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
573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
篇幅所限，本文只提供部分资料内容，完整资料请看下面链接
https://download.youkuaiyun.com/download/AI_data_cloud/89254423
资料解读：（42 页 PPT）凌云之智智造未来 MES 云端解决方案
详细资料请看本解读文章的最后内容
在工业 4.0 与中国制造 2025 的浪潮下，制造企业对生产过程的数字化、智能化需求愈发迫切。宜科推出的 “凌云之智” MES 云端解决方案，以云平台为核心，融合自动化技术与信息化管理，构建了覆盖生产全流程的智能管控体系，为企业提供了从设备连接到决策支持的端到端服务。
作为扎根工业自动化领域多年的企业，宜科的技术积累为解决方案奠定了坚实基础。自上世纪九十年代进入中国市场以来，宜科从编码器等核心产品起步，逐步拓展至传感器、控制系统等全系列工业自动化产品，服务覆盖汽车、电梯、风电等多个领域。尤其在汽车
YOLO26算法大门区域检测+训练好的模型+285张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[大门(gates)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 64 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.6364** mAP50-95 | 0.4539 Precision | 0.7309 Recall | 0.6111 train/box_loss | 0.6662 train/cls_loss | 0.5916 val/box_loss | 1.3351 val/cls_loss | 1.5479 【训练过程分析】 训练过程可分成三个主要阶段：前期、中期和后期。刚开始时，模型的损失函数确实有了显著下降，box_loss 从0.6662开始，经过几轮的迭代，迅速降至0.5左右。但到了中期，loss 的下降速度明显放缓，甚至有停滞不前的趋势。这一现象在val/box_loss的表现上尤其明显，从1.3351缓慢上升至1.4左右，直到训练到64轮时才略有下降。在这一阶段，mAP50从0.6364仅轻微上升到0.64，提升有限。这期间，模型似乎陷入了平台期，进展缓慢，让人感到有些煎熬。从第30轮到第64轮，我频繁查看曲线图，希望能捕捉到一点改善的迹象，但都未能如愿。这个阶段也让我对模型的潜力产生了怀疑，担心训练过程可能需要更长时间才能看到显著改善。 进入后期阶段，尽管损失函数略有下降，但mAP50的提升并不明显，这让人感到非常... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
高校技术转移办公室人员如何构建技术交易平台的智能推荐机制？.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。
基于mongodb, express, react, node开发的商店应用
1、角色管理，支持买家和卖家 2、 支持创建、编辑、删除拍卖 3、支持投标
CrewAI 多 Agent 实战包 v1（Mock免Key跑通+通义千问可选+流水线样例）
本资源是 CrewAI 风格多 Agent 可运行工程包：研究→写作→审校等流水线样例。无 API Key 时自动降级 Mock 引擎跑通；有 DASHSCOPE_API_KEY 时可接真实 CrewAI + 通义千问。含中文 README、samples、smoke 留档、单元测试。本包不含密钥。关联博客：https://blog.youkuaiyun.com/mtl1994
国央企创新负责人如何通过平台实现技术需求的高效挖掘与转化？.docx
国央企创新负责人如何通过平台实现技术需求的高效挖掘与转化？
状态估计【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究（Matlab代码实现）
内容概要：本文围绕非线性状态估计中的三种经典滤波算法——无迹卡尔曼滤波（UKF）、扩展卡尔曼滤波（EKF）和粒子滤波（PF）展开系统性学习与研究，重点在于通过Matlab编程实现这些算法的核心流程，并将其应用于实际系统的状态估计问题中。文档不仅详细阐述了各算法的数学原理、适用条件与性能差异，还提供了完整的仿真代码与案例分析，帮助读者深入理解其在非线性、非高斯环境下的表现特性。同时，资源拓展至EKF与神经网络融合训练、多源数据融合等高级应用场景，展现了其在智能控制、无人机导航、电力系统状态估计、目标跟踪等领域的广泛应用价值。; 适合人群：具备一定信号处理、控制理论或状态估计基础的研究生、科研人员及工程技术人员，尤其适用于从事自动化、机器人、导航、电力电子与智能系统等相关方向的研究与开发工作者；; 使用场景及目标：① 掌握UKF、EKF与PF在非线性系统中的建模思路与Matlab实现方法，理解其优缺点与适用边界；② 提升科研仿真能力，能够独立构建状态估计模型并进行算法对比验证；③ 将所学方法应用于如电池SOC估算、无人机姿态估计、传感器融合、故障诊断等实际工程问题中；; 阅读建议：建议结合Matlab动手实践，逐行解读并调试所提供的代码，深入理解算法实现细节；同时可延伸学习文中提及的数据融合、神经网络与滤波器结合等进阶主题，以构建完整的状态估计技术知识体系。
Plecs全桥LLC谐振变换器仿真模型
内容概要：本文档系统性地整合了电力电子与控制系统仿真领域的丰富资源，聚焦于基于Plecs和Simulink平台的高频软开关变换器建模与仿真，涵盖全桥LLC、双向CLLC、DAB、PFC、Vienna整流器、Buck-Boost等多种典型拓扑结构。资源内容不仅包括闭环控制（如变频控制、移相混合控制、双闭环、恒压恒流双竞争控制）的仿真模型，还配套提供详细的参数设计报告、Mathcad计算书、PPT说明文档及参考文献，构建了从理论建模到工程实现的完整技术链条。此外，文档拓展至状态估计（如卡尔曼滤波、EKF、UKF、PF）与智能算法（如BP神经网络、模型预测控制）在电力系统中的融合应用，为先进控制策略的研究与复现提供了坚实支撑。; 适合人群：面向具备电力电子、自动控制或电气工程等相关专业背景，熟练掌握MATLAB/Simulink/Plecs等仿真工具，从事高频开关电源、新能源变换系统、储能系统或车载电源研发的研究生、高校科研人员及企业工程技术人员。; 使用场景及目标：① 学习并掌握全桥LLC等谐振变换器的核心工作原理与闭环控制系统设计方法，特别是变频与移相控制策略的实现细节；② 利用提供的仿真模型与Mathcad计算工具，快速完成实际项目中的参数设计、性能验证与优化迭代；③ 结合状态估计算法与神经网络等智能方法，开展电力电子系统状态观测、故障诊断或控制策略创新等前沿科研课题的复现与探索。; 阅读建议：建议严格按照资源目录结构循序渐进地查阅，优先下载并运行核心仿真模型，结合对应的设计报告与计算书深入理解其建模逻辑与参数推导过程，重点关注闭环控制架构、软启动策略及中点电位平衡等关键技术环节，并可进一步将状态估计与智能算法模块融入现有模型，探索其在系统优化中的应用潜力。
【扩展卡尔曼滤波器EKF】基于UWB雷达的SLAM能够在室内环境内映射自然点地标，并改善机器人定位（Matlab代码实现）
内容概要：本文介绍了基于Plecs软件构建的全桥LLC谐振变换器仿真模型，重点围绕LLC谐振变换器的工作原理、建模方法与仿真设计展开。该模型可用于研究全桥LLC在软开关条件下的动态响应特性、效率优化及参数设计，涵盖谐振频率调节、变频控制策略、电压增益特性等关键技术内容，帮助深入理解LLC拓扑在高频高效电源转换中的应用。; 适合人群：具备电力电子基础知识，从事电源设计、新能源变换系统研发的工程师及研究生。; 使用场景及目标：①用于教学与科研中对LLC谐振变换器工作模态的分析；②辅助完成高性能DC-DC变换器的参数设计与控制策略验证；③支持对软开关技术、谐振网络优化等方面的深入研究； 阅读建议：建议结合其他LLC相关设计资料与仿真工具（如Simulink）进行对比学习，重点关注谐振参数选取与仿真波形分析，以提升对实际工程问题的解决能力。
单相boost功率因数校正 PFC电路仿真（Simulink仿真实现）
内容概要：本文详细介绍了基于Plecs软件构建的全桥LLC谐振变换器仿真模型，系统阐述了LLC谐振变换器的工作原理、建模方法及仿真实现过程。该模型能够有效分析变换器在不同工况下的动态响应特性，包括软开关的实现条件、谐振参数的设计影响、系统效率优化等方面，并支持开环与闭环控制策略的验证。文档深入探讨了LLC拓扑的电压增益特性、零电压开关（ZVS）的实现机制以及磁性元件参数对系统性能的作用，配套提供了完整的仿真资源体系，涵盖参数计算、控制策略设计与性能评估等内容，形成了从理论到实践的完整研究闭环，有助于深入掌握LLC谐振变换器的核心设计要素与工程应用要点。; 适合人群：电力电子、电气工程及其自动化等相关专业的高校师生，以及从事开关电源、新能源变换器研发的工程技术人员。; 使用场景及目标：①用于教学与科研中对LLC谐振变换器工作机理的理解与验证；②辅助工程师完成实际产品开发中的参数设计与控制策略优化；③支持对软开关技术、高频高效电源变换等前沿方向的研究。; 阅读建议：建议结合Plecs或Simulink等仿真工具动手实践，对照文档中的模型结构与参数设置进行仿真复现，并通过调整谐振腔参数、开关频率等变量观察系统响应变化，以加深对LLC变换器非线性特性和控制难点的理解。
港股十档tick数据提供逐笔更新行情，包含时间戳、最新价、涨跌幅、成交量与成交额，以及买一至买十、卖一至卖十的价格和挂单量 逐笔成交数据记录每笔交易的时间、成交价、成交量及买卖方向 分钟数据按每分钟聚
港股十档tick数据提供逐笔更新行情，包含时间戳、最新价、涨跌幅、成交量与成交额，以及买一至买十、卖一至卖十的价格和挂单量。逐笔成交数据记录每笔交易的时间、成交价、成交量及买卖方向。分钟数据按每分钟聚合，涵盖开盘价、最高价、最低价、收盘价、成交量和成交额。上述数据覆盖十五年历史，以csv表格形式呈现，字段齐全，适合直接用于量化回测或行情分析。 数据源：CMES金融数据库
概率神经网络的分类预测-基于PNN的变压器故障诊断（Matlab代码实现）
内容概要：本文介绍了基于Plecs软件构建的全桥LLC谐振变换器仿真模型，旨在通过高精度仿真手段深入研究LLC谐振变换器的工作原理、动态特性及其性能优化。该模型完整涵盖了主电路拓扑结构、谐振腔参数设计、软开关实现机制以及闭环控制策略，能够精确模拟变换器在不同负载与输入条件下的电压增益、效率表现及开关器件的零电压开通（ZVS）特性。通过对谐振频率、变比及负载变化的仿真分析，可有效验证设计合理性，优化系统效率，并为实际硬件开发提供可靠的理论依据和技术支持。; 适合人群：具备扎实电力电子技术基础，从事高频开关电源、谐振变换器设计、新能源变换系统研发的工程师及高校科研人员。; 使用场景及目标：①用于LLC谐振变换器的教学演示与原理验证，帮助学生理解软开关技术与谐振行为；②支持研究人员开展新型控制算法（如变频控制、峰值增益优化）的仿真验证；③辅助工程师在产品开发前期进行参数扫掠与性能预估，缩短研发周期； 阅读建议：建议结合具体设计指标（如输入电压范围、输出功率）调整仿真参数，重点关注谐振电流与励磁电流的波形关系、ZVS实现条件及效率随负载的变化趋势，并将仿真结果与理论计算进行对比，以全面提升对LLC变换器设计规律的掌握。
人力资源大模型技术领域人事面试全流程解析：从准备到入职的完整指南设计
内容概要：本文档系统梳理了求职者在应聘过程中所需掌握的人事面试全流程及相关技巧，涵盖面试前准备、面试流程解析、常见问题应对策略、聊天话术、offer处理及试用期管理等内容。重点提供了自我介绍、离职原因、薪资期望、职业规划等高频问题的回答范例，并强调了仪容仪表、沟通礼仪、非语言行为等细节对面试成败的影响。同时，文档还详述了Boss直聘平台的高效使用方法、背景调查应对方式以及入职材料准备事项，帮助求职者全面提升求职成功率。; 适合人群：正在寻找工作的应届毕业生、有1-3年工作经验的技术从业者，尤其是从事大模型、人工智能、大数据等相关领域的研发人员。; 使用场景及目标：①用于指导求职者系统化准备人事面试，提升通过率；②帮助求职者规范自我表达，合理设定薪资与城市预期，安全度过试用期；③提供与HR沟通的标准话术和实战案例，增强求职主动性与专业性。; 阅读建议：建议求职者结合自身实际情况，提前模拟练习文档中的问答范例和聊天话术，重点关注自我介绍、离职原因、职业规划等核心问题的表述逻辑，确保真实、可信、积极。同时，在实际操作中注意信息保密，谨慎对待背景调查环节。
双闭环PWM整流器VOC控制 +SVPWM调制仿真（Simulink仿真实现）
内容概要：本文详细阐述了基于Simulink的双闭环PWM整流器电压定向控制（VOC）与空间矢量脉宽调制（SVPWM）的仿真建模与实现方法，系统讲解了电力电子系统中高性能整流器的核心控制策略。内容涵盖VOC控制的基本原理、双闭环控制系统结构设计（电压外环与电流内环的协同作用）、dq坐标系下的数学建模、PI控制器参数整定、电网电压锁相环（PLL）技术，以及SVPWM调制算法的具体实现过程。通过构建完整的Simulink仿真模型，验证了该控制策略在提升系统动态响应速度、实现单位功率因数运行、稳定直流侧电压及抑制谐波等方面的优越性能，为高精度电能质量控制提供了有效的技术方案。; 适合人群：电气工程、自动化、电力电子与电力传动等相关专业的本科生、研究生、科研人员，以及从事新能源发电、电机驱动、电力系统仿真与工业自动化等领域技术研发的工程师。; 使用场景及目标：①深入理解PWM整流器的工作机理与先进控制理论；②掌握VOC控制与SVPWM调制的技术细节与工程实现方法；③独立搭建并调试双闭环控制系统仿真模型，服务于课程设计、毕业课题或科研项目；④为后续研究电网不平衡、弱电网条件、能量回馈控制等复杂工况下的改进控制策略奠定坚实基础。; 阅读建议：建议结合电力电子技术、自动控制原理和电机与拖动等基础知识，按照文档逻辑逐步完成Simulink模型搭建，重点关注坐标变换、闭环结构设计与控制器参数调节，并通过不同负载与电网条件下的仿真对比，深入分析系统动静态性能表现。
隔离型全桥LLC谐振变化器建模及参数设计资料【仿真+设计报告+计算书】
内容概要：本文档围绕“Plecs全桥LLC谐振变换器仿真模型”展开，提供了一套完整的基于Plecs平台的隔离型全桥LLC谐振变换器建模与参数设计资料，包含仿真模型、设计报告及计算书。该资源系统阐述了LLC谐振变换器的主电路拓扑结构、谐振元件（谐振电感、励磁电感、谐振电容）的参数设计方法、软开关实现机理以及闭环变频控制策略，重点分析了谐振腔参数对电压增益、效率及动态响应的影响，支持在不同输入电压与负载条件下进行稳态与瞬态性能仿真验证。文档还整合了多种相关电力电子拓扑的仿真资源，如CLLC、DAB、PWM整流器等，体现了其在现代高效电源系统设计中的广泛适用性与工程参考价值。; 适合人群：具备扎实电力电子技术基础，从事高频开关电源、新能源并网变换器、电动汽车充电系统、微电网能量转换装置研发的工程师、高校研究生及科研人员。; 使用场景及目标：①用于全桥LLC谐振变换器的教学演示与工作原理验证；②支撑科研项目中对高效率软开关拓扑的参数优化与先进控制算法（如变频控制、软启动策略）的研究；③作为工业级电源产品开发的仿真基准模型，加速原型设计、控制逻辑验证与性能优化进程。; 阅读建议：建议使用者结合Plecs软件官方手册与经典LLC理论教材同步学习，重点关注谐振参数匹配原则与闭环控制环路的设计细节，通过调整模型中的关键参数开展对比仿真，深入掌握LLC变换器的频率特性、软开关实现条件及系统稳定性规律。
Delphi 12.3 精简绿色版下载
Delphi精简绿色版基于原版安装，去掉了InterBase、法语、德语、日语，只保留了Delphi Windows 32和Delphi Windows 64桌面开发，其余部分未做任何修改。Delphi精简绿色版不含任何破解，仅供学习和研究，24小时后请自行删除，如需继续使用Delphi，请购买正版。绿色版基于原版安装，未做任何精简和修改。绿色版不含任何破解，仅供学习和研究，24小时后请自行删除，如需继续使用RAD Studio，请购买正版。
智能车新手必看：如何用PID和差速转弯让小车跑得更稳（附代码示例）
本文详细介绍了智能车控制系统中PID算法和差速转弯的实现方法，包括位置式与增量式PID的选择、参数整定技巧以及编码器反馈的关键作用。通过代码示例和实战经验，帮助新手快速掌握智能车稳定行驶的核心技术，提升赛道表现。
安卓逆向实战：利用Frida-RPC自动化获取大麦演唱会数据
本文详细介绍了如何利用Frida-RPC技术实现安卓逆向自动化，以获取大麦演唱会数据。通过实战演示，从环境搭建、使用Frida动态分析定位核心签名算法，到封装为可复用的Python脚本，完整解析了自动化数据获取的技术路径与工程化思考。
element的el-cascader组件动态加载，以及报错处理问题
Blocked aria-hidden on an element because its descendant retained focus. The focus must not be hidden from assistive technology users. 报错处理
AnyGrasp实战指南：从环境配置到抓取检测与跟踪
本文详细介绍了AnyGrasp从环境配置到抓取检测与跟踪的实战指南。涵盖硬件要求、关键依赖安装避坑、抓取检测与跟踪的实战技巧，以及常见问题解决方案和性能优化建议，帮助开发者快速掌握这一高精度物体抓取检测与跟踪技术。
《QGIS快速入门与应用基础》223：纸张大小与方向（A4/A3/自定义）
本文详细介绍了QGIS布局页面设置的核心操作，重点讲解了纸张大小与方向的设置方法。文章首先指出页面设置是地图排版的基础前提，强调合理设置可避免导出打印时出现尺寸不符等问题。随后详细说明了三种打开页面设置面板的方式，并重点解析了纸张设置的要点：标准预设纸张（A4/A3等）适用于大多数场景，提供国内常用规格对照表；自定义纸张则需谨慎使用，需注意单位选择和尺寸限制。通过界面标注图和操作步骤示意图，帮助用户掌握正确的设置方法，确保最终出图符合规范要求。文章特别提醒新手要优先使用标准预设纸张，避免常见错误，为后续地图
（考研湖科大教书匠计算机网络）第四章网络层-第三节3、4：划分子网的IPv4地址和无分类IP地址
子网掩码： 32比特的子网掩码可以表明分类IP地址的主机号部分被借用了几个比特作为子网号子网掩码使用连续的比特1来对应网络号和子网号子网掩码使用连续的比特0来对应主机号将划分子网的IPv4地址与其相应的子网掩码进行逻辑与运算就可得到IPv4地址所在子网的网络地址如下图。
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
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4302
扫一扫
