股道禅道

通达信【极弱强势指标与股道波段交易系统】幅图 1C,30)=1,40,'出现必大涨'),LINETHICK2,COLORRED;YJD上穿0轴,且MA(YJD,5)向上,可视为短线买入信号。YJD下穿0轴,且MA(YJD,5)向下,可视为短线卖出信号。(股道1AA):ZIG(3,10)向下拐头,短期趋势可能转弱。(股道2AA):ZIG(3,10)向上拐头,短期趋势可能转强。股道1AA(绿色柱)出现,短期趋势转弱。 阅读详情
股市中最悲哀的是,那些专家学者从来不认为自己是大笨蛋,他们照样预测股市,对经济趋势指手画脚。而中小股民们仍是趋之若骛。
        哲人蒙田有言,“自知说了或做了蠢事,那不算什么,我们必须吸取的更加充分而重要的教训是:我们都是大笨蛋。”
       可是,谁会承认这一点呢?
       正如蒙田所形容的——“我们获得了反复无常、犹疑不决、怀疑、痛苦、迷信、焦虑、野心、贪婪、妒忌、艳羡、桀骜不驯、疯狂、食欲难填、战争、谎言、不忠、背后中伤人和猎奇。我们以公平、善于推理的理性以及判断和认知的能力而自豪,但是我们为此付出的代价之过分也异乎寻常。”在股市,我们看到的只是贪婪,无耻和血淋淋的掠夺。
      没有人承认自己的软弱,因为大家都相信总有比自己更傻瓜的人出现。股市即博弈。谁都希望别人拿到比自己更烂的牌。可是,事与愿违的故事总是发现。
      中经开、德隆、南方证券、万国、君安,这是中国的投行巨鳄。他们的智慧曾经让市场仰视,但现在却是风流已被雨打风吹去。
      而在华尔街,多少英雄落寞,多少富豪殒落,只因为一场股灾。为什么巴菲特受到万人景仰?因为他常青。
      控制风险是华尔街最难一件事。你可是在一桩交易中获得巨额利润,但如果风险控制不当,在下一把交易中输个精光,这种投机与在赌场玩大小有何区别呢?
       认识到自己是个大笨蛋,这是你成功的第一步。正如索罗斯所言,发现自己的错误,是一种大成功。对于投资者来说,怀疑自己有时候比信任自己重要。在找一千理由支持自己的投资决定之时,你必须找到1001个理由来否决它。直觉,有时候会要了你的命,虽然它也曾为你带来暴利。

通达信 股道交易系统 幅图 "股道交易系统"是一套综合性的技术分析指标体系,通过多维度量化分析市场趋势、资金流向和买卖信号。该系统整合了价格动量、成交量分析、波动率指标、资金集中度等多个技术要素,旨在识别强势股和潜在交易机会。 阅读详情

相关推荐

通达信【多空能量指标与股道波段系统】幅图

当股道2线上穿股道3线且波线>80且波线>段线时,显示白色柱状标记(85-100区间)7,5)=1,70,'波段顶'),LINETHICK3 ,COLORYELLOW;:由6个条件组成,每个条件满足时+10分,不满足时-10分。6,10)=1,40,'跟庄'),LINETHICK3;当段线上穿波线且波线>80时,发出"波段顶"信号。当波线上穿段线且波线<20时,发出"跟庄"信号。:0值参考线(黄色线),用于判断多空分界。:股道3线(快速线),反映短期趋势。

q125500612的博客 2408

股道选股副图短线 中线 长线

股道选股:O<股道短 AND C>股道短 AND 走平上行 AND 空头排列;空头排列:=股道短<股道中 AND 股道短<股道长 AND 股道中<股道长;走平上行:=股道短>=REF(股道短,1);{}股道短:=MA(C,13);股道中:=MA(C,34);股道长:=MA(C,55);

zhibiaogong的博客 349

通达信【股道量能分析系统】幅图指标

量价分析指标识别主力资金流向("动神"指标)监测空头抛压强度("鬼力"指标)通过量比指标判断短期资金活跃度红绿柱状图直观显示多头/空头主导阶段自动标注"逢低跟进"和"逢高出货"信号区域"地量"标识:成交极度萎缩的变盘窗口"放量"标识:资金异动的突破机会。

q125500612的博客 1563

java画股道站图,通达信股道主图指标 源码

好股票软件下载网(www.goodgupiao.com)提示:您正在下载的是:通达信股道主图指标 源码中轴:=MA(C,21),COLORFFCC33;压力:=中轴 + 2*STD(C,21),COLORRED,LINETHICK2;支撑:=中轴 - 2*STD(C,21),COLORRED,LINETHICK2;压力1:=CONST(HHV(压力,60));支撑1:=CONST(LLV(支撑,6...

weixin_35343856的博客 822

通达信 股道主力资金 幅图分析系统

该指标主要用于监测市场中的主力资金动向,识别主力、散户和新庄资金的博弈情况,并结合超跌反弹信号,辅助判断市场底部和趋势变化。该指标适合用于监测资金流向,辅助判断主力动向和市场底部,帮助投资者把握买卖时机。STICKLINE(1,新庄,100,1,0),COLORGREEN;反映主力资金的持仓变化,数值越高,代表主力资金介入越强。:主力强势区,若主力资金线接近100,说明控盘度高。:弱势区,若主力资金线接近0,说明资金撤离。4,散户,5,0),COLORWHITE;主力吸筹,散户离场,可能预示后市上涨。

q125500612的博客 2144

通达信 股道资金趋势系统 幅图指标

资金线:MA((主力-资金),1)*-1.00,LINETHICK2,COLORRED;当红色资金线上穿白色股道2线且满足价格条件时,会出现紫色柱状信号和图标提示。2:=EMA(资金线,6),LINETHICK2,COLORWHITE;该指标通过计算加权平均价格和资金流向,帮助识别主力资金动向和市场趋势。2) AND AA,资金线,50,2,0),COLORMAGENTA;DRAWICON(CROSS(资金线,白色股道2线是资金线的平滑曲线。MA资金:=MA(资金,5);红色资金线反映主力资金流向。

q125500612的博客 2426

不连续曲线 highcharts_王者股道KDJ擒牛术节选:曲线J的计算和应用

目前100000+人已关注加入我们成功跑赢大盘今日头条财经领域最具影响力创作者腾讯网年度十大财经大V《股道KDJ擒牛术》简介:长久以来,证券市场上的投资者一直在不断探寻有效的投资之道,在长期的投资实践过程中人们总结出了多种不同的证券投资理论和方法,也创造出大量的技术指标用于证券价格走势的研判。技术指标依托于数学模型,更容易通过定量的数据为投资者提供决策依据,...

weixin_39682511的博客 648

基于图染色的铁路调车场调车问题研究

基于图染色的铁路调车场调车问题研究1. 引言1.1. 背景介绍1.2. 相关工作1.3. 本文贡献2. 模型2.1. 问题背景2.2. 调车场调车问题2.3. 车辆编组染色问题3. 算法3.1. 算法设计3.2. 数值实验4. 结论与展望附 录: 笔者的论文收录于应用数学进展这个期刊上,网址是:基于图染色的铁路调车场调车问题研究,欢迎查看讨论交流! 摘 要 本文主要研究铁路调车场调车问题。与已有研究相比,本文同时考虑了调车场的股道数量限制与股道容 量限制,更加符合实际情况。首先,我们将带股道数量限制与股道

吊车尾小队 992

kdj超卖_王者股道KDJ擒牛术节选:KDJ经典用法!

目前100000+人已关注加入我们成功跑赢大盘今日头条财经领域最具影响力创作者腾讯网年度十大财经大V《股道KDJ擒牛术》简介:长久以来,证券市场上的投资者一直在不断探寻有效的投资之道,在长期的投资实践过程中人们总结出了多种不同的证券投资理论和方法,也创造出大量的技术指标用于证券价格走势的研判。技术指标依托于数学模型,更容易通过定量的数据为投资者提供决策依据,...

weixin_42324905的博客 347

通达信 打板擒龙主图指标 股票趋势与涨停板识别交易系统:智能捕捉连板机会与买卖信号

股道18:=(C>=ZTPRICE(REF(C,1),0.1) AND FINANCE(42)>20 AND REF(C,1)=ZTPRICE(REF(C,2),0.1) AND REF(C,2)=ZTPRICE(REF(C,3),0.1)) OR (C>=ZTPRICE(REF(C,1),0.2) AND FINANCE(42)>20 AND REF(C,1)=ZTPRICE(REF(C,2),0.2) AND REF(C,2)=ZTPRICE(REF(C,3),0.2));

q125500612的博客 2229

通达信 准到离普的主力建仓加仓拉升指标公式

主力建仓加仓:=MA(C,5),COLORCYAN;主力拉升:=MA(CLOSE,10);

q125500612的博客 6190

Qwen3-ASR-0.6B真实案例:铁路调度语音→车次/股道/信号机/限速值结构化

本文介绍了如何在星图GPU平台自动化部署Qwen3-ASR-0.6B轻量级高性能语音识别模型WeBUI,实现铁路调度语音到结构化数据的转换。该模型能高效识别车次、股道、信号机状态和限速值等关键信息,提升铁路调度效率和安全性,适用于智能交通系统的语音处理场景。

weixin_42591908的博客 190

谷歌账号国家或地区设置修改全攻略:条件、流程与避坑指南

谷歌账号的国家或地区设置与付款资料、账号历史行为及登录环境强绑定,修改时需满足特定条件。其原理在于地区作为索引键,关联内容库、货币结算和风控策略。正确切换可解决内容推荐错乱、付款失败等问题,适用于搬家、订阅区域限定服务等场景。操作前需在目标地区创建付款资料、清空余额并取消订阅,且一年仅能修改一次。本文详解从准备到验证的完整流程,并揭示官方文档未提及的实操陷阱,助你安全完成地区切换。

weixin_42521558的博客 2244

通达信 极品超准版几乎100胜率选股公式

{通达信公式-通达信指标-www.gs6699.com}

q125500612的博客 2万+

【ue4】【新手入门】|静态网格模型碰撞设置和合并Actor(合并静态网格体)

上一期学到把构建好的房子模型变成一个静态网格体(也是一个模型)但是静态网格体是没有碰撞的 所以要给这个模型设置碰撞。

m0_63501513的博客 4420

(程序设计方法与实践)达拉崩吧的酒宴

达拉崩吧的酒宴 Description 很久很久以前,巨龙突然出现,带来灾难带走了公主又消失不见,王国十分危险,世间谁最勇敢,一位勇者赶来大声喊:“我要带上最好的剑,翻过最高的山,闯进最深的森林,把公主带回到面前”……最后,英雄 达拉崩巴斑得贝迪卜多比鲁翁 ,他战胜了巨龙 昆图库塔卡提考特苏瓦西拉松 ,国王把公主 米娅莫拉苏娜丹妮谢莉红 嫁给了 达拉崩巴斑得贝迪卜多比鲁翁 。 于是国王第二天要在 蒙达鲁克硫斯伯古比奇巴勒城 举办酒宴,一共准备了 N 桶酒。此时一位忠诚的仆人来报,有人在其中一桶酒里下毒,

What_If_I的博客 892

股道

股票炒的好不一定做人就成功,但炒股的哲学的确对人们有很大的借鉴意义。炒股看似一买一卖,但具体操作起来却非常困难。 首先,一定要有技术做保证,没有对技术的良好掌握,差不多等于直接给别人送钱;其次,要顺势而为,见机行事,即要看大形势,又要看个股的形势;最后,要有一个好的心态,敢于割肉,更要敢于长线执股;不能让炒股影响到工作与生活,否则得不偿失; 还有一点很重要,要能够换位思考,了解投资市场的法则,...

weixin_30735745的博客 99

Windows下QT5.15.2安装MQTT模块全攻略(附分支选择避坑指南)

本文详细介绍了在Windows环境下为QT5.15.2安装MQTT模块的完整流程,包括环境准备、源码获取、编译配置及项目集成等关键步骤。特别针对分支选择、依赖项处理和常见错误提供了实用解决方案,帮助开发者高效完成MQTT模块的安装与调试,适用于物联网开发场景。

weixin_29224589的博客 466

数据库和面向对象本来是两股道上跑的车

自E.F. Codd提出的数据库概念,首先理解为一种应用架构:把数据是独立的、专门管理公用资源。库(base,一开始叫做数据银行databank)构造和操作方式(比如存、取)是与具体的“使用”无关的。数据库中的数据,首先应当被看作独立、集中、公共的(根据需要可以附加操作权限)。这个思想带来的是什么呢?不仅仅是“大量数据的管理”,更重要的是操作方式的标准化和简约化(所有的应用都表现为

企业应用探索日志 1064

黑猫带你学Nand第8篇:NandFlash的供电情况详解

是指在任何工作条件下,设备允许的最大电压、电流、功率以及温度等参数的界限值。

黑猫奥利奥的博客 1147

大疆 2021 嵌入式笔试题

在深圳做嵌入式,大疆公司绝对是 Top 级别的,大疆的技术栈也很深。

qq_38769551的博客 2495

kdj超卖_王者股道KDJ擒牛术节选:KDJ指标运行区域划分

目前100000+人已关注加入我们成功跑赢大盘今日头条财经领域最具影响力创作者腾讯网年度十大财经大V《股道KDJ擒牛术》简介:长久以来,证券市场上的投资者一直在不断探寻有效的投资之道,在长期的投资实践过程中人们总结出了多种不同的证券投资理论和方法,也创造出大量的技术指标用于证券价格走势的研判。技术指标依托于数学模型,更容易通过定量的数据为投资者提供决策依据,...

weixin_36054458的博客 449

《网络摄像机实战⑦:嵌入式端AWS KVS IoT SDK 库编译与测试全流程-君正/瑞芯微/全志(超详细指南)》

本文介绍了AWS音视频和物联网解决方案的核心组件与集成方法。主要内容包括:1)Amazon Kinesis Video Streams(KVS)提供的WebRTC托管服务,支持实时音视频流传输与双向交互;2)AWS IoT云服务实现设备连接与集成;3)详细说明了KVS WebRTC库的编译过程,包括源代码下载、CMake配置和依赖库生成;4)KVS Producer库的集成方法,重点阐述了存储空间调整和mbedtls版本适配等关键修改点。文章为开发者提供了AWS音视频和物联网服务的技术实现指南,特别针对嵌入

lvj_158的专栏 109

股道通达信公式 源码 贴图

TJ3:=IF(BARSLAST(立桩量3)=1 AND CLOSE>REF(LOW,1),1,IF(BARSLAST(立桩量3)=2 AND CLOSE>REF(LOW,2),1,IF(BARSLAST(立桩量3)=3 AND CLOSE>REF(LOW,3),1,0)));TJ:=IF(BARSLAST(立桩量2)=1 AND CLOSE>REF(LOW,1),1,0);IF(BARSLAST(立桩量2)=3 AND CLOSE>REF(HIGH,3),1,0)));

cs_7gpzb的博客 951

RK3588+YT9215快速拓展以太网口

YT9215支持7个端口的非阻塞数据传输,确保高效的数据流处理;在开发过程中,最重要的一点就是YT9215与RK3588的GMAC连接和配置部分,下面是gmac1对应dtsi文件的修改,包括注释掉rgmii_phy1对应的mdio1,以及gmac1对应的phy-handle部分,同时将gmac1修改成1000Mbps全双工模式。这就是最简单,最快速的RK3588拓展网口的方法了,如果需要用到交换芯片的其他功能,那就不可以直接使用原厂提供的bin,而是需要对YT9215进行另外的驱动开发。

带着耳朵取流浪的博客 2783

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

功率曲线k值_王者股道KDJ擒牛术节选:曲线D的计算和应用

目前100000+人已关注加入我们成功跑赢大盘今日头条财经领域最具影响力创作者腾讯网年度十大财经大V《股道KDJ擒牛术》简介:长久以来,证券市场上的投资者一直在不断探寻有效的投资之道,在长期的投资实践过程中人们总结出了多种不同的证券投资理论和方法,也创造出大量的技术指标用于证券价格走势的研判。技术指标依托于数学模型,更容易通过定量的数据为投资者提供决策依据,...

weixin_39711348的博客 339

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")

上一篇: 假如我是超级主力......
下一篇: 炒股是在做人
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