MTK Android 自定义版本号[笔记]

MTK平台Android 12自定义开关机动画铃声 Android Q自定义开关机动画====== Step 1: Enable MtkBootanimation ======/vendor/mediatek/proprietary/operator/frameworks/bootanimation/Rename Android_disable.mk to Android.mk /vendor/mediatek/proprietary/o...ps:ioctl 需根据自己的项目打印avc 自行添加修改。修改文件和Q平台大同小异。 阅读详情

添加开关KCM_HIDE_CUSTOM_BUILD_VERSION,控制之定义版本号隐藏,KCM_CUSTOM_BUILD_DISPLAY_ID 控制系统版本号自定义

packages/apps/Settings/src/com/android/settings/DeviceInfoSettings.java

@@ -64,6 +64,8 @@ import java.util.regex.Pattern;
 import android.content.SharedPreferences;
 import android.content.pm.PackageInfo;
 //fota end
+import android.os.SystemProperties;// CUSTOM_BUILD_DISPLAY_ID

 public class DeviceInfoSettings extends SettingsPreferenceFragment implements Indexable {
 
@@ -133,7 +135,10 @@ public class DeviceInfoSettings extends SettingsPreferenceFragment implements In
         setStringSummary(KEY_DEVICE_MODEL, Build.MODEL + getMsvSuffix());
         setValueSummary(KEY_EQUIPMENT_ID, PROPERTY_EQUIPMENT_ID);
         setStringSummary(KEY_DEVICE_MODEL, Build.MODEL);
-        setStringSummary(KEY_BUILD_NUMBER, Build.DISPLAY);
+               // CUSTOM_BUILD_DISPLAY_ID
+        //setStringSummary(KEY_BUILD_NUMBER, Build.DISPLAY);
+               setStringSummary(KEY_BUILD_NUMBER, SystemProperties.get("ro.custom_kernel_version",Build.DISPLAY));
+               //modify end
         findPreference(KEY_BUILD_NUMBER).setEnabled(true);
         findPreference(KEY_KERNEL_VERSION).setSummary(getFormattedKernelVersion());

packages/apps/Settings/src/com/mediatek/settings/deviceinfo/DeviceInfoSettingsExts.java

@@ -107,6 +107,10 @@ public class DeviceInfoSettingsExts {
         if (FeatureOption.MTK_A1_FEATURE) {
             removePreference(findPreference(KEY_CUSTOM_BUILD_VERSION));
         }
+               // KCM_HIDE_CUSTOM_BUILD_VERSION
+               if (SystemProperties.get("ro.hide_custom_build_version").equals("1")){
+                       removePreference(findPreference(KEY_CUSTOM_BUILD_VERSION));
+               }
     }
 
     private void updateTitleToActivityLabel(String key) {


device/along/common/device.mk

#KCM added by cyl hide custom build version
+ifeq ($(strip $(KCM_HIDE_CUSTOM_BUILD_VERSION)), yes)
+  PRODUCT_PROPERTY_OVERRIDES += ro.hide_custom_build_version=1
+endif
+
+#KCM custom build version
+ifeq ($(strip $(KCM_CUSTOM_BUILD_DISPLAY_ID)), yes)
+  PRODUCT_PROPERTY_OVERRIDES += ro.custom_build_display_id=1
+endif

device/along/common/ProjectConfig.mk

#KCM  custom build version
+KCM_HIDE_CUSTOM_BUILD_VERSION = no
+
+#KCM custom Build number 在项目的system.prop中添加ro.custom_kernel_version=xxx
+KCM_CUSTOM_BUILD_DISPLAY_ID = no



MTK android AF调试总结 如何读懂马达曲线来调试AF功能 MTK Android平台,我们是有一些手段可以自行调试Camera AF的功能的。 首先,需要从供应商处得到AF马达的震动曲线。 几个重要的参数: 1、启动电流 启动电流如果设得过大,会导致摄像头远处的效果不清晰; 2、最大电流 以OV8825为例,OV8825控制对AF马达的输出,其输出电流ISINK和V 阅读详情

相关推荐

MTK Android串口权限配置

Android11设备中添加串口应用,遇到打开串口时报错问题: System.err: Caused by: java.io.IOException: error=13, Permission denied 系统级应用 AndroidManifest.xml添加android.uid.system 这里只介绍system应用配置,如果是普通应用,改法不一样。根据avc打印提示修改,不同的平台修改的地方不一样,这里介绍的是mtk平台 device/mediatek/sepolicy/basic/non_

zmlovelx(帅得不敢出门 程序员群31843264) 1986

Android系统修改汇总(MTK)

以下都是基于Android 8.1 的代码去修改的!!! 一、server 运行时,app退出后台,一段时间后,server被杀kill 掉了 diff --git a/frameworks/base/services/core/java/com/android/server/am/ActivityManagerService.java b/frameworks/base/services/c...

jay8824589的博客 1万+

MTK Android修改开机动画与Logo

需求是修改MTK Android的开机动画与Logo

zmlovelx(帅得不敢出门 程序员群31843264) 2370

RK3399 Android7.1去掉设置中的“关于设备-内核版本”选项

diff --git a/packages/apps/Settings/res/xml/device_info_settings.xml b/packages/apps/Settings/res/xml/device_info_settings.xml index e617310..311496f 100755 --- a/packages/apps/Settings/res/xml/device_info_settings.xml +++ b/packages/apps/Settings/res/xml/

u011774634的博客 250

Qualcomm,Freescale,MTK平台下Android开发的比较

<br />这几年做了一些平台下的Android项目,下面具体对比一下几个平台Android开发,主要涉及的平台有Qualcomm,Freescale,MTK。这几个平台也都非常有代表性:<br /> <br />1.Qualcomm毫无疑问,肯定是通信这块的大牛厂商,目前很多通信协议和专利都跟这个公司有关系,当然它在ARM应用处理器这块也是有很高的造诣,也是Android联盟里面最早加入的成员。收款Android手机G1也是Qualcomm平台做出来的。CDMA这块肯定是毫无疑问的老大,VIA的CDMA的

Fly的专栏 7145

Android S MTK平台修改版本号

Android 12 S MTK平台修改版本号

file_tang的专栏 495

Android 系统默认参数的修改

Android 系统默认参数的修改 一般在新项目开始之初,我们需要针对客户需求进行各种系统默认属性的配置,通常这些属性都是通过build.prop、settings.db 、default.xml、一些功能package下的 config.xml 等来进行初始化配置的。 那么,要满足客户的定制需求,对于我们开发者来说,修改SettingsProvider默认值,而第一次开机时,用来填充sett

6846

Mtk Android 之NvRAM customer

请尊重原创,转载请注明出处:http://blog.youkuaiyun.com/cbk861110/article/details/26851817 1.nvram lib id定义: alps\mediatek\custom\prj\cgen\inc\Custom_NvRam_LID.h typedef enum { AP_CFG_RDCL_FILE_AUDIO_LID=AP_CFG_CUST...

caobaokang的专栏 9421

Android 8.1 MTK6739修改文档

1. 信息-设置-通知-重要程度-中(不发出提示音),非锁屏界面下无提示通知框弹出 vendor/mediatek/proprietary/packages/apps/SystemUI/src/com/android/systemui/statusbar/phone/StatusBar.java method:shouldPeek @@ -7578,8 +7578,8 @@ privat...

weixin_33711647的博客 928

精通安卓刷机:MTK工具实战指南

刷机,通俗来说,是通过特定的软件工具,将智能手机的操作系统进行重写或更新的过程。这可能包括更换为不同的ROM(Read-Only Memory,只读存储器),升级系统版本,或是改变手机的运行模式。MTK(MediaTek)是一家专业的集成电路设计公司,其芯片广泛应用于各类智能设备中。MTK芯片的一大特点是高度集成了多种功能模块,例如CPU、GPU、基带处理器等,使得设备制造商可以在较短的时间内开发出成本较低的智能设备。此外,MTK芯片还支持快速充电技术、高画质视频录制、高清显示等特性。

weixin_42502089的博客 1947

【GD32篇】驱动AD7616完成数据采集

GD32F10X驱动AD7616完成数据采集

we_long的博客 1万+

修改Android设备型号、版本号、去掉自定义版本显示

1、修改型号 源码位置 build/tools/buildinfo.sh echo "ro.product.model="MTK6737_64_bsp"" echo "ro.product.brand=$PRODUCT_BRAND" echo "ro.product.name="MTK6737_64_bsp"" echo "ro.product.device="MTK6737_64_bsp""...

cczhengv 1万+

Python爬虫实战:用Selenium+ChromeDriver批量抓取政府网站政策文件(附完整代码)

本文详细介绍了使用Python的Selenium和ChromeDriver进行政府网站政策文件批量抓取的实战技巧。从环境配置、动态页面元素定位到分页机制破解和反爬虫策略,提供了完整的解决方案和代码示例,帮助开发者高效获取结构化政策数据。

weixin_42531710的博客 268

android 8.0系统版本号修改

        关于CTA版本的系统属性修改的两个任务,记录下来,仅供android 初级水平参考1、将设置-》关于手机-》版本号中的日期从"20180102Q_v1.0"修改为"20180206Q_v1.0"以保证和该页面中的版本号匹配。查看设置源码直接在设置所有代码中搜索(AS里面直接搜索或者源码环境中grep -nrs "版本号" *)"版本号",对应的代码在BuildNumberPrefe...

u013306216的博客 2737

基于IC动态加权的机器学习多因子选股策略:从模型融合到实战回测

在量化投资领域,多因子选股模型通过挖掘市场数据中的有效信号来预测股票收益。其核心原理在于利用统计学与机器学习算法,从海量因子中识别出与未来收益具有稳定相关性的特征。这一技术的核心价值在于将主观投资决策转化为系统化、可重复的客观过程,从而在控制风险的前提下追求超额收益。其典型应用场景包括股票阿尔法策略构建、Smart Beta产品设计以及资产配置中的股票筛选环节。本文聚焦于如何通过信息系数(IC)这一关键指标,动态融合Ridge回归、MLP神经网络和随机森林等多个预测模型,构建一个能够自适应市场风格轮动的选股

weixin_34216614的博客 457

网络可视媒体的智能计算-胡事民

本文为胡事民教授在山大做报告的笔记,现场见下图: 可视媒体是承载视觉信息的媒体类型,如图像、视频等,它具有网络化、海量和无序涌现等特征。 可视媒体计算的研究意义 可视媒体作为一种信息承载的介质,是用来表达语义信息的。那么就有一种介质与信息之间相互转化的问题。转化方向正反两种,举个栗子说明一下: 1. 可视媒体→→\rightarrow语义信息:比如看到画面,理解其中发生的事件、各主题之...

gdymind的博客 2451

mtk android 触摸屏,MTK6580安卓核心板模块方案

MTK6580安卓核心板模块具备低功耗特色,可以提供先进的功能,包括支持18:9 HD+ 屏幕比例、高达8/13MP 的图像信号处理器(ISP)、Full HD 1080p视频编译码功能,以及四核心处理器效能表现。同时可以提供高成本效益的设计选择,包括全面整合的蜂巢式系统射频(RF)和在地联机标准,以及支持LPDDR2/3 内存和eMMC NAND 型闪存。MTK6580是一个高度集成的基带平台...

weixin_28235513的博客 1771

Mem0 vs LangMem vs Letta:三大AI记忆框架实战对比(附代码示例)

本文深入对比了Mem0、LangMem和Letta三大AI记忆框架的核心特性与适用场景。Mem0提供开箱即用的记忆管理服务,适合快速集成;LangMem深度融入LangGraph生态,适合复杂工作流;Letta则采用虚拟内存系统,旨在突破上下文窗口限制。文章通过实战代码示例,为开发者选择适合其业务需求的AI记忆解决方案提供了清晰指南。

g9h0i1的博客 681

安卓mtk—SN万能写串工具

安卓mtk—SN万能写串工具 【下载地址】安卓mtkSN万能写串工具 安卓mtk—SN万能写串工具是一款专为安卓MTK平台设计的实用工具,能够快速、便捷地修改和写入手机串号,适用于多种安卓MTK设备。该工具功能强大,操作简单,支持读取、修改和写入串号,还能恢复出厂设置,有效解决因串号问题导致的设备故障,如无法识别Sim卡...

gitblog_06767的博客 728

SQL的基本介绍

1.什么是数据库?2.什么是数据库管理系统?3.什么是 SQL?1.数据库是保存有组织的数据的容器,通常是一个文件或一组文件,可以将其看作电子化的文件柜。用户可以对文件中的数据执行新增、删除、更新、查询等操作。2.数据库管理系统是一种操纵和管理数据库的大型软件,用于建立、使用和维护数据库,简称DBMS。它对数据库进行统一的管理和控制,以保证数据库的安全性和完整性。用户可以通过 DBMS 访问数据库中的数据,数据库管理员也可以通过 DBMS 进行数据库的维护工作。

shiwei0813的博客 2879

【深度学习新浪潮】Token经济学深度解析:从AI“新智元”梗到产业核心,研究成果+标杆产品全拆解

在正式深入研究和产品分析前,必须先破除概念误区:行业内常说的Token经济学,并非单一概念,而是分为AI词元Token经济学和Web3通证Token经济学两大核心分支,二者底层逻辑、应用场景天差地别,也是大众最容易混淆的点。Token是AI时代的新大宗商品:黄仁勋将Token类比为工业时代的电力、石油,是AI时代的核心生产资料与基础计价单位,不再是单纯的技术单元,而是具备标准化、可计量、可交易、可分层的数字商品,其价值由算力消耗、推理效率、实际应用价值共同决定,而非虚拟炒作。Token五层定价模型。

专注:太空算力、AI infra、异构调度、大模型成本工程 686

安卓mtkSN万能写串工具:轻松解决安卓MTK设备串号问题

安卓mtkSN万能写串工具:轻松解决安卓MTK设备串号问题 【下载地址】安卓mtkSN万能写串工具 安卓mtk—SN万能写串工具是一款专为安卓MTK平台设计的实用工具,能够快速、便捷地修改和写入手机串号,适用于多种安卓MTK设备。该工具功能强大,操作简单,支持读取、修改和写入串号,还能恢复出厂设置,有效解决因串号问题导致...

gitblog_06772的博客 1356

第七天 Labview进阶(7.2 与汇川PLC通信)

运行环境: Labview 2020 Autoshop v4.10.1.1 该文档中包括Labview程序和汇川PLC程序,可以完美实现Labview与汇川PLC的通信。具体的使用教程可以参考本人的相关文章,讲解详尽,请尽情享用!

weixin_38637405的博客 3530

MTK/Android GPS 相关

前言 分享下相关笔记跟概念吧,具体流程不好外传,MTK 有相关文档的 书籍参考 《深入理解 Android: WiFi 模块 NFC 和 GPS 卷》 相关概念 MTK GPS Log 解析 相关流程接口 LocationManager GPSLP AGPS GPS JNI 与 HAL 层 ...

wangjun7121的专栏 3086

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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

如何修改android版本,修改Android设备型号、版本号、去掉自定义版本显示

1、修改型号源码位置 build/tools/buildinfo.shecho "ro.product.model="MTK6737_64_bsp""echo "ro.product.brand=$PRODUCT_BRAND"echo "ro.product.name="MTK6737_64_bsp""echo "ro.product.device="MTK6737_64_bsp""将 MTK...

weixin_29432421的博客 6174

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

MTK Android设备unlock解锁

摘要:本文详细介绍了使用ADB命令解锁MTK设备Bootloader的方法。首先需要安装MTK USB驱动和ADB工具,配置fastboot环境(包括Windows/macOS/Linux系统)。具体步骤包括开启开发者选项和USB调试,验证设备连接后重启至Fastboot模式,最后通过fastboot flashing unlock或fastboot oem unlock命令完成解锁。解锁成功后设备首次启动较慢并会显示解锁提示。整个过程需严格按步骤操作,确保设备数据已备份。

zmlovelx(帅得不敢出门 程序员群31843264) 1188

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")

上一篇: Android系统完整显示壁纸, 不做X2拉伸处理
下一篇: MTK修改长按Home键的操作
旧时旅人
博客等级 码龄10年 186粉丝 117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

打赏作者

旧时旅人

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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