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
500+累计阅读
569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
ZStack Cube超融合一体机重磅登场
近日，专注产品化的云计算厂商ZStack宣布：推出基于ZStack Cloud的超融合一体机ZStack Cube！这是业内首家具备云平台全部功能，支持与云平台同步演进、同步升级，且升级过程无感知、业务不中断的超融合云！
告别传统的基于虚拟化平台的超融合一体机时代，ZStack Cube将引领用户进入云平台超融合一体机的时代，彻底改变用户在一体机中只能体验虚拟化功能的历史，让复杂的云计算技术能够在一体机中实现开箱即用、一键迁移、VPC网络、多租户自服务和无缝升级等功能，带给用户更先进、更成熟、更稳定的上云体验！
ZStack Cube超融合一体机正式发布，与云平台同步升级！
IDC近日发布的《中国软件定义存储(SDS)及超融合存储(HCI)系统市场季度跟踪报告，2020年第四季度》报告显示：超融合存储系统（HCI）实现36.5%的增长，市场
详解ZStack Cloud v4.0新功能：弹性裸金属、云平台监控等全面上新！
日前，ZStack Cloud v4.0惊艳登场！这是一场关于UI的革命性升级，它不仅采用了全新UI设计系统，对500+组件实现了重构；同时，它还拥有领先的低代码、Micro Frontend（微前端）技术加持，致力于带给用户最舒适友好的使用体验！不仅如此，ZStack Cloud v4.0还推出了20多项新功能，自定义运维首页、企业管理、弹性裸金属、云平台监控等等统统都上新！ 为了方便大家深入了解和使用ZStack Cloud v4.0，我们特别开设了《走近ZStack Cloud v4.0》专栏。本期.
ZStack与神州数码签署ZStack Cube超融合一体机总代合作
近日，上海云轴信息科技有限公司（简称：ZStack）与神州数码（中国）有限公司（简称：神州数码）签署合作协议，共同宣布神州数码成为ZStack Cube超融合一体机全国总经销商，负责销售ZStack Cube超融合一体机、ZStack Cloud云平台等全系列产品。 ZStack副总裁肖昉、神州数码云业务集团副总裁肖凯共同出席并签约。 当前，快捷上云和高效用云仍是企业关键业务数字化转型的重要挑战。在此背景下，ZStack推出业内首家具备云平台全部功能，支持与云平台同步演进、同步升级，且升级过程无感知、业.
详解ZStack Cloud v4.0：自研VPC网络模型实践指南
一、背景 近日发布的ZStack Cloud v4.0中，推出了自主研发的VPC网络模型，以解决广大云计算用户网络个性化强、功能复杂、运维难等痛点。 ZStack Cloud专有网络VPC （Virtual Private Cloud，以下简称VPC），是基于VPC路由器和VPC网络共同组成的自定义私有云网络环境，帮助企业用户构建一个逻辑隔离的私有云，它基于ZStack Cloud经典云路由模型进行了大量突破式创新设计，为企业用户构建软件定义数据中心（Software Defined Data Cente.
ZStack Cube：超融合3.0，从虚拟化到云平台融合
超融合并不是一个新概念，从诞生到现在，差不多已经有十多年发展历程了。但由于企业底层的IT基础架构在不断变化，所以超融合的内涵也在不断演进。从简单的硬件融合到虚拟化融合，走到今天，超融合已进入3.0时代，实现了云平台技术层面的融合。 IDC在一份报告中显示，超融合的年复合增长率在15%以上，并且从现在到2024年，整个超融合市场规模将达到20亿美元之上，比纯做私有云、混合云或者纯软件的市场规模还要大。另外，从提升客户体验的角度来看，更细粒度的产品打磨，肯定更能满足客户需求，这种开箱即用式服务，能从根本上帮助.
基于 ZStack Cloud 的英特尔精选开源云解决方案白皮书
“我们一直与英特尔保持良好的合作关系，为了增强用户对于私有云的体验，我们将新一代的英特尔CPU以及傲腾技术应用到ZStack云平台、容器、分布式存储等产品中，结果非常令人满意。ZStack长期践行着产品化私有云的路线，同时也一直保持着核心代码开源的策略，在此次的英特尔精选开源云解决方案中，双方对整体软硬件进行了大量工作，从而保证用户得到具备弹性、可扩展、稳定、健壮的私有云整体解决方案，以加速企业IT改造效率、便捷用户上云体验。” 张 鑫 ZStack CEO 凭借着在敏捷性、开放性、扩展性等方面的优势，云.
ZStack实践汇 | 虚拟化软件漏洞和解决方案
概况 本文主要比较了主流虚拟机虚拟层（KVM，ESX，Hyper-V和Xen）中的安全功能和常见漏洞，并分析了安全趋势。然后，对虚拟化软件的常见威胁进行了分类，并讨论其影响。最后，对于解决虚拟化软件漏洞和安全问题，本文也提出一些解决方案。 1、虚拟化软件的常见漏洞及安全趋势 首先，表1展示了上述主流虚拟层的一些标准功能和安全功能： 表1 虚拟机监控程序比较 如表所示，这些虚拟机虚拟层之间在安全功能方面的主要区别在于：只有KVM能通过SELinux为应用程序提供强制访问控制。其他区别在于安全证书，其中X
信创动态| ZStack&鼎甲科技完成兼容互认证
近日，专注IaaS的产品化云厂商云轴科技（简称“ZStack”）与广州鼎甲计算机科技有限公司（简称“鼎甲科技”）完成产品兼容互认证！确定ZStack与鼎甲科技自主研发的数据备份与恢复系统 V8能够达到通用兼容性要求及性能、可靠性要求，可充分满足用户的关键性应用需求。 鼎甲数据备份与恢复系统 V8是一款融合了数据备份、数据容灾、数据高可用等功能的企业级数据安全保护软件产品，适用于操作系统、文件、数据库、虚拟机、云平台、应用系统的立体化保护，能高效保障业务系统的安全。据国际权威调研机构 IDC 最新发布的中.
思科—OSPF多区域配置实验
实验目的：配置OSPF多区域，使得不同网段的PC互相ping通。 网络拓扑如下： R0的配置 Router>en Router#conf t Router(config)#int g0/1 Router(config-if)#ip add 192.168.1.1 255.255.255.0 Router(config-if)#no shut Router(config-if)#exit Router(config)#int g0/0 Router(config-if)#ip add 192.168.
STM32实战：5分钟搞定CanFestival协议栈下的CANopen心跳报文配置（附避坑指南）
本文详细介绍了如何在STM32平台上使用CanFestival协议栈快速配置CANopen心跳报文，包括硬件准备、协议栈移植、心跳报文配置及常见问题解决方案。通过实战步骤和避坑指南，帮助开发者高效实现节点状态监控，提升工业控制系统的可靠性。
Win11专业版破解RDP限制：实现多用户远程桌面协同办公
本文详细介绍了如何在Windows 11专业版上破解RDP限制，实现多用户远程桌面协同办公。通过使用RDPWrap工具，用户可以绕过微软的授权限制，允许多个用户同时登录同一台电脑，提高硬件利用率和团队协作效率。文章包含详细的安装配置步骤、性能优化技巧及常见问题解决方案，适用于需要远程协作的办公场景。
【清风数学建模笔记】第十一讲：时间序列分析
【清风数学建模笔记】第十一讲：时间序列分析
Python+Selenium实现抖音博主批量监控：300+账号实时更新通知（附完整代码）
本文详细介绍了如何使用Python和Selenium构建一个高可用的抖音博主批量监控系统。通过架构设计、Cookie管理、高效轮询与差异检测等核心模块，实现300+账号的实时更新追踪与通知。文章提供了完整的代码实现，并重点探讨了性能优化、异常处理及服务器部署等实战经验，帮助开发者打造稳定、可控的自动化监控解决方案。
如何使用Docker部署OpenClaw小龙虾（docker compose快速部署）
本文以飞牛NAS为例💻，带大家一步步完成Docker部署OpenClaw小龙虾🦞。不管你是用NAS、云服务器还是本地电脑，只要支持Docker，都可以参考这个步骤来安装部署⚡
AUTOSAR从入门到精通-【自动驾驶】特斯拉全自动驾驶（FSD）
特斯拉全自动驾驶系统（Full-Self Driving，简称FSD）是特斯拉公司开发的高级驾驶辅助系统，旨在通过神经网络技术实现环境感知与车辆控制，在驾驶员监督下完成导航、转向、变道、泊车等操作。 该系统自2021年发布Beta测试版以来持续迭代，最新版本为2025年10月推出的v14版本。FSD v14版本基于端到端神经网络架构，取代了传统代码逻辑，通过数百万视频片段训练模型，以模仿人类驾驶决策。 其功能覆盖住宅区街道、城市道路及高速公路，支持交通信号识别、自动变道和环岛通行等场景。
【Bug已解决】Failed to fetch version ECONNREFUSED 解决方案
方案适用场景推荐指数难度方案一：NODE_EXTRA_CA_CERTS代理/企业网关证书⭐⭐⭐⭐⭐低方案二：浏览器导出证书不知证书在哪⭐⭐⭐⭐中方案三：使用系统证书macOS 用户⭐⭐⭐⭐中方案四：关闭代理直连快速验证⭐⭐⭐低方案五：更新 Node.js证书列表过时⭐⭐⭐低方案六：同步系统时间时间偏差导致⭐⭐⭐低根本原因。
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")
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1213
扫一扫
