Lua_常用的函数库

Le_Sam Le_Sam 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 700+累计阅读 782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11年
关注
转载 最新推荐文章于 2026-08-25 11:07:28 发布 782 阅读 AI 写同款· GEO 优化 ›
Lua语法小贴士（十四）垃圾回收collectgarbage Lua垃圾回收只有一个函数collectgarbage，第一个参数是字符串，代表操作类型，第二个参数只有某些操作有，是该操作所需要的参数。 阅读详情

基本函数库为Lua内置的函数库，不需要额外装载

 

 


assert (v [, message])
功能：相当于C的断言，
参数：
v：当表达式v为nil或false将触发错误,
message：发生错误时返回的信息，默认为"assertion failed!"


--------------------------------------------------------------------------------

collectgarbage (opt [, arg])
功能：是垃圾收集器的通用接口，用于操作垃圾收集器
参数：
opt：操作方法标志
"Stop": 停止垃圾收集器 
"Restart": 重启垃圾收集器 
"Collect": 执行一次全垃圾收集循环
"Count": 返回当前Lua中使用的内存量(以KB为单位)
"Step": 单步执行一个垃圾收集. 步长 "Size" 由参数arg指定　(大型的值需要多步才能完成)，如果要准确指定步长，需要多次实验以达最优效果。如果步长完成一次收集循环，将返回True
"Setpause": 设置 arg/100 的值作为暂定收集的时长 
"Setstepmul": 设置 arg/100 的值，作为步长的增幅(即新步长＝旧步长*arg/100)


--------------------------------------------------------------------------------

dofile (filename)
功能：打开并且执行一个lua块,当忽略参数filename时，将执行标准输入设备(stdin)的内容。返回所有块的返回值。当发生错误时，dofile将错误反射给调用者
注：dofile不能在保护模式下运行


--------------------------------------------------------------------------------

error (message [, level])
功能：终止正在执行的函数，并返回message的内容作为错误信息(error函数永远都不会返回)
通常情况下，error会附加一些错误位置的信息到message头部.
Level参数指示获得错误的位置,
Level=1[默认]：为调用error位置(文件+行号)
Level=2：指出哪个调用error的函数的函数
Level=0:不添加错误位置信息


--------------------------------------------------------------------------------

_G全局环境表(全局变量)
功能：记录全局环境的变量值的表 _G._G = _G


--------------------------------------------------------------------------------

getfenv(f)
功能：返回函数f的当前环境表
参数：f可以为函数或调用栈的级别，级别1[默认]为当前的函数,级别0或其它值将返回全局环境_G


--------------------------------------------------------------------------------

getmetatable(object)
功能：返回指定对象的元表(若object的元表.__metatable项有值，则返回object的元表.__metatable的值)，当object没有元表时将返回nil


--------------------------------------------------------------------------------

ipairs (t)
功能：返回三个值 迭代函数、表、0
多用于穷举表的键名和键值对
如：for i,v in ipairs(t) do 

end
每次循环将索引赋级i，键值赋给v
注：本函数只能用于以数字索引访问的表 如：t={"1","cash"}


--------------------------------------------------------------------------------

load (func [, chunkname])
功能：装载一个块中的函数，每次调用func将返回一个连接前一结的字串，在块结尾处将返回nil
当没有发生错误时，将返回一个编译完成的块作为函数,否则返回nil加上错误信息，此函数的环境为全局环境
chunkname用于错误和调试信息


--------------------------------------------------------------------------------

loadfile ([filename])
功能：与load类似，但装载的是文件或当没有指定filename时装载标准输入(stdin)的内容


--------------------------------------------------------------------------------

loadstring (string [, chunkname])
功能：与load类似，但装载的内容是一个字串
如：assert(loadstring(s))()


--------------------------------------------------------------------------------

next (table [, index])
功能：允许程序遍历表中的每一个字段，返回下一索引和该索引的值。
参数：table：要遍历的表
　　　index：要返回的索引的前一索中的号，当index为nil[]时，将返回第一个索引的值，当索引号为最后一个索引或表为空时将返回nil
注：可以用next(t)来检测表是否为空(此函数只能用于以数字索引的表与ipairs相类似)


--------------------------------------------------------------------------------

ipairs (t)
功能：返回三个值 next函数、表、0
多用于穷举表的键名和键值对
如：for n,v in pairs(t) do 

end
每次循环将索引赋级i，键值赋给v
注：本函数只能用于以键名索引访问的表 如：t={id="1",name="cash"}


--------------------------------------------------------------------------------

pcall (f, arg1, ···)
功能：在保护模式下调用函数(即发生的错误将不会反射给调用者)
当调用函数成功能返回true,失败时将返回false加错误信息


--------------------------------------------------------------------------------

print (···)
功能：简单的以tostring方式格式化输出参数的内容


--------------------------------------------------------------------------------

rawequal (v1, v2)
功能：检测v1是否等于v2，此函数不会调用任何元表的方法


--------------------------------------------------------------------------------

rawget (table, index)
功能：获取表中指定索引的值，此函数不会调用任何元表的方法，成功返回相应的值，当索引不存在时返回nil
注：本函数只能用于以数字索引访问的表 如：t={"1","cash"}


--------------------------------------------------------------------------------

rawset (table, index, value)    
功能：设置表中指定索引的值，此函数不会调用任何元表的方法，此函数将返回table
PS:与table.insert功能类似

--------------------------------------------------------------------------------

select (index, ···)
功能：当index为数字将返回所有index大于index的参数:如：select(2,"a","b") 返回 "b"
当index为"#"，则返回参数的总个数(不包括index)


--------------------------------------------------------------------------------

setfenv (f, table)
功能：设置函数f的环境表为table
参数：f可以为函数或调用栈的级别，级别1[默认]为当前的函数,级别0将设置当前线程的环境表


--------------------------------------------------------------------------------

setmetatable (table, metatable)
功能：为指定的table设置元表metatable，如果metatable为nil则取消table的元表，当metatable有__metatable字段时，将触发错误
注：只能为LUA_TTABLE 表类型指定元表


--------------------------------------------------------------------------------

tonumber (e [, base])
功能：尝试将参数e转换为数字，当不能转换时返回nil
base(2~36)指出参数e当前使用的进制，默认为10进制，如tonumber(11,2)=3


--------------------------------------------------------------------------------

tostirng(e)
功能：将参数e转换为字符串，此函数将会触发元表的__tostring事件


--------------------------------------------------------------------------------

type(v)
功能：返回参数的类型名("nil"，"number", "string", "boolean", "table", "function", "thread", "userdata")


--------------------------------------------------------------------------------

unpack (list [, i [, j]])
功能：返回指定表的索引的值,i为起始索引，j为结束索引
注：本函数只能用于以数字索引访问的表,否则只会返回nil 如：t={"1","cash"}


--------------------------------------------------------------------------------

_VERSION
功能：返回当前Lua的版本号"Lua 5.1". 


--------------------------------------------------------------------------------

xpcall (f, err)
功能：与pcall类似，在保护模式下调用函数(即发生的错误将不会反射给调用者)
但可指定一个新的错误处理函数句柄
当调用函数成功能返回true,失败时将返回false加err返回的结果

 

转载于：Lua中的基本函数库 - 忧郁的加菲猫 - 博客园

地址：https://www.cnblogs.com/whiteyun/archive/2009/08/12/1543184.html

 

收录于
Lua

当前文章被收录于：

Lua
14 篇文章 1 人学习
订阅专栏 查看详情
Lua 5.1 中lua函数和库函数 PS：仅作记录，自查具体实现 一、基本库函数（basic functions） _G：保存全局环境的全局变量(不是函数)(即_G._G = _G)。Lua本身不使用这个变量;改变它的值不会影响任何环境，反之亦然。(改变环境使用setfenv) _VERSION：保存包含当前解释器版本的字符串的全局变量(不是函数),5.1中这个变量的值是“Lua 5.1”。 assert(v [, mess... 阅读详情

相关推荐

交易系统-Lua业务脚本编写规范

证券交易系统中的Lua业务脚本编写规范

Hanson的博客 1439

lua常用函数

1. tonumber 函数原型:tonumber (e [, base]) 默认是按照10进制进行转换成相应的数字。 参考资料: https://www.jianshu.com/p/e51348da59b8 2. gmatch 原型：string.gmatch (s, pattern) 解释：返回一个迭代器函数，每一次调用这个函数，返回一个在字符串s找到的下一个符合pattern描述的子串。如果参数pattern描述的字符串没有找到，迭代函数返回nil。 https://www.ji.

Ftworld21的专栏 2230

Lua中的一些常用函数库实例之一

前言 这篇文章梳理一下Lua中几个常用的库。简单的说就是几个API的介绍。 数学库 数学库（math）由一组标准的数学函数构成。这里主要介绍几个常用的函数，其它的大家可以自行百度解决。 三角函数（sin,cos,tan……） 所有的三角函数都使用弧度单位，可以用函数deg（角度）和rad（弧度）来转换角度和弧度。示例代码： print(math.sin(math.rad(30))) ...

zxm8513优快云博客 584

Lua　标准库 - 基本函数(base function)

基本函数库为Lua内置的函数库，不需要额外装载1、assert (v [, message])功能：相当于C的断言，参数：      v：当表达式v为nil或false将触发错误,message：发生错误时返回的信息，默认为"assertion failed!"  2、collectgarbage (opt [, arg])功能：是垃圾收集器的通用接口，用于操作垃圾收集器参数：   o

CashChin的专栏 2943

别怕，“卷积”其实很简单

首先给大家讲一个关于卷积的小故事：小明是杭州某互联网大厂的员工，每天996十分辛苦，但小明最近爱上了打台球，经常不在工位。这天，小明的主管让小明改一个需求，小明却到楼下找产品部小丽打台球去了，被主管发现，他非常气愤，扇了小明一巴掌（注意，这就是输入信号，脉冲）。于是小明脸上会渐渐地（贱贱地）鼓起来一个包，小明的脸就是一个系统，而鼓起来的包就是小明的脸对巴掌的响应。好，这样就和信号系统建立起来意义对应的联系。

Machine Learning with Tutors 3181

无源定位之时差估计的精确时差估计算法(ETDE)及MATLAB实现程序

时差估计算法之精确时差估计（ETDE）欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想

伊谢尔伦的林中小路 4255

Lua中的常用函数库汇总

lua库函数 这些函数都是Lua编程语言的一部分, 点击这里了解更多. assert(value) - 检查一个值是否为非nil, 若不是则(如果在wow.exe打开调试命令)显示对话框以及输出错误调试信息 collectgarbage() - 垃圾收集器. (新增于1.10.1) date(format, time) - 返回当前用户机器上的时间. error("error ...

917

鸿蒙OpenHarmony技术：【Docker编译环境】

OpenHarmony为开发者提供了两种Docker环境，以帮助开发者快速完成复杂的开发环境准备工作。独立Docker环境：适用于直接基于Ubuntu、Windows操作系统平台进行版本编译的场景。基于HPM的Docker环境：适用于使用HPM工具进行发行版编译的场景。点击或者复制转到。表1Docker镜像介绍系统类型运行平台Docker镜像仓库标签标准系统（独立Docker环境）3.2小型系统（独立Docker环境）3.2轻量系统（独立Docker环境）3.2。

m0_62167422的博客 1445

lua常用函数库汇总

lua库函数 assert(value) - 检查一个值是否为非nil, 若不是则(如果在wow.exe打开调试命令)显示对话框以及输出错误调试信息 collectgarbage() - 垃圾收集器. (新增于1.10.1) date(format, time) - 返回当前用户机器上的时间. error(“error message”,level) - 发生错误时,...

丁香枝上，豆蔻梢头 1957

4.7W防削顶单声道D类音频功率放大器HT6872介绍

HT6872是一款低EMI，防削顶失真，单声道免滤波D类音频功率放大器。在6.5V电源，10%THD+N，4Ω负载条件下，输出4.71W功率，在各类音频终端应用中维持高效率并提供AB类放大器的性能。

weichen_78的博客 4699

扫地机器人自动回充技术大揭秘：红外、蓝牙、雷达哪种更适合你家？

本文深入解析扫地机器人自动回充技术的三种主流方案：红外、蓝牙和雷达/LiDAR，详细比较它们的原理、优缺点及适用场景。红外技术成本低但易受干扰，蓝牙穿透性好但精度随距离降低，雷达精度最高适合复杂环境。根据户型大小和家居环境，提供选购建议，帮助用户选择最适合自己家庭的自动回充方案。

weixin_29070721的博客 503

lua 范例_Lua中的一些常用函数库实例讲解

前言这篇文章将会来一些比较轻松的内容，就是简单的介绍一下Lua中几个常用的库。简单的说就是几个API的介绍。所以说，看起来比较容易，也没有多大的分量。就是纯粹的总结。使用库就是为了方便我们的开发，提高开发效率，同时也能保证代码的质量。希望大家以后也不要重复造轮子了。数学库数学库(math)由一组标准的数学函数构成。这里主要介绍几个常用的函数，其它的大家可以自行百度解决。三角函数(sin,cos,t...

weixin_36242382的博客 884

浮点数精度陷阱全解析：从IEEE 754到深度学习部署选型

在计算机数值计算中，浮点数是表示带小数数字的标准方式，但它的存储规则决定了精度和边界天生存在限制。许多开发者都曾遭遇过0.1+0.2不等于0.3的尴尬，或是模型训练中loss变成NaN的困扰，这些问题的根源往往指向IEEE 754标准中的规格化、非规格化表示及舍入规则。理解浮点数的底层原理，不仅能避开直接的比较判断陷阱，还能指导我们在不同场景下做出合理的技术选型。从C语言的printf到Python的repr，从嵌入式串口打印到深度学习中的FP32、FP16、BF16、TF32格式，浮点数知识贯穿底层开发和

weixin_34314962的博客 463

Lua函数库常用总结

数学库三角函数（sin,cos,tan……）所有的三角函数都使用弧度单位，可以用函数deg（角度）和rad（弧度）来转换角度和弧度。示例代码：print(math.sin(math.rad(30))) -- 0.5谨记：三角函数的参数都是弧度，在实际使用中不要忘了，是弧度。取整函数（floor,ceil）floor：返回不大于x的最大整数；向下取整；ceil：返回不小于x的最大整数；向上取整。示例...

qq_39977398的博客 1899

2、MOSFET基本物理效应及其BSIM4模型解析

本文深入探讨了MOSFET的基本物理效应及其在BSIM4模型中的数学表述，涵盖门和沟道的几何结构、温度依赖性、材料模型选项、阈值电压计算、以及其他关键物理效应如LDD电阻、有限电荷厚度、有效迁移率等。同时解析了机械应力、邻近效应及布局依赖效应对MOSFET性能的影响，并通过参数表和建模流程提供了精确建模的指导，旨在帮助读者优化MOSFET器件性能与可靠性。

purple的博客 565

使用 MATLAB/Simulink + Simscape Electrical + SimPowerSystems + Stateflow，构建一个多能互补微电网系统的动态响应仿真模型

本文详细介绍了使用MATLAB/Simulink构建多能互补微电网动态响应仿真模型的方法。文章从系统架构设计入手，包含光伏、风电、柴油发电机、锂电池储能等多种组件，重点讲解了建模过程、控制策略（下垂控制、PLL、SOC管理）和模式切换逻辑（Stateflow）。通过四种典型场景（负荷突增、光伏出力骤降、并网/孤岛切换、电动机启动）的仿真分析，验证了微电网在动态响应中的关键性能指标，并提出了高可靠性设计建议。该模型为微电网的稳定性分析和优化设计提供了有效工具，特别强调了储能系统在快速功率支撑中的重要作用。

amy_mhd的博客 159

Lua中的一些常用函数库实例讲解

前言这篇文章将会来一些比较轻松的内容，就是简单的介绍一下Lua中几个常用的库。简单的说就是几个API的介绍。所以说，看起来比较容易，也没有多大的分量。就是纯粹的总结。使用库就是为了方便我们的开发，提高开发效率，同时也能保证代码的质量。希望大家以后也不要重复造轮子了。数学库数学库（math）由一组标准的数学函数构成。这里主要介绍几个常用的函数，其它的大家可以自行百度解决。三角函数（sin,cos,t...

qq_34965242的博客 480

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。

Lua函数库中的常用字符串处理函数详解

说到Lua中的字符串处理函数，最常用的最重要的莫过于以下4种： 1.find；2.match；3.gsub；4.gmatch 下边我们一个个详细讲解：       简单实用的find       string.find()函数用于在一个给定的目标字符串中搜索一个模式。最简单的模式就是一个单词，它只会匹配与自己完全相同的拷贝。当find找到一个模式后，它会返回两个值：匹配到的起始索引和结尾索

程序猿老樊的博客 2530

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")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

lua中的数据结构-table常用函数库

lua中的数据结构-table常用函数库

tingting14054765的专栏 1430

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Lua中的基本函数库

基本函数库为Lua内置的函数库，不需要额外装载 assert (v [, message]) 功能：相当于C的断言， 参数： v：当表达式v为nil或false将触发错误, message：发生错误时返回的信息，默认为"assertion failed!" -----------------------------------------------------------

半山枫叶的专栏 571

lua学习笔记之四(Lua中的基本函数库)

Lua中的基本函数库 表1 基本函数库 功能 参数 备注 assert(v[,mess age]) 相当于C的断言 v：当表达式v为nil或false将触发错误, message：发生错误时返回的信息，默认为"assertion failed!"

小枫的专栏 2132

Lua基本函数库

基本函数库为Lua内置的函数库，不需要额外装载 assert (v [, message]) 功能：相当于C的断言， 参数： v：当表达式v为nil或false将触发错误, message：发生错误时返回的信息，默认为"assertion failed!" -----------------------------------------------------------

gredn的专栏 334

lua基本函数库

lua 函数

chenglian的博客 302
上一篇： Lua_Metatable元表
下一篇： Lua__读取指定路径下的.Lua文件
点赞 0
评论 0
书签 书签 1
Le_Sam
Le_Sam
博客等级 码龄11年 342粉丝 53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