K8s背了四年，云厂商托管服务一天就把我替代了一半

AI_小站 AI_小站 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 202平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-11-14 14:45:05 发布 202 阅读 AI 写同款· GEO 优化 ›
「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

一、那个新来的同事

2025年10月，我们组来了个新同事，校招的，入职第二周。

组长让我带他熟悉一下K8s运维，我给他讲了半天——HPA怎么配、PodDisruptionBudget怎么设、服务网格的流量切分策略、多集群联邦的故障转移逻辑。

他听完说：“学长，这些我直接用云厂商的托管K8s控制台就能搞吧？”

我说：“控制台能做基础的，但复杂场景还得手动调。”

他没接话。第二天，他拿着一份配置文件来找我——我们之前花两天做的一套弹性扩缩容方案，他用云厂商的托管服务加上一个AI运维助手，一个下午复现了。参数还比我的更优，因为AI帮他把历史负载数据做了个回归分析，自动生成了HPA的阈值建议。

他说"学长，这几个参数我不太确定，你帮我看一下？"的时候，我心里咯噔了一下。

不是因为他做错了什么。是因为一个刚毕业的人，用一下午干完了我要两天的事，还做得更好。

二、我背了四年的东西，到底还值多少钱

那天晚上回家，我没打游戏，坐在电脑前把自己这四年的技能树捋了一遍。

K8s部署和配置——云厂商控制台能做80%，AI运维助手能做剩下的15%，真正需要人工经验的只剩5%。

HPA和资源调度——AI能根据历史数据自动生成最优策略，比人手动调参靠谱。

服务网格——Istio的流量管理，控制台一键配，不用手写YAML了。

监控告警——云厂商的托管监控+AI异常检测，比我搭的Prometheus+Grafana方案还好用。

多集群管理——这是目前还没被完全替代的部分，但也在往托管方向走。

捋完之后我发现：我这四年积累的东西，有超过一半正在被云厂商的托管能力和AI的运维助手一块儿吃掉。

不是这些技术没用了，是"手动配置这些技术"这件事没价值了。云厂商把复杂度封装掉了，AI把决策能力补上了，中间那层——也就是我——被架空了。

三、真正让我慌的事

11月初，公司做了个技术架构评审。

CTO提了一个问题：“我们的云成本一直在涨，有没有人能给一个优化方案？”

全场安静。

我们之前不是没想过省成本。但K8s集群的成本优化是个系统工程——你得知道哪些Pod的资源请求是虚高的、哪些Namespace有僵尸资源、哪些集群的节点利用率低于30%、哪些预留资源可以回收。

以前这种事，得拉数据、写脚本、人肉分析，至少一个月。

那天散会之后，我回去试了一下，用AI帮我做分析。把过去三个月的集群资源使用数据导出来，让AI帮我找异常。

AI十秒钟就给我列了一份清单：

  • 有17个Pod的资源请求是实际使用量的4倍以上
  • 有3个Namespace里的Job已经三个月没运行过了，但资源还预留着
  • 有2个集群的节点利用率长期低于25%，可以合并
  • 有一个GPU节点专门跑推理任务，但每天只有4个小时在用，剩下20小时空转

我看着这份清单，心情很复杂。这些问题我以前也知道可能存在，但从来没有时间一条一条去查。AI十秒钟就给我找出来了。

四、FinOps：一个我从来没想过的方向

那天之后，我花了一周时间，把AI列出来的所有问题逐一核实、修复。

写了一套自动化的资源巡检脚本——每天跑一次，自动识别僵尸资源、过度申请的Pod、低利用率的节点，生成优化建议。

三个月下来，给公司省了将近40万的云成本。

那个月的技术月会上，CTO点名表扬了我。不是因为我K8s配得好，是因为我把钱省下来了。

那一刻我突然想通了一件事：在云时代，基础设施工程师的价值不是"能配置多复杂的系统"，而是"能让这些系统的每一分钱都花在刀刃上"。

这个方向叫FinOps——云财务运营。把技术能力和成本意识结合起来，用数据驱动云资源的优化决策。

这个岗位在国内才刚起步，懂K8s又懂成本优化的人极少。

五、我后来做的两件事

第一件：把FinOps做成了体系。

不是写几个脚本就完了，我搭了一套完整的云成本治理平台：

  • 资源巡检：每天自动扫描所有集群，标记异常资源
  • 成本归因：把云成本精确分摊到每个业务线、每个团队
  • 预算告警：某个团队的云成本超出预算15%，自动通知
  • 优化建议：AI分析资源使用模式，给出具体的优化方案和预期节省金额

这套系统上线之后，我们公司的月度云成本降了23%。老板问我想要什么奖励，我说我想要一个新方向的探索时间。

第二件：开始研究AI Infra。

大模型训练和推理，对基础设施的要求跟传统业务系统完全不同。

GPU调度、RDMA网络、分布式存储IO、模型并行策略——这些东西，K8s原生支持不了，需要深度定制。而这个方向现在超级缺人：既要懂K8s和容器化，又要理解大模型训练的资源需求特征。

我花了一个月，把主流的AI训练框架（Ray、Megatron-LM、DeepSpeed）在K8s上的部署方式全跑了一遍。然后写了一份内部技术文档：《K8s上的大模型训练基础设施指南》。

这份文档在公司内部传开了。后来公司的AI团队要搭训练集群，第一个来找的就是我。

六、写在最后

我以前觉得，K8s工程师的护城河是"会配别人不会配的东西"。

现在我觉得，护城河是"知道这些东西花多少钱、怎么花更值、以及怎么支撑下一步的技术方向"。

托管服务能替代我的配置能力，AI能替代我的调参能力，但它们替代不了的是：理解业务需求、理解成本结构、理解技术趋势，然后做出判断。

K8s本身没死。但"只会K8s配置"这条路，确实越来越窄了。

如果你也在做容器化运维，也在慌，我的建议是：别去跟托管服务比配置速度，去搞清楚你公司的云成本花在了哪里、哪些是浪费的、怎么优化。然后去看看AI训练需要什么样的基础设施——那个方向，至少还值五年。

以前我是个"配K8s的人"。
现在我是个"让每一分云成本都花得值、让AI训练跑得起来的人"。

这个转变，不是AI逼出来的，是AI帮我看见了我以前没看见的价值。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

标签
#人工智能 #架构 #大数据 #java #prompt
#RAG #知识图谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
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

SQL Server2008详细安装步骤（超详细步骤）

https://pan.baidu.com/s/1yvolqfU-AbiuGrIzblA7pA 提取码：lzw81.下载好安装包后解压到除C盘以外的磁盘，避免系统卡顿2.使用管理员身份打开安装程序注意：使用管理员身份打开时，此时如果显示以下画面属于正常现象，下载安装即可。因为.net现在有很多软件都需要，包括SQLSERVER2008，它里面有visual studio都要有net，电脑系统没有的话安装一下好了。3.选择全新安装或向现有安装添加新功能4.点击确定5.出现以下画面之后，输入产品密钥即可（密钥在

m0_67402774的博客 4万+

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 399

CRaxsRat v7.4远程管理工具使用教程（附资源下载）

CRaxsRat是一款图形化界面友好、功能较全面的远程管理平台，主要用于对多台计算机的统一维护与管理。该工具适用于以下场景：内网远程运维教学演示环境局域网设备调试程序自动化控制测试支持多种加密通信方式优化了远程桌面传输稳定性增加了自定义脚本模块后台运行更稳定，占用资源更少。

lzj781210的博客 2153

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 314

40岁从智驾转具身智能之路

我的工作经历比较复杂，本科毕业后工作2年再次读研的，本科和硕士都是机械专业，硕士毕业后干了5年CAM和机器人再转入到自动驾驶行业。在自动驾驶干了8年，发现自动驾驶已经到了一个瓶颈，再次转行做具身智能。我就谈谈自己的最近这次转型之路。

hzm8341的博客 642

AIGC实战：用ComfyUI和Lora微调打造专属原神角色（含完整工作流）

本文详细介绍了如何利用ComfyUI和Lora微调技术打造专属原神风格角色，涵盖从环境配置、数据集准备到工作流构建和Lora训练的全过程。通过模块化节点设计和高级控制技术，创作者可实现高度个性化的AIGC艺术创作，提升二次元角色生成的效率与质量。

weixin_29185199的博客 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 248

神经网络（十五）在VS Code下搭建PyTorch环境

pytorch在vscode中的配置和使用

就随便写写.... 5万+

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 274

HPE磁盘阵列管理04——MSA事件

本文介绍了HPE MSA存储系统的事件处理机制，重点分析了常见磁盘故障事件及其解决方案。文章首先定义了MSA事件的五个严重级别（严重、错误、警告、信息和解决），然后详细列举了多个典型事件案例（如事件1、3、6、8、172等），包括每种事件的触发条件、对系统的影响以及具体修复步骤。针对磁盘故障场景，文章提供了更换磁盘、重建磁盘组、取消隔离等操作建议，并强调应及时配置备用磁盘以降低数据风险。最后指出更详细的事件说明可参考《MSA事件描述参考指南》，并提供了HPE官方手册下载链接。全文为技术人员处理MSA存储故障

istrangeboy&begin zero的博客 1124

1篇1章4节：生成对抗网络GAN和图像生成领域的StyleGAN

AI图像生成技术的革命性突破：从GAN到StyleGAN 近年来，人工智能在图像生成领域取得显著进展，尤其是生成对抗网络（GAN）的发展推动了技术的飞跃。从早期的基础GAN到渐进式GAN（Progressive GAN），再到革命性的StyleGAN，AI生成图像的逼真度已接近人类创作水平。StyleGAN通过引入风格潜向量和自适应实例归一化，实现了对图像风格与内容的精细控制，广泛应用于人脸生成、艺术创作及影视行业。后续的StyleGAN2解决了“斑点”问题，StyleGAN3进一步优化纹理过渡，提升了图像

MD Code 222

【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 605

系规备考论文：论IT服务规划设计

系规备考论文：论IT服务规划设计

liuxu324的博客 1146

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 640

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")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

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 190

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

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 330

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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 324

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 72

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 148

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！ 486

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 566

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和，本文主要介绍AI Agent的测评、可观测等知识。

374

Docling 原理解读：是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程，并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 388

WorkBuddy 实战：一句话需求 → 七屏可交互原型，户外徒步 App 的 AI 设计全流程

WorkBuddy 实战：一句话需求 → 七屏可交互原型，户外徒步 App 的 AI 设计全流程，跟着博主一起来还原整个过程。

夜郎King的博客 5092

从认识人工智能到理解机器学习：我的 AI 入门第一课

正式开始学习人工智能之前，我对 AI 的认识其实比较模糊：知道 ChatGPT、知道大模型，也知道现在很多岗位都在谈 AI，但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”，我未必能从头到尾讲清楚。上午的课程更偏向行业全景：人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础：机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 542

影视场景怎么用AI生成3D镜头预演？从概念图、场景白模到网页审片

概念图有氛围，不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片，介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核，让讨论落到具体镜头，同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 607
上一篇： 用户增长这件事，AI比我懂？
下一篇： 做了五年IoT平台，我转型做了边缘AI部署
点赞 8
评论 0
书签 书签 5
AI_小站
AI_小站
博客等级 码龄3年 6255粉丝 1154原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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