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
100+累计阅读
133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
随着数字广播技术的发展，DRM（数字无线电蒙地尔）作为一种新的数字广播标准逐渐普及。该标准不仅支持OFDM调制，还引入了自动频率切换（AFS）等多种附加服务。本文将探讨基于ARM9多核架构设计的数字AM-FM芯片组，重点介绍其嵌入式软件的设计与优化，特别是在满足低成本和低功耗要求方面的挑战与解决方案。
DRM标准由主要广播公司和接收器制造商推广，旨在提供高质量的数字音频服务。物理层基于OFDM调制，支持多种配置以适应不同的传播条件，包括信道宽度、编码率和保护间隔等。该标准提供的有效数据率最高可达78kbit/s，主要用于增强型MP3音频解码器和数据服务。此外，DRM还引入了自动频率切换（AFS）等补充服务，以提高用户体验。
| 特性 | 描述 |
|---|---|
| 调制方式 | OFDM调制 |
| 数据率 | 最高78kbit/s |
| 附加服务 | 自动频率切换（AFS）、数据服务 |
【信息科学与工程学】【制造工程】【物理/化学和工程技术】第三十九篇 芯片中的物理01
编号类型领域子领域材料问题（数学分析及数学物理/数学化学/材料科学/界面科学/表面科学 + 计算架构/信息架构/通信架构/堆叠架构/应用架构/几何/拓扑/代数/数论/函数评估/数值估计/概率/统计/向量/张量/矩阵/矢量 + 其他）数学分析逐步推理思考的数学表达式及实现步骤及时序流程关联知识1物理效应半导体物理量子隧穿Si / SiO₂ / HfO₂利用薛定谔方程进行量子隧穿概率的数学分析，结合WKB近似与传输矩阵法进行数值估计；考虑一维势垒的几何形状（矩形/梯形）及界面粗糙度引起的势垒波动；统计电子能量分
TEF701x 支持 短波 DRM 的芯片
两款器件都支持所有主要的全球背景接收器标准,如收音机数据系统(RDS)、收音机广播数据系统(RBDS)、交通消息信道(TMC)、DARC(VICS 和 RTIC),并可选择支持通过协处理器进行数字收音机(HD Radio 和 DRM)。收音机接收机包括 AM/FM 前端、调谐合成器、信道滤波、解调、弱信号处理、FM 模式下的杂波消除、RDS 和 DARC 接收以及 FM 多路径改进(可选)。当与数字无线电协处理器 SAF356X 和 SAF360X 一起使用时,可支持数字无线电标准背景接收。
DRM广播系统及接收机技术
目前工作于中波和短波波段的调幅广播质量远远低于人们的收听要求，2004 年制定的数字音频广播DRM 技术标准，是一种在原中短波频带内，仍占用9kHz(或10kHz)带宽，可提供无干扰的接近调频立体声质量的广播技术。DRM广播是继调幅广播、调频广播之后的第三代广播方式，它的出现标志着广播系统正由模拟向数字体制过渡。目前，国内外采用的 DRM 接收机大多基于P的DRM 软件接收机，已经比较成熟，但其应用范围受到一定限制。因此为促进 DRM系统的推广，需要一种成本较低、可靠性高、体积小和携带方便的硬件DRM 接收机。
YOLO26算法车道线检测+训练好的模型+360张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[未获取()] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 55 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9512** mAP50-95 | 0.6746 Precision | 0.8796 Recall | 0.8825 train/box_loss | 0.8608 train/cls_loss | 0.7232 val/box_loss | 0.9955 val/cls_loss | 0.5511 【训练过程分析】 这轮训练我经历了从初始到稳定的曲折过程。前 20 个epoch，loss 曲线呈现了陡峭的下降趋势，mAP50 指标从 0.8 开始逐步攀升，仿佛在寻找一个合适的平衡点。然而，从第 21 个epoch 开始，mAP50 的提升速率显著放缓，整体曲线显得有些曲折，有时甚至停滞不前，让我一度以为训练出现了问题。直到第 35 个epoch，loss 开始逐渐趋于平稳，这标志着模型已经找到了一个较好的收敛区间。到了最后的 20 个 epoch，尽管 mAP50 依旧在稳步上升，但提升幅度已经不大，这意味着模型已经接近其性能天花板。 在这个过程中，我重点关注了 box_loss 和 cls_loss 的变化。初期阶段，box_loss 快速下降，从 0.9 逐渐降至 0.86，而 cls_loss 则从 0.75 逐步下降至... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
IEC 61851-23：2023 电动汽车导电充电系统 - 第23部分：直流电动汽车供电设备 - 完整英文电子版（388页）
IEC 61851-23：2023适用于用于在供电网络与电动汽车（EV）之间实现能量传输的电动车供电设备，A侧额定最大电压可达1000伏交流电或最高1500伏直流电，B侧额定最大电压最高可达1500伏直流电。 本文件规定了系统A、系统B和系统C的电动车供应设备，定义见附件AA、附件BB和附件CC。
通信与网络中的爱特梅尔最新广播无线电前端芯片ATR4262支持DRM以及AM/FM接收
爱特梅尔公司(Atmel Corporation)宣布推出高集成度的广播无线电前端IC产品ATR4262，具备出色的车载接收性能，专门面向高性能应用而设计，尤其是移动设备如车载无线电。ATR4262与大多数无线电标准兼容，包括HD Radio、DRM(世界数字广播)以及AM/FM。 ATR4262是全频段调谐器，覆盖全球所有的AM/FM频率。其FM部分覆盖70MHz到166MHz的频率范围，包括美国的天气频段和HD Radio频段。AM频段覆盖150kHz到30MHz的整个广播频段，包括现代的DRM系统。 ATR4262具有最高的灵活性和性能，而且采用优化的材料清单，因此能降低
DRM数字广播接收机芯片及系统
DRM数字广播接收机芯片及系统是一款广播系统，是针对120MHz一下频段广播数字化最为成熟并且得到广泛支持的非专利性标准，也是数字化时代最经济有效的实现无缝覆盖我国幅员辽阔的国土面积的广播手段。
关于AI开发方法论-以文档为索引的高质量协作开发：让一次现象描述精准命中几个代码块
对AI的编码规范进行约束
数字雕刻基于CatmulI-Clark细分与笔刷位移场的ZBrush流程建模：月哨兵角色精细度上限分析
内容概要：本文以“月哨兵”科幻角色数字雕刻工程为实例，系统构建了从程序化粗模到高精度雕刻的完整数学模型。研究涵盖重拓扑、Catmul-Clark细分、笔刷位移场建模、多部件组装及精细度上限分析等核心环节。通过ZRemesher将304,050顶点粗模重拓扑为28,600顶点的全四边形网格，并逐级细分至732万面，实测面数递推F(k)=F₀·4ᵏ完全符合理论。利用ZBrush Python接口注入Standard笔刷操作，首次通过同拓扑OBJ逐顶点差分获得真实位移场数据，实测最大位移0.454873，8.756%顶点发生显著位移。提出“理论-内存-拓扑-视觉”四层精细度上限模型，指出在24GB内存条件下工程合理上限为10⁷~10⁸面，视觉收益受渲染分辨率制约趋于饱和。最终完成755万面的组装网格并经工程文件回读验证一致性。; 适合人群：具备三维建模与数字雕刻基础，熟悉ZBrush工作流，从事角色资产开发或程序化内容生成的技术美术、图形学研究人员及高阶数字艺术家。; 使用场景及目标：①理解Catmul-Clark细分曲面在工业级雕刻流程中的数学机制；②掌握基于脚本驱动的可复核雕刻工程构建方法；③评估高面数模型的内存代价与视觉收益平衡；④学习重拓扑、位移场量化、多部件合并等关键技术的工程实现。; 阅读建议：本文强调数学建模与实证闭环，建议结合附录中的脚本与数据文件进行复现实践，重点关注逐顶点差分、细分递推验证与四层上限模型的构建逻辑，以深入掌握高精度数字雕刻的系统性工程方法。
syslog_test.py
syslog_test.py
Simulink “双碳”背景下汽车减少碳排放建模与仿真
内容概要：本文围绕“双碳”战略背景，系统阐述了基于Simulink的汽车碳排放建模与仿真技术，重点引入模糊PID控制优化动力系统性能，以实现节能减排目标。文档整合了多个Matlab/Simulink科研仿真案例，涵盖无刷直流电机（BLDC）控制、三相PWM整流器、电池管理系统、路径规划、信号处理、智能优化算法及图像处理等领域，全面展示Matlab在智能控制与绿色能源系统中的应用价值。同时强调科研应兼具严谨逻辑、创新思维与工具赋能，并提供完整的仿真资源链接与学习路径支持实践落地。; 适合人群：具备Matlab/Simulink基础，从事自动化、电气工程、车辆工程、控制科学、电力电子及智能制造等相关领域的科研人员或高年级本科生、研究生；适用于开展节能减排、新能源系统优化、智能控制算法研究等课题的研究者。; 使用场景及目标：①学习在Simulink中构建汽车能耗与排放仿真模型并应用模糊PID进行动态优化；②掌握BLDC、PWM整流器等关键部件的建模与控制策略设计；③借鉴丰富案例提升科研效率，拓展在智能控制、路径规划、信号处理等方向的应用能力；④通过提供的网盘资源获取完整代码与资料，支撑论文写作与项目开发。; 阅读建议：建议按照资源目录顺序系统学习，结合百度网盘提供的Matlab/Simulink代码动手实践，重点关注控制策略的设计、仿真结果的分析与优化过程，同时注重培养科研思维与工程实际问题的结合能力。
西部牛仔_1794033330851.apk
西部牛仔_1794033330851.apk
状态估计变分贝叶斯近似的递归噪声自适应卡尔曼滤波（Matlab代码实现）
内容概要：本文详细介绍了一种基于变分贝叶斯近似的递归噪声自适应卡尔曼滤波方法，并配套提供了完整的Matlab代码实现。该方法旨在解决传统卡尔曼滤波在面对过程噪声和观测噪声统计特性未知或时变情况下性能退化的问题，通过引入变分贝叶斯推断技术，实现对噪声协方差的在线联合估计与动态更新，从而提升滤波器在非平稳环境中的状态估计精度与鲁棒性。文中系统阐述了算法的理论基础、数学推导流程、递归计算结构及关键实现步骤，涵盖了概率图模型构建、似然函数近似、变分迭代优化等核心技术环节，适用于复杂动态系统中的自适应信号处理与状态估计任务。; 适合人群：具备良好线性系统理论、概率统计与贝叶斯估计基础，并熟悉Matlab编程的研究生、科研人员及从事导航、控制、传感融合等相关领域的工程技术人员； 使用场景及目标：①应对实际工程中因噪声先验信息缺失或环境变化导致的标准卡尔曼滤波失效问题；②应用于无人机导航、智能驾驶、工业状态监测、传感器融合等高精度自适应估计场景，提升系统在不确定环境下的稳定性和准确性； 阅读建议：建议读者结合所提供的Matlab代码逐模块研读，重点理解变分贝叶斯迭代过程中噪声协方差矩阵的后验更新机制，并通过仿真实验对比所提方法与标准KF/EKF/UKF的估计性能差异，深入掌握噪声自适应滤波的设计思想与实现技巧。
PUMA：DOA估计模式的改进实现（Matlab代码实现）
内容概要：本文围绕PUMA（Propagator Method-based DOA Estimation）算法在波达方向（DOA）估计中的改进实现展开，重点在于通过Matlab编程对算法进行仿真与性能验证。作为阵列信号处理领域的高分辨率DOA估计算法，PUMA在传统方法基础上提升了估计精度与鲁棒性，尤其在低信噪比、小样本等恶劣条件下仍能保持优异性能。文中系统阐述了PUMA算法的理论基础、数学模型及其相较于MUSIC、ESPRIT等经典算法的优势，并通过仿真实验进行对比分析，展示其在分辨力、稳定性和计算效率方面的综合优势，适用于实际雷达、无线通信与电子侦察等应用场景。; 适合人群：具备信号处理、通信工程、电子信息或雷达系统等相关专业背景的研究生、科研人员及工程技术人员，熟悉阵列信号处理理论与Matlab编程环境者尤佳； 使用场景及目标：①用于学术研究中DOA估计算法的性能优化与新方法对比验证；②应用于雷达系统、5G/6G通信、智能天线、电子对抗等领域的高精度空间谱估计任务；③作为Matlab仿真实践资源，支持课程设计、学位论文复现与科研项目开发； 阅读建议：建议结合阵列信号处理基础知识体系学习本资源，重点关注PUMA算法的改进机制与核心代码实现逻辑，建议动手运行并调整仿真参数以深入理解不同因素（如阵元数、信噪比、快拍数）对估计性能的影响。
利用Android系统漏洞实现后台弹窗(外弹)
关键：从 Android 8.0（API 26）开始，禁止使用 context.sendBroadcast() 发送隐式广播（即没有指定 setPackage() 或明确组件的广播）。demo核心代码展示利用Android显示系统和广播系统的漏洞实现在后台弹窗的功能，支持最新Android15，16版本。核心功能都是在so层去做，大量使用了jni反调, 如果要上架到应用市场，需要对代码做进一步混淆，加固以应对市场安全扫描。3，开启虚拟显示窗口，这是个透明像素窗口。5，可开启一个线程，调用这个外弹窗口。
专治疑难系列 - 解决打印机凭证冲突问题
一、问题描述 二、解决方法 三、问题已解决
手机拍视频就能训练机器人？SpatialLM开源模型实战指南（附HuggingFace部署教程）
本文详细介绍了如何利用开源模型SpatialLM通过手机视频训练机器人理解3D空间结构。从HuggingFace部署、视频预处理到模型推理和结果可视化，提供完整的实战指南，特别适合具身智能领域的开发者快速上手。
Dr_can Kalman Filter学习笔记(一)
本文是在b站Dr_can的卡尔曼滤波课程学习过程中的学习笔记
Python使用netmiko配置华为交换机
1.netmiko就是专门为网络设备做的模块，非常强大。1.更适合网络设备的自动化运维模块。2、批量配置变更、备份。1.安装netmiko。2. 创建SSH连接。一、netmiko介绍。
16、树莓派Pico W：蓝牙与Wi-Fi应用指南
本文介绍了树莓派Pico W在蓝牙与Wi-Fi通信方面的应用，涵盖蓝牙配对原理、使用HC-06模块实现手机远程控制LED和传输内部温度，以及通过Wi-Fi进行网络连接、扫描和UDP协议下的设备控制。文章包含详细电路连接、代码实现与测试步骤，并提供拓展建议、常见问题解决方法及开发注意事项，帮助读者快速掌握基于Pico W的无线通信项目开发，适用于物联网入门与实践场景。
剪映专业版关键帧完全教程：从原理到实战的动画必修课
关键帧是视频动画的核心原理。视频由连续静止画面（帧）构成，关键帧记录素材属性变化的起始与结束状态，中间过渡帧由软件自动计算生成。剪映专业版中，视频、音频、文本、贴纸等素材均支持关键帧动画，可调节位置、缩放、旋转、不透明度、音量等参数。操作为：在起始位置点击参数旁菱形按钮添加关键帧，移动播放头后调整参数，系统自动生成第二个关键帧。多属性可独立控制并叠加，实现放大同时淡出等复合效果。通过设定变化起点与终点，关键帧能让静止元素产生移动、缩放、淡入淡出等丰富动态，是视频剪辑从基础拼接进阶创意表达的核心技能。掌握关键
Android 11多窗口+分屏+APP窗口嵌套TaskView实现原理一
然而随着版本的迭代升级，google对分屏的定制差异化也越来越大，Androd 11的分屏用的是split-screen-primary和split-screen-secondary的方式，在systemui中去实现的，其定制化的灵活度不是很高，很多业务都是放到sustemui或者fw去实现，但是随着版本的升高，后面出现了TaskView来替代了老版本的分屏方式，但是Task的核心原理其实和之前的方式是一样的，TaskView来实现分屏。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
96
扫一扫
