鸿蒙5.0开发进阶:配置构建-构建HAR

华为鸿蒙开发——开发及引用静态共享包(HAR)、应用配置文件 HAR不同于HAP,不能独立安装运行在设备上,只能作为应用模块的依赖项被引用。资源目录的示例如下所示,base目录、限定词目录、rawfile目录称为资源目录,element、media、profile称为资源组目录。每个应用项目必须在项目的代码目录下加入配置文件,这些配置文件会向HarmonyOS的编译工具、HarmonyOS操作系统和应用市场。在FA模型的应用开发过程中,需要在config.json配置文件中对应用的包结构进行声明。编译构建的HAR可在模块下的build目录下获取,包格式为*.har。 阅读详情

往期鸿蒙5.0全套实战文章必看:(文中附带全栈鸿蒙5.0学习资料)


构建HAR

构建模式:DevEco Studio默认提供debug和release两种构建模式,同时支持开发者自定义构建模式。

产物格式:构建出的HAR包产物分为包含源码的HAR、包含js中间码的HAR以及包含字节码的HAR三种产物格式。

从DevEco Studio NEXT Beta1(5.0.3.800)版本开始,默认构建字节码HAR,用于提升发布产物的安全性。

使用约束

  • HAR自身的构建不建议引用本地模块,可能导致其他模块依赖该HAR包时安装失败,如果安装失败,需要在工程级oh-package.json5中配置overrides。

创建模块

  1. 新建工程时选择API 10及以上的Stage模型,工程创建完成后,新建“Static Library”模块。

  2. 编写代码。
      library  // HAR根目录
      ├─libs  // 存放用户自定义引用的Native库,一般为.so文件
      └─src
      │   └─main
      │     ├─cpp
      │     │  ├─types  // 定义Native API对外暴露的接口  
      │     │  │  └─liblibrary  
      │     │  │      ├─index.d.ts
      │     │  │      └─oh-package.json5 
      │     │  ├─CMakeLists.txt  // CMake配置文件  
      │     │  └─napi_init.cpp  // C++源码文件
      │     └─ets  // ArkTS源码目录
      │     │  └─components
      │     │     └─MainPage.ets
      │     ├─resources  // 资源目录,用于存放资源文件,如图片、多媒体、字符串等  
      │     └─module.json5  // 模块配置文件,包含当前HAR的配置信息  
      ├─build-profile.json5  // Hvigor编译构建所需的配置文件,包含编译选项
      ├─hvigorfile.ts  // Hvigor构建脚本文件,包含构建当前模块的插件、自定义任务等
      ├─Index.ets  // HAR的入口文件,一般作为出口定义HAR对外提供的函数、组件等   
      └─oh-package.json5  // HAR的描述文件,定义HAR的基本信息、依赖项等
  3. 在oh-package.json5中“main”字段定义导出文件入口。若不设置“main”字段,默认以当前目录下Index.ets为入口文件,依据.ets>.ts>.js的顺序依次检索。以将ets/components/MainPage.ets文件设置为入口文件为例:
    {
      ...
      "main": "./src/main/ets/components/MainPage.ets",
      ...
    }

字节码HAR

默认产物是包含字节码的HAR包,其中包含abc字节码、资源文件、配置文件、readme、changelog声明文件、license证书文件,提升发布到ohpm中心仓产物的安全性。

字节码HAR包中包含的是编译后的abc字节码,当字节码HAR被其他应用模块(HAP/HSP)依赖时,执行应用模块的编译构建,不需要再对依赖的HAR进行语法检查和编译等操作,相比源码HAR,可以有效提升应用模块的编译构建效率,提高安全性,降低代码泄露的风险。

说明

由于构建字节码HAR需要生成二进制的格式,所以单独构建字节码HAR会比构建非字节码HAR耗时更多。

收益

  • 字节码HAR可以降低代码泄露的风险,增加反编译获取代码逻辑的难度。
  • 采用ArkTS/TS语言开发的字节码HAR,被HAP/HSP集成时,可以减少语法检查、转换的耗时,提高构建性能。
  • 字节码HAR可以减少编译时node的进程占用,有效降低内存占用。
  • 通过其他代码生成工具生成的js语言HAR包,编译构建成字节码HAR后,被HAP/HSP集成时,可以减少编译阶段处理的文件和代码数量,降低内存,提高构建性能。

使用场景

从功能上来说所有的源码HAR包都可以按照任意顺序切换成字节码HAR。但是由于字节码HAR编译和集成的特点,按照推荐场景或顺序来逐步切换字节码HAR可能会获得比较好的性能、内存收益。以下场景中推荐切换使用字节码HAR:

  • 适用于SDK厂商对外提供SDK,以及高安全的场景,字节码HAR可以降低源码泄漏的风险。
  • 采用muti-repo的开发模式,在被主工程合并集成时,所有依赖的HAR均可以发布成字节码HAR,从而提高主HAP的构建效率。
  • 采用mono-repo的开发模式,工程中含有单个代码文件较大,或通过代码生成工具生成的代码量较大的ArkTS/TS/JS 的二方、三方SDK(HAR包)时,可考虑将这些HAR包构建成字节码HAR。
  • 对内存要求较高的场景,可以通过切换字节码HAR,降低内存的占用。
  • 通过ArkTS/TS/JS编写的HAR,且在依赖链条中处于较为底层的叶子节点,含有较少的源码依赖时,切换为字节码HAR会有较好的收益。

约束条件

  • 字节码HAR使用的依赖需要配置在本模块的oh-package.json5的dependencies或dynamicDependencies中,如果不配置,后续字节码HAR被集成时会出现运行时异常。
  • 字节码HAR的oh-package.json5中配置的依赖名和依赖包的包名(即包内oh-package.json5中的name)需要保持一致。
  • 依赖字节码HAR包时,该工程的build-profile.json5中的useNormalizedOHMUrl必须设置为true。
  • HAP/HSP/HAR依赖节码HAR包时,HAP/HSP/HAR的oh-package.json5中配置的依赖名和字节码HAR包的oh-package.json中的name需要保持一致。
  • HAP/HSP/HAR代码中import使用字节码HAR包时,`import xxx from 'yyy'`的依赖名yyy要和本模块oh-package.json5中配置的依赖名保持一致(包括大小写)。
  • 依赖字节码HAR包时,当字节码HAR包的API版本高于工程的compatibleSdkVersion时,不可用。

操作步骤

  1. 将工程级build-profile.json5的useNormalizedOHMUrl设置为true。

    说明

    从DevEco Studio NEXT Beta1(5.0.3.800)版本开始,工程级build-profile.json5中useNormalizedOHMUrl字段默认为true,byteCodeHar缺省默认值为true,无需执行步骤1和2。

    {
      "app": {
        "products": [
          {
             "buildOption": {
               "strictMode": {
                 "useNormalizedOHMUrl": true
               }
             }
          }
        ]
      }
    }
  2. 在HAR模块的build-profile.json5中,将byteCodeHar设置为true。
    {
      "buildOption": {
        "arkOptions": {
          "byteCodeHar": true
        }
      }
    }
  3. 点击DevEco Studio右上角图标

    ,选择Build Mode,默认为<Default>模式:在编译App时使用release模式,编译HAP/HSP/HAR时使用debug模式。

  4. (可选)在编译模式为release时,为保护代码资产,建议开启混淆,在模块级build-profile.json5文件的release的buildOptionSet配置中,将obfuscation/ruleOptions下的enable字段设置为true。
    {
      "apiType": "stageMode",
      "buildOption": {
      },
      "buildOptionSet": [
        {
          "name": "release",
          "arkOptions": {
            // 混淆相关参数
            "obfuscation": {
              "ruleOptions": {
                // true表示进行混淆,false表示不进行混淆。5.0.3.600及以上版本默认为false
                "enable": true,
                // 混淆规则文件
                "files": [
                  "./obfuscation-rules.txt"
                ]
              },
              // consumerFiles中指定的混淆配置文件会在构建依赖这个library的工程或library时被应用
              "consumerFiles": [
                "./consumer-rules.txt"
              ]
            }
          },
        },
      ],
      "targets": [
        {
          "name": "default"
        }
      ]
    }
  5. 选中HAR模块的根目录,点击Build > Make Module '<module-name>'启动构建。

    说明

    若修改了HAR模块级oh-package.json5文件的version字段,请先执行Build > Clean Project操作,再重新进行Build全量构建。

    构建完成后,build目录下生成HAR包产物。

    HAR包产物解压后,结构如下:

源码HAR

以debug模式构建

产物是包含源码的HAR包,其中包含源码、资源文件以及配置文件等,方便开发者进行本地调测,不包含build、node_modules、oh_modules、.cxx、.previewer、.hvigor、.gitignore、.ohpmignore、.gitignore/.ohpmignore中配置的文件、cpp工程的CMakeLists.txt。

说明

  • 如果是native工程,以debug模式构建的native产物中不包含调试信息和符号表,如需调试,请参考三方源码调试。
  • 从5.0.3.403版本开始,不再建议使用相对路径跨模块引用代码文件,若历史工程存在此场景的跨模块引用,会出现warning告警,请尝试将该文件移至本模块内,再重新进行编译。
  • 从5.0.3.403版本开始,以debug/release模式构建HAR的流程使用相同的语法校验规则,若历史工程出现ArkTS语法报错,请按照报错信息修改代码,以符合ArkTS语言规范。
  1. 在HAR模块的build-profile.json5中,将byteCodeHar设置为false。
    {
      "buildOption": {
        "arkOptions": {
          "byteCodeHar": false
        }
      }
    }

    说明

    使用DevEco Studio NEXT Beta1(5.0.3.800)之前的版本,模块级build-profile.json5的byteCodeHar字段的缺省默认值为false,无需执行本步骤。

  2. 点击DevEco Studio右上角图标

    ,Build Mode选择debug。默认为<Default>模式:在编译App时使用release模式,编译HAP/HSP/HAR时使用debug模式。

  3. (可选)若部分工程源文件无需构建到HAR包中,可在模块目录下新建.ohpmignore文件,或者在模块目录下的.gitignore文件中,配置打包时要忽略的文件,.ohpmignore文件中支持正则表达式写法,.gitignore文件中支持glob语法。DevEco Studio构建时将过滤掉.ohpmignore或.gitignore文件中所包含的文件/文件夹。

  4. 选中HAR模块的根目录,点击Build > Make Module '<module-name>'启动构建。

    说明

    若修改了HAR模块级oh-package.json5文件的version字段,请先执行Build > Clean Project操作,再重新进行Build全量构建。

    构建完成后,build目录下生成HAR包产物。

    HAR包产物解压后,结构如下:

以release模式构建

从DevEco Studio NEXT Developer Beta3(5.0.3.600)版本开始,默认不开启混淆,构建产物和debug模式相同。

为保护代码资产,建议开启混淆,开启后,构建产物是包含js中间码的HAR包,其中包含源码混淆后生成的js中间码文件、资源文件、配置文件、readme、changelog声明文件、license证书文件,用于发布到ohpm中心仓。

  1. 在HAR模块的build-profile.json5中,将byteCodeHar设置为false。
    {
      "buildOption": {
        "arkOptions": {
          "byteCodeHar": false
        }
      }
    }

    说明

    使用DevEco Studio NEXT Beta1(5.0.3.800)之前的版本,模块级build-profile.json5的byteCodeHar字段的缺省默认值为false,无需执行本步骤。

  2. 点击DevEco Studio右上角图标

    ,Build Mode中选择release。默认为<Default>模式:在编译App时使用release模式,编译HAP/HSP/HAR时使用debug模式。

  3. 在编译模式为release时,为保护代码资产,建议开启混淆,在模块级build-profile.json5文件的release的buildOptionSet配置中,将obfuscation/ruleOptions下的enable字段设置为true。
    {
      "apiType": "stageMode",
      "buildOption": {
      },
      "buildOptionSet": [
        {
          "name": "release",
          "arkOptions": {
            // 混淆相关参数
            "obfuscation": {
              "ruleOptions": {
                // true表示进行混淆,false表示不进行混淆。5.0.3.600及以上版本默认为false
                "enable": true,
                // 混淆规则文件
                "files": [
                  "./obfuscation-rules.txt"
                ]
              },
              // consumerFiles中指定的混淆配置文件会在构建依赖这个library的工程或library时被应用
              "consumerFiles": [
                "./consumer-rules.txt"
              ]
            }
          },
        },
      ],
      "targets": [
        {
          "name": "default"
        }
      ]
    }
  4. 选中HAR模块的根目录,点击Build > Make Module '<module-name>'启动构建。

    说明

    若修改了HAR模块级oh-package.json5文件的version字段,请先执行Build > Clean Project操作,再重新进行Build全量构建。

    构建完成后,build目录下生成HAR包产物。

    HAR包产物解压后,结构如下:

对HAR进行签名

DevEco Studio在构建HAR流程的基础上,支持对HAR进行签名。签名后的HAR包后续可用于接入生态市场。

说明

1. 该能力只在Compatible SDK 5.0.0(12)及以上版本的SDK中支持。

2. 该能力需开启Hvigor的Daemon能力,请确保当前工程开启了Daemon,打开Settings > Build, Execution, Deployment > Build Tools > Hvigor,勾选字段Enable the Daemon for tasks。

  1. 在hvigor-config.json5中,开启构建签名HAR开关:
    {
      "properties": {
        "ohos.sign.har": true
      }
    }
  2. 配置工程签名信息,配置流程请参考配置签名信息。
  3. 选中HAR模块的根目录,点击Build > Make Module '<module-name>'启动构建。

    构建完成后,build目录下生成签名HAR包产物。

使用Jenkins实现鸿蒙HAR应用的自动化构建打包 通过本文的介绍,我们了解了如何使用Jenkins命令行工具实现鸿蒙HAR应用的自动化构建打包。这不仅提高了开发效率,还确保了代码质量。未来,随着鸿蒙系统的不断发展和完善,自动化构建工具也将更加智能和高效。我们可以期待更多的自动化工具和插件出现,为鸿蒙应用开发提供更加便捷和高效的解决方案。希望本文对大家有所帮助!如果你有任何疑问或建议,请随时在评论区留言。 阅读详情

相关推荐

鸿蒙开发之引入第三方本地har(静态库)

在Android开发中经常会遇到引入第三方库,鸿蒙开发也不例外,接下来介绍怎么引入第三方本地har(静态库),以打印logger日志为例子。

karision的博客 5691

HarmonyOS NEXT - 应用程序包开发与使用 - HAR

HAR(Harmony Archive)是静态共享包,可以包含代码、C++库、资源和配置文件。通过HAR可以实现多个模块或多个工程共享ArkUI组件、资源等相关代码。

u011143672的博客 1755

鸿蒙HarmonyOS开发:应用程序静态包-HAR

介绍如何导出HAR的ArkUI组件、接口、资源,供其他应用或当前应用的其他模块引用。

weixin_55362248的博客 1438

鸿蒙HarmonyOS 5.0开发:应用程序包-HAR

HAR(Harmony Archive)是静态共享包,可以包含代码、C++库、资源和配置文件。

m0_73088370的博客 1222

鸿蒙5.0实战案例:har和hsp的转换

2.(可选)当Hsp需要对外声明router可跳转的page时,需要添加module.json5的"pages"字段,并在resources/base目录下建立profile/main_pages.json文件,添加配置参考如下,并在对应位置添加页面。4.har包的build-profile.json5默认会有"consumerFiles": ‘./consumer-rules.txt’ ,该项仅har模块可配置,为默认导出的混淆规则(详细描述见: 代码混淆 ),需将其删除。共享包选型: 应用模块化选型。

Maniu_666的博客 1303

【鸿蒙实战开发】har和hsp的转换

小伙伴开发过程中可能会遇到共享包转型场景,主要有hsp转har包和har转hsp包两种情况,由此经常要求提供har和hsp转换方案。共享包转换核心思路就是将配置文件统一,比如将hsp支持的配置文件转换为har的配置文件,主要涉及module.json5、hvigorfile.ts、build-profile.json5文件,以及路由方式切换等场景。

CTrup的博客 991

鸿蒙HarmonyOS中的HAR与HSP文件详解

在HarmonyOS开发中,HAR与HSP文件是两个非常重要的概念,它们对开发者在模块化开发、组件重用以及分布式应用的管理和分发上提供了极大的便利。本文将详细介绍HAR(HarmonyOS Ability Resource)和HSP(HarmonyOS Service Package)的定义、使用场景以及它们在应用开发中的作用。HAR 是 HarmonyOS 中的模块资源包,其全称是 HarmonyOS Ability Resource。

小北的博客 4185

【HarmonyOS实战开发】鸿蒙 架构模块化开发

用户应用程序泛指运行在设备的操作系统之上,为用户提供特定服务的程序,简称“应用”。一个应用所对应的软件包文件,称为“应用程序包”。HarmonyOS提供了应用程序包开发、安装、查询、更新、卸载的管理机制。

HarmonyOS007的博客 1756

HarmonyOS构建HAR包

构建Har包流程以及Har包的使用

csdnzhaoxiaosheng的博客 2869

从零开始学版图(二)-----------差分放大电路

从零开始学版图

m0_56112720的博客 8566

4×V100部署Qwen3.8-Flash-Next:vLLM/GGUF实战

大模型本地部署的核心,是把参数量、量化精度、显存容量和推理框架放在同一张账本里算清楚。MoE 模型总参数量大但激活参数少,解码阶段更受显存带宽与 KV Cache 限制;通过 INT4/AWQ 或 GGUF 等 4-bit 量化可显著压缩权重占用,再结合 vLLM 张量并行、llama.cpp 分层切分提升多卡利用率。其技术价值在于让 V100 这类老架构 GPU 也能承载百亿级参数模型的私有化推理,并服务于 RAG 知识库、工作流 API、批量生成等场景。这次围绕 4×V100 32G 部署 Qwen3.

weixin_29061425的博客 353

HarmonyOS鸿蒙开发:har和hsp包的转换场景

共享包转换核心思路就是将配置文件统一,比如将hsp支持的配置文件转换为har的配置文件,主要涉及module.json5、hvigorfile.ts、build-profile.json5文件,以及路由方式切换等场景。

2401_84917132的博客 1471

保姆级教程:从Navicat 11/12到15,平滑升级搞定MySQL 8.0的caching_sha2_password认证

本文提供从Navicat 11/12升级到15的保姆级教程,重点解决MySQL 8.0的caching_sha2_password认证问题。详细介绍了备份配置、新版本功能亮点、跨平台安装步骤、配置迁移流程以及高级使用技巧,帮助用户平滑过渡到Navicat 15,提升数据库管理效率。

weixin_33724046的博客 204

鸿蒙HarmonyOS 5.0开发:典型场景开发-HAR转HSP

本文介绍了HAR转HSP的步骤,主要是通过配置项的变更将HAR工程变成HSP工程。

m0_73088370的博客 1135

开源网格划分软件-Gmsh二次开发教程 (4)网格生成与控制​

​本章将深入讲解Gmsh的网格生成技术,包括全局/局部网格控制、边界层生成、自适应细化等,并提供完整的代码示例。

ZQGG的博客 1476

RuoYi项目适配达梦数据库(二)

RuoYi项目,代码生成模块的达梦数据库适配。

邢慧鹏的博客 1万+

【HarmonyOS Next之旅】DevEco Studio使用指南(三十八) -> 构建HAR

DevEco Studio支持debug和release两种构建模式,可生成三种HAR包格式:源码HAR、js中间码HAR和字节码HAR。debug模式下默认生成字节码HAR用于本地调测,release模式下默认不开启混淆,构建产物与debug模式相同。HAR包不支持配置extension组件和pages路由,且引用本地模块可能导致安装失败。创建模块需选择API10及以上的Stage模型,在oh-package.json5中定义入口文件。

枫叶丹4的博客 2725

甲基化生物信息学分析及批次效应校正全流程

本文系统阐述了DNA甲基化数据分析中的批次效应问题及解决方案。甲基化数据(β值和M值)对实验批次差异高度敏感,可能导致假阳性结果。文章详细介绍了批次效应检测方法(PCA可视化、BEclear定量评分)和校正流程,包括数据预处理、参数化(ComBat-met)与非参数化(BEclear)校正方法,并提供了完整的R代码实现。重点解决了β值有界分布与统计模型假设冲突的问题,为甲基化研究的可靠性提供技术保障。

huanghm88的专栏 111

鸿蒙NEXT开发【配置多目标产物构建HAR】DevEco Studio配置构建

构建模式:DevEco Studio默认提供debug和release两种构建模式,同时支持开发者自定义构建模式。

鸿蒙的技术博客 1710

R语言导入.dta文件实战

R语言导入.dta文件实战 #导入.dta文件的基本语法 R的导入.dta文件最简单方法是使用haven库中的read_dta()函数。 此函数使用以下基本语法: data <- read_dta('C:/you-path/file_name.dta') #包的安装和导入 install.packages('haven') library(haven) #下载.dta数据文件 我们将从该页面下载名为cola.dta的.dta文件。 #导入.dta文件 ..

data+scenario+science+insight 1万+

飞牛fnNAS个人小账本导入微信账单

本文介绍了将微信支付账单导入ezBookkeeping个人记账系统的详细方法。首先通过微信申请导出账单文件,接收后需进行Excel预处理:删除前导行、添加账户和分类列、整理金额格式等。在ezBookkeeping中需预先设置"微信"分类和账户。导入时需注意列映射关系,包括交易时间、账户名称等关键字段的对应设置。文章还提到处理交易标签、格式转换等细节问题,并建议避免使用"修改余额"功能。该方法同样适用于支付宝账单导入,解决了直接导入可能出现的格式不兼容问题。

dgnankai的专栏 483

鸿蒙5.0开发进阶:引用共享包

引用三方HAR,包括从仓库进行安装、从本地文件夹和本地压缩包中进行安装三种方式。

Androidbye的博客 1453

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")

鸿蒙5.0开发进阶:配置构建-配置CPP

Hvigor集成cmake,ninja为cpp代码的构建工具。

Androidbye的博客 1445

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

鸿蒙HarmonyOS 5.0开发:典型场景开发-HSP转HAR

本文通过配置项的变更将HSP工程变成HAR工程。

m0_73088370的博客 503

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

鸿蒙5.0开发进阶:静态共享包

本文将介绍如何创建库模块、如何编译共享包、如何引用共享包资源,以及如何发布共享包。

Androidbye的博客 861

鸿蒙HarmonyOS 5.0开发:Stage模型应用程序包结构

为了让开发者能对应用程序包在不同阶段的形态有更加清晰的认知,分别对开发态、编译态、发布态的应用程序结构展开介绍。

m0_73088370的博客 1695
上一篇: 鸿蒙5.0开发进阶:配置构建-配置CPP
下一篇: 鸿蒙5.0开发进阶:配置构建-多工程构建
懂你的大海
博客等级 码龄6年 9049粉丝 1381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