十年追梦·未来可期 | 睿赛德科技十周年庆典圆满落幕

RT-Thread(上海睿赛德)招聘 | 遇见offer之就要圆你的大厂梦 高级BSP开发工程师 2名 薪资预算:15~25K/M 工作地点:上海、武汉 岗位职责: 本岗位招聘多人,负责RTOS操作系统的板级支持包开发,主要涉及USB驱动与协议栈、TCP/IP网络协议栈与网卡驱动、音视频驱动框架等高级驱动开发,具体开发方向结合个人情况确定。 任职要求: 电子科学与技术、计算机、通信、自动控制、物联网等专业; 3年以上复杂驱动/协议栈的移植或开发经验; 具备扎实的C语言基础,熟悉计算机体系结构; 熟悉一种或数种嵌入式CPU体系与架构,例如ARM、MIPS、RISC-V等; 深入理解类 阅读详情

2021年1月15日,为庆贺睿赛德科技十周岁生日,“十年追梦·未来可期”上海睿赛德电子科技有限公司十周年庆典,隆重举行!睿赛德科技创始人及其领导团队、睿赛德科技投资方及其代表领导、睿赛德科技合作伙伴单位、社区杰出开发者等嘉宾出席庆典。

十年追梦,未来可期

十年前,上海睿赛德电子科技有限公司在上海成立,公司初创仅有1人参与全职运营;十年后,我们聚集了近百名有志之士,同梦想共奋进,在短短3年时间里创造了装机量超8亿台的辉煌战绩!

开场,睿赛德科技创始人熊谱翔先生为我们致词,对RT-Thread十年来的发展及变化进行了回顾,并表示未来我们将继续秉承初心,致力于“做世界级的OS、让万物互联、信息畅通无阻”。

睿赛德科技创始人熊谱翔先生致词

随后,睿赛德科技COO邹诚发表主题演讲——“变化与变革”,阐释了近几年产业的变革,以及RT-Thread为产业发展带去的变化。自2017年获得资本加持后,我们开启了社区的专业化运营,如今海内外社区聚集了近12万名开发者,80余所高校为RT-Thread开课。伴随着海内外开源社区的壮大,我们必将根植开源生态的土壤繁荣生长!

睿赛德科技COO邹诚先生致词

最后,睿赛德科技股东之一——纪源资本投资副总裁罗超先生发表了致词,罗总分享了自己作为战略投资人的心得感受,也肯定了RT-Thread的发展模式,最后送上祝福,十年只是睿赛德科技的一个开端,相信睿赛德科技定会梦想成真!

睿赛德科技股东纪源资本投资副总裁罗超致词

在接下来的庆祝仪式上,睿赛德科技创始人共同切下了十周年蛋糕的第一刀,开启了第二个“十年新征程”。其后,我们为优秀员工颁发了3年服务奖、6年服务奖、年度新人王奖、年度之星奖、最佳项目奖等荣誉奖项!

共襄盛会 共绘精彩

在激情飞扬的开场舞后,精彩纷呈的节目正式上演,现场高潮迭起,全场燃点不断。

开场舞

相声:粤朗倾听

合唱:你的答案

火柴人荧光舞

三句半

合唱:我的未来不是梦

社区小伙伴与创始人团队合影

十年既是一个里程碑,也是一个新起点,第一个十年已经圆满落幕,第二个十年更要再攀高峰。和千千万万的追梦人一样,我们坚信“我的未来不是梦”。

活动一:给RT-Thread发送一条语音

你的梦想是什么?

你和RT-Thread相识几年了?

祝RT-Thread生日快乐吧

...

话题不限于此,欢迎给我们后台发送语音,我们将随机抽取5位幸运小伙伴,送上RT-Thread吉祥物公仔以及ART-Pi扩展板一块!

奖品

活动截止1月27日18点

操作指南

第一步:打开“RTThread物联网操作系统”订阅号

第二步:找到底部语音键,发送生日祝福+任意话题

活动二:转发文章并带上话题

转发本篇文章至朋友圈,并带上话题#我与RT-Thread#形式如下,集赞满20即可参与抽奖,抽送价值近1400 vivo智能手表一只!(记得将截图发送至公众号后台哦)

格式示范

????????????

活动截止1月27日18点


RT-Thread


让物联网终端的开发变得简单、快速,芯片的价值得到最大化发挥。Apache2.0协议,可免费在商业产品中使用,不需要公布源码,无潜在商业风险。

长按二维码,关注我们

???????????? 点击阅读原文进入RT-Thread官网

chrome-headless-shell-mac-x64-160.0.8160.0(Canary).zip 内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8160.0 x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:x64 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器(Playwright/Puppeteer/Selenium 无界面自动化与爬虫的运行内核);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。 立即下载

相关推荐

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文构建了一个包含PWM控制VSC-HVDC链路的IEEE30节点电力传输系统,并基于Simulink平台完成了系统的建模仿真。该模型聚焦于高压直流输电(HVDC)技术在区域电网互联中的应用,采用电压源型换流器(VSC)与脉宽调制(PWM)技术实现高效、灵活的电能传输。研究重点在于分析VSC-HVDC链路在复杂多节点电网中对潮流分布、系统稳定性及电能质量的调控能力,特别关注其在区域电网互联、新能源大规模接入以及跨区域电力交换等场景下的动态响应特性与控制性能,为现代智能电网的发展提供技术支撑与仿真验证手段。; 适合人群:具备电力系统、电气工程或自动化等相关专业背景的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于研究VSC-HVDC在多节点电网(如IEEE30节点)中的建模与仿真方法;②分析PWM控制策略下HVDC链路对电网潮流分布、电压稳定性和故障穿越能力的影响;③为区域电网互联、新能源并网及智能电网调度等课题提供仿真基础和技术验证。; 阅读建议:此资源以Simulink仿真实现为核心,建议读者在掌握电力电子技术和电力系统分析基础知识的前提下,结合仿真模型深入理解VSC-HVDC的工作原理与控制策略。在学习过程中,应着重关注模型参数设置、控制环路设计及仿真结果的分析,以达到理论与实践相结合的目的。

睿赛德科技(RT-Thread)宣布完成A轮融资

6月12日消息,国内领先的物联网操作系统RT-Thread暨睿赛德科技宣布,公司获得君联资本的数百万美金A轮投资。本轮融资距上一次公司获得天使轮融资仅一年时间不到。新的投...

wgp2hpp的博客 638

基于KDE-CDF置信带的不确定综合能源系统鲁棒调度优化研究(Matlab代码实现)

内容概要:本研究针对不确定综合能源系统中的鲁棒调度优化问题,提出一种基于核密度估计-累积分布函数(KDE-CDF)置信带的建模方法,用以精确刻画风能、光伏及负荷等不确定性因素的非正态概率分布特征。通过构建KDE-CDF模型,能够有效捕捉实际运行中新能源出力与负荷需求的波动性与随机性,并在此基础上设计鲁棒优化调度框架,提升系统在不确定性环境下的运行可靠性与经济性。该方法结合Matlab编程实现,综合考虑系统运行成本、峰谷差、碳排放等多重目标,实现多维度协调优化。研究还探讨了与智能优化算法(如粒子群算法)相结合的应用路径,增强了模型的求解效率与工程实用性,为含多种储能装置、电转气设备及碳捕集系统的复杂综合能源系统提供了科学的调度决策支持。; 适合人群:具备电力系统分析、优化理论基础及Matlab编程能力的研究生、科研人员,以及从事综合能源系统规划、运行与调度工作的工程技术人员。; 使用场景及目标:①解决高比例可再生能源接入背景下综合能源系统调度中的不确定性建模难题;②提升调度方案在面对新能源强波动性时的鲁棒性与适应能力;③为融合多类型灵活性资源(如储能、电转气、碳捕集)的综合能源系统提供精细化、可落地的优化运行策略。; 阅读建议:建议读者在掌握概率统计、随机优化与电力系统运行基础知识的前提下,结合文中提供的Matlab代码进行实践操作,重点关注KDE-CDF置信带的构建流程及其在鲁棒优化模型中的嵌入机制,通过调整输入数据分布、参数设置与场景配置开展仿真对比实验,深入理解不确定性建模精度对调度决策质量的影响,进而掌握从数据驱动角度提升系统鲁棒性的关键技术路径。

睿赛德科技携手先楫共创RISC-V生态|RT-Thread EtherCAT主从站方案大放异彩

日前,在先楫HPM6E00技术日上,睿赛德科技(RT-Thread)向广大工业用户展示了多年来双方在RISC-V生态领域的合作历程和成果,同时睿赛德科技携手先楫半导体首次推出了基于HPM6800处理器的EtherCAT主站解决方案,吸引了现场大量工业用户的关注。该方案不仅展示了卓越的性能和可靠性,还体现了双方在嵌入式系统领域的深入合作和技术领先优势。目前先楫半导体所有开发板已上RT-Thread主...

rtthreadiotos的博客 1926

IBM V3700更换控制器2(503错误)

正常的node1 ,机器代码版本:7.5.0.3, 机器代码构建:115.51.1509171734000。耐心等待后,刷新,看到node2,状态变成 节点状态:服务,错误:656,版本和node1一样了。新换的node2 ,机器代码版本:7.2.0.5, 机器代码构建:87.8.1404221000。耐心等待,刷新,node2,状态看到了,节点状态:活动,错误 724 1 1 0。拔出故障的控制,把内存和HBA卡,电池换到新的控制器。新的控制还是报错无法使用,节点状态:服务 错误:503。

klyshao的博客 4450

Dify+MCP Server打造禅道AI智能助手

Dify AI与MCP Server结合打造的禅道AI智能助手,实现了项目管理智能化升级。该方案通过大语言模型和自动化工作流,提供四大核心功能:1)自动化报表生成,支持多维度数据统计与可视化;2)禅道系统管理操作,简化产品/项目/任务管理流程;3)基于知识库的智能问答系统;4)数据库灵活查询与可视化输出。系统采用分层架构,通过MCP协议实现AI与数据源解耦,解决了传统禅道在数据孤岛、工具碎片化等问题。实际应用验证了其在用户管理、任务创建、Bug处理等场景的高效性,显著提升了项目管理效率。

oNew_Lifeo的博客 1711

艾拉比与睿赛德科技强强联手,推出基于RT-Thread操作系统的OTA差分升级

上海艾拉比智能科技有限公司(简称 艾拉比 ABUP)与国内领先的物联网操作系统厂商睿赛德科技(简称RT-Thread)签订战略合作,双方优势互补,生态共...

FILLMOREad的博客 1372

我的老款Intel MacBook Pro,如何用OpenVINO把本地大模型推理速度提升10倍?

本文详细介绍了如何在老款Intel MacBook Pro上使用OpenVINO工具包将本地大模型推理速度提升10倍。通过对比Ollama CPU原生、Transformers原生和OpenVINO优化三种方案,展示了OpenVINO在性能优化上的显著优势,并提供了从环境配置到模型转换、性能调优的完整实战指南。

weixin_28694295的博客 303

十年筑梦,再创鲸彩!庆祝和鲸科技十周年

正如和鲸科技创始人 & CEO 范向伟在周年庆致辞中所说:“一旦 AI 的生产力突破了拐点,就会出现更大规模的基建、更加丰富的工具生态、更加丰富的应用生态的飞轮效应,行业发展的增速会暴涨。在过去的十年间,和鲸科技积极拥抱人工智能与数据科学的浪潮,以前瞻视野应对 AI 技术产业化进程中的挑战与契机,成功构筑起。面向数智企业:依托先进的 AI 基建能力,为企业打造强大的 AI 中台,推动数据驱动的决策流程,促进数字化智能人才的培养,助力企业在数智化转型中持续领先,显著提升企业效能和市场竞争力。

ModelWhale的博客 1229

零中频接收机实战:DC Offset的5种常见解决方案与调试技巧

本文针对零中频接收机中DC Offset这一核心挑战,深入剖析了其产生机理与对信号解调的严重影响。文章从实战角度出发,系统性地介绍了五种解决方案,包括硬件预防、数字域校正、I/Q不平衡联合校正等,并分享了关键的实验室调试与产线测试技巧,旨在帮助射频工程师有效提升接收机性能。

weixin_29234509的博客 400

快充协议全兼容!HUSB390对比测试:iPhone/小米/华为哪个充电最快?

本文深入评测了HUSB390快充协议芯片的全兼容性能,展示了其在iPhone、小米和华为设备上的极速充电表现。通过智能功率分配算法和多协议并行处理引擎,HUSB390实现了高效的动态调压和温度控制,显著提升多设备充电效率。特别适合需要同时为不同品牌设备快充的用户。

dd012的博客 1万+

RT-Thread Smart微内核操作系统重磅发布!开源!

9月1日,由上海睿赛德电子科技有限公司举办的RT-Thread Smart微内核操作系统发布会于北京圆满落幕,发布会以“见微”为主题,邀请到中国工程院院士、产业专家、高校教授及行业从业人...

FILLMOREad的博客 2469

Open3D(C++) 点云构建三维Delaunay三角剖分

C++版本的Open3D实现从点云构建三维Delaunay,可视化效果。

点云侠的博客 2247

RT-Thread嵌入式人工智能教学研讨会圆满成功

近日由上海睿赛德电子科技有限公司与江苏省计算机学会嵌入式系统与物联网专委会共同主办的“RT-Thread嵌入式人工智能教学研讨会”于2021年5月29日顺利举行,全国人工智能及其相关方向教...

rtthreadiotos的博客 605

Python爬取小红书种草商品评论数据:从入门到实战全攻略(附反爬+情感分析方案)

Python爬取小红书种草商品评论数据,核心是“抓包找到正确的接口+处理登录验证+合理的反爬策略”。新手不用一开始就追求多笔记批量爬取和情感分析,先把单笔记的评论抓取和存储跑通,再逐步扩展功能。我做的这个系统现在每天帮朋友爬取3-5款美妆产品的评论,自动做情感分析和关键词提取,她再也不用手动翻评论了,效率提升了80%。如果你们在开发中遇到具体问题,比如接口找不到、Cookie过期、IP被封,都可以在评论区留言,我会一一解答。后续也可以出一期小红书笔记种草数据爬取的教程,帮助大家更全面地分析竞品数据。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1354

【异常】CNB提示The bill authorization scope cannot access the current request.

摘要:CNB API返回403错误,表明当前token的授权范围无法访问目标仓库。主要原因是:1) REPO_SLUG填写错误,导致资源地址不匹配;2) CNB_TOKEN未授权目标仓库;3) 账号账单状态异常。解决步骤:先检查REPO_SLUG是否与CNB平台仓库地址完全一致;再确认CNB_TOKEN是否绑定目标仓库且有读取权限;最后检查账号账单是否正常且覆盖目标资源。完成排查后更新配置即可解决此授权问题。

奶爸的编程之路,也就一周冷个三天 663

基于 RT-Thread的全向赛车算法开发

学校:山东大学队伍名称: TSH参赛队员:芦子晟、曹晓东、刘家宝带队教师:陈桂友、吴皓   §01 引言 1.1概述   全国大学生智能车竞赛以“立足培养,重在参与,鼓励探索,追求卓越”为指导思想,反映当代大学生综合运用所学知识和探索创新的精神。   今年的全向行进组使用麦克纳姆轮,综合应用电磁、摄像头和陀螺仪等传感器完成从车库触发沿着赛道运行两周,然后在返回车库。车模需要分别通过三岔路口两条岔路。车模每经过三岔路口时,需要改变一次行进方向,即在车模前后行进和左右行进两种模式下切换。   由于.

TSINGHUAJOKING 2404

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

IoT-Camera学习笔记之初识IoT-Camera(一)

IoT-Camera是一款由开发RT-Thread操作系统的上海睿赛德电子科技有限公司推出的开源物联网摄像头开发板,采用RT-Thread开源实时操作系统,支持C/C++/lua编程开发,兼容Arduino,可通过Wi-fi将视频数据传输至手机、平板等设备。

燕十三的物联网之旅 9795

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

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。

睿赛德科技携手中国电子学会、意法半导体、广和通,共建嵌入式人才认证与培养体系...

11月28-29日,由中国电子学会、中共绍兴市委、绍兴市人民政府主办的2020年第十六届中国高校电子信息学院年会在绍兴国际大酒店圆满举办。来自全国各地电子信息领域的专家学者以“后疫情时代...

rtthreadiotos的博客 482

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")

RT-Thread与华南理工大学、兰州大学、哈尔滨信息工程学院成立——联合实验室!

01近日,RT-Thread与华南理工大学、兰州大学、哈尔滨信息工程学院成立联合实验室!睿赛德科技将持续推进RT-Thread大学计划,推动RT-Thread物联网操作系统走进课堂,促进...

FILLMOREad的博客 1138

ETL与ELT:主要转换在入仓前还是入仓后?

ETL和ELT的区别在哪?认清目标系统:ETL入仓前完成主要转换,ELT入仓后由仓内引擎完成; #ETL #ELT #数据转换 #数据仓库

tydldd的专栏 363

微信小程序定位失败或拒绝后再也弹不出授权?getLocation 和 getSetting 怎么开才稳

门店列表、附近配送、地图选点,都要用到定位。最常见的两种现场是:调用直接 fail,或者用户第一次点了拒绝,之后再怎么调都弹不出系统授权窗。这通常不是 API「坏了」,而是声明、授权状态和系统定位开关没有按顺序核对清楚。

20年技术经验|专注小程序+外贸独立站|已服务500家企业,分享创业中有趣的产品和技术经验。 343

2026最新PostgreSQL到Doris数据同步完整教程:全流程图形化配置无需写ETL

本文演示通过NineData控制台将PostgreSQL数据实时同步至Apache Doris的完整流程,涵盖结构、全量、增量三阶段复制。全程图形化操作,无需编写脚本,支持键列与分布键可视化映射、复制规格预检查、数据对比校验及延迟告警。适用于构建稳定高效的实时分析数仓,助力报表与大屏查询基于最新数据。

云原生智能数据管理平台 210

不用改前端,也能扩展 ETL 组件:DataY 自定义组件开发实践

DataY 通过注解驱动的组件扩展机制,实现“无需修改前端”即可自定义 ETL 组件。开发者仅需在 Java 类中使用 @ComponentRegister 和 @ComponentField 注解,即可自动注册组件并生成动态配置表单。组件支持多种输入控件(如文本、选择、文件等),可打包为外部 JAR 插件,由平台热加载。整个过程无需前后端协作开发配置页,显著提升扩展效率,让业务能力快速接入,真正实现“插件化、低侵入”的 ETL 平台演进。

weixin_48393818的博客 611

qData 数据中台开源版 v1.6.6 发布:ETL 模块轻量化升级,优化定时任务磁盘占用问题

qData 数据中台开源版 v1.6.6 针对周期性数据集成任务的运维痛点,实现两项关键优化:一是拆分工具组件与 ETL 执行模块,减轻 JAR 包体积,提升部署与维护效率;二是修复定时任务中 ETL JAR 包持续累积问题,有效降低服务器磁盘占用。两项改进聚焦执行模块结构与运行过程管理,助力企业数据平台稳定、高效运行。

qiantongkeji的博客 280
上一篇: 【20210122期AI简报】保姆级深度学习环境配置指南、寒武纪首颗AI训练芯片亮相...
下一篇: 2020年12月RT-Thread社区简报
RT-Thread物联网操作系统
博客等级 码龄6年 2万+粉丝 392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