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
6.1k累计阅读
6.1k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
@For /F "tokens=*" %%a IN ('"dir /s /-c | find "bytes" | find /v "free""') do @Set summaryout=%%a
@Echo %summaryout%
@For /f "tokens=1,2 delims=)" %%a in ("%summaryout%") do @set filesout=%%a&set sizeout=%%b
@Echo %filesout%
@Echo %sizeout%
@Set sizeout=%sizeout:bytes=%
@Echo %sizeout%
@Set sizeout=%sizeout: =%
@Echo Size is :%sizeout%
批处理删除文件夹
使用DOS指令编写批处理文件来删除指定名称的文件夹。 例如Visual Studio 2019生成的工程目录下有很多.vs文件夹，会占用很多内存，如果有很多个VS工程中的.vs文件夹想删除，通过批处理指令可以实现快速删除。 效果： ...
基本DOS命令
对基本的DOS命令进行讲解，配以图片辅助。多为文件处理相关命令。
【网络安全学习笔记】day3 DOS命令&批处理
【网络安全学习笔记】day3 DOS命令&批处理三、DOS命令&批处理（一）DOS命令1、如何操作DOS命令2、基本命令3.目录相关命令4.文件相关5. shutdown 定时操作6. 重定向符号 三、DOS命令&批处理 （一）DOS命令 1、如何操作DOS命令 ① 开始—运行—输入cmd–回车，将调出C:\windows\system32\cmd.exe 或者 ② Win + R —运行—输入cmd–回车 2、基本命令 color 作用：修改控制台背景和颜色 ※
DOS 批处理获取文件大小
最近研究了几天,终于写了出来.特别分享. @echo off&setlocal enabledelayedexpansion set "fn=E:\data\345.mdb" set /a "k=0" for /f "skip=4 delims=" %%t in ('dir /-c %fn%') do ( set str=%%t set /a "k=k+1" if
windows cmd命令行实现获取当前目录下所有文件名和文件大小
可以使用 dir 命令来查看当前目录下的文件夹和文件列表，并使用 for 命令遍历每个文件和文件夹，通过 if 条件判断是否为文件并输出文件名和大小。该命令将以递归方式搜索当前目录及其所有子目录中的所有文件，并输出每个文件的名称和大小，其中 %~ni 表示文件名， %~zi 表示文件大小（单位为字节）。注意，在命令行中使用上述命令时，不要将 %i 替换为 %%i。在批处理脚本中，需要将 %i 替换为 %%i。该命令将通过重定向符号 >> 将输出追加到文件 filelist.txt 中。
常用的DOS命令
常用的DOS命令 一，ping 它是用来检查网络是否通畅或者网络连接速度的命令。作为一个生活在网络上的管理员或者黑客来说，ping命令是第一个必须掌握的DOS命令，它所利用的原理是这样的：网络上的机器都有唯一确定的IP地址，我们给目标IP地址发送一个数据包，对方就要返回一个同样大小的数据包，根据返回的数据包我们可以确定目标主机的存在，可以初步判断目标主机的操作系统等。下面就来看看它的一些常用的操作。先看看帮助吧，在DOS窗口中键入：ping /? 回车，。所示的帮助画面。在此，我们只掌握一些基本的很有用的参数就可以了（下同）。 -t 表示将不间断向目标IP发送数据包，直到我们强迫其停止。试想，如果你使用100M的宽带接入，而目标IP是56K的小猫，那么要不了多久，目标IP就因为承受不了这么多的数据而掉线，呵呵，一次攻击就这么简单的实现了。 -l 定义发送数据包的大小，默认为32字节，我们利用它可以最大定义到65500字节。结合上面介绍的-t参数一起使用，会有更好的效果哦。 -n 定义向目标IP发送数据包的次数，默认为3次。如果网络速度比较慢，3次对我们来说也浪费了不少时间，因为现在我们的目的仅仅是判断目标IP是否存在，那么就定义为一次吧。 说明一下，如果-t 参数和 -n参数一起使用，ping命令就以放在后面的参数为标准，比如“ping IP -t -n 3”，虽然使用了-t参数，但并不是一直ping下去，而是只ping 3次。另外，ping命令不一定非得ping IP，也可以直接ping主机域名，这样就可以得到主机的IP。 下面我们举个例子来说明一下具体用法。 这里time=2表示从发出数据包到接受到返回数据包所用的时间是2秒，从这里可以判断网络连接速度的大小 。从TTL的返回值可以初步判断被ping主机的操作系统，之所以说“初步判断”是因为这个值是可以修改的。这里TTL=32表示操作系统可能是win98。 （小知识：如果TTL=128，则表示目标主机可能是Win2000；如果TTL=250，则目标主机可能是Unix） 至于利用ping命令可以快速查找局域网故障，可以快速搜索最快的QQ服务器，可以对别人进行ping攻击……这些就*大家自己发挥了。 ===================================================== 二，nbtstat 该命令使用TCP/IP上的NetBIOS显示协议统计和当前TCP/IP连接，使用这个命令你可以得到远程主机的NETBIOS信息，比如用户名、所属的工作组、网卡的MAC地址等。在此我们就有必要了解几个基本的参数。 -a 使用这个参数，只要你知道了远程主机的机器名称，就可以得到它的NETBIOS信息（下同）。 -A 这个参数也可以得到远程主机的NETBIOS信息，但需要你知道它的IP。 -n 列出本地机器的NETBIOS信息。 当得到了对方的IP或者机器名的时候，就可以使用nbtstat命令来进一步得到对方的信息了，这又增加了我们入侵的保险系数。 ================================================== 三，netstat 这是一个用来查看网络状态的命令，操作简便功能强大。 -a 查看本地机器的所有开放端口，可以有效发现和预防木马，可以知道机器所开的服务等信息，如图4。 这里可以看出本地机器开放有FTP服务、Telnet服务、邮件服务、WEB服务等。用法：netstat -a IP。 -r 列出当前的路由信息，告诉我们本地机器的网关、子网掩码等信息。用法：netstat -r IP。 =================================================== 四，tracert 跟踪路由信息，使用此命令可以查出数据从本地机器传输到目标主机所经过的所有途径，这对我们了解网络布局和结构很有帮助。如图5。 这里说明数据从本地机器传输到192.168.0.1的机器上，中间没有经过任何中转，说明这两台机器是在同一段局域网内。用法：tracert IP。 ================================================== 五，net 这个命令是网络命令中最重要的一个，必须透彻掌握它的每一个子命令的用法，因为它的功能实在是太强大了，这简直就是微软为我们提供的最好的入侵工具。首先让我们来看一看它都有那些子命令，键入net /?回车如图6。 在这里，我们重点掌握几个入侵常用的子命令。 net view 使用此命令查看远程主机的所以共享资源。命令格式为net view \IP。 net use 把远程主机的某个共享资源影射为本地盘符，图形界面方便使用，呵呵。命令格式为net use x: \IPsharename。上面一个表示把192.168.0.5IP的共享名为magic的目录影射为本地的Z盘。下面表示和 192.168.0.7建立IPC$连接（net use \IPIPC$ "password" /user:"name"）， 建立了IPC$连接后，呵呵，就可以上传文件了：copy nc.exe \192.168.0.7admin$，表示把本地目录下的nc.exe传到远程主机，结合后面要介绍到的其他DOS命令就可以实现入侵了。 net start 使用它来启动远程主机上的服务。当你和远程主机建立连接后，如果发现它的什么服务没有启动，而你又想利用此服务怎么办？就使用这个命令来启动吧。用法：net start servername，如图9，成功启动了telnet服务。 net stop 入侵后发现远程主机的某个服务碍手碍脚，怎么办？利用这个命令停掉就ok了，用法和net start同。 net user 查看和帐户有关的情况，包括新建帐户、删除帐户、查看特定帐户、激活帐户、帐户禁用等。这对我们入侵是很有利的，最重要的，它为我们克隆帐户提供了前提。键入不带参数的net user，可以查看所有用户，包括已经禁用的。下面分别讲解。 1，net user abcd 1234 /add，新建一个用户名为abcd，密码为1234的帐户，默认为user组成员。 2，net user abcd /del，将用户名为abcd的用户删除。 3，net user abcd /active:no，将用户名为abcd的用户禁用。 4，net user abcd /active:yes，激活用户名为abcd的用户。 5，net user abcd，查看用户名为abcd的用户的情况 net localgroup 查看所有和用户组有关的信息和进行相关操作。键入不带参数的net localgroup即列出当前所有的用户组。在入侵过程中，我们一般利用它来把某个帐户提升为administrator组帐户，这样我们利用这个帐户就可以控制整个远程主机了。用法：net localgroup groupname username /add。 现在我们把刚才新建的用户abcd加到administrator组里去了，这时候abcd用户已经是超级管理员了，呵呵，你可以再使用 net user abcd来查看他的状态。 net time 这个命令可以查看远程主机当前的时间。如果你的目标只是进入到远程主机里面，那么也许就用不到这个命令了。但简单的入侵成功了，难道只是看看吗？我们需要进一步渗透。这就连远程主机当前的时间都需要知道，因为利用时间和其他手段（后面会讲到）可以实现某个命令和程序的定时启动，为我们进一步入侵打好基础。用法：net time \IP。 ========================================================= 六，at 这个命令的作用是安排在特定日期或时间执行某个特定的命令和程序（知道net time的重要了吧？）。当我们知道了远程主机的当前时间，就可以利用此命令让其在以后的某个时间（比如2分钟后）执行某个程序和命令。用法：at time command \computer。 表示在6点55分时，让名称为a-01的计算机开启telnet服务（这里net start telnet即为开启telnet服务的命令）。 ================================================ 七，ftp 大家对这个命令应该比较熟悉了吧？网络上开放的ftp的主机很多，其中很大一部分是匿名的，也就是说任何人都可以登陆上去。现在如果你扫到了一台开放ftp服务的主机（一般都是开了21端口的机器），如果你还不会使用ftp的命令怎么办？下面就给出基本的ftp命令使用方法。 首先在命令行键入ftp回车，出现ftp的提示符，这时候可以键入“help”来查看帮助（任何DOS命令都可以使用此方法查看其帮助)。 大家可能看到了，这么多命令该怎么用？其实也用不到那么多，掌握几个基本的就够了。 首先是登陆过程，这就要用到open了，直接在ftp的提示符下输入“open 主机IP ftp端口”回车即可，一般端口默认都是21，可以不写。接着就是输入合法的用户名和密码进行登陆了，这里以匿名ftp为例介绍。 用户名和密码都是ftp，密码是不显示的。当提示**** logged in时，就说明登陆成功。这里因为是匿名登陆，所以用户显示为Anonymous。 接下来就要介绍具体命令的使用方法了。 dir 跟DOS命令一样，用于查看服务器的文件，直接敲上dir回车，就可以看到此ftp服务器上的文件。 cd 进入某个文件夹。 get 下载文件到本地机器。 put 上传文件到远程服务器。这就要看远程ftp服务器是否给了你可写的权限了，如果可以，呵呵，该怎么 利用就不多说了，大家就自由发挥去吧。 delete 删除远程ftp服务器上的文件。这也必须保证你有可写的权限。 bye 退出当前连接。 quit 同上。 =================================================== 八，telnet 功能强大的远程登陆命令，几乎所有的入侵者都喜欢用它，屡试不爽。为什么？它操作简单，如同使用自己的机器一样，只要你熟悉DOS命令，在成功以administrator身份连接了远程机器后，就可以用它来干你想干的一切了。下面介绍一下使用方法，首先键入telnet回车，再键入help 查看其帮助信息。 然后在提示符下键入open IP回车，这时就出现了登陆窗口，让你输入合法的用户名和密码，这里输入任何密码都是不显示的。 当输入用户名和密码都正确后就成功建立了telnet连接，这时候你就在远程主机上具有了和此用户一样的权限，利用DOS命令就可以实现你想干的事情了。这里我使用的超级管理员权限登陆的。
dos命令根据大小查询文件
dos命令： for /r "D:\有声\" %a in (*) do @if %~za gtr 8031 echo %~fa "!!!" %~za >>result.txt 这个命令是把 D:\有声\ 目录下文件大小超过8031的文件全路径名都输出在result.txt文件中 dos命令： for /r "D:\有声\" %a in (*) do @if %~za equ 8031 echo %~fa "!!!" %~za >>result.txt 这个命令是把 D:\有声\
显示C盘文件夹的大小的软件Folder Size.rar
可以直接查看文件夹占用空间的大小，不用一个一个的点击右键属性，可以直接在软件内部将文件夹或者里面的文件进行删除等操作，用来精简C盘腾空间很方便。
超炫酷的Bat脚本入门教程
前段时间我的同事让我部署前端项目，他部署后端。没过一会我部署好了，得意洋洋。于是乎去看看我同事搞好了没，只见他在本地写了一个.bat结尾的文件上传到服务器，然后…。我天，我好low 批处理文件最常用的几个命令 echo表示显示此命令后的字符 echo on 表示在此语句后所有运行的命令都显示命令行本身 echo off 表示在此语句后所有运行的命令都不显示命令行本身 @与echo off相像，但它是加在每个命令行的最前面，表示运行时不显示这一行的命令行（只能影响当前行）。 call 调用另一个批处.
银河麒麟V10离线安装VLC播放器：依赖处理与3.0.9.2版本实操指南
在国产化操作系统日益普及的背景下，软件安装方式成为政企内网用户关注的重点。离线安装作为一种不依赖公网源的部署手段，常用于解决内网环境下的软件获取问题。其核心在于理解Linux包管理机制，如dpkg与apt对依赖关系的处理逻辑。掌握这一原理，不仅能应对多媒体软件的部署，也能提升系统维护效率。VLC作为跨平台多媒体播放器，凭借强大的解码能力与协议支持，广泛应用于本地视频播放、RTSP拉流及监控大屏等场景。本文从离线安装的通用概念出发，结合银河麒麟V10桌面版的实际环境，详细梳理了VLC 3.0.9.2离线包的获
【架构设计】DDD 到底解决了什么问题
DDD作为架构设计思想帮助微服务控制规模复杂度，那它是怎么做到的呢？第一章提出了架构的根本目是解决系统复杂度，并简要说明系统复杂度的六个来源及通用解法，为我们设计架构提供了清晰可执行的操作思路。
java快速处理完1万个文件,遍历100万个文件,该如何解决
遍历100万个文件在window系统中有一个大约100万个文件的文件夹，大小大约29g。现在想用java/C#或其它语言遍历这个文件夹中的所有文件，按照文件创建时间分到不同的文件夹中。自己尝试用java，但内存溢出(主要是文件太多)。不知有没有其它方法？------解决方案--------------------引用:当我像这样列一下所有的文件名时，java内存已经溢出了。现在就是想获取这个文...
Java8对接三方流式接口，并实时输出（GPT）
【代码】Java8对接三方流式接口，并实时输出（GPT）
webp批量转换图片脚本命令
为了更好的优化图片资源大小，需要将图片转换为webp格式， 所以记录下Windows下的bat脚本命令，自动转换文件夹下所有的png、jpg为webp格式 @echo off color A :: 设置转换文件的根目录，脚本会自动按树层次查找和压缩所有的jpg png :: 注意路劲中不能有空格 :: 设置需要转换的图片路径 SET FOLDER=D:\Work\Starter\release\web d: cd %FOLDER% echo 正在查找png文件 for /R %%i in (*.png, *
AI中台系统设计方案探讨
集成JupyterLab、低代码建模工具（如H2O.ai）、预训练模型库（Hugging Face、PaddleHub）。：通过REST/gRPC接口封装AI能力（如OCR、语音识别），支持流量控制与鉴权（如Kong、Apigee）。：服务注册发现（Consul）、熔断降级（Hystrix）、监控告警（Prometheus+Grafana）。：分布式存储（如HDFS、Ceph）与对象存储（如S3、OSS），支持海量数据高速读写。加密传输（TLS）、动态脱敏（如数据掩码）、访问控制（RBAC）。
DrawCall、Batches、SetPassCalls的区别和联系
一、DrawCall、Batches、SetPassCalls的基本理解 我们先从图形渲染的角度对这些概念做一个基本的理解。 1.1 DrawCall DrawCall实际上指的是一次图形渲染接口的调用，比如OpenGL的glDrawArrays或者glDrawElements的一次调用，以及DirectX的DrawPrimitive或者DrawIndexedPrimitive。因此，DrawCall可以简单理解为一次渲染指令调用。 1.2 Batches 我们知道，在调用DrawCall之前，需要设置渲染
常用DOS命令
命令提示符的常用命令、作用和示例；打开命令提示符的方式；
工业级C#+YOLOv8缺陷检测系统：准确率98.5%、延迟＜50ms的完整实现
本文分享了基于C#和YOLOv8的工业级表面缺陷检测系统实现方案。针对汽车零部件冲压件检测需求（60件/分钟，准确率>98%，延迟<100ms），作者对比了多种技术方案后选择了C#+YOLOv8+ONNX Runtime的组合，最终实现98.5%准确率和42ms延迟。 系统采用分层模块化架构，包含硬件层、采集层、推理层、业务层和控制层。核心优势包括：1）C#在工业环境下的稳定性和集成便利性；2）YOLOv8对复杂缺陷的泛化能力；3）ONNX Runtime GPU加速提升性能。文章详细介绍了硬件
148.【Windows DOS命令脚本文件】
BAT编程，即批处理编程，是一种基于Windows操作系统的脚本编程语言。它使用文本文件作为脚本，通过一系列的命令和控制语句来执行特定的任务。BAT编程主要用于自动化重复性的任务，提高计算机的效率和便利性。本文将为您介绍BAT编程的基础知识，并引导您编写简单的批处理脚本。bat处理文件使用cmd、exe执行。重定向运算： 默认情况下，Powershell 把输出发送到屏幕显示。但是，Powershell也可以将输出重定向至一个文本文件，或将错误输出重定向至常规输出流。
ParaView ：在paraview创建渲染视图
ParaView ：在paraview创建渲染视图
在 SAP HANA XS Advanced 中用 InA 打通 Web 化分析数据访问：架构原理、部署步骤与实战指南
本文介绍了如何在SAP HANA环境中通过InA协议为XS Advanced应用和分析工具提供实时数据访问。主要内容包括：InA协议的作用是将HANA计算视图等模型通过HTTP(S)暴露为实时数据源；SAP HANA Analytics Adapter(xsahaa)是关键组件，负责协议转换和连接管理；部署包含本地和云端两种形式，均需建立XSA空间与租户数据库的映射；实施前需准备HDI容器、适配器构建和网络验证；安全方面通过XSA用户角色和HDI授权双重控制；文章还提供了与SAP Analytics Clo
DOS命令批处理 及 硬盘修复
DOS命令批处理 在cmd下输入 dir 盘符:\文件夹名/b>路径\file.txt 可以提取某一文件夹下的所有文件名 例如：dir H:\音乐/b>H\mp3.txt 或者 在你需要生成文件名清单的文件夹点击右键-新建-文本文档，文本类型是txt 重命名创建的文本文档，最好使用英文字母命名 打开创建的txt文件，输入：dir *.mp3>random.txt，之后保存 random.txt为保存文件清单的输出文件，输出位置为当前文件夹 将创建的txt...
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")
window的dos命令学习笔记 一
文章目录说明：1、学习dos命令的起源：统统删除bat脚本一、一些常用的批处理命令：0、学习小技巧：1、什么是批处理2、echo （打印输出后面结果）①、echo②、echo off3、pause（暂时，可以用来脚本执行结束时提示）4、call（执行命令）5、rem(注解）6、测试文件中写入call命令是否执行：7、del（删除文件命令，不删除文件夹）8、传参：%几个特殊字符：9、rd (删除目录...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
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
批处理Batch学习
批处理Batch学习
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
黑客常用的dos命令及快捷键
黑客常用的dos命令及快捷键 黑客常用的dos命令及批处理文件的编写 Color：改变CMD的颜色 Ping -t 1 65500 ip:死亡之ping Ipconfig:查看ip Ipconfig/release:释放ip Ipconfig/renew:重新获取ip Systeminfo:查看系统信息 Arp -a Net view:查看局域网内其他计算机名称 Shutdown -s -c 180 -c“你被黑了，系统马上关机” Shutdown -a 取消 Dir 查看目录 Cd 切换目录 Start
DOS：DOS命令+批处理
基本DOS命令+批处理1.基本DOS命令2.批处理编写2.1 基本用法2.2 恶意脚本2.3 关机小程序 1.基本DOS命令 DOS：磁盘操作系统（Disk Operating System） 【浏览】 切换目录 （1）普通显示：type 文件名.后缀名 （2）分页显示：type 文件名.后缀名 | more （more也可以换成其他，作为分割线中间的字符） | 是分页显示的标志 【创建】 切换目录 （1）创建单行文本文件：echo 文本 > 文件名.后缀名 [t
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1597
扫一扫
