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
200+累计阅读
218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
BOOST_VMD_ASSERT_IS_EMPTY宏的测试程序
在C/C++编程中，使用宏可以提供一种方便的方式来进行代码复用和条件编译。BOOST库是一个流行的C++库，提供了许多强大的宏和功能，用于增强C++编程体验。其中之一就是BOOST_VMD_ASSERT_IS_EMPTY宏，它用于检查给定的参数是否为空。
BOOST_VMD_ASSERT_IS_EMPTY宏可以用于编写更具鲁棒性的代码，特别是在处理可变数量的宏参数时。通过使用这个宏，我们可以确保参数的数量和内容符合预期，从而避免潜在的错误。下面是一个使用BOOST_VMD_ASSERT_IS_EMPTY宏的示例程序：
#include <boost/preprocessor.hpp>
#define EMPTY_MACROBOOST_VMD_ASSERT_IS_SEQ宏相关的测试程序
BOOST_VMD_ASSERT_IS_SEQ宏相关的测试程序实现功能C++实现代码 实现功能 BOOST_VMD_ASSERT_IS_SEQ宏相关的测试程序 C++实现代码 #include <boost/vmd/assert_is_seq.hpp> #include <boost/preprocessor/tuple/elem.hpp> #include <boost/detail/lightweight_test.hpp> int main() { #if
BOOST_VMD_ASSERT_IS_TYPE宏相关的测试程序
BOOST_VMD_ASSERT_IS_TYPE宏相关的测试程序实现功能C++实现代码 实现功能 BOOST_VMD_ASSERT_IS_TYPE宏相关的测试程序 C++实现代码 #include <boost/vmd/assert_is_type.hpp> #include <boost/detail/lightweight_test.hpp> #include <boost/preprocessor/list/at.hpp> #include <boost/pr
BOOST_VMD_ASSERT_IS_ARRAY宏相关的测试程序
BOOST_VMD_ASSERT_IS_ARRAY宏相关的测试程序实现功能C++实现代码 实现功能 BOOST_VMD_ASSERT_IS_ARRAY宏相关的测试程序 C++实现代码 #include <boost/vmd/assert_is_array.hpp> #include <boost/detail/lightweight_test.hpp> int main() { #if BOOST_PP_VARIADICS #define AN_ARRAY (7,(5,
BOOST_VMD_ASSERT_IS_TUPLE宏相关的测试程序
BOOST_VMD_ASSERT_IS_TUPLE宏相关的测试程序实现功能C++实现代码 实现功能 BOOST_VMD_ASSERT_IS_TUPLE宏相关的测试程序 C++实现代码 #include <boost/vmd/assert_is_tuple.hpp> #include <boost/detail/lightweight_test.hpp> int main() { #if BOOST_PP_VARIADICS #define A_TUPLE (*,#,z
BOOST_VMD_ASSERT宏相关的测试程序
BOOST_VMD_ASSERT宏相关的测试程序实现功能C++实现代码 实现功能 BOOST_VMD_ASSERT宏相关的测试程序 C++实现代码 #include <boost/vmd/elem.hpp> #include <boost/vmd/assert.hpp> #include <boost/vmd/is_identifier.hpp> #include <boost/vmd/is_empty.hpp> #include <boost/vmd/
UsageLog电脑使用记录软件
UsageLog电脑使用记录软件
最新推荐-2026年固态电池+锂电正极+硅基负极等关键技术实践PPT合集（55份）.zip
2026年最新固态电池+锂电正极+硅基负极等关键技术实践PPT合集，共55份。供大家查阅。 一、固态电池 1.全固态电池用硅基负极材料研究进展 2.全固态电池硅基负极的开发思考 3.功能型固态电解质设计及界面调控 4.固态电池及关键材料研发与产业化进展 5.固态电池的产业化应用探索 6.固态锂电池开发现状及未来展望 7.固态锂离子电池正极结构设计与材料选择 8.固态锂金属电池设计与应用 9.硫化物全固态电池石墨和硅负极性能调控技术 10.硫化物固态电解质行业应用 11.聚合物基固态电解质与固态电池的关键技术 12.蜂鸟声共振技术-固态电池产业化的革命性创新 13.长安汽车固态电池应用探索 14.高安全性固态电池技术发展趋势 15.高性能硫化物全固态锂电池解决方案 16.高硅体系的膨胀解决方案 二、硅基负极 1.化学气相沉积碳包覆技术在硅基负极材料中的应用 2.新型粘结剂解决 硅基负极膨胀问题 3.氧化亚硅负极材料化学预锂化与界面设计 4.流化床法生产磷酸铁锂及硅负极材料研究 5.石墨烯包覆硅碳负极 6.硅基材料的发展现状及展望 7.硅基负极与固态电解质 8.硅基负极技术与进展 9.硅基负极材料体积膨胀解决策略 10.硅基负极材料及其结构设计 11.硅基负极材料的冶金法制备 12.硅基负极材料的发展与应用 13.硅基负极材料研究进展 14.硅基负极材料：从基础研究到产业应用 15.硅基负极析锂行为及调制研究 16.硅碳负极低成本制造技术报告 17.硅碳负极制备用多孔碳的开发 18.硅碳负极挑战和进展 19.硅碳负极新路线及关键材料制备 20.硅碳负极锂离子电池应力特性研究 21.锂电石墨负极材料工程化技术进步 22.锂离子电池负极材料 23.高容量石墨烯-硅基复合负极材料的研究进展 三、锂电正极 1.基于AI和图论结构化学的锂电池的材料基因探索 2.废旧磷酸铁锂电池梯次及再生利用进展 3.电动汽车大功率充电标准体系与检测认证实践 4.磷酸铁及磷酸铁锂异物防控管理 5.磷酸铁锂正极材料：液相法合成及产业化应用研究 6.磷酸锰铁锂正极材料的研究现状 7.车用动力电池安全标准化工作进展及未来展望 8.锂电层状氧化物正极材料的原子尺度失效机制 9.锂电正极材料工厂异物防控管理图册 10.锂离子电池高熵正极材料成分设计及储锂机制研究 11.高压实磷酸铁锂正极材料生产工艺配方.docx 12.高安全正极材料添加剂提升三元锂电安全性 13.高比能富锂锰基电池关键技术 14.高能量密度锂离子电池正极材料及应用研究 15.高镍单晶三元正极材料研究 16.三元高电压单晶正极材料
Zotero 是学术管理领域非常优秀的软件 它功能成熟、生态稳定，帮助许多科研人员建立了最初的文献归档体系
Zotero 是学术管理领域非常优秀的软件。它功能成熟、生态稳定，帮助许多科研人员建立了最初的文献归档体系。但在当下日常科研与深度使用各类 Agent 时，传统的文献工具链暴露出一些断点：上下文严重分散：论文存储在 Zotero，笔记记在 Obsidian，与模型的推导和分析留在各个网页对话框中。三者数据彼此隔离，当需要 Agent 结合某篇具体论文与历史笔记进行深入推导时，用户必须反复手动复制粘贴。文献格式对模型不友好：人类习惯阅读排版良好的 PDF 文件；但对于模型而言，直接解析双栏排版、跨页表格、复杂数学公式和交叉引用的成本极高，极易产生识别错误与幻觉。结构化 Markdown 与 LaTeX 才是模型容易准确理解的格式。维护成本较高：AI 伴读、全文翻译、笔记同步等高频需求，往往需要安装和调试多个社区插件，配置门槛高且在版本升级时容易出现兼容性问题。批量自动化能力有限：通过 Deep Research 或自动化检索工具发现的大量文献，目前仍需人工在浏览器中逐篇点击保存，难以顺畅衔接批量研究流。Agentero 并非旨在替代 Zotero，而是探索一种人与 Agent 协同处理科研上下文的新方式：人类负责：提出研究问题、进行学术价值判断、深度研读与核心结论推导；Agent 负责：批量检索筛选、元数据抓取、图表与公式提取、引用关系梳理及基础总结。
基于 .net 8、blazor 、furion 开发的后台管理系统，功能全(完善的用户权限管理、定时任务、附件管理、日志审计、物联网、企业门户等)、技术新
基于 .net 7开发的后台管理系统，系统前后台分离，api 是基于Furion 框架开发，前端是基于ant-design-blazor开发，系统使用技术或框架较新
材料科学基于电致塑性效应的多场耦合精密成形：难变形合金超薄带材低缺陷轧制工艺
内容概要：本文系统阐述了合金在电、热、力多场耦合作用下的电致塑性精密成形工艺（Electrically-Assisted Rolling, EAR），重点介绍其通过瞬时脉冲电流实现材料“成形时软、用时强”的核心技术原理。该工艺利用电子风力、焦耳热微区软化等非热与热效应协同作用，降低难变形合金的流动应力，提升单道次压下率（如SUS304由33.8%提升至41.5%），显著减少中间退火次数，实现数十微米级极薄带材的高效、低残余应力、高平整度轧制。文章详细分析了工艺参数（电流密度、频率、脉宽、温度窗口等）、装备配置（脉冲电源、绝缘辊系、在线检测）及失效模式控制，并强调需以“变形区有效电流密度”和“窄温区闭环控制”为核心进行工艺设计与优化。; 适合人群：从事金属材料加工、精密轧制、先进成形技术研发的科研人员与工程技术人员，具备材料科学与工程、机械制造或相关领域背景的研发工程师及研究生。; 使用场景及目标：①开发高强钛合金、不锈钢、特种合金等难变形金属的超薄精密箔材（如折叠屏基材、光刻机钢带）；②优化现有冷轧工艺，降低能耗与退火次数，提升产品尺寸精度与表面质量；③研究电-热-力多场耦合成形机理，指导新型电辅助制造装备开发。; 阅读建议：本文兼具理论深度与工程实践指导意义，建议结合图表与实测数据理解多机制协同效应，重点关注电流回路设计、温度场闭环控制与参数标定方法，避免直接套用文献参数；在应用中应坚持“实验标定+仿真验证”原则，确保工艺安全性与可重复性。
电气工程基于电磁原理的继电器工作机理与应用：工业控制中强弱电隔离开关的设计选型及保护电路分析
内容概要：本文深入浅出地介绍了继电器的工作原理、核心结构、分类、常见应用场景及选型要点。继电器是一种利用小电流控制大电流的“自动开关”，通过线圈通电产生磁场，驱动衔铁吸合或释放，从而控制触点的通断。文章详细解析了其五大组成部分（线圈、铁芯、衔铁、弹簧、触点）和工作三步循环过程，强调了强弱电隔离的优势，并区分了常开、常闭和转换型触点的应用。同时，文章列举了继电器在工业控制、汽车电子、家用电器、新能源和电力系统中的典型应用，重点指出高压直流继电器在新能源汽车中的关键作用。针对选型，强调需根据负载类型（阻性、感性、容性）进行降额使用，并介绍续流二极管、RC吸收电路等保护措施以延长寿命。最后对比了电磁继电器与固态继电器的优缺点，帮助读者合理选择。; 适合人群：具备基础电工知识，从事电子、电气、自动化相关工作的技术人员或爱好者，以及工科类学生。; 使用场景及目标：①理解继电器在电路控制中的隔离与放大作用；②掌握继电器的选型方法与常见故障排查技巧；③应用于实际项目中如电机控制、电源管理、自动化系统设计等； 阅读建议：结合实物或电路图对照学习，重点关注触点保护与负载匹配部分，在实际应用中注意降额设计与环境因素影响。
智算中心AI大模型赋能智能体平台及AI场景应用规划方案（决策评审版）.pptx
智算中心AI大模型赋能智能体平台及AI场景应用规划方案（决策评审版）.pptx
Everything-v.1.4.1.1032 -X64-号称全世界查找文件最快的工具-便携版 .zip
Everything_v.1.4.1.1032 _X64_号称全世界查找文件最快的工具_便携版 .zip
基于可靠性评估序贯蒙特卡洛模拟法的配电网可靠性评估研究（Matlab代码实现）
内容概要：本文系统研究了基于序贯蒙特卡洛模拟法的配电网可靠性评估方法，重点在于通过Matlab编程实现对含分布式电源的配电网在多种运行条件下的可靠性量化分析。文章深入阐述了序贯蒙特卡洛模拟的核心原理，包括系统状态的时序抽样、状态转移机制以及故障与修复过程的随机建模，并构建了完整的仿真流程以计算系统平均停电频率（SAIFI）、系统平均停电持续时间（SAIDI）等关键可靠性指标。研究结合典型配电网络算例，验证了该方法在评估复杂电力系统可靠性方面的有效性与实用性，尤其分析了分布式电源接入对系统可靠性的影响机制，为现代配电网规划与运行提供了科学依据和技术支撑。; 适合人群：具备电力系统基础理论知识和一定Matlab编程能力的高校研究生、科研机构研究人员，以及从事配电网规划、运行与可靠性管理的工程技术人员。; 使用场景及目标：①深入掌握序贯蒙特卡洛模拟法在电力系统可靠性评估中的具体实施过程与技术细节；②学习并实践利用Matlab进行电力系统时序仿真与可靠性指标统计分析的方法；③探究分布式电源渗透对配电网整体可靠性水平的影响规律，为提升电网韧性提供决策参考； 阅读建议：读者应结合文中提供的Matlab代码实例进行实操演练，建议在理解算法逻辑的基础上，尝试修改系统参数、网络拓扑结构或调整分布式电源的配置方案，通过对比仿真结果加深对可靠性评估过程和影响因素的理解，该资源亦可直接应用于相关科研课题或工程项目的技术论证。
塔式熔盐光热朗肯循环电站建模！并且搭建了Simulink模型！！
内容概要：本文详细介绍了塔式熔盐光热朗肯循环电站的系统建模过程，并成功构建了相应的Simulink仿真模型。研究不仅涵盖电站热力循环的核心建模，还深入集成电力系统的关键环节，包括一次调频与二次调频控制、风光水火储多能互补的双目标动态调度、化学储能与超级电容混合储能系统的双层容量配置、风电功率波动的RLMD分解与平抑、综合能源系统多目标优化配置等关键技术。同时，文中应用了多种先进优化算法，如多目标粒子群算法（MOPSO）、基于核密度估计（KDE）的CDF置信带鲁棒调度方法等，形成了从系统建模、仿真到优化决策的完整技术链条，为新型电力系统的分析与设计提供了综合性解决方案。; 适合人群：具备电力系统、新能源科学、自动化控制、热能工程等相关专业背景，熟悉MATLAB/Simulink仿真平台，从事能源系统建模、优化调度、储能控制、电力电子与电网稳定性研究的科研人员、研究生及工程师。; 使用场景及目标：① 为塔式光热电站及综合能源系统相关的教学与科研工作提供详尽的Simulink建模范例与Matlab代码参考；② 实现对高比例新能源接入背景下电网的频率响应、动态调度、储能优化配置等问题的仿真分析与控制策略验证；③ 利用所提供的完整代码与模型，复现并深入研究多目标优化、鲁棒调度、信号分解等先进算法在复杂能源系统中的具体应用。; 阅读建议：此资源以实际工程项目为导向，深度融合了系统建模、仿真验证与优化算法三大核心环节。使用者应在深入理解文档中所涉基础理论（如朗肯循环原理、调频控制机制、SVPWM调制技术等）的基础上，结合所提供的Simulink模型与Matlab代码进行动手实践，通过调整系统参数、优化算法配置等方式，探究系统动态特性与优化机制。同时，强烈建议关注文末提供的完整资源下载链接，以获取全部配套的仿真文件、计算书及参考文献，确保学习的完整性与可复现性。
【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划（目标函数：最低成本：路径、高度、威胁、转角）研究（Matlab代码实现）
内容概要：本文研究基于多策略改进的蜣螂算法（MSDBO）在多无人机协同三维避障路径规划中的应用，旨在实现最低成本的路径规划，综合考虑路径长度、飞行高度、环境威胁和飞行转角等多个目标函数。通过Matlab代码实现算法仿真，优化无人机集群在复杂三维空间中的协同飞行路径，有效规避静态与动态障碍物，提升任务执行效率与飞行安全性。该方法融合智能优化算法与路径规划技术，针对城市空中交通、应急救援、军事侦察等实际场景需求，提出了高效的分布式协同求解框架，为多无人机系统在复杂环境下的自主导航与集群控制提供了理论依据和技术支撑。; 适合人群：具备一定编程基础和优化算法知识的科研人员、自动化与人工智能领域研究生、从事无人机路径规划或智能优化算法开发的工程师。; 使用场景及目标：①应用于多无人机协同执行任务时的三维路径规划与动态避障；②解决复杂环境中多目标优化路径问题，提升集群飞行的安全性与经济性；③为智能交通、灾害巡检、城市物流等场景提供可扩展的算法支持；④支持进一步研究算法在异构无人机集群、实时通信受限条件下的适应性改进。; 阅读建议：建议读者结合Matlab代码进行实践操作，深入理解蜣螂算法的改进策略及其在路径规划中的具体实现方式，同时可通过调整环境参数、障碍物分布及目标权重进行扩展性研究，探索算法在不同任务场景下的性能表现与优化潜力。
长沙创沅-硬盘检测-固态硬盘测速工具 .exe
长沙创沅_硬盘检测_固态硬盘测速工具 .exe
Vscode + QT + CMake：高效开发环境搭建全攻略
本文详细介绍了如何搭建Vscode+QT+CMake高效开发环境，涵盖环境安装、配置优化及项目创建全流程。通过整合Vscode的轻量化编辑、QT的跨平台GUI开发以及CMake的现代构建管理，该组合特别适合大型QT项目和跨平台开发团队，能显著提升开发效率。
IAR下载Linux环境适配：入门级安装指导
详细介绍如何在Linux系统中完成iar下载与环境配置，帮助开发者快速上手IAR集成开发环境，解决常见安装问题，提升开发效率。
Aloudata 荣登“数智技术系列榜单”和“数据智能服务商 TOP30”
持续助力各行业数智化先进企业突破数据管理技术瓶颈，以更加敏捷、精准和可靠的数据交付驱动企业业务创新与经营提效
PaddleOCR SVTRv2中文识别模型训练全流程：从数据准备到推理部署
本文详细介绍了基于PaddleOCR的SVTRv2中文识别模型从数据准备、模型训练到推理部署的全流程实战。SVTRv2凭借其单视觉Transformer架构和分层混合机制，在中文文字识别任务上实现了高精度与效率的平衡。文章重点解析了数据工程、训练调优技巧及部署优化方案，帮助开发者构建定制化的OCR解决方案。
Anaconda镜像源切换全攻略：从清华源到恢复默认设置的完整流程
本文详细介绍了Anaconda镜像源的管理与优化，重点讲解了如何配置清华源以提升国内下载速度。内容涵盖镜像源工作原理、清华源详细配置步骤、多源管理策略、常见问题排查以及如何安全恢复默认设置，帮助用户构建完整的镜像源管理体系。
jason-2卫星介绍及其数据下载
两台仪器发射脉冲宽度均为105.6μs，带宽320MHz（C频段）和320/100MHz（Ku频段），脉冲重复频率1800Hz（Ku频段）和300Hz（C频段），功率78W，数据传输速率22.5kbit/s。共发射了3颗卫星（Jason - 1/2/3），星上有效载荷均主要为雷达高度计和微波辐射计。Jason - 1卫星主要有效载荷为波塞冬 - 2和“贾森微波辐射计”，Jason - 2卫星进行了改进，主要携带了波塞冬 - 3和先进微波辐射计，此外，Jason - 2卫星还携带了“多里斯”系统。
【WorkBuddy专栏53】我的WB为什么变聪明了——SOUL与USER配置管理实战（上）
【WorkBuddy专栏53】我的WB为什么变聪明了——SOUL与USER配置管理实战（上）
2026年03月CCF-GESP编程能力等级认证Scratch图形化编程一级真题解析
本文收录于《，订阅后可阅读专栏内所有文章。
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")
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
456
扫一扫
