【入门到实战】OpenHarmony南向子系统开发:电量等级定制开发指南

OpenHarmony南向设备开发:子系统开发-充电类型定制开发 OpenHarmony默认提供了充电类型的特性。 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)


电量等级定制开发

简介

OpenHarmony默认提供了电量等级,根据当前的电量来定义系统统一的电量等级,如满电量、高电量、低电量、极低电量等。系统可以根据当前的电量等级对用户进行提示或处理相关业务。但是电量等级对应的电量值在不同的产品上规格是不同的,产品希望根据产品的设计规格来定制此特性。为此OpenHarmony提供了电量等级的定制方式,产品定制开发者可根据设计规格来定制此特性。

约束与限制

配置策略: 产品定制的配置路径,需要根据配置策略决定。本开发指导中的定制路径以/vendor进行举例,请开发者根据具体的产品配置策略,修改定制路径。

开发指导

搭建环境

设备要求:

标准系统开发板,如DAYU200/Hi3516DV300开源套件。

环境要求:

Linux调测环境,相关要求和配置可参考《快速入门》

开发步骤

本文以DAYU200为例介绍电量等级的定制方法。

  1. 在产品目录(/vendor/hihope/rk3568)下创建battery文件夹。

  2. 参考默认电量等级配置文件夹创建目标文件夹,并安装到//vendor/hihope/rk3568/battery目录下,文件格式如下:

    profile
    ├── BUILD.gn
    ├── battery_config.json
    
  3. 参考默认电量等级的配置文件夹中的battery_config.json编写定制的battery_config.json,包含定制后的电量等级配置如下:

    {
        "soc": {
            "shutdown": 5,
            "critical": 10,
            "warning": 15,
            "low": 30,
            "normal": 60,
            "high": 90,
            "full": 100
        }
    }
    

    表1 电量等级配置说明

    电量等级电量说明
    shutdown5关机电量
    critical10极低电量
    warning15告警电量
    low30低电量
    normal60正常电量
    high90高电量
    full100满电量
  4. 参考默认电量等级的配置文件夹中的BUILD.gn编写BUILD.gn文件,将battery_config.json打包到//vendor/etc/battery目录下,配置如下:

    import("//build/ohos.gni")               #引用build/ohos.gni
    
    ohos_prebuilt_etc("battery_config") {
        source = "battery_config.json"
        relative_install_dir = "battery"
        install_images = [ chipset_base_dir ] #安装到vendor目录下的必要配置
        part_name = "product_rk3568"          #part_name为product_rk3568,以实现后续编译
    }
    
  5. 将编译目标添加到/vendor/hihope/rk3568目录下ohos.build的"module_list"中,例如:

    {
    "parts": {
        "product_rk3568": {
        "module_list": [
            "//vendor/hihope/rk3568/default_app_config:default_app_config",
            "//vendor/hihope/rk3568/image_conf:custom_image_conf",
            "//vendor/hihope/rk3568/preinstall-config:preinstall-config",
            "//vendor/hihope/rk3568/resourceschedule:resourceschedule",
            "//vendor/hihope/rk3568/etc:product_etc_conf",
            "//vendor/hihope/rk3568/battery/profile:battery_config" #添加battery_config的编译
        ]
        }
    },
    "subsystem": "product_hihope"
    }
    

    “//vendor/hihope/rk3568/battery/”为文件夹路径,“profile”为创建的文件夹名字,“battery_config”为编译目标。

  6. 参考《快速入门》编译定制版本,编译命令如下:

    ./build.sh --product-name rk3568 --ccache
    
  7. 将定制版本烧录到DAYU200开发板中。

调测验证

  1. 开机后,进入shell命令行:

    hdc shell
    
  2. 进入电池电量的节点路径(以当前DAYU开发版路径为例)。

    cd /data/service/el0/battery/battery/
    
  3. 默认充电类型的映射配置数据为例,修改充电状态,模拟电池信息上报,观察发送是否发送对应充电类型广播。

    1. 修改电量信息。
    echo 100 > capacity
    
    1. 上报电量信息改变,获取当前电量等级。
    hidumper -s 3302 -a -i
    
    1. 成功获取电量等级如下:
    -------------------------------[ability]-------------------------------
    
    
    ----------------------------------BatteryService---------------------------------
    Current time: 2017-08-05 17:22:48.589
    
    ······(省略其他,只显示batteryLevel的配置)
    
    batteryLevel: 1
    
    ······
    
    1. 修改电量信息。
    echo 90 > capacity
    
    1. 上报电量信息改变,获取当前电量等级。
    hidumper -s 3302 -a -i
    
    1. 成功获取电量等级如下:
    -------------------------------[ability]-------------------------------
    
    
    ----------------------------------BatteryService---------------------------------
    Current time: 2017-08-05 17:24:29.716
    
    ······(省略其他,只显示batteryLevel的配置)
    
    batteryLevel: 2
    
    ······
    
    1. 修改电量信息。
    echo 60 > capacity
    
    1. 上报电量信息改变,获取当前电量等级。
    hidumper -s 3302 -a -i
    
    1. 成功获取电量等级如下:
    -------------------------------[ability]-------------------------------
    
    
    ----------------------------------BatteryService---------------------------------
    Current time: 2017-08-05 17:25:09.837
    
    ······(省略其他,只显示batteryLevel的配置)
    
    batteryLevel: 3
    
    ······
    
    1. 修改电量信息。
    echo 30 > capacity
    
    1. 上报电量信息改变,获取当前电量等级。
    hidumper -s 3302 -a -i
    
    1. 成功获取电量等级如下:
    -------------------------------[ability]-------------------------------
    
    
    ----------------------------------BatteryService---------------------------------
    Current time: 2017-08-05 17:26:20.495
    
    ······(省略其他,只显示batteryLevel的配置)
    
    batteryLevel: 4
    
    ······
    
    1. 修改电量信息。
    echo 15 > capacity
    
    1. 上报电量信息改变,获取当前电量等级。
    hidumper -s 3302 -a -i
    
    1. 成功获取电量等级如下:
    -------------------------------[ability]-------------------------------
    
    
    ----------------------------------BatteryService---------------------------------
    Current time: 2017-08-05 17:27:05.312
    
    ······(省略其他,只显示batteryLevel的配置)
    
    batteryLevel: 5
    
    ······
    
    1. 修改电量信息。
    echo 10 > capacity
    
    1. 上报电量信息改变,获取当前电量等级。
    hidumper -s 3302 -a -i
    
    1. 成功获取电量等级如下:
    -------------------------------[ability]-------------------------------
    
    
    ----------------------------------BatteryService---------------------------------
    Current time: 2017-08-05 17:27:56.270
    
    ······(省略其他,只显示batteryLevel的配置)
    
    batteryLevel: 6
    
    ······
    
    1. 修改电量信息。
    echo 5 > capacity
    
    1. 上报电量信息改变,获取当前电量等级。
    hidumper -s 3302 -a -i
    
    1. 成功获取电量等级如下:
    -------------------------------[ability]-------------------------------
    
    
    ----------------------------------BatteryService---------------------------------
    Current time: 2017-08-05 17:28:38.066
    
    ······(省略其他,只显示batteryLevel的配置)
    
    batteryLevel: 7
    
    ······
    

参考

开发过程中可参考的配置文件路径:电量等级配置源码路径

默认配置:

{
    "soc": {
        "shutdown": 1,
        "critical": 5,
        "warning": 10,
        "low": 20,
        "normal": 90,
        "high": 99,
        "full": 100
    }
}

打包路径:/system/etc/battery

OpenHarmony南向设备开发:子系统开发-电量等级定制开发 OpenHarmony默认提供了电量等级,根据当前的电量来定义系统统一的电量等级,如满电量、高电量、低电量、极低电量等。 阅读详情

相关推荐

鸿蒙OpenHarmony【电量等级定制开发】子系统电源管理

OpenHarmony默认提供了电量等级,根据当前的电量来定义系统统一的电量等级,如满电量、高电量、低电量、极低电量等。系统可以根据当前的电量等级对用户进行提示或处理相关业务。但是电量等级对应的电量值在不同的产品上规格是不同的,产品希望根据产品的设计规格来定制此特性。为此OpenHarmony提供了电量等级的定制方式,产品定制开发者可根据设计规格来定制此特性。

woshishei9527的博客 822

OpenHarmony子系统开发 - 电池管理(二)

OpenHarmony默认提供了充电类型的特性。在对终端设备进行充电时,可以使用不同的充电器类型,如有线快充、无线快充等。系统可以根据当前的充电类型展示相应的动画或处理相关业务,但是不同产品支持的充电类型不同,需要根据产品的设计规格来定制此特性。为此OpenHarmony提供了充电类型的定制方式,产品定制开发者可根据产品的设计规格来定制此特性。

__Benco的博客 1267

OpenHarmony南向设备开发:子系统开发-电量与LED灯颜色的定制开发

OpenHarmony默认提供了电量与LED灯颜色的映射关系。

初一十五的博客 865

OpenHarmony子系统开发 - 热管理(四),热策略定制开发指导

OpenHarmony默认提供了热策略的特性。设备上发热的器件种类繁多,因此需要结合热等级和热场景,针对各类发热器件定制统一的管控策略。但是不同热等级下的管控动作在不同的产品上规格是不同的,产品希望根据产品的设计规格来定制此特性。OpenHarmony提供了热策略的定制方式,产品定制开发者可根据产品的设计规格来定制这些特性。同时,出于安全性考虑,提供了热策略配置文件加解密的功能支持(可选)。

__Benco的博客 1078

OpenHarmony南向设备开发:子系统平台驱动使用-Regulator

Regulator模块用于控制系统中某些设备的电压/电流供应。

初一十五的博客 1168

鸿蒙OpenHarmony【电量与LED灯颜色的定制开发】子系统电源管理

OpenHarmony默认提供了电量与LED灯颜色的映射关系。对于部分产品形态(如Pad),会使用LED灯的颜色来展示当前设备充电时的电量信息,如高电量使用绿色、低电量黄色、极低电量使用红色。这种电量与LED灯颜色的映射关系,需要根据产品进行自定义。为此OpenHarmony提供了电量与LED灯颜色映射的定制方式,产品定制开发者可根据产品的设计规格来定制此特性。

woshishei9527的博客 1064

OpenHarmony系统镜像定制:裁剪与预安装应用配置指南

你是否还在为智能设备固件体积过大而烦恼?是否希望出厂设备预装核心应用却不知从何下手?本文将系统讲解OpenHarmony系统镜像的裁剪优化与应用预安装全流程,帮助开发者解决存储空间占用、系统启动缓慢、定制化需求难以满足等痛点。 读完本文,你将获得: - 掌握轻量/小型/标准系统的差异化裁剪策略 - 学会通过组件配置文件精简系统镜像 - 理解应用预安装的两种实现机制 - 熟悉定制镜像的编译、验证与...

gitblog_00976的博客 1079

OpenHarmony南向设备开发:子系统开发-关机充电动画开发

OpenHarmony默认提供了关机充电动画的特性,展示关机状态下的充电电量、充电动画等信息。

初一十五的博客 1086

OpenHarmony定制系统组合按键(二)

OpenHarmony 组合按键启动截屏或其他应用

mart!nhu的博客 710

OpenHarmony南向设备开发:子系统外设驱动使用-Light

Light驱动模型为上层Light硬件服务层提供稳定的灯控制能力接口,包括获取灯类型、配置点灯模式、配置灯闪烁效果、点灯、熄灯等。

初一十五的博客 1267

手把手教你用ZLMediaKit搭建WebRTC直播:本地推流与播放实战

本文详细介绍了如何使用ZLMediaKit搭建WebRTC直播系统,涵盖从环境准备、编译部署、SSL证书配置到本地推流与播放的完整实战流程。通过一步步的指导,帮助开发者快速掌握基于ZLMediaKit的WebRTC推拉流技术,构建低延迟的实时音视频应用。

weixin_28842367的博客 349

【入门到实战】OpenHarmony南向子系统开发:电量与LED灯颜色的定制开发指南

OpenHarmony默认提供了电量与LED灯颜色的映射关系。

Androidbye的博客 749

开放词汇目标检测(Open-Vocabulary Object Detection, OVOD)综述

综上,大多数工作均基于CLIP预训练的图像编码器和文本编码器。GlIP为解决目标检测任务提供了先例,后续很多工作常与目前较为广泛使用的目标检测网络结构相结合,从而构建新的开放词汇目标检测器。如ViLD基于Mask R-CNN、RegionCLIP基于R-CNN、VLDet和BARON基于Faster R-CNN。更具有创新性的工作是Detic,提出了使用图像分类的数据集来对目标检测器的分类头进行训练。

yangsn0719的博客 4403

【入门到实战】OpenHarmony南向子系统开发:耗电统计定制开发指南

OpenHarmony默认提供了耗电统计的特性。

Androidbye的博客 913

ZYNQ新手必看:5分钟搞定SD卡与QSPI Flash双启动模式配置(附常见问题排查)

本文为ZYNQ开发者提供了SD卡与QSPI Flash双启动模式的完整配置指南与深度排错方法。详细解析了从BootROM、FSBL到BOOT.bin的启动链条,并分步讲解了在Vivado/Vitis中的硬件配置、软件工程创建及BOOT.bin文件生成流程。针对SD卡格式化、文件放置以及QSPI Flash烧录中的常见陷阱(如版本差异、时钟配置)给出了具体解决方案和排查清单,帮助开发者快速实现可靠的产品启动与程序固化。

ll5678的博客 935

CATIA二次开发CAA:(一)开发环境搭建

CATIA+CAA+RADE+VS2012

ysm1987的博客 1万+

【入门到实战】OpenHarmony南向子系统开发:充电空闲状态定制开发指南

OpenHarmony默认提供了充电空闲状态的特性。

Androidbye的博客 696

STM32F103C8T6最小系统板GPIO配置避坑指南:从原理图到流水灯一次成功

本文详细介绍了STM32F103C8T6最小系统板GPIO配置的实战指南,从硬件准备到流水灯实现,涵盖了九大关键步骤。特别针对新手常见问题,如GPIO配置、开发环境搭建和程序下载调试,提供了详细的解决方案和避坑技巧,帮助开发者快速掌握STM32开发基础。

weixin_33756596的博客 345

【入门到实战】OpenHarmony南向子系统开发:关机充电动画开发指南

OpenHarmony默认提供了关机充电动画的特性,展示关机状态下的充电电量、充电动画等信息。

Androidbye的博客 879

基于STM32的最简易蓝牙遥控小车

基于STM32的蓝牙遥控小车,基于HAL库编写代码,具有移动功能,读者可自行添加其他扩展功能。按下状态的对应关系:2前进,4左转,5停止,6右转,8后退,松开状态都是5,都选择16进制。首先按照小车的图纸把小车的机械部分装好。做这个小车的成本在200元左右,包括焊接设备,杜邦线等。

weixin_43469377的博客 1万+

Nature、science、cell旗下刊物

Nature\science\cell子刊说明

计算机视觉 5611

【入门到实战】OpenHarmony南向子系统开发:充电类型定制开发指南

OpenHarmony默认提供了充电类型的特性。

Androidbye的博客 878

133、神经渲染与AI RAW:从RAW域到sRGB的端到端学习

去年在调试某款旗舰手机的主摄时,遇到一个让人头疼的问题——夜景模式下,暗部细节虽然保留得不错,但色彩总是偏紫,而且高光边缘有诡异的“水彩感”。ISP的3A统计跑了几十版,降噪强度从0调到100,甚至把去马赛克算法换成了自适应方向插值,问题依旧。后来团队里一位做AI的同事说:“要不试试端到端?从RAW直接出sRGB。”当时我第一反应是“这玩意儿能稳定吗?”结果试了一版,偏紫消失了,高光边缘的伪影也没了。从那以后,我开始认真研究神经渲染与AI RAW这条路线。

sundong_81的博客 34

OpenHarmony子系统开发 - 电池管理(一)

OpenHarmony默认提供了电池温度保护的特性。终端设备会在不同的温度环境中使用,当温度过高或过低时,都会影响到电池的安全性,因此需要进行一定的温度保护措施,如当温度过高或过低时,将设备关机。但是不同的电池设备支持的温度范围不同,需要根据产品的设计规格来定制此特性。为此OpenHarmony提供了电池温度保护的定制方式,产品定制开发者可根据产品的设计规格来定制此特性。OpenHarmony默认提供了电量等级,根据当前的电量来定义系统统一的电量等级,如满电量、高电量、低电量、极低电量等。

__Benco的博客 1369

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

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

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")

【入门到实战】OpenHarmony南向子系统开发:电池读写内核节点通用框架开发指南

OpenHarmony支持在不同设备上多种充电特性进行差异化配置....

Androidbye的博客 976

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

OpenHarmony子系统开发 - 耗电统计定制开发指导

OpenHarmony默认提供了耗电统计的特性。由于不同产品的硬件规格是不同的,各个硬件的耗电基准也不同。产品希望根据产品的设计规格来定制耗电基准。OpenHarmony提供了耗电基准的定制方式,产品定制开发者可根据产品的设计规格来定制。

__Benco的博客 1192

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: 【入门到实战】OpenHarmony南向子系统开发:电池温度保护定制开发指南
下一篇: 【入门到实战】OpenHarmony南向子系统开发:充电限流限压定制开发指南
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