中图法分类号（计算机，自动化）

Image_Graphics Image_Graphics 博客等级 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 5k累计阅读 5.1k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 码龄20年
关注
转载 最新推荐文章于 2026-09-23 09:04:49 发布 5k 阅读 AI 写同款· GEO 优化 ›
图书馆图书分类上架全流程实操指南：从《中图法》到排架维护 信息组织与知识管理是图书馆学和信息科学的核心基础，其原理在于通过建立标准化的分类体系，将无序的信息资源转化为有序的知识集合，从而实现高效检索与利用。这一过程的技术价值在于极大地提升了信息资源的可发现性和管理效率，是构建任何文献数据库或知识库的基石。在实践层面，成熟的分类法如《中国图书馆分类法》（中图法）和杜威十进分类法（DDC）提供了权威的框架，而索书号（由分类号和种次号构成）则作为图书在物理和数字空间中的唯一坐标。这些方法广泛应用于各类图书馆、档案馆、资料室乃至个人藏书的管理中。本文聚焦于图书分类上架这一 阅读详情
T　工业技术
　TP　自动化技术、计算机技术
　　TP3　计算技术、计算机技术
　　　TP3-0　计算机理论与方法
　　　　TP3-05　计算机与其他学科的关系
　　　TP30　一般性问题
　　　　TP301　理论、方法
　　　　　TP301.1　自动机理论
　　　　　TP301.2　形式语言理论
　　　　　TP301.4　可计算性理论
　　　　　TP301.5　计算复杂性理论
　　　　　TP301.6　算法理论
　　　　TP302　设计与性能分析
　　　　　TP302.1　总体设计、系统设计
　　　　　TP302.2　逻辑设计
　　　　　TP302.4　制图
　　　　　TP302.7　性能分析、功能分析
　　　　　TP302.8　容错技术
　　　　TP303　总体结构、系统结构
　　　　　TP303+.1　元件
　　　　　TP303+.2　插件、机架
　　　　　TP303+.3　电源系统
　　　　TP304　材料
　　　　TP305　制造、装配、改装
　　　　　TP305+.1　微小型化工艺
　　　　　TP305+.2　防潮、防霉、防腐工艺
　　　　TP306　调整、测试、校验
　　　　　TP306+.2　调整、测试方法
　　　　　TP306+.3　故障诊断与排除
　　　　TP307　检修、维护
　　　　TP308　机房
　　　　TP309　安全保密
　　　　　TP309.1　计算机设备安全
　　　　　TP309.2　数据安全
　　　　　TP309.3　数据备份与恢复
　　　　　TP309.5　计算机病毒与防治
　　　　　TP309.7　加密与解密
　　　TP31　计算机软件
　　　　TP311　程序设计、软件工程
　　　　　TP311.1　程序设计
　　　　　TP311.5　软件工程
　　　　TP312　程序语言、算法语言
　　　　TP313　汇编程序
　　　　TP314　编译程序、解释程序
　　　　TP315　管理程序、管理系统
　　　　TP316　操作系统
　　　　　　　　TP316.1/.5　操作系统：按类型分
　　　　　TP316.1　分时操作系统
　　　　　TP316.2　实时操作系统
　　　　　TP316.3　批处理
　　　　　TP316.4　分布式操作系统、并行式操作系统
　　　　　TP316.5　多媒体操作系统
　　　　　　　　TP316.6/.8　操作系统：按名称分
　　　　　TP316.6　DOS操作系统
　　　　　TP316.7　Windows操作系统
　　　　　TP316.8　网络操作系统
　　　　　TP316.9　中文操作系统
　　　　TP317　程序包（应用软件）
　　　　　TP317.1　办公自动化系统
　　　　　TP317.2　文字处理软件
　　　　　TP317.3　表处理软件
　　　　　TP317.4　图像处理软件
　　　　TP319　专用应用软件
　　　TP32　一般计算器和计算机
　　　　TP321　非电子计算机
　　　　　TP321+.1　求积仪、曲线仪
　　　　　TP321+.2　积分器
　　　　　TP321+.3　手动计算机
　　　　　TP321+.5　电动计算机
　　　　TP322　分析计算机（穿孔卡片计算机）
　　　　　TP322+.1　穿孔机
　　　　　TP322+.2　验孔机
　　　　　TP322+.3　分类机
　　　　　TP322+.5　制表机
　　　　TP323　电子计算器
　　　　　TP323+.1　台式计算器
　　　　　TP323+.2　袖珍计算器
　　　　　　TP33/38　各种电子计算机
　　　TP33　电子数字计算机（不连续作用电子计算机）
　　　　TP331　基本电路
　　　　　TP331.1　逻辑电路
　　　　　TP331.2　数字电路
　　　　TP332　运算器和控制器(CPU)
　　　　　TP332.1　逻辑部件
　　　　　TP332.2　运算器
　　　　　TP332.3　控制器、控制台
　　　　TP333　存贮器
　　　　　TP333.1　内存贮器（主存贮器）总论
　　　　　TP333.2　外存贮器（辅助存贮器）总论
　　　　　TP333.3　磁存贮器及其驱动器
　　　　　TP333.4　光存贮器及其驱动器
　　　　　TP333.5　半导体集成电路存贮器
　　　　　TP333.6　超导体存贮器
　　　　　TP333.7　只读(ROM)存贮器
　　　　　TP333.8　随机存取存贮器
　　　　　TP333.93　交换器
　　　　　TP333.95　延迟线存贮器
　　　　　TP333.96　虚拟存贮器
　　　　TP334　外部设备
　　　　　　　　TP334.1/.4　各种外部设备
　　　　　TP334.1　终端设备
　　　　　TP334.2　输入设备
　　　　　TP334.3　输出设备
　　　　　TP334.4　输入输出控制器
　　　　　[TP334.5]　外存储器
　　　　　TP334.7　接口装置、插件
　　　　　TP334.8　打印装置
　　　　　TP334.9　其他
　　　　TP335　信息转换及其设备
　　　　　TP335+.1　模拟-数字转换设备
　　　　　TP335+.2　文字-代码转换设备
　　　　　TP335+.3　图形-代码转换设备
　　　　　TP335+.4　数字-模拟转换设备
　　　　TP336　总线、通道
　　　　TP337　仿真器
　　　　TP338　各种电子数字计算机
　　　　　[TP338.1]　微型计算机
　　　　　TP338.2　小型计算机
　　　　　TP338.3　中型计算机
　　　　　TP338.4　大型、巨型计算机
　　　　　TP338.6　并行计算机
　　　　　TP338.7　阵列式计算机
　　　　　TP338.8　分布式计算机
　　　TP34　电子模拟计算机(连续作用电子计算机)
　　　　TP342　运算放大器和控制器
　　　　　TP342+.1　运算放大器
　　　　　TP342+.2　运算器
　　　　　TP342+.3　控制器
　　　　TP343　存贮器
　　　　TP344　输入器、输出器
　　　　TP346　函数发生器
　　　　TP347　延时器
　　　　TP348　各种电子模拟计算机
　　　　　TP348+.1　微分分析器与增量计算机
　　　　　TP348+.2　直流电子模拟计算机
　　　　　TP348+.3　交流电子模拟计算机
　　　TP35　混合电子计算机
　　　　TP352　数字-模拟计算机
　　　　　TP352+.1　数字微分分析器
　　　　TP353　模拟-数字计算机
　　　TP36　微型计算机
　　　　TP368　各种微型计算机
　　　　　TP368.1　微处理机
　　　　　TP368.2　单板微型计算机
　　　　　TP368.3　个人计算机
　　　　　TP368.5　服务器、工作站
　　　　　TP368.6　网络计算机(NC)
　　　TP37　多媒体技术与多媒体计算机
　　　TP38　其他计算机
　　　　TP381　激光计算机
　　　　TP382　射流计算机
　　　　TP383　超导计算机
　　　　TP384　分子计算机
　　　　TP387　第五代计算机
　　　　TP389.1　人工神经网络计算机
　　　TP39　计算机的应用
　　　　TP391　信息处理(信息加工)
　　　　　TP391.1　文字信息处理
　　　　　TP391.2　翻译机
　　　　　TP391.3　检索机
　　　　　TP391.4　模式识别与装置
　　　　　TP391.5　诊断机
　　　　　TP391.6　教学机、学习机
　　　　　TP391.7　机器辅助技术
　　　　　TP391.8　控制机
　　　　　TP391.9　计算机仿真
　　　　TP392　各种专用数据库
　　　　TP393　计算机网络
　　　　　TP393.0　一般性问题
　　　　　TP393.1　局域网（LAN）、城域网（MAN）
　　　　　TP393.2　广域网（WAN）
　　　　　{TP393.3}　洲际网络
　　　　　TP393.4　国际互联网
　　　　TP399　在其他方面的应用
 
收录于
Life's Good(生活频道)

当前文章被收录于：

Life's Good(生活频道)
27 篇文章 0 人学习
订阅专栏 查看详情
标签
#网络 #分布式计算 #图像处理 #数据备份 #语言
#算法
中图分类号 for 计算机专业 发表计算机有关的论文的作者会用到，中图分类号for 计算机专业的详细分类 立即下载

相关推荐

WorkBuddy 实战：从聊天窗口到 AI 工作台，打造个人自动化助理

大模型时代，对话式 AI 常被当作高级搜索框，难以沉淀为生产力。其根源在于上下文断裂——每次对话都从零开始。AI Agent 的核心原理是通过状态保持、工具调用与流程复用，将临时交互固化为可重复的协作机制。WorkBuddy 作为个人 AI 工作台，以 Agent + Skill + 工作流架构解决该问题：Skill 封装操作手册，工作区沉淀知识上下文，自定义指令约束输出风格。这种设计让周报生成、会议纪要、文档初稿、专利检索辅助等重复劳动实现流程化自动产出。掌握 WorkBuddy 怎么用，关键在于从自己重

weixin_33834910的博客 336

计算机相关分类号,中图法分类号(计算机专业) TP

中图法分类号(计算机专业)T　工业技术TP　自动化技术、计算机技术TP3　计算技术、计算机技术TP3-0　计算机理论与方法TP3-05　计算机与其他学科的关系TP30　一般性问题TP301　理论、方法TP301.1　自动机理论TP301.2　形式语言理论TP301.4　可计算性理论TP301.5　计算复杂性理论TP301.6　算法理论TP302　设计与性能分析TP302.1　总体设计、系统设计TP...

weixin_32823555的博客 5606

MOOS-ivp 实验一 MOOS软件的安装与执行

MOOS-ivp实验一 实验一步骤总结 文章目录MOOS-ivp实验一前言一、实验一1.下载软件2.安装必要的插件3.安装后检查4.路径添加5.执行示例文件总结 前言 在moos学习过程中，我觉得最好把学习的每一步骤都总结一下，方便日后进行回顾。moos官网设置了十八个实验，涉及到了moos的各个方面，完成这些实验也是moos入门的好办法。 一、实验一 实验一主要内容仅仅是软件的安装，仅仅这一步就花费了我接近两天的时间。主要问题发生在linux系统的配置问题上。 1.下载软件 svn co https:

weixin_44151170的博客 6671

中图法分类号(计算机专业)和文献标识码

中图法分类号(计算机专业)    T　工业技术　TP　自动化技术、计算机技术　　TP3　计算技术、计算机技术　　　TP3-0　计算机理论与方法　　　　TP3-05　计算机与其他学科的关系　　　TP30　一般性问题　　　　TP301　理论、方法　　　　　TP301.1　自动机理论　　　　　TP301.2　形式语言理论　　　　　TP301.4　可计算性理论　　　　　TP301.5　计算复杂性理论　　　

计算机视觉之光 1万+

libnice和coturn这两个库有交叉实现的地方，具体有啥区别？

TurnAdmin：是一个TURN的管理工具，此工具能被用来管理用户账号的增删改查。 TurnServer：是TURN和STUN的服务器实现。 Turnutils_uclient: 模拟多个UDP、TCP、TLS或DTLS客户端 Turnutils_peer: 一个简单的无状态UDP-ECHO服务器，用作中继模式中的最终服务器 Turnutils_stunclient: 一个简单的STUN客户端例子 Turnutils_rfc5769check: 检查STUN/TURN协议实现的正确性。 我们..

Langeldep的专栏 1320

SAP S4HANA F-02报错：更正统一日记账分类账的定制设置

消息号 FINS_ACDOC_CUST201 使用FINS_CUST_CONS_CHK_P去检查公司代码和分类账的设置 提示：过账期间变式为空（分类账 E1/公司代码 7500） 检查了表FINSC_LD_CMP 显示有分类账未分配过账期间变式 解决：后台配置定义分类账和货币类型的设置把过账变式维护下 路径：财务会计→财务会计全局设置→分类账→分类账→定义分类账和货币类型的设置 选中需要维护的分类账双击左侧的“分类账的公司代码设置”，找到对应的公司代码维护上即可。

qq_45068743的博客 6448

《网络安全等级保护基本要求》（GB/T 22239-2019）标准解读

关键词: 等级保护对象; 安全通用要求; 安全扩展要求 中图分类号:TP309 文献标志码:A 文章编号:1671-1122（2019）02-0077-08 Baseline for Classified Protection of Cybersecurity (GB/T 22239-2019) Standard Interpretation MA Li1, ZHU Guobang2, LU...

jiangbb8686的博客 6万+

CANoe.Diva实战：基于CDD的UDS诊断自动化测试全流程解析

本文详细解析了使用CANoe.Diva进行基于CDD的UDS诊断自动化测试的全流程，包括环境搭建、CDD文件配置、测试范围设置、用例生成与验证、CANoe集成测试及报告分析。通过实战经验分享，帮助工程师快速掌握诊断自动化测试技巧，提升测试效率与质量。

weixin_29258297的博客 219

计算机论文分类号 tp,中图法分类号(计算机专业) TP

中图法分类号(计算机专业)T　工业技术TP　自动化技术、计算机技术TP3　计算技术、计算机技术TP3-0　计算机理论与方法TP3-05　计算机与其他学科的关系TP30　一般性问题TP301　理论、方法TP301.1　自动机理论TP301.2　形式语言理论TP301.4　可计算性理论TP301.5　计算复杂性理论TP301.6　算法理论TP302　设计与性能分析TP302.1　总体设计、系统设计TP...

weixin_30272849的博客 7085

AI智能体实战：从LangChain到多智能体协作的自动化新范式

在人工智能技术快速发展的今天，大语言模型（LLM）已成为推动自动化变革的核心驱动力。其原理在于通过深度学习海量文本数据，使模型能够理解、生成自然语言并执行推理任务。这一技术进步催生了AI智能体（AI Agent）这一新兴概念，它赋予自动化系统自主决策和动态规划能力，从而突破了传统脚本和RPA工具在固定流程上的局限。从技术价值看，AI智能体框架通过封装LLM调用、工具集成与流程编排，显著降低了构建复杂人机协同应用的开发门槛。在实际应用场景中，智能体尤其擅长处理信息调研、内容创作辅助、数据分析等需要处理非结构化

weixin_33730836的博客 773

实用指南：制作通用的INCA和CANape兼容A2L文件

A2L（ASAM MCD-2 Measurement and Calibration Data）文件是描述ECU（电子控制单元）测量和校准数据的标准文件格式。在标定工作中，A2L文件扮演着极为重要的角色，它定义了测量通道、校准参数等关键信息，为工程师提供了统一的描述方式。INCA和CANape是两种常见的汽车电子系统标定工具，分别由ETAS和Vector公司开发。它们在汽车电子系统的开发和调试过程中发挥着重要作用，提供了丰富的标定功能和用户友好的界面。

一直在水些技术小文 2924

中图分类号——计算机软件类

中图分类号之计算机软件类TP31 计算机软件    TP311 程序设计、软件工程        TP311.1 程序设计            TP311.11 程序设计方法            TP311.12 数据结构            TP311.13 数据库理论与系统                TP311.131 数据库理论                TP311.132 数

刘伟技术博客 1万+

执行HDevelop项目

这一节，我们讲述的是如何用HDevEngine加载和执行一个HDevelop项目。代码部分来源于示例程序exec_program(源文件exec_program.cpp)，检测塑料零件边界上的毛刺。1.Step 1:初始化首先，我们包含HALCON/C++和HDevEngine头文件以及命名空间。注意到在这个示例程序中，HDevEngine头文件已经包含在my_hdevoperatorimpl中，所

Z's Palace 2997

计算机 分类号,中图法分类号(计算机,自动化)（CLC number (computer, automation)）.doc...

中图法分类号(计算机,自动化)(CLC number (computer, automation))中图法分类号(计算机,自动化)(CLC number (computer, automation))In the graph classification (computer, automation)A new computer core journals GuideT Industrial Tec...

weixin_32508515的博客 1242

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")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

中图法计算机知识,中图法分类号(计算机,自动化)（Middle image classification number (computer, automation)）.doc...

中图法分类号(计算机,自动化)(Middle image classification number (computer, automation))中图法分类号(计算机,自动化)(Middle image classification number (computer, automation))Middle image classification number (computer, automa...

weixin_39963534的博客 572

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

中图法分类号(计算机专业) TP

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34242509的博客 2400

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

中图法分类号(计算机专业)

中图法分类号(计算机专业)    T　工业技术　TP　自动化技术、计算机技术　　TP3　计算技术、计算机技术　　　TP3-0　计算机理论与方法　　　　TP3-05　计算机与其他学科的关系　　　TP30　一般性问题　　　　TP301　理论、方法　　　　　TP301.1　自动机理论　　　　　TP301.2　形式语言理论　　　　　TP301.4　可计算性理论　　　　　TP301.5　计算复杂性理论　　　

MindHawk 1万+

中图法分类号

中图法分类号(计算机专业)    T　工业技术 　TP　自动化技术、计算机技术 　　TP3　计算技术、计算机技术 　　　TP3-0　计算机理论与方法 　　　　TP3-05　计算机与其他学科的关系 　　　TP30　一般性问题 　　　　TP301　理论、方法 　　　　　TP301.1　自动机理论 　　　　　TP301.2　形式语言理论 　　　　　TP301.4　可计算性理论 　　

hellochenlu的博客 4428

中国图书分类号-自动化_计算机

《中国图书馆分类法》(原名《中国图书馆图书分类法》，以下简称《中图法》)是我国图书馆和情报单位普遍使用的一部综合性的分类法。到1999年《中图法》已进行四次修订 (对F经济，TN无线电电子学、电信技术，TP自动化技术、计算机技术等三类为重点修订大 类)。 除《中图法》以外，目前我国常用的还有《中国图书资料分类法》(简称《资料法》)，《资料法》是在《中图法》的基础上，由中国科学技术信息研究所...

技术代码资料库 2774

中图分类号

<br />中图分类号<br />TP  自动化技术、计算机技术（下分六类）<br /> <br />1 自动化基础理论<br />2 自动化技术及设备<br />3 计算技术、计算机技术<br />6 射流技术(流控技术)<br />7 遥感技术<br />8 远动技术<br /> <br /> <br /><br /><br />TP 自动化技术、计算机技术<br />(依总论复分表分.)<br />［TP-9］自动化技术经济<br />(宜入F407.67.)<br />TP1 自动化基础理论<br

继网开来的专栏 9554

计算机相关分类号,计算机类中图分类号.doc

文档介绍：TP1 自动化基础理论TP2 自动化技术及设备TP20 一般性问题TP21 自动化元件、部件TP23 自动化装置与设备TP24 机器人技术TP27 自动化系统TP29 自动化技术在各方面的应用TP3 计算技术、计算机技术TP30 一般性问题TP31 计算机软件TP32 一般计算器和计算机TP33 电子数字计算机(不连续作用电子计算机)TP34 电子模拟计算机(连续作用电子计算机)TP35...

weixin_33917277的博客 1000

中图分类号：TP 自动化技术、计算机技术

[TP-9] 自动化技术经济       TP1 自动化基础理论         TP11 自动化系统理论         TP13 自动控制理论         TP14 自动信息理论         TP15 自动模拟理论（自动仿真理论）         TP17 开关电路理论         TP18 人工智能理论           TP181 自动推理、机

lzx5201314的专栏 4844

毕设论文分类号与UDC查询指南：中图法与国际十进分类法实操

文献分类是学术检索与知识组织的基础，中图法分类号与UDC作为国内与国际通用的分类体系，直接影响论文的归档与检索效率。其原理在于通过层级编码将学科知识系统化，技术价值体现在提升文献检索的准确性与跨库互操作性。在毕业论文写作、图书馆馆藏管理及学术数据库建设中，正确使用分类号能显著优化信息检索体验。本文聚焦毕设论文场景，详解中图法分类号与UDC的查询方法、映射技巧及常见避坑策略，帮助读者高效完成封面信息填写。

weixin_34259232的博客 408

中图分类号 自动化技术、计算机

中图分类号 for 计算机专业，及文献标识码 T　工业技术　TP　自动化技术、计算机技术　　TP3　计算技术、计算机技术　　　TP3-0　计算机理论与方法　　　　TP3-05　计算机与其他学科的关系　　　TP30　一般性问题　　　　TP301　理论、方法　　　　　TP301.1　自动机理论　　　　　TP301.2　形式语言理论　　　　　TP301.4　可计算性理论　　　　　TP301.5　计算复杂

日子 2860
上一篇： 追MM与设计模式
下一篇： 计算机核心期刊投稿指南
点赞 0
评论 0
书签 书签 3
Image_Graphics
Image_Graphics
博客等级 码龄20年 18粉丝 52原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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