该专栏为热销专栏榜 第31名
订阅专栏 解锁全文
专栏目录：Linux 内存管理子系统的进化——从 MM 到 HMM
专栏梳理了Linux内存管理子系统从经典MM到异构内存管理(HMM)的演进历程。内容分为六大部分：首先介绍经典MM基础，包括虚拟地址空间、页表、VMA等核心机制；其次分析MM通用框架如页表遍历、NUMA迁移等；然后探讨设备内存引入的关键技术，如ZONE_DEVICE和dev_pagemap；接着深入解析HMM核心机制及其与DMA的集成；随后通过多个实际驱动案例展示HMM应用；最后讨论大页支持等进阶主题。专栏采用"经典机制→问题→扩展方案"的三段式结构，帮助开发者理解Linux如何通过HMM实现设备内存管理。
阅读详情
相关推荐
00 — Intel xe SVM 内核实现精读系列专栏导读
本文系统介绍了Intel Xe GPU的共享虚拟内存(SVM)实现机制。第一部分通过概念地图阐述SVM的六个核心概念及其关系；第二部分通过三个测试用例解析SVM关键功能：fault生命周期验证、madvise与VRAM迁移、跨GPU一致性；第三部分深入内核实现，包括初始化/销毁流程、Page Fault处理、MMU Notifier失效路径、异步垃圾回收、VRAM迁移机制、madvise实现原理，以及与ROCm SVM的对比。文章建议按功能模块顺序学习，从基本概念到测试用例，再深入内核实现细节，最后对比不同
《Linux GPU 驱动核心机制：面向图形与 AI 计算的 DRM 内存管理与任务调度》 目录
本文以缓冲区对象（BO）生命周期为主线，系统解析 Linux DRM 子系统中 GPU 驱动的核心机制。涵盖 GEM 与 TTM 内存管理、dma-buf/dma-fence 共享同步、GPU 调度与地址空间管理，结合 amdgpu、Xe 等驱动代码，深入剖析其设计动机与实现逻辑。旨在填补中文领域对 GPU 内核机制系统性讲解的空白，为图形与 AI 计算场景下的内存泄漏、同步死锁等疑难问题提供可追溯的分析路径。
国央企创新负责人如何实现科技成果与企业创新需求的精准对接？.docx
国央企创新负责人如何实现科技成果与企业创新需求的精准对接？
高校技术转移办公室人员如何加快科技成果的市场对接速度？.docx
高校技术转移办公室人员如何加快科技成果的市场对接速度？
国央企创新负责人如何高效评估科技成果的市场化潜力？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
高校技术转移办公室人员如何高效完成技术成果的筛选与推介？.docx
高校技术转移办公室人员如何高效完成技术成果的筛选与推介？
本地个人笔记exe/本地个人笔记exe
本地个人笔记exe/本地个人笔记exe
科技中介服务机构在为企业提供技术需求分析时，如何提高服务的专业性和高效性？.docx
科技中介服务机构在为企业提供技术需求分析时，如何提高服务的专业性和高效性？
国央企在实施创新驱动发展时，如何系统部署科技创新与成果转化服务体系？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
【R语言实战】MixSIAR 氢氧同位素水源解析全流程：从混合空间校验到贝叶斯 MCMC 收敛诊断（完整代码）
在生态水文学与环境地学研究中，利用氢氧稳定同位素解析植物水分吸收来源（土壤不同剖面水、地下水、降水、地表水）或河流补给组成已成为标准范式。传统的多元线性混合模型（如 IsoSource）仅能进行质量守恒方程求解，无法显式纳入潜在水源的均值/方差不确定性，更无法根据先验信息进行概率推断。MixSIAR 基于 JAGS（Just Another Gibbs Sampler）马尔可夫链蒙特卡洛（MCMC）框架，支持同时考虑混合物个体变异、源的不确定性、分馏效应及嵌套随机效应，是目前同位素源解析领域最权威的工具之一。本文结合一套典型的双同位素无协变量溯源脚本，逐行拆解数据输入、误差结构选取、MCMC 运行到结果判读的完整逻辑，并修复常见路径覆盖与参数冗余问题。
静止无功发生器SVG仿真模型（附对应说明报告+搭建仿真过程的参考文献）
静止无功发生器SVG仿真模型（附对应说明报告+搭建仿真过程的参考文献）内容概要：本文围绕静止无功发生器（SVG）的仿真模型展开，重点介绍了基于Simulink平台搭建的三相SVG系统，适用于不平衡电网条件下的无功补偿场景。文中提及采用级联H桥拓扑结构与三层控制策略，实现对无功功率的精确动态补偿，并包含详细的仿真模型、说明报告及参考文献支持，有助于深入理解SVG的工作原理与控制方法。同时，资源还涵盖了TCR+FC型SVC等多种无功补偿装置的仿真模型，为电力系统无功优化提供了全面的技术参考。; 适合人群：电气工程及相关专业的高校学生、从事电力系统仿真与无功补偿研究的科研人员，以及具备一定MATLAB/Simulink基础的工程技术人员。; 使用场景及目标：①用于教学与科研中对SVG、SVC等无功补偿装置的工作原理和控制策略进行仿真验证；②支撑电力系统中无功优化、电能质量提升等相关课题的研究与设计；③为含分布式电源的配电网无功电压协调控制提供模型基础和技术路径。; 阅读建议：建议结合提供的说明报告与参考文献，逐步搭建并调试仿真模型，重点关注控制策略的实现逻辑与参数整定方法，同时可对比不同无功补偿方案的仿真结果以加深理解。
无刷直流电机(BLDCM)转速电流双闭环控制、三相桥式星型全控电机研究（Simulink仿真实现）
内容概要：本文系统研究了无刷直流电机（BLDCM）的转速电流双闭环控制策略，基于三相桥式星型全控电路结构，在Matlab/Simulink平台上构建了完整的仿真模型，深入对比了传统PID、模糊PID与模糊神经网络PID三种控制算法在电机调速系统中的动态响应特性、抗干扰能力及稳态控制精度。研究涵盖了无刷直流电机的数学建模、驱动电路设计、双闭环控制器结构设计、控制策略实现以及仿真结果的综合分析，重点剖析了不同智能控制算法在优化系统性能方面的优势与适用场景，为高性能电机控制系统的开发提供了详实的理论依据、仿真验证方法和技术参考。; 适合人群：具备自动控制原理、电力电子技术和Matlab/Simulink仿真基础的电气工程、自动化、机电一体化等专业的本科生、研究生，以及从事电机驱动与控制、电力电子系统研发的工程技术人员。; 使用场景及目标：① 深入学习和掌握无刷直流电机的基本工作原理、数学模型及矢量控制基础；② 理解并独立设计转速与电流双闭环控制系统的架构，掌握PI/PID控制器的参数整定方法；③ 对比分析传统控制与智能控制（模糊、神经网络）在电机调速系统中的应用效果，探究如何提升系统的快速性、鲁棒性和控制精度；④ 为电机控制相关的课程设计、毕业设计、科研项目申报及工业产品原型开发提供可复现的仿真案例和实践指导。; 阅读建议：建议读者在阅读时同步搭建或运行所提供的Simulink仿真模型，通过调整控制器参数、设置不同的负载扰动和转速指令，亲身体验并观察各控制策略的响应曲线差异，重点关注控制算法模块的设计逻辑与仿真结果的定量对比分析，以深化对理论知识的理解，有条件者可进一步结合DSP等硬件平台进行实验验证，实现从仿真到实物的完整闭环。
无刷直流电机BLDC双闭环调速系统Matlab仿真与建模
内容概要：本文围绕无刷直流电机（BLDC）双闭环调速系统的Matlab/Simulink仿真与建模展开，系统实现了转速电流双闭环控制策略，并深入对比了模糊神经网络PID、模糊PID与传统PID三种控制方法在BLDC调速系统中的动态响应、抗干扰能力和控制精度。文档提供了多个高保真的Simulink仿真模型，涵盖无位置传感器控制、滑模观测器、三相桥式星型全控电路等核心技术模块，旨在通过精细化建模仿真，帮助读者深入理解BLDC的控制机理、系统稳定性及动态性能。此外，资源还整合了静止无功发生器（SVG）、静止无功补偿器（SVC）等电力系统装置的仿真模型，展现了电机控制与电力电子、无功补偿技术深度融合的研究背景，为复合型课题研究提供技术支持。; 适合人群：具备扎实的电机控制理论基础和熟练的Matlab/Simulink仿真能力的电气工程、自动化、电力电子及相关专业的高年级本科生、研究生、科研人员，以及从事电机驱动系统、新能源发电或电力系统自动化开发的工程师。; 使用场景及目标：①掌握无刷直流电机双闭环调速系统的设计与仿真方法，深入理解电流环与转速环的协同控制机制；②对比分析传统PID、模糊PID与模糊神经网络PID等先进控制算法在动态响应速度、超调量、稳态精度及鲁棒性方面的性能差异；③为毕业设计、科研项目或工程实践提供可复现、可拓展的仿真平台与技术参考，支持从理论建模到算法优化的全流程研究。; 阅读建议：建议读者结合文中提供的详细Simulink模型、说明文档与参考文献，循序渐进地搭建与调试控制系统，重点关注控制器参数整定、反馈信号处理、观测器设计及仿真结果的定量分析。对于进阶应用，可进一步探索无感控制策略、滑模观测器优化、多电机协同控制等方向，并通过对比实验验证不同控制算法的适用边界与优化潜力。
【便携式电子设备的可持续电源】系统结合了太阳能和风能，并搭配电池存储，以便为低功耗设备供电（Simulink仿真实现）
内容概要：该文档介绍了一种结合太阳能和风能并配备电池存储的便携式电子设备可持续电源系统，并通过Simulink进行仿真验证。系统旨在为低功耗设备提供稳定、绿色的能源供给，充分利用两种可再生能源的互补特性——太阳能适用于光照充足的白天，风能则可在夜间或阴天发挥作用，从而提高整体供能的可靠性和连续性。电池储能单元用于储存多余电能并在发电不足时释放，确保负载持续供电。整个系统的仿真涵盖了能量采集、转换、存储与管理的关键环节，验证了其在不同环境条件下的运行有效性。; 适合人群：从事新能源、电力电子、嵌入式系统及相关领域的科研人员、工程技术人员及高校师生。; 使用场景及目标：①为野外作业、移动监测、应急救援等场景下的低功耗便携设备提供可持续供电方案；②作为教学与科研平台，用于开展多能源协同控制、能量管理策略及系统仿真方面的研究与实践；③推动可再生能源在小型化、分布式供电系统中的应用。; 阅读建议：读者应具备一定的电路与控制系统基础知识，建议结合Simulink模型深入理解各模块的工作原理，并尝试调整气象参数与负载条件以观察系统动态响应，进而优化控制策略。
周四 08点31分科技文献9.m4a
周四 08点31分科技文献9.m4a
【变换域数字水印技术：一种信息隐藏的方法】使用多幅图像作为水印的数字水印技术，该技术基于变换域函数，包括离散小波变换（DWT）、离散余弦变换（DCT）和奇异值分解（SVD）（Matlab代码实现）
内容概要：本文介绍了一种基于变换域函数的数字水印技术，该技术利用多幅图像作为水印，结合离散小波变换（DWT）、离散余弦变换（DCT）和奇异值分解（SVD）实现水印的嵌入与提取。通过Matlab代码实现，系统地展示了在不同变换域中进行水印处理的全过程，验证了该方法在确保宿主图像视觉质量的前提下，具备较强的鲁棒性与安全性，能够有效抵御常见图像处理操作（如压缩、滤波、裁剪等）的攻击。该技术特别适用于对图像版权保护和身份认证有高要求的应用场景。; 适合人群：具备数字图像处理基础知识，熟悉Matlab编程语言，从事信息安全、多媒体信息隐藏、版权保护等领域的科研人员和技术开发者。; 使用场景及目标：①实现数字图像的版权保护与真伪认证；②研究多域融合水印算法在透明性、鲁棒性方面的性能表现；③深入掌握DWT、DCT和SVD在信息隐藏中的协同应用机制与技术细节。; 阅读建议：建议读者结合提供的Matlab代码进行动手实践，通过调整参数、更换测试图像和水印图像，观察不同变换域组合对水印性能的影响，并进一步探索算法优化路径，以提升其在复杂攻击环境下的抗干扰能力。
基于模糊PID与传统PID控制无刷直流电机对比仿真模型【说明文档+参考文献等】
内容概要：本文介绍了一套基于Simulink的无刷直流电机（BLDC）控制系统仿真模型资源，重点对比了模糊PID与传统PID控制策略在电机调速中的性能差异。资源包含多个仿真模型，涵盖模糊PID控制、传统PID控制、无位置传感器控制、滑模观测器以及转速电流双闭环PI控制等，总计三个核心仿真系统。通过建模仿真，用户可深入理解不同控制算法在无刷直流电机系统中的动态响应、抗干扰能力、稳定性及控制精度表现。文档提供了详尽的说明材料、参考文献和实现代码，尤其突出了模糊PID相较于传统PID在非线性、时变系统中更强的自适应调节能力。此外，资源还涉及无感控制与滑模观测器的设计，有助于掌握现代电机控制中的先进观测与估算技术，适用于电力电子、电机控制及相关领域的科研与教学实践。 适合人群：从事电机控制、电力电子、自动化、电气工程等专业的科研人员、研究生及高年级本科生，以及工业界从事电机驱动系统开发的工程师和技术人员。 使用场景及目标：①研究模糊PID与传统PID在无刷直流电机调速系统中的控制性能差异，分析其超调量、响应速度与稳态精度；②学习并掌握无位置传感器控制与滑模观测器的设计原理与实现方法，提升对电机状态估计技术的理解；③开展转速电流双闭环控制系统的建模与仿真，支持学术论文复现、课程设计与创新控制算法的验证与优化。 阅读建议：建议结合提供的说明文档与参考文献，按照模块逐步运行各仿真模型，重点关注控制参数调节对系统动态性能的影响；通过对比模糊PID与传统PID的仿真结果，深入理解智能控制策略的优势；在学习过程中应动手修改参数、尝试算法改进，并通过示波器观察波形变化，以增强对控制理论与工程实践结合的理解。
运维管理基于Hyperfilelens的Docker Compose业务系统备份恢复：机房设备更换场景下的数据迁移与验证方案设计
内容概要：本文介绍了在机房存储设备更换及固件升级背景下，通过 Hyperfilelens 实现多套 Docker Compose 部署的业务系统备份与恢复的全过程。文章围绕备份迁移的实际操作，详细阐述了从主机接入、备份路径选择、策略配置、恢复执行到业务验证的七个关键步骤，并结合截图说明各环节的操作要点。特别强调了不仅要完成数据备份与恢复，还需核对目录结构、服务启动状态和业务功能可用性，确保迁移后系统完整可用。最终总结了 Hyperfilelens 在集中管理保护对象、制定备份策略、明确恢复目标和提供可核查记录方面的核心价值，倡导将备份作为常态化运维机制而非临时应急措施。; 适合人群：从事运维、系统管理及相关技术岗位，具备一定 Docker 和服务器管理经验的技术人员，尤其是面临机房设备更新或系统迁移任务的团队成员。; 使用场景及目标：①解决老旧存储设备更换过程中的业务系统平滑迁移问题；②实现基于 Docker Compose 架构的应用数据可靠备份与异机恢复；③建立可复用的备份恢复流程，提升运维自动化与可靠性。; 阅读建议：建议结合文中提到的平台界面和操作命令逐步实践，重点关注备份范围确认、一致性保护、恢复路径核对及业务端到端验证，避免仅依赖工具状态而忽视实际业务可用性。
用逐飞STC32G库做个智能小车：编码器测速、PWM调电机、ADC读电池电压（完整项目）
本文详细介绍了如何使用逐飞科技的STC32G12K128开源库构建智能小车项目，涵盖编码器测速、PWM电机控制和电池电压监测等核心功能。通过硬件选型、开发环境搭建、代码实现及调试技巧的全流程讲解，帮助开发者快速掌握基于STC32G的嵌入式系统开发，实现高性能的智能小车控制。
iperf3网络性能测试全攻略：从带宽到丢包率的实战技巧
本文提供了iperf3网络性能测试的完整实战指南，涵盖从基础部署到高级诊断的全流程。详细解析了TCP带宽测试的进阶技巧与UDP丢包率分析的深度方法，帮助网络工程师精准量化带宽、丢包率等关键指标，有效定位网络瓶颈并优化性能。
域自适应的理解与想法（Domain Adaptation）
这幅图是域适应非常有名的一篇论文中的插图，被很多文章转载。 什么是领域自适应？ Domain Adaptation是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。于是在特征空间中对source domain训练的目标函数，就可以迁移到target domain上，提高target domain上的准确率。 上面的图主要的思想来源于GAN，上图由三部分组成：特征映射网络 标签分类网络和和域判别网络 其中，source domain的数.
JAVA + 海康威视SDK + FFmpeg+ SRS 实现海康威视摄像头二次开发
海康威视SDK接入方案摘要 本文介绍了使用海康威视官方SDK开发物联网平台摄像头接入功能的完整方案。系统采用Java后端集成HCNetSDK控制摄像头，通过FFmpeg将RTSP流转为RTMP推送到SRS流媒体服务器，前端基于HTTP-FLV协议实现视频播放。文章详细说明了开发准备工作，包括SDK下载、SRS部署、FFmpeg安装等关键步骤，并提供了数据库表设计和接口定义。核心部分展示了如何集成海康SDK，包括提取必要代码、加载DLL文件、配置打包插件等具体实现细节，最终形成了一套支持实时预览、回放和下载的
等保测评-达梦数据库
一般适用于等保测评
YOLO26 标签分配机制：STAL 小目标感知分配策略
YOLO26提出的STAL标签分配策略通过尺度感知机制优化了小目标检测性能。该方法根据目标面积将检测对象分为小、中、大三类，分别采用差异化的分配参数（TopK数量、IoU阈值和中心度权重），特别是对小目标采用更宽松的匹配条件和更高的中心度权重。实验结果表明，STAL策略显著提升了小目标检测精度（AP_small），同时保持了整体检测性能（mAP），为解决目标检测中尺度不平衡问题提供了有效方案。
【ArcGIS微课1000例】0068：ArcGIS加载world imagery高清卫星影像教程
本文介绍了如何在ArcGIS中加载World Imagery高清卫星影像作为谷歌影像的替代方案。通过添加ArcGIS Server并输入在线图集URL（https://services.arcgisonline.com/ArcGIS/rest/services/World_Imagery/MapServer），即可连接并预览包含中国影像、青海湖、东方明珠等全球高清卫星图。该教程提供了详细的操作步骤图示，帮助用户快速获取优质底图数据，适用于地理信息分析和可视化应用。
实战案例四：Claude Code + Excel 技能处理表格数据
Excel 是商业世界中最通用的数据工具。无论是财务报表、销售数据还是项目计划，Excel 无处不在。本案例将展示如何利用 Claude Code 的 Excel 技能，自动化处理复杂的表格数据，告别繁琐的手工操作。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
1655
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
