机械产品制造设备有哪些，机械工程有哪些推荐的读物？
答：
你该学的计算机技术有：
本构方程的编写，通常以微软下的vs为开发平台，或者intel的compiler。Matlab，大量的神经网络及优化仿真法计算，曲线拟合，非线性求解，高精密路径计算，延迟及测量值算法科学补正（这不是CS的数据结构优化，这不是让代码bigO更小）如果是masc或phd或研发部，还需要二次开发各大工程软件自动化相关的嵌入式开发，及图像识别OpenGL等图像法及后续的物理引擎底层算法教材有：
工程数学自动控制原理数值方法工程材料学材料力学可以学习的理论有：
实变函数、复变函数、常微分方程、偏微分方程、概率论、矩阵论、图论
汉阳造步枪跟中正式步枪有什么区别和特点？
区别大了，这俩枪连厂家都不一样，采用了不同的技术，怎么可能没区别呢？
汉阳造的原版是德国的委员会1888式步枪，而中正式步骑枪的原版是德国Gew98步枪。
前者是大清洋务派当年被德国人忽悠瘸了，当毛瑟枪买来的技术。后者原型是民国引进的德国第一次世界大战装备的毛瑟枪。
上图.一支委员会Gew1888\05步枪，最显著的特点是套管
有些人将汉阳造当毛瑟枪，这其实是错误的，犯了与李中堂一样的毛病。
实际上“委员会”步枪当年与毛瑟枪是内卷的竞品，德国官方眼红毛瑟兄弟的兵工厂赚走大笔国家经费，于是吸收了部分毛瑟枪的技术，自己琢磨出了国会委员会步枪。
委员会步枪还是全世界第二把被大规模列装的无烟火药新型步枪，第一把是法国的勒贝尔1886步枪。
上图.勒贝尔1886
勒贝尔1886采用了新的8毫米子弹，威力和弹道表现远超使用11毫米黑火药子弹的德国毛瑟71/84步枪。
一个法国逃兵在新枪1886年当年就把武器以2万马克卖给了德国，赚走了跑路费。见到法国人的新枪后，德国军方没等毛瑟拿出成果，就自己拿各种散件捣鼓起了新武器。
他们研发出了新型的8.1mm圆头无烟火药枪弹（即后来的7.92mm，尖弹时改为8.22），然后在1888年将新枪也设计了出来，称其为Gewehr1888。
上图.Mauser Model 71/84
最初德国的步枪测试委员会（Gewehr Prfungs Kommission，GPK）进行的仅仅是毛瑟Model 71/84步枪的修改升级工作，强行将11mm的改成采用8mm无烟火药枪弹的武器。
为此，他们1887年12月从柏林夏洛滕堡的路德维希·洛伊公司订购了一批生产机械，这为后续一些麻烦种下了因果。
随着修改进度的增加，GPK对变得很有自信，他们认为可以抛开毛瑟枪的大部分设计，自己设计制造一种更好的步枪。
这个任务被委派给帝国的军火中心斯潘道兵工厂，在一年不到的时间里样枪就出炉了。
斯潘道的技术人员路易斯·施莱格尔米尔奇（Louis Schlegelmilch）设计了一种混合技术的枪机，又像曼利夏又像毛瑟，所以被称为“Schlegelmilch/Mauser”枪机。
然后他们又给新步枪安装了一个5发的曼利夏式的漏弹夹，完全不同于桥夹。
这个也是修改过的，比起原版曼利夏弹匣，它可以两面装填。
当然，还有Gew88最大的特色，它有个套在枪管外面的全长保护套筒，由阿尔曼德·梅格（Armand Mieg）设计。
因为开发原本是勒贝尔1886，因此Gew88的膛线的缠距和剖面直接复制自勒贝尔。
子弹的药瓶由瑞士爱德华·鲁宾（Eduard Rubin）的无缘弹改良而来。
大部分Gew88都在枪身上铭刻了SPANDAU（斯潘道）和年份的铭文，少量的直接会写上“普鲁士王国\柏林\斯潘道兵工厂”。
实际上Gew88的生产厂家不少，如Loewe和Amberg都生产了42.5万支，Haenel生产了10万支，还有奥匈帝国的奥地利武器制造公司，他们打的铭文是著名的“斯太尔·曼利夏火器部”，生产了30万支；委员会步枪共生产了1675000支。
1888年11月，各种技术拼装成的Gew88开始了测试，然后被委员会轻易通过检测并决议立即采用。
上图.Amberg生产的Gew88
仅在当月12日，德皇威廉二世就签署了换装的命令。至1889年初，一些生产出来的Gew88已经被分配给了阿尔萨斯-洛斯林根的部队，至年底巴伐利亚的德军也开始全面换装，至1890年，普鲁士、萨克森、福腾堡地区的一线部队也都全面换装。
不过，一旦大规模装备，Gew88就出现了许多毛病，如炸膛、卡弹、哑火等问题不断，这给急吼吼装备新枪的德军泼了一瓢冷水。
有可能急于重新开启订单的毛瑟公司也在其中扮演了不光彩的角色，总之矛头全被指向了负责提供无烟火药机器和负责部分武器制造的私人承包商路德维希·洛伊公司。因为其犹太背景，Gew88的毛病被夸大其词，喷得体无完肤，成为了“犹太步枪”。
尽管Gew88很快就进行了一系列的修改，如重新修改膛线的剖面刻线深度，加强弹膛强度，修改来复线缠距以适合新型尖头弹等，但在毛瑟公司推出的新产品面前，德军仍然还是将其淘汰了。
淘汰到哪儿去了呢，当然是倾销给中国了，甚至连生产线都大方地卖给了中国，还忽悠我大清这是“毛瑟枪”，愣是让一帮洋务派用买阿迪的感情买回了一堆彪马。
不过Gew88的技术对当时的中国而言还是很不错的，生产改进了，Gew88的那些毛病也并没怎么发生（所以还是毛瑟在打击友商？），我大清高兴地宣布，璃月有了自己的雷神，大清也终于有了自己的阿迪王。
就这样，“汉阳造”在我国生根发芽，成为最重要的一款步枪，也因此将中国的弹药体系带到了7.92mm的沟里。期间大清本想开发点6.5、6.8mm的枪弹，结果在庞大的7.92面前楞是整到民国还没整成功。（感兴趣的可以查查元年式步枪，这里就不多说了）
后来的“中正式步骑枪”与Gew88委员会步枪可不一样，委员会这个“毛瑟”是水的，但中正式步骑枪可是直接来自毛瑟血统，它是Gew98的后代，98k的异国兄弟。
上图.中正式步骑枪
上面说到毛瑟枪淘汰了Gew88委员会步枪，拿什么淘汰的？
保罗·毛瑟在1898年对德军推出了一款新型步枪，设计精美技术成熟，完全的德国知识产权，一看就比Gew88那种抄作业的东西强，所以德军马上将其纳入制式，命名为Gewehr 1898,简称Gew98，开始了步枪换代。
上图.G98步枪
德军使用Gew98的时间非常之长，从八国联军时期一直到第一次世界大战打完都存在，甚至二战有些98k都是G98零件改的。
Gew98没有使用法式的漏弹夹，而是采用了直板的桥夹，卡上子弹直接往里塞，不要弹夹也能塞。毛瑟式的旋转后拉枪机简洁坚固，成为一代大栓的经典。
桥弹夹和漏弹夹这个特征同样可区别汉阳造和中正式。
在Gew98的基础上，德国人开发了短卡宾枪型号，称其为Karabiner 1898 kurz，简称Kar 98。（实际上改型不止这点，还有骑兵型Kavallerie98、炮兵型Artillerie98，Kar 98也分A、B型和AZ型。）
中国在30年代再次引进德国步枪技术，将Kar 98B型给引了进来，成为24式步枪。
蒋委员长在视察巩县兵工厂的时候，看到了试产中的24式步枪，他吸取了一些意见，认为该枪还是太长，不适合亚洲人的身型，所以可以想办法缩短一些。
经过讨论，人们缩短了枪身（主要是枪托），但增长了刺刀，又为其加上了“中正式”的名称，称其为“步骑枪”，意为步兵、骑兵皆可通用。
上图.98k
德国人在30年代时，也在Kar 98B的基础上进行了修改，先是诞生了一种“毛瑟标准型”，然后又进行了缩短，就这样诞生了Kar 98k步枪。
所以，汉阳造与中正式的差别还是非常大的，它们的关系隔了一个Gew98。实在辨不出的话，可以看铭文，中正式的铭文有“中正”或“民二四”的写法，类似98k上面的“毛瑟”字样，很好辨认。
哪些行业属于轻工业呢？
轻工业，与重工业相对，主要是指生产生活资料的工业部门。如：食品、纺织、家具、造纸、印刷、日用化工、文具、文化用品、体育用品工业等。按其所使用的原料不同，可分为两大类：
1、以农产品为原料的轻工业，是指直接或间接以农产品为基本原料的轻工业。主要包括食品制造、饮料制造、烟草加工、纺织、缝纫、皮革和毛皮制作、造纸以及印刷等工业；
2、以非农产品为原料的轻工业，是指以工业品为原料的轻工业。主要包括文教体育用品、化学药品制造、合成纤维制造、日用化学制品、日用玻璃制品、日用金属制品、手工工具制造、医疗器械制造、文化和办公用机械制造等工业。扩展资料重工业：是指为国民经济各部门提供物质技术基础的主要生产资料的工业。按其生产性质和产品用途，可以分为下列三类：1、采掘(伐)工业，是指对自然资源的开采，包括石油开采、煤炭开采、金属矿开采、非金属矿开采和木材采伐等工业；2、原材料工业，指向国民经济各部门提供基本材料、动力和燃料的工业。包括金属冶炼及加工、炼焦及焦炭、化学、化工原料、水泥、人造板以及电力、石油和煤炭加工等工业；
3、加工工业，是指对工业原材料进行再加工制造的工业。包括装备国民经济各部门的机械设备制造工业、金属结构、水泥制品等工业，以及为农业提供的生产资料如化肥、农药等工业
人工智能技术有哪些？
人工智能（AI）AI目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。研究机器人、语言识别、图像识别、自然语言处理和机器学习等。每一个分支都很复杂，譬如机器视觉：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。有时我们也把譬如《论人工智能未来发展趋势》《人工智能的应用》等文章也作为知识。我们把这些称为道理类，只讲是什么，用来干什么，有多重要等，不会讲如何去落地实现。
我们来看一下具体技能类的知识，讲讲如何实现：
以机器视觉来讲，用机器来模拟人类的视觉。人类视觉系统是大自然的一大奇迹，从最简单的数字识别来看，人类能够毫不费力的识别出数字，我们可能会觉得很简单，其实这是一个幻觉。在我们大脑各半球，有一个主要的视觉皮层，即V1，它包含1.4亿个神经元以及数以百亿的神经元连接。而且人类不只是有V1，还有一系列的视觉皮层——V2,V3,V4和V5，它们能够执行更加复杂的图像处理。通过计算机实现的人工神经元，思路与这个有一点相像。
譬如让计算机程序识别数字，如“9头上有一个圆圈，右下角有一笔竖线”——看起来好像规则明确， 但是识别算法却不是那么简单，因为这些规则会被大量的例外、警告和特殊案例打破，不再像我们严谨的If A then B elese C end if所处理的抽象模型。神经网络思想是利用大量的手写数字（训练样本），开发出一套从训练样本中进行学习的系统。换句话说，神经网络使用样本来自动推理出识别手写数字的规则。通过增加训练样本规模，神经网络能学到手写体的更多规则从而提升它的识别精度。
为了便于理解先看一种人工的神经元，即感知器(perceptron)的基本运作原理。现代的神经网络工作中， 主要的神经网络模型是sigmoid神经元。
一个感知器获取几个二进制输入x1,x2,…x1,x2,…，并且产生一个二进制输出。如下例子：
这个感知器具有三个输入x1,x2,x3x1,x2,x3。通过一个规则来计算最后输出，即权重(weights)w1,w2,…w1,w2,…，这些实数表示各个输入对输出的重要性。这个神经元输出(output) 0或者 1是由这些输入的加权求和
是否大于或者小于某一个阈值(threshold)。不像这些权重，阈值是这个神经元的实数参数。代数式如下：
感知器，它是一个通过加权凭据来进行决策的设备。通过更改权重和阈值，我们能得到不同的决策模型。显然，这个感知器不是人类决策的完整模型！
在下面这个网络中，第一列感知器（我们称其为第一层感知器）通过加权输入凭据来做出三个非常简单的决策。那第二列感知器是什么呢？其中每一个感知器都是通过将第一列的决策结果进行加权和来做出自己的决策。通过这种方式，第二层感知器能够比第一层感知器做出更加复杂和抽象层的决策。第三层感知器能做出更加复杂的决策，以此类推，更多层感知器能够进行更加复杂的决策。
是不是与上面一系列的视觉皮层类似？且你会发现有一个关键问题就是权重和阈值（偏移）的设定，我们会希望这个网络能够学会调权和偏移以便正确决策。
学习算法，这种算法能够自动调整人工神经网络的权重和偏移。这会在响应外部刺激时候发生，而且没有程序员的直接干预。这些学习算法能让我们用一种新的方式使用人工神经网络，它将与传统的逻辑门方法完全不同。
人工神经元（sigmoid神经元）细微调整它的权重和偏移只会很细小地影响到输出结果。sigmoid神经元有输入x1,x2,…x1,x2,…。但是输入值不仅是0或者1，还可以是0到1的任意值。微积分告诉我们细小的输出Δoutput近似等于：
虽然上面具有偏导运算的表达式看起来很复杂，但实际上很简单（这是一个好消息）：输出改变Δoutput是权重和偏移改变Δwj和Δb的线性函数。这种线性使得权重和偏移的细微改变就能很容易使得输出按期望方式微小改变。
sigmoid神经元不是只输出0或者1。它能够输出0到1之间任意实数。
如上面图形中，网络的最左边一层被称为输入层，其中的神经元被称为输入神经元。最右边及输出层包含输出神经元，在上面例子中，只有一个单一的输出神经元。中间层被称为隐含层，因为里面的神经元既不是输入也不是输出。上面的网络只包含了唯一个隐含层，但是一些网络可能有多层。比如，下面的4层网络具有2个隐含层：
针对图像识别的入门程序， 数字识别的模型，采用的是三层
梯度下降学习算法（gradient descent algorithm）
我们想要的是一个能让我们找到合适的权重和偏移的算法，以便网络输出y(x)能够几乎满足所有训练输入x。为了量化这个匹配度目标，我们定义了一个代价函数：
这里w表示网络中的所有权重，b是所有偏移，n训练输入的总数，a是网络输入为x时的输出向量，总和是对所有输入x进行的累加。
为了最小化C(v)，可以把C想象成只具有两个变量，即v1和v2，让我们想象有一个小球沿着山谷的坡面向低处滚。生活经验告诉我们这个小球最终会到达谷底。可以采用类似的思路找到函数的最小值。
我们将“梯度”矢量记为∇C
这里 η是一个正的小参数，被称为“学习率”（learning rate)。
这给了我们一种沿着梯度找到最小值的方法，即使 C依赖于很多变量。即通过不断重复地使用以下更新规则。
总之，梯度下降算法（gradient descent algorithm）是通过不断计算梯度∇C，然后向着梯度相反的方向小步移动的方式让小球不断顺着坡面滑向谷底。
梯度下降如何应用于神经网络的学习过程呢？具体思路是用梯度下降来寻找权重（weights）wk 和 偏移（bias） bl，从而最小化代价函数 。
TensorFlow 是一个用于人工智能的开源神器， 器就是工具，是具体实现的一种技术，我们要落地相应的方案，Tensorflow是个不错的学习方向（推荐）。当然还有很多其他开源工具，如Torch Caffe、OpenCog、Deeplearning4j、Neuroph、OpenNN可以自行搜索学习。
从以上的介绍中，会发现需要一个基本思维就是问题模型化，思路类似，算法不同，譬如线性规划问题的处理路径一般是：
描述目标：****************************
描述约束条件：
约束条件1：————约束条件2：————约束条件3：————定义决策变量：————
构建函数，求解
基于数据样本深度学习算法，用到数据分析、模型与决策等的知识，如微积分，线性规划，非线性最优化模型，数据的分布（尤其是正态分布），决策分析（已知概率、未知概率，风险分析，灵敏度分析，效用理论）等等。这些知识最好是系统化的学习，退一步也可以在应用中按需学习。
在企业信息化建设中，如果要从底层开始搭建人工智能基础，看起来不是一个合适的做法，对于基础云服务的应用相对更合理，但是要学会业务建模，才能跟企业应用深度结合。
推荐两本基础知识的书：
《数据、模型与决策》 戴维R.安德森 等著，侯文华 杨静蕾 等译
《商务与经济统计》 戴维R.安德森 等著，张建华 王建 等译
真正的知识需要沉下来去系统化的学习，很难在公众号学到， 公众号只是一个引子，能够引发思考，带来行为的变化，就够了。
希望我的分享和思考能够帮到你。
关于【机械产品制造设备有哪些】和【机械工程有哪些推荐的读物】的介绍到此就结束了，热烈欢迎大家留言讨论，我们会积极回复。感谢您的收藏与支持！
发表评论