IT业未来做什么最赚钱?互联网营销|培训支持|嵌入式开发

Contex-M3寄存器组整理 看我以前的博客,关于ARM 寄存器和汇编,我之前写过和写过相关的博客至少有三次,可是实际情况却是过了一两年就基本忘了,感觉之前学的都是囫囵吞枣,没有真正的明白,也许学习就是这样,一开始只能记个大概,多看几遍多用几遍也许就理解了。每次看到汇编的地方,必然就会想起R0-R15寄存器的意思是啥。 阅读详情

在企业类应用软件市场有个特点,就是门当户对。大型企业找大型IT企业,中型企业找中型IT企业,小企业找小IT企业。



 今天看到《程序员》杂志上的《软件中国2009年大势图》,有一点思考,写下来。

  思考的引发点是最后中科院院士倪光南所说:当前中国软件和信息服务业的产值是5800亿元,但大部分被国外厂商拿走。

  我是这么思考的,我粗鲁的把软件客户群分为老百姓、企业/事业、政府。

  老百姓自己买电脑,上面的软件几乎没有一个是自己购买的,全部都是盗版。而且老百姓使用的软件不外乎也就是浏览器、听歌、看电影、聊天、看股票、下载、杀毒、玩游戏、收邮件、简单处理个OFFICE,而这些软件大多数都是不收费的,网上都可以直接下载安装。

  而政府呢,我国政府的信息化并不多,大部分IT投资给了购买笔记本电脑、买了正版OFFICE,正版杀毒软件,正版WINDOWS。另外常见的还会上线个OA办公软件。还会建立各部门的政府公告网站,建设网站也就是个内容管理与发布软件,不过后面用的服务器、备份、安全、交换机、服务器操作系统、服务器中间件、服务器数据库,这都花了大价格了。这大部分都流入到国外软件厂商的腰包里了,一般是 微软、ORACLE、 IBM、 SUN、HP、 EMC、DELL、赛克铁门、西门子、 思科之类拿走。也就是说,一个应用值不了多少钱,为了上这个应用花费的基础硬件和基础软件比这个应用还耗钱,我们在做企业信息化的时候也深刻感受到了这一点。

  而大部分的IT投资份额,最主要集中在各行各业的企业以及事业性单位。基础硬件和基础软件投资我们就说了,和政府一样。大部分企业/事业单位如今都要必备财务软件,咱们国产的 用友、 金蝶占的份额较大。在华外资和合资企业,一般会应用他们全球统一使用的财务软件和管理软件,大型企业管理软件被 SAP、 ORACLE等占据。还有不少应用软件被IBM、HP之类的咨询业务拿到,并外包给他们的IT开发合作伙伴,这些外包开发公司虽不知名,但活的滋润。,尤其在大型行业企业,中国的行业管理软件厂商较弱,一般都让IBM或HP外包做了。而IBM或HP呢,一般又会把单子回转一圈,再外包给国内的外包公司。我非常看好国内的外包公司,虽然如今欧美外包对日外包受到业务重创,但是他们在外包过程中的模性开发管理、测试、文档、项目管理都比国内独立存活独立作战的 IT企业要强,而且未来在需求分析、软件设计领域更要有黑马出现,在实施、培训、服务支持领域也要有国内本土巨头出现。现在很多中国软件百强企业在为各行各业作行业管理软件。 东软、同方、 方正、 神州数码、杭州恒生、浙大网新、 浪潮、南京连创、 中软、中科软、南天、东华合创、华胜天成、太极、亿阳、华信、信雅达、和利时、先锋等等,都是规模比较大,背靠高校资源和政府支持资源,在各行各业都颇有斩获。这是中国软件目前和未来的中坚力量。各行各业的应用软件是我们国内IT企业的主要阵地。

  互联网企业不知道算不算软件企业,除了门户是媒体公司,做内容然后卖广告,还有B2C企业,只是在网上卖东西,如当当、红孩子、麦网、京东、携程,他们也不算软件企业。但其他很多互联网公司都有庞大的开发团队。但是互联网公司不卖软件,开发出来的东西从目标本质来说是卖服务,如QQ、盛大、巨人、阿里、淘宝、百度。

  对于移动开发,这个方面比较难说。因为移动基础软件,说3G吧,国内投入很多, 华为、中兴、大唐都在搞,但目前还处于投入期,而且已经投入了很多年,但是国外有诺基亚、苹果、GOOGLE、微软、黑莓一大批做移动手机基础软件的,而且思科、西门子、爱立信、阿尔卡特 朗讯、摩托罗拉、 NEC、 三星在通信设备基础软件上也虎虎生威。在这些通信设备和手机终端设备基础软件之上,移动应用开发的市场份额实在的小。因为我国过去几年,移动增值服务提供商一直受电信运营商的严格管辖,所以发展缓慢,没有规模比较大的企业出现,都是小羊群。

  对于嵌入式开发,这个是国内很厉害的产业。规模很大,但一直未引人注意,在踏实的赚钱偷乐。各行各业很多基于硬件的应用,虽然核心芯片大多都来自国外,但基于硬件的基础软件和应用软件,还都是咱们国内企业自己做的。各种山寨PSP、手机、数码相机、数码摄像机、汽车电子、数控机床、数控流水线、交通监控、航天、铁路公路、家电等等很多领域都有嵌入开发的身影。

  对于国产基础类软件,我仍然是不看好。但我看好开源。在国防安全军事应用中,我想咱们还是自己研发比较好,国家历年加大军费,不仅仅在武器和军事训练上,现在信息战争更是隐藏着的战争,所以国家一定会大力投入。就如同美国,大量的如今大家看到的民用应用,都是最初从军方应用中转移过来的,即使是如今发达的互联网,美国当初建设也是为了军方需要。美国每年给军方很多信息投资,拉动了美国很多有竞争力的公司。

  所以,纵览中国软件行业:

  1、移动市场有TD开路,会引发一个巨大的关联应用市场,但需要看运营商怎么个共赢方法,现在就卡在了运营商处,这是焦点。不过现在 iphone、android、黑莓等等,都在建立应用商店,这是一个未来共赢的趋势,是代表未来的,历史是阻挡不了的。所以,前途很光明,但眼前处于胶着期,看看3年后会如何,谁如果有资金和勇气能扛个3年5年的,估计3年5年后就是黄金期了,但一般很少有小公司能坚持这么长时间。所以,紧跟踪多尝试是目前好的策略。虽然现在讲究的是三网融合,国家振兴计划中也多次提到家电、数字电视、3G、互联网融合,但广电系统和电信系统大家都能看到这两个封闭垄断的角力,看着诱惑,但不好办,充满了非市场的变化。不是创业的好路子,除非再讲到这个该死的“关系”上。

  2、企业管理类软件,这个市场会越来越巨大,现在大量的大型企业的应用交给了我们国内的大型IT企业。但是,在企业类应用软件市场有个特点,就是门当户对。大型企业找大型IT企业,中型企业找中型IT企业,小企业找小IT企业。所以,对于想吃这块蛋糕的小软件公司,一定要从小企业身上琢磨。虽然小企业信息化的投入非常少,而且小企业在IT投资上也认为没啥大作用,所以现在小企业信息化市场容量小,市场价值低,是一块鸡肋。但小企业,最急迫的就是销售出东西后生存,所以他们会在电子商务销售、营销方面会比较爽快的进行IT投资,所以这也就是淘宝、阿里巴巴的火热。小IT企业想进入中型或大型企业信息化市场,主要靠关系,有多大关系就做多大的单子,老板关系有多大,公司就能做多大。所以,对于没有背景关系的小公司来说,把目光放低到和自己同水平的视野层次上,可能会看见另外一番好风景。这个我看好。对于关系项目的IT公司,我不看好,如果他们不在品牌建设、项目管理、开发管理、文档、测试、实施、培训、支持上多管齐下,未来是很危险的。但是如果在这么多方面精进,那么这些不大不小的关系型公司的利润就会大大降低,一部分钱需要投入到关系维持,一部分钱还要自己专业精进,很难受。但是,发展得有点规模的企业,现在主要都是靠关系发家,还离不开关系,不生不死不大不小,赚的多花的多,很是难受。他们必须要面临选择,要么继续依靠关系如此存活,要么破釜沉舟做一个专业公司,就看老板的眼光、人生目标、魄力、资金积累、落实行动路线。不褪一层皮,无法浴火重生。

  3、外包。外包在规模和管理上都比国内本土IT企业要高,尤其经过这遭金融危机洗礼,会变得更有竞争力,在需求调研、软件设计方面进入,而且在实施、培训、支持方面也需要有专业的黑马出现,这是我很看好的服务领域。

  4、对于互联网,其实相对比较难做,互联网媒体已经很强大了,而互联网上卖东西,必须有强大的资金支持来做品牌建设、线下采购、仓储、物流、呼叫中心,其实质是个传统企业,只不过充当了前端的直接销售渠道而已。而出新的应用比较难。在互联网营销方面会有新的机会,在互联网娱乐方面比较难。

  5、嵌入式市场很好,值得琢磨。

  6、国产基础类高核基软件,有很大的规模,但这块市场封闭,不是谁都能琢磨的,看着眼馋,但不要去想。

  总而言之,互联网营销公司、专业实施培训支持公司、嵌入式开发公司,是我看好的未来3-5年内的三个领域。

  不过,实施培训支持,是一个典型的服务密集型企业,大量依靠人力数量和素质和人员组织管理能力,规模越大收入越高费用也越大,是三个好领域的最次模式。而嵌入式开发,靠近硬件,和咱们通常的纯软件开发隔行如隔山;互联网营销,你必须通晓现在主流的互联网营销模式,知道他们的弱点和优点,还有他们的价格和销售渠道,如果你远离营销,远离互联网,势必雾里看花。所以每个人都不是随随便便成功。   

使用Captum库对CIFAR数据集进行模型可解释性分析 为了训练模型,我们需要指定损失函数和优化技术。损失函数用于衡量模型的性能,在训练过程中,我们通过调整模型参数来最小化损失。本教程使用。 阅读详情

相关推荐

从零开始:YOLOv8车牌检测模型训练全流程实战

本文详细介绍了从零开始训练YOLOv8车牌检测模型的全流程实战指南。内容涵盖环境搭建、数据集收集与标注、模型配置与训练、评估测试及高级优化技巧。通过使用预训练模型和迁移学习,开发者可以高效构建精准的车牌检测系统,并掌握模型导出与部署的关键步骤。

weixin_29061041的博客 335

一篇写得很好的IT行业分析,很值得专搞经济的人士细看 【转载】

  今天看到《程序员》杂志上的《软件中国2009年大势图》,有一点思考,写下来。  思考的引发点是最后中科院院士倪光南所说:当前中国软件和信息服务业的产值是5800亿元,但大部分被国外厂商拿走。  我是这么思考的,我粗鲁的把软件客户群分为老百姓、企业/事业、政府。  老百姓自己买电脑,上面的软件几乎没有一个是自己购买的,全部都是盗版。而且老百姓使用的软件不外乎也就是浏览器、听歌、看电影、聊天、

tas的专栏 1147

HighScore3.0实战指南:XRD物相分析从入门到精通(持续更新版)

本文提供HighScore3.0软件进行XRD物相分析的完整实战指南。从软件设置、数据导入、背景扣除、寻峰等预处理步骤,到核心的Search & Match物相搜索匹配、Rietveld精修定量,以及结果输出与常见问题排查,系统讲解了从入门到精通的全流程操作与核心技巧,帮助用户高效完成材料物相鉴定与分析工作。

weixin_29310605的博客 1042

未来做什么最赚钱?

 今天看到《程序员》杂志上的《软件中国2009年大势图》,有一点思考,写下来。 思考的引发点是最后中科院院士倪光南所说:当前中国软件和信息服务业的产值是5800亿元,但大部分被国外厂商拿走。 我是这么思考的,我粗鲁的把软件客户群分为老百姓、企业/事业、政府。 老百姓自己买电脑,上面的软件几乎没有一个是自己购买的,全部都是盗版。而且老百姓使用的软件不外乎也就是浏览器、听歌

阿朱=行业趋势+开发管理+架构 1万+

R语言WGCNA实战:从基因表达矩阵到模块可视化全流程(附避坑指南)

本文详细介绍了使用R语言进行WGCNA(加权基因共表达网络分析)的完整实战流程,涵盖从基因表达矩阵预处理、软阈值选择、网络构建与模块识别,到模块与表型关联分析及结果可视化的关键步骤。文章重点解析了代码实现,并提供了针对数据质量检查、参数调整等常见问题的避坑指南,帮助生物信息学研究者高效挖掘基因共表达模块的生物学意义。

weixin_29062823的博客 578

三极管开关电路在脉冲应用中的性能瓶颈分析

深入探讨三极管开关电路在高频脉冲场景下的响应延迟与功耗问题,揭示其性能限制的关键因素。结合实际应用,分析开关速度与信号完整性之间的矛盾,为优化三极管开关电路设计提供实用参考。

weixin_42602368的博客 587

IT行业怎么赚钱

思考的引发点是最后中科院院士倪光南所说:当前中国软件和信息服务业的产值是5800亿元,但大部分被国外厂商拿走。   我是这么思考的,我粗鲁的把软件客户群分为老百姓、企业/事业、政府。   老百姓自己买电脑,上面的软件几乎没有一个是自己购买的,全部都是盗版。而且老百姓使用的软件不外乎也就是浏览器、听歌、看电影、聊天、看股票、下载、杀毒、玩游戏、收邮件、简单处理个OFFICE,而这些软件大多数都是...

tomfish 949

virtualbox虚拟机里面最顶部没有控制、设置和帮助等选项

无意中操作,导致virtualbox虚拟机里面最顶部没有控制,设置和帮助选项  virtualbox虚拟机窗口显示如下如: 如何设置,窗口显示如下图所示呢: virtualbox虚拟机窗口模式显示设置,切换可以通过如下图所示操作进行切换: PS:一定要是右边的Ctrl+C

WEL测试 8778

芋头哥:从码农到农民,靠微博3个月卖出20万斤

他是一个90前的码农,放弃了城市的灯红酒绿,回乡种田,仅通过微博一种途径,3个月卖出了20万斤芋头,还获得了第一笔投资! “芋头哥”,真名周华斌,一个放弃华为5位数工资,决心转型回家种田,做新媒体电商的码农。 他的经历也颇为曲折,从五金店学徒到迪吧马仔,从工地农民工到富士康流水线工人,从华为5位数工资再到做电商的农民。作为一个90前的码农,他放弃了城市的灯红酒绿,回乡种田,仅通过微博一

编辑编辑器 1880

uniapp(全端兼容) - 最新实现全局设置修改字体大小功能,统一修改全部页面所有文字的大小(标准/小/中/大字号切换,用户修改后整个项目立即生效)设置应用字体的大小(详细示例代码,一键复制开箱即用

uni-app,支付宝微信小程序,h5,手机端H5网页,移动端网站,安卓app,ios苹果app,nvue,全局设置字体大小,退出后还能记录字号大小,uniApp将全部页面的字体字号进行修改,uniapp设置改变全局字体大小功能,动态调整应用字体大小,详细教程,动态显示字体大小,可调整显示字体大小,如何解决不同端字体大小的问题,除了rem还有什么方法,设置全局字体大小,用户设置字号大小,应用字体大中小,实现用户全局设置应用字体大小,老年模式字体设置思路,h5端不行怎么办,移动端不生效,修改全局字号,一键改整

✅ 精选推荐文章 8884

控制科学与工程(自动化)保研经验【4】——浙大篇

控制科学与工程(自动化)保研经验【4】——浙大篇

Control Everything 1万+

电子信息产业振兴计划有我们的机会吗?

再次阅读电子信息化振兴计划,说说其中我所看到的。 2008年实现销售收入约6.3万亿元,软件和信息服务收入占12%,为7560亿。说明有700个软件年收入上10亿人民币的公司。 看了看2008中国软件100强。华为、中兴、海尔这三家通信和家电制造大厂商占据中国软件100强的前三名。说明软件要在硬件里,这是和日本韩国一样的发展道理。看来我们的软件就得这么发展,纯软件是不行的。这点我得以后多思考思考,

phphot 1751

第3.4章 机器人第三方库实战总结(四):G2O优化库从入门到实战(附SLAM实例代码)

自定义边同样是满足复杂应用需求的重要手段。自定义边时,需要明确边所连接的顶点类型以及边所表示的误差项的计算方式。假设我们要定义一条边,用于约束两个上述自定义顶点之间的相对位姿和传感器偏移量关系。我们可以这样定义边类:public:// 计算误差// 计算雅可比矩阵// 读盘和存盘函数,这里暂不实现。

行知SLAM 357

【STM32】 ADC 完全指南:从模拟信号采样量化到五大架构原理

本文系统介绍ADC核心概念与五大主流架构。模拟信号具时间与幅值连续性,需经采样(满足奈奎斯特准则防混叠)、量化(引入±1/2LSB误差,SNR≈6.02N+1.76dB)、编码三步转为数字信号。重点解析Flash(并行高速但受限于比较器数量)、SAR(逐次逼近,低功耗适合MCU如STM32)、双积分(高精度抗工频,用于万用表)、流水线(高速吞吐)及Σ-Δ(高分辨率,靠过采样与噪声整形)五类架构原理、优缺点与应用场景。强调分辨率≠精度,选型本质是速度、精度、功耗与面积的权衡。

专注后端与底层技术,分享实战干货与学习笔记,梦想进入字节跳动,步履不停,热爱不止。 432

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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

18.STM32F103C8T6时钟系统基础

本文以电脑与单片机类比,阐释时钟系统在嵌入式开发中的核心作用。单片机内核类比CPU,AHB/APB类比PCle与USB接口,Flash与RAM对应硬盘与内存。通过CubeMX配置时钟,从8MHz内部时钟到72MHz外部晶振,改变HCLK影响主频,进而改变板载LED闪烁速度。分析for循环耗时:虽理论800万次循环应耗1秒,但实际受指令周期、编译优化(可能删除空循环)、数据类型及中断影响,耗时可达数秒或趋近零。强调时钟频率决定“心跳”,但精准定时需考虑多因素,验证时钟差异需依赖实际配置调整。

2603_94865212的博客 212

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

基于STM32的智能浇花系统

本文设计基于STM32F103C8T6的智能浇花系统,集成DHT11、YL-69、MQ-135、GL5528四类传感器,实现温湿度、土壤湿度、CO₂浓度与光照的实时监测。系统支持自动、手动、远程三模式联动控制,通过ESP8266-01S以MQTT协议上云,配合手机APP实现数据可视化与远程指令下发。硬件采用多通道ADC采样、继电器驱动与OLED显示,软件实现精准时序控制与双向通信。测试表明系统稳定可靠,完整覆盖“感知—控制—云联”IoT全链路,具备高扩展性与工程实践价值。

weixin_45732499的博客 171

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")

35ms 抗量子握手:ESP32-S3 跑通 ML-KEM-768

ML-KEM(Module-Lattice-based Key Encapsulation Mechanism)基于格密码,是 NIST 2024 年正式发布的 FIPS 203 标准。选 768 参数级(而不是更低的 512)是因为它被广泛视为"长期安全"档位——CATAPULT 等行业联盟也推荐 IoT 长寿命设备直接上 768。密钥交换的抗量子性。现有 IoT 设备大量使用 ECDH,量子计算机(Shor 算法)一旦可用,ECDH 直接失效。

嵌入式单片机实验室 208

网口ps端--基础知识--调试(1)--deepseek

你现在卡住,是因为这每一层(硬件、驱动、lwIP 协议、IP 地址)中,只要有一层不对,网口就不通。物理层:看灯。灯亮说明线没问题,PHY 没死。MAC 驱动层:看串口打印。有没有打印出Link Speed?如果卡在自协商,说明你的 PHY 驱动还没配好。lwIP 协议层:如果底层通了,IP 也配对了,你调用udp_recv注册了回调函数,当电脑发来 UDP 包时,lwIP 会自动把数据包拆开,送到你的回调函数里。你之前一直在改,就是一直在死磕第 1 层和第 2 层。

AlibabaApple的博客 95

S021D-基于STM32单片机自动追光系统(舵机)【Proteus仿真+Keil程序+原理图】

设计以STM32单片机、四路GL5516光敏电阻、两路SG90舵机、OLED、按键搭建双轴追光云台系统。支持手动/自动模式切换,按键可调节追光灵敏度并保存至FLASH;自动模式依靠四路光敏采集光照差值计算方位,驱动舵机跟踪光源,OLED实时显示云台角度与工作状态。

51单片机实物制作DIY设计 181

ARM64-GNU汇编器

o伪指令分配大小例子伪指令分配大小例子.byte1 字节.byte 0x412 字节.word / .long 4 字节8 字节.ascii字符串(不加 \0)字符串(自动加 \0).byte:把 8位数当成数据插入汇编代码中。.hword和 .short:把16 位数当成数据插入汇编代码中。.long和 .int:这两个伪指令的作用相同,都把 32位数当成数据插入汇编代码中。.word:把 32位数当成数据插入汇编代码中。

weixin_43903002的博客 176

认识元器件 · 单片机(MCU/MPU/SOC) · 实战篇14

本文系统阐述了STM32晶振电路设计要点,强调负载电容匹配与R_Ext必要性需基于计算验证,指出PCB寄生参数对振荡精度影响显著。重点提出振荡器PCB设计规范:缩短走线、加地保护环、分离地平面、避免串扰,并说明焊接工艺与环境防护对稳定性的重要性。同时解析内部时钟不可用于USB因温漂大,且PLL不放大ppm误差。最后推荐使用MEMS振荡器替代传统晶振,实现低功耗、小体积与高可靠性。

一只天天被叨叨的小可爱 288
上一篇: Linux 上网设置
下一篇: 自制U盘 Fedora+gentoo结合版
sanlinux
博客等级 码龄17年 92粉丝 158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