对话PostgreSQL作者Bruce:“转行”是为了更好地前行

Java前后端分离项目实战:10个精选案例与开发指南 前后端分离架构是现代Web开发的核心模式,通过HTTP API实现前端与后端的解耦。其原理是基于RESTful接口进行数据交互,前端专注于用户界面和交互体验,后端处理业务逻辑和数据持久化。这种架构的技术价值在于提升开发效率、支持技术栈自由选择和独立部署。在实际应用场景中,从基础的图书管理系统到复杂的微服务项目都能体现其优势。本文以Spring Boot和Vue技术栈为例,通过图书管理系统、在线商城等实战案例,详细解析前后端分离的实现方法和注意事项,帮助开发者快速掌握这一关键技术。 阅读详情

【优快云 编者按】从1961年首个数据库管理系统IDS(Integrated Data Storage)问世至今,数据库的发展已超过60年,无数杰出人物为此作出了重大贡献,而见证了数据库发展的Bruce Momjian也是其中之一。Bruce是PostgreSQL的核心作者之一,也是开源运动的倡导者。但早期的Bruce并非科班出生,甚至和计算机领域没有丝毫联系。之所以有现在的这些成就,离不开他后三十多年的探索。《新程序员004》带你走进Bruce的程序人生。

作者 | 郭露       责编 | 徐威龙

出品 | 《新程序员》编辑部

Bruce Momjian(下文简称“Bruce”)作为PostgreSQL团队的核心成员之一,多年来一直负责指导PostgreSQL数据库的开发和发布。此外,他也是开源运动的倡导者之一,在计算机领域有着举足轻重的地位。然而,早年间Bruce并非计算机出身,而是以历史为专业。在计算机尚处于萌芽的时代,他也坦言“与计算机结缘有‘赌’的成分。”

Bruce近照(图源自Bruce个人博客)

1.为就业,几度更换专业

20世纪60年代初,Bruce出生在美国费城。与那个时代其他的美国小孩一样,Bruce度过了平凡的童年时光。学生时期的他发现自己对人文历史非常感兴趣,于是在大学时选择了历史专业。然而尽管兴趣是最好的老师,但学历史这条路并非他想象的那么简单。一方面,学历史也并不等于以后就可以做研究;另一方面,在美国历史专业也不是那么容易找到工作。因此在学了两年之后,Bruce认为是时候换一条路了。

起先,Bruce发现当老师似乎比较有前景,于是转为数学教育学专业,准备毕业之后去教书。但数学又的确非常枯燥,于是又开始琢磨有没有其他更适合自己的领域。在一次偶然的机会下,Bruce了解到了计算机这一新兴领域。

当时计算机领域的发展不过一二十年,因此,选择计算机多少有点“赌”的成分。但在他看来,计算机是属于未来的领域,今后有机会影响世界。看清这一点后,Bruce开始投入到计算机知识的学习中。尽管他并非科班出身,但在接触到计算机之后,他很快就意识到这才是自己真正想要的方向。通过自学,他对计算机有了相当的了解。在毕业之后,他顺利成为美国多所高中的计算机老师。而让他没想到的是,这只是他和计算机缘分的开始。

Bruce在教书期间也并未停止对计算机领域的探索。据他回忆,在入门后,他先后学习了许多“具有长期性且实用性的核心技术”,包括20世纪60年代后期出现的Unix、C语言、HTML、操作系统知识、虚拟内存管理以及汇编程序等等。这也为之后他真正进入计算机领域奠定了坚实的基础。

1989年,在接触了数据库之后,Bruce成为了一名数据库顾问,为许多律师事务所构建专门的数据库软件,这份工作也让Bruce首次接触到了SQL数据库。而正是在这个时期,他坚定了自己专攻数据库的方向。当时数据库已有近三十年的历史,IDS(集成数据存储,Integrated Data Store)、IMS和Oracle等数据库管理系统都在迅速发展。为了适应这波发展,Bruce密集地学习了Ingres和Informix等相关知识。并在1992写了shql,并通过Unix shell脚本实现了SQL。

2000年,Bruce在机缘巧合之下发现了Postgres,并开始成为其中的一份子,这也成为了他职业生涯中最大的转折点。六年后,Bruce和团队成员共同创立了PostgreSQL社区,并在接下来的二十多年内不断作出贡献,一方面负责管理社区和博客,另一方面还负责数据库的开发维护。同时他还是PostgreSQL坚定的布道者,经常在世界各地进行公开演讲,来扩大PostgreSQL的影响力。

可以说,在加入Postgres团队之后,Bruce为Postgres奉献了全部的精力。在他的努力下,Postgres从一个边缘的学术项目逐渐变成了一个具有极大商业价值的数据库。PostgreSQL功能强大,几乎能适应所有的数据库场景,因此受到了全球各大公司的欢迎。而在这份成绩的背后,都能找到Bruce的身影。

Bruce近照(图源自Bruce个人博客)

2.“只要满足用户95%的需求就够了”

《新程序员》:PostgreSQL社区已经建立20多年了,在我的印象中,它是世界上历史最悠久的数据库社区。那么不同的时代,PostgreSQL社区发生了哪些变化?

Bruce:PostgreSQL创建于1986年,是一款可扩展的关系数据库,可以满足许多新的需求。在它创建的后20年中,这一功能并未得到很好地利用。然而之后这一行业不断发展,人们对于数据的需求有了很大的变化,PostgreSQL的应用范围也有了新的变化。

20世纪90年代时,大部分数据输入与输出都采用简易终端或APC模拟终端。然而在这之后,互联网技术面临巨大革新。我们不仅有物联网、GIS(地理信息系统)以及GPS等技术,还能够获取数据、存储数据并输出数据。同时由于数据仓库的出现,数据分析变得越来越重要。

鉴于这些变化,如果数据库无法拓展,可能会面临许多问题,因为我们需要对复杂的数据进行分析。

《新程序员》:在过去2年当中,人们对于数据库的需求发生了哪些变化?这对云原生开发人员来说意味着什么呢?

Bruce:这个不好说,因为我们的项目已经存在35年了,我们很少会以两年为单位思考过去的事情,不过我们的确还有许多需要改善的地方。

举个例子,如今公司对于数据加密安全的需求逐渐增加,以往我们并未想到会出现勒索软件。不少的公司,尤其是大型公司,正在遭受严重勒索攻击。因此,人们越来越希望我们能够具备安全功能。另外,在过去2年中,大规模平行处理功能以及安全问题可能是比较重要的开发方向。

《新程序员》:在数据库应用和数据库系统方面,人们的关注点在于数据储存方式以及能够快速地检索这些数据,那么我们如何做到这一点呢?

Bruce:PostgreSQL是一种通用数据库,因此它的重点从来就不在于实现100%的兼容。我们可以为开发人员提供性能优化,满足他们95%的需求,但如果需要满足剩下5%的需求,我们可能需要额外付出比先前多10倍的努力。

总的来说,PostgreSQL作为通用数据库,可以完成各种常见的工作。而如果你需要一些特殊的功能,可以再加上一个数据库,并将两个数据库进行集成。人们往往因为我们没有那些花里胡哨的功能而感到不满,但就是因为我们没有这些功能,所以用户也无需对这些功能进行优化。我们不想让PostgreSQL变得复杂,使得开发人员面临更加严重的问题。

幸运的是,云技术出现之后,我们能够不断验证自己的想法。人们可能会说,如果软件运行太慢,他们会选择改变几个参数。但如果运行太慢,我们会在云中建立一个更大的服务器,而不是花一周的时间去设置参数,从而满足剩下5%的性能。

3.“学术界要拥抱开源新技术”

《新程序员》:在当下的云时代中,如果想从事数据方面的工作,应该如何规划职业道路?

Bruce:我认为,对于学生来说,最重要的是他们在学校学到的内容是否和当前的行业相匹配。如今获取数据的渠道越来越多,包括移动端、客户端、浏览器以及GIS等等。开发人员必须要了解这些内容,才能更好地了解数据库。而对于大学生来说,我认为他们都需要更加关注市场需求,学习开源知识并且加入开源社区。因此我希望学术界能够拥抱新技术,让它们走进大学。

《新程序员》:对于中国开发者,你有哪些建议?

Bruce:在过去的4年里,使用PostgreSQL的中国开发者越来越多,这在以往是不可想象的。中国有更多的机会能够参与到这一全球进程中,并做出成绩。互联网为我们打开了交流的大门,之前只有发达国家/地区才有的机会,现在在世界的任何一个角落都能拥有。因此,中国开发者可以通过不断学习新技术,从而获得真正的成功。

【参考资料】

  • https://momjian.us/download/shql.1.3.README

  • https://momjian.us/main/faq.html

  • http://lorance.freeshell.org/shql/

  • https://en.wikipedia.org/wiki/PostgreSQL#History

  • https://postgresql.life/post/bruce_momjian/

本文出自即将上市的《新程序员004》,对话世界级大师,报道中国IT行业创新创造!

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

PostgreSQL的前世今生

PostgreSQL的起源可以追溯到1977年的加州大学伯克利分校(UC Berkeley)的Ingres项目。该项目由著名的数据库科学家Michael Stonebraker领导,他是2015年图灵奖的获得者。

Auspicious航的博客 1905

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

PostgreSQL 分组集合新功能(GROUPING SETS,CUBE,ROLLUP)

PostgreSQL 分组集合新功能(GROUPING SETS,CUBE,ROLLUP)实验环境操作系统:windows 10 家庭中文版数据库系统: PostgreSQL 9.6.2说明postgresql从9.5版本开始新加入了group by的分组集合功能,提供了GROUPING SETS,CUBE,ROLLUP参数,使用方式与oracle完全一致,下面是实际测试说明构建测试环境创建表t并插

sunbocong的博客 1万+

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

用postgresql特性简化group by 后取每组前n条记录的方法

需求: 求一段时间内各生产线前3名坏机的原因及坏机数. step 1, 从将原始数据中抽取品质数据放于t96临时表 create temp table t96 on commit drop as select * from t96_pd_log where recseq between '791G0' and '792G0' and f96_op='PD-QC' ; 可以看

rocklee的专栏 1万+

Seedance 2.5本地部署指南:AI生图与视频生成的完整实践

最近在AI生成内容领域,本地部署方案越来越受到开发者关注。特别是Seedance 2.5的发布,让很多原本依赖云端服务的用户开始转向本地化解决方案。本文将从实际使用角度出发,完整介绍Seedance 2.5的本地部署流程、功能特性对比以及实际应用技巧。 1. Seedance 2.5核心特性解析 1.1 什么是Seedance 2.5 Seedance 2.5是一款开源的AI生图和视频生成工具,支持在本地环境运行,无需联网即可实现高质量的图像和视频生成。相比之前的2.0版本,2.5在生成质量、运行效率和功能

weixin_42566121的博客 1702

Postgresql高级特性

1.多次使用到的查询 可以存为视图,方便下次查看,当然也可以直接保存查询 CREATE VIEW myview AS SELECT city, temp_lo, temp_hi, prcp, date, location FROM weather, cities WHERE city = name; SELECT * FROM myview; 视...

该作者帅得被神追 1014

QST QMC5883L —— 经典磁传感器的生存指南与替代预案

本文聚焦于QST旗下经典三轴磁力计 QMC5883L,解析其技术渊源、核心特性及当前面临的停产风险。结合真实应用场景提供续命方案与选型建议,为依赖该芯片的开发团队争取过渡时间窗口期。文章包含实测数据对比、生命周期管理策略及潜在替代方案拆解。存续价值判断✔️ 现有产品设计无需大幅改动即可延续生命;❌ 新项目采用将面临更高的维护成本;⚠️ 建议在6个月内完成技术路线切换。#磁传感器 #嵌入式开发 #供应链管理 #QST #QMC5883L。

2501_93066786的博客 1000

保姆级教程:在ROS Noetic下,手把手教你将自定义A*全局规划器打包成插件(附避坑指南)

本文提供了一份详细的ROS Noetic下自定义A*全局规划器插件开发指南,涵盖从环境准备、算法优化到插件配置与调试的全流程。通过实战案例和避坑技巧,帮助开发者高效实现机器人导航中的全局路径规划,特别适合需要优化ROS导航栈的开发者。

weixin_29168675的博客 287

回顾|Bruce Momjian主题分享要点及问题解答

北京时间4月15日,PostgreSQL全球开发小组联合创始人 Bruce Momjian受中国PostgreSQL分会邀请参与北京大学2022年PostgreSQL开发实践公选课直播授课,Bruce先生带来了以下两个主题内容的分享。接下来,带您一起回顾主题相关要点。 一、《PostgreSQL’s Path to the Future》(PostgreSQL的未来之路) 主题要点: 1.事物的发展极少是直线向上、一蹴而就的,必然会经过不断的改进,曲折向上发展。 2.开源软件相对公司产品...

PostgreSQL China 765

Unity FPS射击控制系统:数据驱动的武器行为解耦方案

在Unity第一人称射击(FPS)开发中,射击系统常因输入、状态、行为耦合导致连发异常、换弹冲突与网络同步失准。其本质是缺乏对‘武器行为’(如后坐力曲线、弹药逻辑)与‘射击控制’(如输入合法性校验、冷却调度)的正交分离。本方案基于ScriptableObject实现WeaponData数据资产化,配合ShootingController状态机服务,达成输入解耦、运行时参数可调、协程受控、网络预测友好等工程目标。适用于中大型FPS项目架构升级与数据驱动转型,尤其解决Unity InputSystem与物理反馈

weixin_30536861的博客 615

与大师面对面 专访PostgreSQL创始人

【IT168 专稿】当Oracle、IBM、Microsoft、Sybase 等几大数据库厂商在数据库领域处于垄断地位的时候,出现了以MySQL、PostgreSQL为代表的开放数据库,推动开源软件事业发展同时,激烈的竞争无疑让用户获得了实惠。 如今,MySQL前途因为Oracle与Sun并购存在不确定性而变得扑朔迷离,无疑让开源数据库的发展受到很大的挫伤,甚至改变目前的市场格局。而接连受到IB

bigwindlee的专栏 1393

注意力机制篇 | YOLOv8改进之在C2f模块添加EMA注意力机制(附2种改进方法)

EMA(Exponential Moving Average)注意力机制是一种用于增强模型性能的注意力机制,它通过对模型的特征图进行加权平均来提取更有用的特征信息。具体来说,EMA注意力机制通过引入一个权重因子来调整特征图中每个位置的重要性,从而使模型能够更好地关注重要的特征。🌈

小哥谈 4181

游戏战斗系统架构设计的演绎之路——从一坨意大利面条到一座精密钟表

摘要:游戏战斗系统架构设计的演进之路 本文系统梳理了游戏战斗系统从早期街机到现代3A大作的架构发展历程。70-80年代的街机游戏采用基础碰撞盒判定(如《街头霸王》);90年代实现动画融合与状态机架构(《最终幻想》《拳皇》);2000年后MMO引入服务器验证与同步技术(《魔兽世界》);3D时代融合物理引擎与智能AI(《GTA5》《只狼》);移动端则发展出轻量化架构与云端判定(《王者荣耀》)。现代战斗系统已实现模块化、数据驱动和热更新,未来趋势是AI裁判与云战斗系统。这一演进过程展现了技术与创意的完美结合,数百

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 804

专访PostgreSQL创始人-BruceMomjian

当Oracle、IBM、Microsoft、Sybase等几大数据库厂商在数据库领域处于垄断地位的时候,出现了以MySQL、PostgreSQL为代表的开放数据库,推动开源软件事业发展同时,激烈的竞争无疑让用户获得了实惠。  如今,MySQL前途因为Oracle与Sun并购存在不确定性而变得扑朔迷离,无疑让开源数据库的发展受到很大的挫伤,甚至改变目前的市场格局。而接连受到IBM入股跟RedHat1900万美元注资的开源数据库厂商—EnterpriseDB,能否扛起大旗呢?为此IT168邀请到了Postgre

783

十七、SAP-采购订单(STO)

业务逻辑、功能讲解、图文解析、章节总结

m0_72403327的博客 2070

Airbnb SQL 测试题 68:用 SQL 找出每间房最后一位租客(“每组取最新记录“实战解析)

> 本指南以开源仓库 ru-test-assignments 中 SQL 方向的 Airbnb 训练题 [68.md](https://link.gitcode.com/i/b00eb0081466e3ad87274cbff0f19f30) 为核心,完整讲解"对每间至少被租过 1 次的房间,找出最后一位租客姓名与其退房日期"这一经典 SQL 问题。读完你将掌握"分组后每组取最新一条记录"(top-

gitblog_00619的博客 460

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

大模型技术之-LangChain框架

摘要: LangChain是由哈佛大学Harrison Chase开发的开源框架(2022年10月发布),用于构建基于大语言模型(LLMs)的应用程序,支持Agent、问答系统、文档搜索等场景。其核心模块包括Model I/O(标准化模型输入/输出)、Chains(流程组合)、RAG(检索增强生成)和Agents(任务自动化)。相比直接调用GPT等API,LangChain简化开发流程、降低学习成本,并提供统一接口。 环境配置: 需Python 3.12环境,通过requirements.txt安装依赖,建

专业的计算机毕业设计指南 781

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

80岁Postgres创始人、数据库领域“祖师爷”想颠覆数据库设计

而更令人兴奋的是,这群我根本不认识的社区成员接过了开源 Postgres 代码,并开始进行我毫不知情的修改和设计。他打造的联合数据库 Mariposa 成为 Cohera 的基础,后者是甲骨文于 2001 年收购的 PeopleSoft 开发的数据库,并于 2004 年成为 Oracle 数据库中的一部分。因此,他的团队决定推倒重来,在 Ingres 之后重新打造一款真正强大的开源关系数据库——这就是 Postgres。有人戏称 Stonebraker 是数据库领域的“祖师爷”:“赏了无数人饭吃的那种”。

PGCCC的博客 430

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

PostgreSQL 简介

PostgreSQL 简介 作者:何伟平 出处:http://www.pgsqldb.org:8079/mwiki/index.php/PostgreSQL PS:部分应用 1. 被 Facebook 以10亿美元收购的 Instagram 公司使用PostgreSQL 存储用户信息、图片说明,tag以及其它数据。http://www.youkuaiyun.com/article/2012-04-1...

weixin_34381687的博客 803

Postgresql时间操作

Postgresql时间操作问题 本机环境 select version(); PostgreSQL 9.6.3, compiled by Visual C++ build 1800, 64-bit 1.date 操作符 select date’20180101’; 局限性: 只能精确到天 2 timestamp 遇到得问题 直接用timestamp 操作字符串拼接函数...

该作者帅得被神追 1314
上一篇: 第一批做移动开发的程序员,现在怎么样了?
下一篇: C++之父Bjarne Stroustrup:程序员在数学上付出的努力,永远也不会白费
评论 7
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