实操路径。

weixin_34326558的博客 551

AMBA协议H版解析:安全隔离、多核扩展与缓存一致性强化

AMBA协议作为Arm生态的核心互联标准,其演进反映了SoC设计的技术趋势。最新H版本针对安全隔离、多核扩展和内存子系统复杂度三大挑战做出关键改进。在安全方面引入细粒度数据隔离(GDI)机制,与Armv9的RME扩展协同实现缓存行级别的硬件隔离,显著降低上下文切换延迟。多核支持方面,NodeID位宽扩展至16bit,为未来大规模核心设计预留空间。缓存一致性维护则通过限制Cacheable区域操作,减少DMA传输异常。这些改进特别适用于云计算、边缘计算等需要硬件级隔离和高并发的场景,为下一代异构计算SoC设计

weixin_35755640的博客 598

泰迪杯特等奖案例学习资料:基于多模态数据融合与边缘计算的工业设备健康监测与预测性维护系统

多模态时空融合架构:通过跨模态注意力机制实现振动、温度、电流数据的动态加权融合。边缘-云协同推理:本地完成实时故障检测,云端执行RUL预测与模型迭代更新。小样本元学习:基于Prototypical Networks解决稀有故障模式识别难题。四、应用价值与拓展方向工业4.0:应用于数控机床、风电设备、轨道交通等场景,实现预测性维护。能源管理:结合设备健康状态优化能耗策略,降低单位产值能耗15%。扩展应用迁移至医疗设备(如MRI机组)状态监测。结合数字孪生技术,构建虚拟调试与故障模拟平台。

qq_63961628的博客 1814

手把手教你解读Mellanox网卡PSID:从格式解析到实战应用(附CX4/BF3案例)

本文深入解析Mellanox网卡PSID的结构与实战应用,详细介绍了如何通过flint工具获取和解读PSID,以及在企业级场景中的硬件兼容性验证和固件定制部署。通过实际案例和脚本示例,帮助网络工程师高效管理Mellanox设备,提升运维效率。

weixin_29269441的博客 593

手把手教你用VMware Workstation 17 Pro搭建FusionCompute 8.1.1实验环境(附CNA/VRM镜像下载与避坑指南)

本文详细指导如何使用VMware Workstation 17 Pro搭建华为FusionCompute 8.1.1实验环境,包括CNA/VRM镜像下载与配置避坑指南。通过深度解析虚拟机配置、网络设置及常见问题解决方案,帮助IT从业者高效构建私有云实验环境,掌握虚拟化技术核心要点。

weixin_31986143的博客 250

IPv6地址自动配置:SLAAC与DHCPv6原理、配置与排错全解析

网络地址自动配置是现代网络实现设备即插即用的核心技术,它允许设备在接入网络后无需人工干预即可获得网络参数。其原理主要分为无状态与有状态两种模式,前者通过路由器公告实现地址自生成,后者依赖中心服务器进行统一分配。这项技术的核心价值在于大幅提升了网络部署的效率和可扩展性,尤其适用于物联网、移动互联网等海量设备接入场景。在实际应用中,IPv6地址自动配置常通过SLAAC与DHCPv6的协同工作模式实现,既保证了地址分配的灵活性,又能下发DNS等关键配置。本文聚焦IPv6地址自动配置的实战应用,深入剖析SLAAC与

weixin_33462927的博客 362

手把手教你用virsh命令创建Kylin 4.0.2虚拟机(含完整XML配置解析)

本文详细指导如何使用virsh命令在ARM架构上创建Kylin 4.0.2虚拟机,包含完整的XML配置解析和优化技巧。特别针对Kylin Server V10环境,提供从镜像准备到虚拟机管理的全流程操作指南,帮助开发者高效部署ARM虚拟化环境。

weixin_33712987的博客 408

99美元的AI神器?深度拆解Jetson Nano在智能家居中的5种落地场景

本文深度解析了英伟达Jetson Nano在智能家居中的5种创新应用场景。这款99美元的AI开发板凭借128核GPU和TensorRT加速,支持8路高清视频流处理,实现毫秒级响应的本地化AI计算。从智能门禁到老人看护,再到厨房安全系统,Jetson Nano展现出卓越的深度学习性能和边缘计算优势,为智能家居开发者提供高性价比解决方案。

rgv2345678的博客 595

边缘AI实战:Jetson Orin Nano 2开发、TensorRT加速与实体机器人部署全解析

在边缘计算领域,如何将AI模型高效部署到资源受限的硬件上,始终是工程实践的核心课题。边缘AI要求设备在本地完成实时推理,以降低延迟、节省带宽并保障数据隐私,其技术价值在机器人、无人机、AGV等实体AI场景中尤为突出。要实现这一目标,开发者需深入理解硬件算力特性、软件生态兼容性以及推理优化链路。NVIDIA Jetson Orin Nano 2作为入门级边缘AI平台的代表,凭借67 TOPS算力、Ampere架构GPU及TensorRT加速支持,为中小型项目提供了高性价比的落地方案。本文从硬件选型逻辑出发,详

weixin_34186128的博客 404

基于深度学习的轻量化生物特征认证系统实战

生物特征认证是现代身份验证的核心技术,其本质是通过人脸、指纹等生理特征提取高判别性向量,并在嵌入式环境中完成低延迟、高精度的相似度比对。关键技术原理包括特征嵌入、度量学习(如ArcFace Loss)与活体检测协同设计,确保系统既能抵抗打印攻击、屏幕回放等欺诈行为,又能在资源受限设备上稳定运行。该方案的技术价值在于摆脱云端依赖、支持本地化部署、具备强泛化能力与工业级误识率(FAR<0.001%),广泛适用于智能门禁、考勤终端、IoT支付等边缘场景。本文聚焦可落地的深度学习实现路径,涵盖MobileFaceN

chengyixian7877的博客 657

PyTorch DataLoader 参数调优:num_workers=4 与 pin_memory 对训练速度提升 40% 实测

本文深入解析PyTorch DataLoader参数调优,重点探讨num_workers=4与pin_memory如何实现40%训练速度提升。通过实测数据展示不同参数组合对GPU利用率、CPU利用率和内存占用的影响,提供针对不同硬件配置的最优数据加载策略,帮助开发者高效利用计算资源。

weixin_29051811的博客 333

Qwen3.6-Plus万亿级吞吐技术解析:高并发AI推理工程实践

大模型推理吞吐量是衡量AI服务工业化落地的核心指标,本质反映单位时间内稳定输出的有效token数量。其底层依赖动态批处理、KV Cache分层管理与硬件协同优化三大关键技术原理,直接决定API服务的P99延迟、GPU利用率和单卡QPS上限。在高并发场景下,吞吐能力已成为比模型参数规模更关键的技术价值——它支撑教育千人千面、基层医疗秒级辅助、制造业全检等规模化应用。本文聚焦Qwen3.6-Plus这一面向生产环境深度优化的推理专用版本,深入拆解其语义感知批处理、零拷贝KV缓存迁移与热key熔断机制,为开发者提

weixin_30567225的博客 480

【信息科学与工程学】计算机科学与自动化—第十五篇 云计算 11 算法篇01

编号类型领域问题问题的数学分析(含几何学/拓扑学/代数学/数论/集合论/离散数学/概率论/统计学/其他)及数值分析及算法分析及参数列表及参数数值设计C/C++/rust/python代码软件(含编译器)及硬件资源需求(CPU/GPU/内存【NAND/DRAM/HBM/其他】/HBM、HDD、SSD、RAID卡、其他)关联知识1工作负载调度数据中心最小化总完成时间/成本。

weixin_49199313的博客 223

34、云计算与服务导向架构深度解析

本文深度解析了云计算与服务导向架构(SOA)的核心概念与技术,涵盖公有云与私有云的对比、云计算相关技术(如虚拟化数据中心、多租户技术)、云服务类别(SaaS、PaaS、IaaS等)及其典型应用。同时,文章详细介绍了SOA的定义与特性、REST架构风格及其在实际中的应用,以及消息导向中间件、门户与科学网关、服务发现与元数据管理、工作流系统等内容,为构建高效、灵活的分布式系统提供了理论与实践指导。

python9snake的博客 122

【信息科学与工程学】计算机科学与自动化——第八十六篇 各类应用上云计算 01

数字孪生:核心是实时性不等式(Δ<Δt)与带宽-精度权衡。数学上归结为带约束的非线性优化。预测性维护:从物理退化方程(Paris 定律)出发,结合贝叶斯推断,云端训练用深度时序模型,边缘推理用轻量模型。机器人协同:本质是多商品流 + 动态障碍物,需用图论(冲突检测)+ 最优控制(轨迹平滑)。工业视觉:延迟由四个环节组成,需用排队论分析流水线瓶颈,量化感知是降低延迟的关键。液压/气动系统上云(涉及流体力学、热力学、控制)机械臂力控/阻抗控制上云(涉及动力学、力/位混合控制)

weixin_49199313的博客 205

【信息科学与工程学】计算机科学与自动化—第十五篇 云计算 11 算法篇02

但若第一个应用需求40GB/s,第二个10GB/s,总需求50GB/s>40GB/s,第一个得32GB/s,第二个得8GB/s,不公平。但若分区负载不均(分区1-2各有100任务/s,分区3-4各有50任务/s),A负责1-2(200/s),B负责3-4(100/s),仍均衡。任务 τi​ 的计算需求 Wi​(CPU周期),在频率 f 下执行时间 Ti​=Wi​/f,能耗 Ei​=Pdyn​⋅Ti​=Ceff​⋅V2⋅f⋅(Wi​/f)=Ceff​⋅V2⋅Wi​。若 Mneed​>Mi​,需使用远程显存。

weixin_49199313的博客 112

避开这些坑!智鼎MAP性格测试高分指南(附互联网/国企/外企答题模板)

本文深入解析智鼎MAP职业性格测试的核心逻辑与常见陷阱,提供针对互联网、国企、外企三大行业的差异化答题策略与实战模板。帮助求职者理解测试本质,避开追求完美人设、忽视程度副词等心理陷阱,塑造与目标岗位高度匹配的职业画像,从而在招聘关键环节脱颖而出。

rainy的博客 1001

linux应用程序段错误调试

一、堆、栈 在分析段错误之前,先了解一下什么是堆?什么是栈? 堆:一般由开发者分配释放,如果没有释放,程序结束时,在有的OS中可能会被自动释放,分配方式类似于链表。堆的操作方式为,队列优先,先进先出的原则。 栈:由操作系统自动分配,存放函数的参数值,局部变量。栈的操作方式为,先进后出的原则。 堆栈中定义了一些操作。 两个最重要的是PUSH和POP。  PUSH:操作在堆栈的顶部加入一个元素...

农村种地人 1112

VC Spyglass实战指南:从零开始掌握CDC约束配置与调试

本文详细介绍了如何使用VC Spyglass进行CDC约束配置与调试,从基础环境搭建到典型CDC问题调试实战,帮助开发者快速掌握跨时钟域验证技术。通过TCL脚本和SDC约束的深度解析,提升CDC验证效率,避免常见设计风险。

weixin_26757925的博客 299

晶振(晶体振荡器)测试方法详解

晶振测试方法分为无源和有源两种类型。无源晶振(两脚)需用示波器测试波形,重点关注正弦波形状、200mV-1.5Vpp幅值和频率精度;有源晶振(四脚)通电后直接输出方波。测试要点包括:示波器使用10X探头、AC耦合,带宽需5倍于晶振频率;万用表可初筛短路/开路;替换法是工程最有效方法。常见故障排查顺序:供电→复位→焊接→型号→负载电容→波形观察→更换晶振→MCU配置。负载电容需按公式计算匹配,示波器观察是核心测试手段。

jiujiujinyuxi的博客 931

Visual Studio 2013 + Intel(R) Visual Fortran 安装教程

安装了好几遍,ivf都不能加载到vs中,中途放弃了vs,又改用codeblocks编译器,依然在写fortran的时候出现了各种问题,于是又放弃了codeblocks改回vs,总之是折腾了好久,终于装明白了ivf并且将fortran模板成功加载到vs中。 PS:一定要安装Intel Visual Fortran.Composer XE.2013-SP1,不要用Intel Visual Fortr...

Coco_wjy的博客 12万+

光电容积脉搏波PPG信号分析笔记

脉搏波信号PPG分析笔记

teresa_zp的专栏 6478

华为OD机考双机位C卷 - 采购订单 (Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 采购订单 。提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 427

AgentScope Java 2.0 项目实战:从零构建企业级自主Coding Agent

本文基于 AgentScope Java 框架,完整拆解两个生产级 AI Agent 项目的从零开发全过程。其一是企业级自主编码机器人(agentscope-codingagent),支持 Issue→PR 自动实现、PR Code Review、Docker 沙箱隔离执行与多通道接入;其二是个人 AI 助手管理平台(agentscope-paw),采用 Spring Boot + React 全栈架构,支持多 Agent、技能市场与多 IM 通道。

program哲学 844

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

上一篇: 23、并发队列与 ABA 问题
下一篇: 4、数学分析:分数阶不等式与木材浸渍非线性扩散模型
php55
博客等级 码龄15年 51粉丝 1553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  | 博主筛选后可见
 
 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