写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

Base64:含中文参数转码,对方接受参数解码后,中文信息乱码的解决方案 阅读详情

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

前言

中文乱码问题在我们日常开发中司空见惯,那么乱码问题是如何产生的呢?又怎样去解决乱码问题呢?本文将结合基本概念和例子展开阐述,希望大家有收获。

一个简单乱码的例子

package whx;

import java.io.UnsupportedEncodingException;

public class TestEncodeAndDecode {
    public static void main(String[] args) throws UnsupportedEncodingException {

        String str = "测试中文乱码";
        byte[] b = str.getBytes("GBK");
        System.out.println(new String (b,"UTF-8"));
    }
}
复制代码

用GBK编码,用utf-8解码,产生乱码,运行结果如下:

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

相关基础概念

要理解乱码的根源,需要先了解清楚位、字节、字符、字符集等相关概念。

位(bit)

位是计算机存储数据的最小单位,1或者0就表示1位,如10010010就表示8位的二进制数。

字节

字节是计算机信息技术用于计量存储容量的一种计量单位,作为一个单位来处理的一个二进制数字串,是构成信息的一个小单位。

1 B = 8 bit (1字节等于8位)
1 KB = 1024 B = 1024 字节
1 MB = 1024 KB 
1 GB = 1024 MB
1 TB = 1024 GB
复制代码

字符

字符是指计算机中使用的字母、数字、字和符号,是数据结构中最小的数据存取单位。如a、A、B、b、大、+、*、%等都表示一个字符;

在 ASCII 编码中,一个英文字母字符存储需要1个字节。
在 GB 2312 编码或 GBK编码中,一个汉字字符存储需要2个字节。
在UTF-8编码中,一个英文字母字符存储需要1个字节,一个汉字字符储存需要3到4个字节。
在UTF-16编码中,一个英文字母字符或一个汉字字符存储都需要2个字节
在UTF-32编码中,世界上任何字符的存储都需要4个字节
复制代码

字符集

字符集是多个字符的集合,字符集种类较多,每个字符集包含的字符个数不同。常见字符集名称:

ASCII字符集
GB2312字符集
Unicode字符集
复制代码

编码、解码

计算机只认识二进制的1和0,而人类都是有自己的语言的,双方要能进行信息交流,必须要有从文字到0、1的转化,以及0、1到文字转化。

编码: 就是将文本字符转换成计算机可以识别的0、1机器码。

解码: 将存储在计算机中的二进制数解析成文字、字符。

常见字符集及其编码方式

常见字符集有ASCII、GBK、Unicode等

ASCII字符集

ASCII字符集:它包括英文字母、阿拉伯数字和西文符号等可显示字符,以及回车键、退格等控制字符。

ASCII 编码:它是美国制定的字符编码,用于将英语字符转化为二进制,规定了128个字符的编码。

GBXXXX字符集

GBXXXX系列包括GB2312、GBK、GB18030,适用于汉字处理、汉字通信等系统之间的信息交换。

GB2312

  • 全称是《信息交换用汉字编码字符集》,支持六千多汉字。
  • 国家简体中文字符集,兼容ASCII,中国大陆和新加坡都采用此编码。
  • 每个汉字及符号以两个字节来表示。
  • 高字节从A1~F7, 低字节从A1~FE。将高字节和低字节分别加上0XA0即可得到编码。

GBK

  • GBK全称《汉字内码扩展规范》,扩展了GB2312,加入对繁体字的支持,支持两万多汉字。
  • 每个汉字及符号也是以两个字节来表示。
  • 高字节从81~FE,低字节从40~FE。

GB18030

  • GB 18030,全称《信息技术 中文编码字符集》,与GB2312、GBK编码兼容,可支持27484个文字
  • 采用变长多字节编码,每个字可以由1个、2个或4个字节组成。
  • 1字节从00~7F; 2字节高字节从81~FE,低字节从40到7E和80到FE;4字节第一三字节从81~FE,第二四字节从30~39。

Unicode 字符集

Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。UNICODE字符集有多种编码方式,分别是UTF-8,UTF-16和UTF-32。

UTF-8

  • 是针对Unicode的一种可变长度字符编码。
  • 它可以用来表示Unicode标准中的任何字符,而且其编码中的第一个字节仍与ASCII相容,使得原来处理ASCII字符的软件无须或只进行少部份修改后,便可继续使用。
  • UTF-8使用1~4字节为每个字符编码(ASCIl字符只需1字节编码, 拉丁文、希腊文等需要两个字节编码, 中日韩文字使用三字节编码, 其他极少使用的语言字符使用4字节编码号)

UTF-16

  • 把Unicode字符集的抽象码位映射为16位长的整数(即码元)的序列,用于数据存储或传递。
  • UTF-16比起UTF-8,好处在于大部分字符都以固定长度的字节 (2字节) 储存,但UTF-16却无法兼容于ASCII编码。

UTF-32

  • 一种将Unicode字符编码的协定,对每一个Unicode码位使用恰好32位元,其它的 Unicode 编码方式则使用不定长度编码。
  • 采用4字节编码,处理速度比较快,但是浪费空间,传输速度慢。

一个例子理解编码解码的庐山面目

我们敲代码的程序员,接触最多的就是“hello word”。计算机只认识0和1,它是怎么展示hello word的呢?

上一小节,我们已经知道编码、字符集的知识。我们可以用ASCII编码,把“hello word”翻译成计算机认识的0、1。有兴趣的朋友可以去查一下 ASCII对照表

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

计算机存储的是hello world的0、1二进制码,先将二进制码解码成对应的字符,然后在屏幕上渲染出来,我们看到的就是hello world了

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

乱码如何产生的呢?

乱码产生的原因主要有两个,一是文本字符编码过程与解码过程使用了不同的编码方式,二是使用了缺少某种字体库的字符集引起的乱码。

编码与解码使用了不同的编码方式

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

例子中,用了utf-8编码,使用了GBK解码,结果产生了乱码。因为在utf-8中,一个汉字用三个字节编码,而GBK中,每个汉字用两个字节表示,所以产生了乱码。

使用了缺少某种字体库的字符集

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

我们知道GB2312是不支持繁体字的,所以使用缺少某种字体库的字符集编码,会产生乱码。

乱码又如何解决呢

使用支持要展示字体的字符集编码,并且编解码使用同一种编码方式,就可以解决乱码问题了。

接下来列举一下乱码的经典场景与解决方案

IntelliJ Idea乱码问题

IDE项目中的中文乱码问题?File->settings->Editor->File Encodings,设置一下编码方式utf-8

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

IDE控制台中文乱码?尝试一下这种方式,打开IDE安装目录,找到

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

在文本末尾添加-Dfile.encoding=UTF-8

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

数据库乱码问题

查看数据库编码:

show variables like 'character_set%'
复制代码

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

设置session、global范围的编码方式

//session 范围
set character_set_server=utf8;
set character_set_database=utf8;
//global 范围
set global character_set_database=utf8;
set global character_set_server=utf8;
复制代码

session、global范围编码,重启mysql可能编码又变回去了,可以尝试另外一种方式。在mysql(windows环境)的my.ini配置文件中修改或添加下列内容

[mysql]
default-character-set=utf8 
[mysqld]
default-character-set=utf8 
[client]
default-character-set=utf8
复制代码

编码角度的乱码问题

写代码的时候出现中文乱码?追踪定位到编码解码的地方,设置用同一种编码方式。

写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它

写在最后

需更加深入学习java知识的小伙伴以及即将参加面试的小伙伴可以购买以下教程哦!

字符编码及乱码 前言:从学习编程开始,字符编码和乱码问题一直伴随在我们左右。ASCII、GBK、UTF-8、Unicode、Latin 1、ANSI、ISO-8859-1等字符编码瞬时出现在我的脑海,就像电子围绕原子核一样不停转动。但是,扪心自问,我们真的了解它们吗?它们的底层原理是什么?同样是乱码,为什么有时候是“???”,有时候是“浣犲ソ”或者“ä½ å�½”。遇到乱码,我们可以轻易的在网上找到解决方案,但是下次遇到类似甚至同样的问题,还是要去网上找答案,因为我们不知道乱码的根本原因。本文将详细介绍常见编码的底层原理. 阅读详情

相关推荐

各语言中文乱码浅析及解决方案

字符串字面量编码:如果C/C++代码中包含了中文字符串字面量,确保这些字符串使用正确的编码格式。例如,对于UTF-8编码的字符串,可以在字符串前加上"u8"前缀。在某些情况下,服务器可能会忽略HTML文件中的charset设置,或者使用错误的charset。I/O操作编码设置:当进行文件读写或者控制台输入输出时,确保设置正确的编码格式。乱码是指在文本显示或传输过程中,由于字符编码不一致或不正确而导致的无法正常显示或解析的现象。编码将字节数组转换回字符串,得到转换后的字符串。,用于存放处理中文乱码的代码。

joe_g12345的博客 1673

求一段看不懂的乱码_求一对乱七八糟表示废话的符号!急急急急急急!

展开全部1、×&%¥e69da5e887aa62616964757a686964616f31333433636136#@……2、§№☆●◎□◆○◎★▲△■※£¤¢℃¥ξοωχυλβιμητσ3、@#$^&%!$# ……*&%¥&@34%#!4、★☆★$ & ¤ § | °゜ ¨ ± · × ÷ ˇ ˉ ˊ ˋ ˙ Γ Δ Θ Ξ Π Σ Υ Φ Ψ Ω α ...

weixin_28771751的博客 26万+

idea莫名其妙打不开了怎么办

1.背景 今天遇到一个问题,突然间打不开idea了,重启,管理员方式启动各种都试了还是打不开 2解决过程 折腾了半天只能重装,重装了最新版的还是打不开,只能找一个和原来差不多的版本进行安装安装成功了,在这个过程中发现在发生这种情况其实不需要重装装 3.解决方法: 3.1.删除用户目录下的idea的记录C:\Users\用户名\.IntelliJIdea2019.3\system中的caches 和index 文件 重启即可 3.2如果还是不行就修改当前IntelliJIdea2019.3目录

bitree1的博客 5万+

c语言 乱码转化为16进制_写代码总是莫名其妙的乱码?这一篇教你从原理出发彻底干掉它...

前言中文乱码问题在我们日常开发中司空见惯,那么乱码问题是如何产生的呢?又怎样去解决乱码问题呢?本文将结合基本概念和例子展开阐述,希望大家有收获。一个简单乱码的例子package whx;import java.io.UnsupportedEncodingException;public class TestEncodeAndDecode { public static void main(S...

weixin_30067913的博客 410

网页设计中文乱码原理剖析

很多小伙伴搞网站开发的时候很容易遇到网站中文乱码的问题,这时候就会各种百度,然后把提到的方法都试一遍。有些解决了,但也解决地莫名其妙。有些没有解决,甚至试遍了搜到的所有方法都未必成功,这极大打击了学习者的信心。 目前网上似乎也没有人比较系统地总结过Web应用在文字编码方面的问题,深受这个问题的困扰,于是我花了大概一整周的时间去测试研究总结。期间遇到了不少奇奇怪怪的问题,包括IDE软件本身的BUG...

GoldenBullet的博客 956

手把手教你用HarmBench数据集测试大模型安全性(含多模态案例)

本文详细介绍了如何使用HarmBench数据集测试大模型的安全性,包括文本和多模态越狱指令的实战案例。通过环境配置、数据集获取、测试流程及结果分析,帮助开发者全面评估和提升大模型的安全防护能力,特别关注多模态攻击的防御策略。

weixin_26642481的博客 331

Goland Run和Debug控制台乱码、出现莫名其妙的空格终极解决方法

Goland Run和Debug控制台乱码、出现莫名其妙的空格终极解决方法

Avtionの秘密房间 4259

nature子刊:MCNN基于电池故障诊断的模型约束的深度学习方法

本研究提出了一种基于模型约束神经网络(MCNN)的锂离子电池在线故障诊断方法,整合物理模型与深度学习,有效解决了随机工况下传统方法诊断精度低、依赖故障样本等问题。通过统计修正电池包模型和双向LSTM网络,实现了电池状态的高精度预测(平均RMSE 3.9%),并设计模型耦合自动编码器提取可解释特征。在包含18.2百万条真实车辆数据的验证中,该方法故障检测TPR在FPR=0.1时达85%,较基准方法提升超46.5%,且能提前30分钟预警内部短路等故障。研究还展示了算法在跨电池包结构迁移中的优越性,为工业应用提供

hasakie的博客 1764

网上复制代码需谨慎,莫名其妙报错看这里!

[HDL 9-806] Syntax error near "non-printable character with the hex value '0xc2'". ["F:/Blog/vivado_csdn/project_freq_detect/source/counter_10.v":24]

Reborn Lee 1万+

告别USB转接:在STM32探索板上用SPI跑通ESP-Hosted,实现Wi-Fi/BLE连接

本文详细介绍了如何在STM32F469I-DISCO开发板上通过SPI接口实现ESP-Hosted方案,为嵌入式设备添加Wi-Fi和蓝牙连接功能。通过硬件配置、协议栈优化和性能测试,展示了这一创新方案的成本效益和开发效率,特别适合资源受限但需要稳定无线连接的嵌入式应用场景。

weixin_34046298的博客 254

英特尔® NUC迷你电脑实现无人值守自动开机配置指南

本文详细介绍了如何配置英特尔® NUC迷你电脑实现无人值守自动开机功能。从BIOS设置到操作系统级配置,涵盖硬件兼容性确认、电源恢复功能设置及常见问题解决,帮助用户轻松实现设备断电后自动恢复运行,适用于家庭服务器、企业终端等多种场景。

weixin_42638178的博客 478

IDEA控制台乱码问题,原因&解决方式,解决不了算我输

IDEA 控制台乱码问题 文章目录IDEA 控制台乱码问题首先总结下网上大多编码问题解决方式乱码原因解决方式我为什么推荐控制台使用 GBK我的编码设置思想第一种解决方案的弊端end 关于这个乱码问题网上的解决方法大同小异, 但是即便你照着网上配置完之后, 也未必能够解决控制台乱码问题. 接下来由我从乱码角度来分析乱码问题, 让大家确保能够解决乱码问题. 首先总结下网上大多编码问题解决方式 IDEA 启动参数 IDEA 是 使用java做的, IDEA 安装路径下 \ideaIU-2019.3.3.w

cpfniliu 5万+

从零到一:手把手教你用YonBuilder for NCC搭建NC Cloud 2021.11开发环境(含避坑指南)

本文详细指导如何使用YonBuilder for NCC搭建NC Cloud 2021.11开发环境,涵盖硬件要求、软件安装、YonBuilder配置及常见故障排除。特别提供避坑指南,帮助开发者快速上手NCC开发,确保环境配置的原子化分解和开发思维的体系化建立。

weixin_42523326的博客 347

MATLAB代码中文注释乱码问题解决办法

四步解决matlab代码中文注释乱码问题!

AI_Optimization的博客 3万+

基于STM32L4XX、HAL库的RTL8211FSI-CG以太网收发器(PHY)驱动程序设计

一、简介:RTL8211FSI-CG是Realtek公司生产的一款高性能、低功耗的单端口10/100M以太网收发器(PHY)。它通过RMII(Reduced Media Independent Interface)或MII接口与MAC控制器连接。

zhusl6688的博客 538

华为OD机试新系统真题【计算电动车续航里程】

华为OD机试 新系统真题【计算电动车续航里程】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【计算电动车续航里程】多语言题解。

qq_45776114的博客 792

建议收藏,彻底搞懂字符编码问题,从此告别中文乱码

在中文的语言环境里,身为程序员的我们一定会遇到过中文乱码的情况,究其原因就是字符编码的问题。在没有深入理解其原理之前,会觉得中文编码问题比较谜,莫名其妙地乱码,又稀里糊涂地好了。字符编码...

xmt1139057136的专栏 1999

YOLOv11-seg 改进系列 | 引入原创 RSCD 重参数共享卷积分割头,增强 Head 表达力并压低计算量

本文提出一种改进的YOLOv11-seg分割头Segment_RSCD,通过重参数共享卷积增强表达能力。该模块在LSCD共享检测头基础上引入DiverseBranchBlock重参数卷积,保留三尺度预测与Proto掩码原型接口不变。相比原始Segment头,Segment_RSCD参数增加4%但计算量降低1.3%,在共享卷积结构中通过多分支补偿表达能力损失,同时利用Scale层保持尺度差异校准。该方法不改动Backbone/Neck结构,仅重构检测/分割头,实现训练期多路径聚合与部署期等效单分支的平衡。

qq_44224801的博客 187

U盘出现乱码怎么办?教你如何恢复

在使用u盘、SD卡、tf卡等移动储存设备时,有时候会莫名其妙的出现乱码,这给我们造成了极大地麻烦,甚至造成重要资料丢失。这些乱码还无法移动、无法删除,这些乱码怎么办?  最简单的u盘乱码修复方法 第一步:把u盘连接电脑,使用杀毒软件,确认u盘无毒  第二步:依此操作“右键单击u盘”→ 选择“属性”→ 选择“工具”→ 选择“开始检查”→ 把“自动修复文件系统错误”和“扫描并尝试恢复坏扇区”全部勾选上...

weixin_42288884的博客 3万+

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")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

linux如何复制代码不乱码,网上复制代码要小心,很可能会带入乱码字符

原标题:网上复制代码要小心,很可能会带入乱码字符作者:codexia 文章来源:C++技术网原文链接:http://www.cjjjs.com/paper/xmkf/201781595304.html现在网上有很多共享代码。有了现成的代码,我们一般都是直接将代码复制到本地,然后就开始编译运行了。但是,复制代码真的安全吗?有些编译器做的好些,兼容性也强,对于很多异常的字符可以过滤。而有些编译器就比较...

weixin_33680141的博客 1181

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

别卷代码了:Node.js之父刚刚宣布,“写代码”的时代彻底结束

2026年,留给“代码搬运工”的时间真的不多了。但对于真正的“工程师”来说,这不仅不是末日,反而是黄金时代的开端。因为你终于可以从繁琐的括号和分号中解脱出来,去构建那些你梦寐以求的宏大系统。只要你的想象力没有枯竭,你的时代就没有结束。

agions的博客 539

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Java开发中莫名其妙的乱码问题

兄弟,有时候开发中,你的一切配置全部正确,但是不管如何修改,一直会存在乱码问题。这个时候你无论如何也改不了这个Bug,那么你可以尝试这样做。肯定就是你的数据库编码有问题。 打开你的mysql安装目录中的my.ini配置文件,设置你的数据库编码为UTF8; 我这里做了一个实例,是mysql5.7,配置了编码格式为UTF8-mb4 [client] default-character-set ...

qq_39157951的博客 188

Eclipse中文乱码问题

1、Eclipse中的文本编辑器所采用的字符集,应设置为UTF-8,如图所示: 2、MyEclipse中的相关类型文件(比如图中的HTML、JavaScript、JSP、XML等类型)UTF-8;如图所示的就是对*.jsp类型的设置:的字符集也设置成500)this.width=500;" border="0" />3、若写的页面是JSP页面,则应指定该页面显示所用的字符集

jupiter97的专栏 2646
上一篇: 我都把MySql啃得这么透彻了,你还不进来看一下吗?
下一篇: 50道微服务经典面试题,想进大厂你必须弄懂(内附答案)
Javaesandyou
博客等级 码龄5年 742粉丝 563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