从猪哥哥的留言说起

STM32按键中断切换红绿蓝灯 通过以上步骤,我们实现了使用STM32的按键中断来切换红绿蓝LED灯的功能。在实际应用中,可能还需要考虑更多的细节,如按键消抖、更精确的延时实现等。但上述代码提供了一个基本的框架和思路,可以根据具体需求进行扩展和优化。希望这篇博客对您有所帮助! 阅读详情

从猪哥哥的留言说起

(第379楼)

对于昨天的大跌,很多的文章说:“这是主力洗盘”。呵呵,关于主力是什么,我记得我很早以前说过。这个世界上很多事情说不清楚,所以人们制造了一个上帝,自从有了上帝,很多解释不清楚的事情就解释清楚了。股市也是一样,自从发明了主力这个词,很多事情也就可以解释清楚了。

那么,我是怎么看昨天的大跌呢?其实很简单,自从宏观政策调整后,源源不断的资金流入,使得大盘已经上升了将近20%,到了昨天的2050点,刚好是前期救市行情的涨停板位置,套住了大量的筹码,新增资金在不足以承接的情况下只能后退,并引发获利盘一起涌出。随着资金的不断流入,这个点位是迟早要过的。

最终这次反弹能到多少点,目前还看不到顶,因为在宽松的货币政策下,你无法预测会有多少资金流入股市。在目前的经济条件下,释放出的资金一定有相当部分流入股市。

那么,这次是不是熊市的底部?单纯从市场角度看,很多特点都不象。真正的熊市底部,也就是最后改变趋势的因素,一定是价值。当趋势是向下的,那么最后扭转趋势的赚钱效应一定不是来自股价,而是来自于大量股票实际的投资回报大于其他投资回报。要体现出这一特点,就需要时间。这一次显然时间还不够。明显的是,突然的货币政策改变,使得在目前世道下没有什么投资机会的资金取道股市中来。大家不要再谈什么主力,什么“他们”。这就是这次行情的根本所在。当然,也有大量认为积极的货币和财政政策可以使得经济重新提速的投资者。

鉴于这次不是市场自己走出的底,同时,积极的财政政策和货币政策能否真的起到预期的效果,再加上未来整个世界的经济前景如何?这些都使得这次的1650究竟是不是整个这轮熊市的大底显得更加扑朔迷离。

在现阶段,持股不动,并且时刻关注宏观经济,就显得尤其重要。至于技术面,你关注半天最多也就是买卖时省点小钱

发布者:猪八戒的哥哥

 

※我对于这次上涨的本质还是愿意定性为“吃饭行情”,是大幅度下跌以后的一次中级反弹,是对于整个下跌的反弹。一般来说,很难趋势逆转。看起来这次行情是货币宽松及加快投资的十大措施促成了这次行情,但我的感觉并不如此。我的感觉是就算是没有这个政策,股市同样的会构成一次反弹,只不过是力度的问题,不是有没有反弹的问题。我这个感觉的基础是:在大盘的放量并不明显的情况下,银行股、鞍钢(我不知道其他行业是否如此?)从九月中旬价格底部开始量能就逐渐增加,与以前相比有明显的增加。这个情况与下跌趋势中的量能习惯是不符合的,也就是从技术上来说的“量价关系底背离”。而且那时候对于银行股、钢铁股的不利信息特别多。虽然说这个增加的成交量可以理解为大量小非(鞍钢没有小非)的卖出,基金同志们的卖出造成的。但问题在于是谁在买进?我想不会是全国的广大散户们在买进,这不符合散户思维。那么是谁在买进呢?应该说只能是先知先觉及准备做一次吃饭行情的人们,也就是我说的“他们”。

他们在九月中旬开始买进,那时候的股价可以说是进退自如。假如发动中级反弹不成功,那么这个价格也是无所谓的,假如中级反弹成功,那么他们可以全身而退。到了十一月份政府出台了十大措施以后,那么他们就更进退自如,发动一次大一点的中级反弹就可以有恃无恐。假如国民经济趋势在下半年逆转,那么就可以继续持股不动;假如国民经济在下半年还是不行,那么退出就是了。

由于十大措施的出台,目前又进入了一股社会游资,就是目前在炒作题材股的资金。

我判断为吃饭行情的基础是:

1,行情的下跌让参与多方伤了元气,一时半会儿难以恢复。

2,国民经济至少在上半年是难以好看的,大多数上市公司业绩上半年的同比下降几乎是没什么悬念的。在这样的情况下,一鼓作气的上涨好像有点“巧妇难为无米之炊”,至少是缺乏底气。

3,周边市场不会有什么实质性的利好,我国一枝独秀的理由不足,何况是在整体并不低估的情况下。所以,应该在上半年还有个下跌的过程。

 

我判断为这一次的1650就是未来五年内底部的基础是:

1,就整体估值而已,上证指数的1650点显然难以成为底部,因为目前的大多数股票并不低估。但是,在我们的上证指数里面有四个权重板块:

A,银行板块,目前的价值低估,只要银行业不出现大面积坏帐,目前是低估的,继续创新低的概率很小。

B,钢铁板块,很显然,大面积进入净资产以下交易的钢铁板块是低估的,未来创新低的概率同样的很小很小,何况09年钢铁行业景气度目前还是个未知数呢。

C,石化双雄,虽然说这两个东东并不低估,但由于种种因素,继续创新低的概率同样的不高,何况进入四季度以后的中石化中石油其经营业绩将相当好看,一个处于经营业绩趋势向上的行业怎么有可能会创新低呢?显然很难。

D,电力板块,虽然说目前的电力股并不低估什么,但电力行业的业绩将在明年开始趋势逆转,进入上升通道,与石化双雄的理由是同样的,一个处于业绩上升通道的股价是很难创新低的。

如此,有了这四个权重板块的支撑,大盘就很难创新低。

 

2,按照我的判断,以前实体企业最苦的是货币政策的紧缩,缺乏信贷资金的支持。目前的实体经济最困难的因素是原材料的大幅度下跌,构成了很多企业的现金流成为问题,生产就亏损。只要企业消化了目前高成本的库存,那么一切就都会好起来的。所谓的需求降低,这个东东更多的是由预期造成的,在加大投资、预期向好的情况下,需求会上来的。我估计这个消化的过程就大概需要半年时间。这就是我判断明年的二季度是国民经济底部的基础。

 

3,国家加大投资的力度是实实在在的,有人测算过,在我国,投资金额的40%将成为消费。所以,投资的加大将直接促进消费的增长。投资,投资所形成的固定资产将全部进入GDP。投资在形成固定资产的过程中,大部分成为老百姓的收入,一部份成为财政收入,一部份成为企业利润。当然,不可避免的是其中的一部份将成为一部份人的灰色收入,这是另外一回事了。所以,投资能实实在在的促进消费。

 

4,至于说猪哥哥担心的我们是否会出现滞胀的情况?我个人的判断是在三年内不会,其原因是:

A,我国是没有大宗商品定价权的,在目前欧美未来去杠杆化的过程中,大宗商品很难再一次走出牛市。只要国际市场大宗商品的价格没有大幅度上涨,那么我国就很难形成实质性的通货膨胀。因为我们基本上没有供不应求的商品,在一个稳定的市场中,假如没有其他资金的介入,其供求关系是价格的决定因素。

B,在我国,其实有三个行业的投资是不足的,一是铁路、交通运输业。二是核电、输变电行业。三是安居工程与环保行业。只要我们实实在在的进行投资,那么未来五年的高速增长应该是有保证的。如上所述,只要投资增长实实在在的存在,那么国民经济的发展就没问题。

C,我一直认为,我国需要一个逐渐的物价上涨过程,可控制的通货膨胀非常有必要,而不是人民币对外升值。

D,我持新人兄与道兄同样的观点,鉴于我们的出口产品基本上都是低档产品、日用品,所以在国外有着相当的刚性需求,一般来说不会因为欧美经济的萎缩而大幅度降低需求。当然,假如他们实行贸易保护,那么就是另外一回事了。再说了,我们的产品在世界各地都有着足够的成本竞争力,所以,就算是某个国家或地区的需求萎缩,我们还可以开拓其他地区增加出口的。比如说我们对于美国的出口,今年好像也并不如意的,但整体的出口还是高速增长。

 

总而言之,我们该相信我们华夏民族的勤劳与智慧!我曾经说过这样一句话:华夏民族,只要给我们一、两百年的平安,我们必将屹立于世界之巅峰!60年过去了,其中浪费了10年的大好时光。天灾并不可怕,人祸更要命。

 

 

(第385楼)猪哥你好,就你所说的市场底部的观点,我谈点看法:

一是股市底部和宏观经济底部是否重合?我以前问过这个问题

现在国外投行普遍认为国内经济在二季度见底,因而认为A股将在一季度见底,也就是提前三个月,

那么提前六个月的可能性不也是存在的嘛

 

二是关于你说的“一定是价值。当趋势是向下的,那么最后扭转趋势的赚钱效应一定不是来自股价,而是来自于大量股票实际的投资回报大于其他投资回报”我看过一个观点“如果跳出股市来看股票资产的投资价值的话,我们会更加清晰地看到,目前股票几乎是所有投资品种中最优选择。

首先,与楼市相比,楼市的市盈率是股市的300%。经过30%大幅下跌的深圳楼市,目前租金收益率在3%至4%左右。也就是说,其市盈率在25倍至33倍之间,平均为30倍。这与A股13倍左右的市盈率相差接近2倍,与B股6倍市盈率就更是相差达到5倍之巨。而长期数据显示,从增值的角度而言,股权投资的增值率要显著大于房产。

其次,与国债相比,目前国债市盈率也在30倍左右,明显高于股市13倍市盈率;且从分红的角度看,A股分红率也高于国债收益率。目前A股未来12个月的分红收益率预计为3.4%,而10年期国债收益率为3.2%。

不知道你是否同意?

发布者:离离之草

 

(第383楼)

关于价值,关于中国资产的定价问题,我想在很多时候太多的争论是个伪命题。

因为评判有价值的标准不一样,是10倍的PE,还是20倍的PE?本身与国情和行业极其相关的。

记得中国平安讲他们为什么投资富通失败的时候辩解,做了最完备的投资考察。他们以净资产多一点的价格收购。但是最后却亏到全军覆没。。

在我看来,价值有三种形式,一种是分红价值,也就是我们最常见说的安全边际,也是非常多的投资人用来跟债券,地产,黄金,古董比较的基准。

第二种,是成长价值,这个是在特定的时期内表现为高估值,比如说一家企业在10年内高速发展,这样他们可能在十年的时间里都表现出高估值,30倍的PE。

第三种,是并购价值,微软并购yahoo,可口可乐并购汇源,都是溢价收购。在中国还有很多所谓的壳,借壳上市,这个也是价值。

昨天央视招标会,广告收益总额再次大幅度提升。从长远的角度来看,中国资产肯定是极具吸引力的,世界五百强仍然把中国当作未来的目标地。。因此,在我看来,中国仍然是可以享受成长价值的国家,中国资产仍然吸引人。

依靠分红价值,我们可以在很大的概率上享受安全边际,但是也不得不防出现平安收购富通的败局。

对于,我自己而言,1664是不是底其实并不是最重要的。寻找合适的企业才是王道。。

 

现在很多人喜欢拿97年98年的中国和现在比。。

但是我自己而言更愿意拿93年94年的中国来和现在比,外部像97年98年,但是内部像93年94年。

十月份的净出口额创历史新高,可见我们的外贸是出了一些问题,但是很多外贸就是生活必需品,下滑空间不大,除非出现大规模贸易保护主义。。

中国的问题 是我们的内需出了问题,

北京的房地产成交量下跌一半,上海的房地产成交量下跌一半,这个对于高速发展的中国而言影响就是致命的。。。

发布者:小小鸭09

※是的,我同意你这个三种不同的上市企业内在价值形态。对于上市公司来说,确实存在着这三种表面上并不相同的内在价值形态,但归根结底还是目前成熟市场所采用的未来现金流贴现价值。不管是成长性企业的定价还是并购企业的定价,其定价的原理还是未来现金流的贴现值。

 

保姆级避坑指南:在Ubuntu 18.04上搞定速腾Helios雷达驱动与fast-LIO2的完整配置流程 本文提供了一份详细的速腾Helios雷达与fast-LIO2在Ubuntu 18.04上的配置避坑指南,涵盖驱动安装、数据格式转换到建图全流程。特别针对常见编译错误和数据转换问题提供了解决方案,帮助开发者高效完成环境搭建与建图任务。 阅读详情

相关推荐

在Jetson orin NX上安装部署Yolov8

1、环境准备与依赖安装2、安装PyTorch和Torchvision:从NVIDIA官方论坛或开发者下载中心获取与你的JetPack版本兼容的PyTorch wheel文件。例如,对于JetPack 5.1.2,可以安装PyTorch v2.1.0 8。:需要编译安装与PyTorch版本匹配的Torchvision。这里自己编译没有成功,下载了一个现成的可以用torchvision-0.16.2+c6f3977-cp38-cp38-linux_aarch64.whl。

xxxcccvvvbbb的博客 775

妹妹的留言

        "哥哥其实妹妹有好多话 说,希望你们能帮帮我,因为我真的好累,好多的事我都不知道从哪里说起,一切的一切你是无法想象的,当我遇到困难事我压抑着自己不准哭,不能懦弱,但是我最后发现原来我也是一个平凡的人我的心承担能力有限。我好象无法摆脱吵闹声中,在某个人眼里我是那么的愚蠢,在他的指骂中我成长了起来,在他编织的痛苦中我成长起来,我真的需要宁静心的宁静我真的好累,我不想去回忆那些不愉快,那

简简单单,平平淡淡 1867

2026年4月AI爆发周:阿里连推三款模型、字节全双工语音上线,国内大模型进入“落地竞速“新阶段

**摘要:**2026年4月初,国内AI大模型迎来密集发布,阿里、字节、腾讯分别推出新产品。阿里一周发布三款模型,覆盖通用推理、多模态轻量化和长文档处理,API价格大幅下降;字节推出全双工语音模型,实现实时交互,技术难度高;腾讯混元3.0强调工程化和生态整合,面向企业私有化部署。趋势显示,行业从性能竞赛转向落地竞赛,多模态成为主战场,API成本降低,开发者选择更丰富。国内大模型竞争重点转向实际应用和生态整合。

weixin_45526015的博客 1万+

《快把我哥带走》一部电影给的人生启发

张子枫,一个男孩子名字样,正宗零零后小明星,而且是非常出名还和很多大明星合作过的小演员。2001年8月出生在河南省三门峡市。 张子枫五岁时就已经开始拍广告了,八岁的时候就出演了一部灾难片里面的一个小孩童方登,这是她的第一部作品,虽然戏份不多,却也演的非常深入人心。 前几年的一部电影《我的爷爷是特工》里面的小主角也是张子枫,在里面的演出让人眼前一亮,小小姑娘成了一道晨阳光,吸纳了大量的小粉丝。 ...

飞上云端看彩虹 2173

Workbuddy+DeepSeek V4傻瓜流配置全指南:API接入、模型切换与Agent实战

AI编程助手的核心价值不在于模型本身,而在于如何稳定、安全、低门槛地调用其能力。Agent作为智能体范式,依赖可靠的运行时环境与标准化API通信;DeepSeek V4系列凭借高吞吐、低延迟和强工具调用支持,成为当前生产级Agent的理想引擎。Workbuddy则通过本地配置管理、环境变量注入与UTF-8无BOM容错等工程设计,将复杂部署简化为可复现、可版本化、可团队协同的实践流程。本文聚焦API接入路径下的真实卡点——从Key获取验证、models.json字段语义到沙箱权限控制,覆盖开发者在Window

weixin_33702545的博客 2358

android usb读写,安卓(Android)下如何开发USB NFC读写器app

对安卓工程师来说,在安卓下使用USB设备需要了解很多硬件的内容,这可能会导致工程周期的延长或者app的不稳定。为了将这种风险降到最低,友我科技发布了NFC读写器在安卓下的sdk,使用NFC读写器的类接口,安卓工程师就可以直接调用NFC读写器了,简单可靠。NFC读写器的安卓库文件为:yoworfidreader.jar在ADT工程中导入yoworfidreader.jar库文件,即可在工程中引用NF...

weixin_36433781的博客 823

同学们喜欢在计算机教室上课英语,大学教室墙壁上的故事,从16年到19年

原标题:大学教室墙壁上的故事,从16年到19年 我曾在文综楼某个教室的墙壁上看到一些话,字迹各异,是由许多不同的人写的。楼主:2016.12.3116年最后一天,在背该死的有效教学,大家呢?二楼:2017.3.6刚看完《岁月神偷》,把李治廷错认成某王姓男明星三楼:2017.5.8正在背人格心理学,明天考试四楼:2017.5.15和男票自习五楼:2017.5.31和女票自习六楼:2017.6.2楼上...

weixin_36194075的博客 247

快手did did_gt edid的注册过程

接口 https://gdfp.ksapisrv.com/rest/infra/gdfp/report/kuaishou/android did 是本地生成的16进制 或者 获取的 android_id did_gt 是did生成时间戳 1595073601970 public static final Random f16237a = new Random(System.currentTimeMillis()); public static long m19668a() {  &n

HURUWO的技术博客 1万+

imp崩溃怎么办_imp自爆又被人打 情绪崩溃哭诉后悔在LGD变菜了

说起LPL的良心韩援,大家第一时间会想到谁?Doinb?还是肉鸡,没错他们都是,但还有一位良心韩援逐渐被大家所遗忘,他就是世界第一鼠王Imp~当时意气风发的Imp在争论声下,伴随三星白战队一并拿下S4的世界冠军,证明自己的同时也让全世界认识了他,随后Imp访华先后转战LGD、WE、JDG等战队,而让我们印象最深刻的一幕莫过于在赛后那句,韦神我帮你把那一箭射回来了!Imp不仅在大家眼里是一个非常老实...

weixin_39732491的博客 468

MagicDraw-需求图

MagicDraw学习笔记

木头征的博客 4135

前端使用二开Thingsboard一、二、三事(三)-规则链

以项目实战为基础,逐步介绍前端在thingsboard系统二次开发中的一些注意事项以及一些thingsboard一些页面功能讲解,为前端人员开发使用thingsboard提供一种可靠思路,打造一个完美的物联网系统。

weixin_43163457的博客 863

c语言代码表白_不会表白?本文内附手把手教学宝藏.doc

点击上方蓝色文字关注我们吧~Happy Birthday to YouHappy Birthday to You啊哈?搞错了再来查代码,查代码,一行代码7个×删完重写,不用怕,啦啦啦啦劈啪啪劈里啪啪,敲代码劈啪啪劈里啪啪,搞定它,啦啦啦啦...动感菌祝所有计算机专业的同学和已经工作的程序员师哥师姐们节日快乐!!!希望大家永远发根浓密身体都倍棒落单的早日脱单~说起脱单,菌菌最近发现计算机专...

weixin_39672011的博客 665

点到面点云配准(Point To Plane)算法知识详解和详细推导,C++代码实现

点到面 ICP (Iterative Closest Point) 是在 3D 点云配准中常见的一种变体,通过最小化点到对应面(由法向量定义的局部平面)的距离来提高收敛速度和精度。

qq_36812406的博客 1809

手把手教你封装一个健壮的MVP框架,面向接口开发。

在我们的日常开发中,我们都知道 Android 端的开发框架有 MVC,MVP,MVVM,说起这几个框架,大家也肯定都有自己的看法,甚至很多同学也都封装过。 问题来了:现在不都是 MVVM 了吗,你还写MVP干吗,有用吗,网上那么多轮子,找个 star 高的不就行了。 使用和自己动手封装完全是两个过程,需要考虑多方面,这其中需要踩很多坑。目前这个框架已经应用在我写的公司项目上。趁最近有时间,对框...

petterp的博客 1278

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")

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。

Java集合的快速失败机制“fail-fast”?聊聊那些你可能不知道的细节

Hello,大家好!我是小米,一个积极活泼又热爱分享技术的程序员大哥哥~ 今天来跟大家聊聊一个在 Java 编程中经常被提到但可能不够深入了解的话题——Java 集合的快速失败机制,也就是 “fail-fast” 机制。你可能会问:“小米,这个 fail-fast 是个啥?我写代码的时候从来没特意用过啊?” 别急,我们一起...

qq_35485206的博客 854

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。

文件流还有什么方式_房子除了出租,还有什么方式生钱?

话说,前两年,七爸七妈也当了一回儿炒房客,买了两套房子。后来,七七和哥哥看到爸妈供房太幸苦,就承担了家里的大部分房贷。而我交了近两年的房贷,却还不知道那两套房子具体长什么样。趁着过年,就一家人去看看。说起这两套房子,虽然这一年楼市的负面新闻不少,但还是有缓慢的增长,爸妈本来打算去年卖掉一套,无奈赶上了深圳的5年限售令,短期内应该是卖不出去了。虽然房子不住人,也有不少沉没成本,比如管理费,一年就得好...

weixin_39663602的博客 123

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

脑瘫女孩用嘴唇打字写出20万字小说(图)

 因为四肢都不能动,王千金只能用嘴唇打字,她在用嘴唇书写传奇 快报记者 刘劲松 摄   她是个脑瘫患者,除了头部,四肢都没法动弹,但她学会了用嘴唇打字。她没上过一天学校,没有接受过任何正规教育,却能听懂基本的韩语和日语;更重要的是,她还写出了20万字的小说,成了一位网络签约作家。她,就是18岁的王千金,一个书写传奇的镇江女孩。   □快报记者 刘劲松 镇江报道   脑瘫女孩   用嘴打字成...

weixin_43630492的博客 771

你的努力能打多少分?

对于我来讲,保险是很简单的事情,但是对于很多不了解的人来说,太复杂了。 我说的简单,是指如果只是给自己买一份保险,那没什么难的,无非身价,重疾,意外,医疗等这几大板块。 当然认为复杂,也很正常,哪怕我工作十一年,仍然经常要参加各种学习,包括公司内部、外部。这就涉及到家庭结构,家庭关系,财富传承等方面。有时候客户自己也不了解,但是我们可以去帮客户梳理,进而帮客户解决问题。 这两天在黄河迎宾馆学习,这次参加学习的同事,是公司从全省范围内选出来的高绩优,碰到了一位其他部门的同事,我们原来一起去美

m0_62014083的博客 181

北漂三年多 我选择离开,眼神更加坚定!

后会有期!!!

失忆老幺 405

有深度的报道--柴静

这是柴静的对于采访的反思,我们听到的是这些事实吗?                                                                                                                 -------- 采访是病友间的相互探问 文章出处: http://blog.sina.com.cn/s/blog_4

小菜鸟的天地 6573

从APP到API:金融科技C端到B端的思考

从APP到API:金融科技C端到B端的思考 券商小哥哥 券业行家 2018-12-19 从APP到API 金融科技C端到B端的思考 行家新说,业界探索。 欢迎留言,如果认同,请传播正能量。 说 起金融科技,券业人士并不陌生。行家之前的文章中,围绕这一主题的探讨多达12篇;尤其是将平安和招行两家进行的对比,金融科技更是上升到经营策略层面。 1 引子 2013年3月,中国证券业协会在颁布了《证券公司开...

代码过客 2909

10的邮件看不到发件箱_和全球工作伙伴开了10年电话会议,我总结了这3点经验...

话说,这一周,很多同学继续开启「远程办公」的模式。上一次,小郑分享了《在家上班的五个小技巧》,收到了很多读者积极的反馈和留言。但是,有小伙伴提出:比在家上班更难的,是远程开会!因为看不到彼此,电话或者视频会议时,特别让人头疼:明明约了10点开会,为啥开会时就来了一个人?明明想好要说三件事,扯着扯着,怎么讨论起其他事情了?明明说好是小组讨论的,怎么变成了我一个人在说?明明会开完了,好像就和没开一样;...

weixin_39586235的博客 521

Java类加载器:坑爹是我的特色

大家好,我是头发还很多的阿星今天的主角是「在日常开发中,存在感非常低的类加载器」,众所周知大佬除了头发比较少,还非常低调,如果想和大佬交朋友,那一定要先认识大佬,下面阿星来带大家认识一下类加载器(本文不涉及源码)。什么是类加载器我们平时写了那么多的Java代码,却不知Java类的加载过程,岂不是很尴尬,为了打破尴尬,阿星得从Java类说起。我们编写的Java类也就是.java文件,通过Java编译器编译成.class文件,.class文件中保存着Java代码转换后的虚拟机指令。当程序使用某个Java类时,J

程序猿阿星 734

阿里有一帮吃货工程师,在食堂玩起了“黑科技”

大家好,我叫宋爽,是一位阿里工程师。(今天阿里妹休假了,我来顶班,嘿嘿~)别的工程师,喜欢摁键盘,我嘛,就喜欢吃。有一次,去医院体检,拿到CT片的我,看着自己的脊椎骨,脑子中一直在想:啊!什么时候去吃顿羊蝎子!身为吃货的我,最近和小伙伴一起完成了一个骚操作,可能会影响到六万阿里人吃吃吃。小哥哥宋爽的照片镇楼事儿要从去年九月份说起。大家知道,在阿里食堂,我们都是自己选要吃的菜,有一个阿姨在结账台帮忙...

阿里云开发者 2422

有一个做饭好吃的妈妈是一种什么体验?

王德福 ,人生三大爱好:编码,做饭,写段子 5266 人赞同 再次感谢大家为母上点赞! ==============2.16更新分割线==================== 既然大家喜欢母上做的菜,就再更新一下一月份新的菜式吧。 这是咱妈做的牛肉辣酱 果丹皮 花生蘸,一种据说是很流行的小食品 糯米红枣,还有一个响亮的名字叫做“吃枣药丸” 【误】

GarfieldEr007的专栏 7916

从C# 2.0 爬向 C# 4.0—— 先说说 泛型——C# 是个优雅的语言

前言 开始时学的是C#2.0而且没有学完全。工作后,不是在忙着赶项目,就是对各种技术尝尝鲜,而语言的学习却没有什么进步。直到半年前开始入门Python(纯粹爱好,断断续续的学着)才发现——原来编程还可以这样!原来代码还可以这样写! 沉溺于各种设计模式、框架、新鲜技术 回眸一望 忽然发现 她 依然如此优雅 甚至 更胜从前! 目标 ...

weixin_30363509的博客 116
上一篇: 从五星酒店到大众浴室——死多头的困境
下一篇: 宏观经济大家谈
Labber
博客等级 码龄19年 26粉丝 1976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