[转]二十四式太极拳攻防含义拆解

newman的使用 Newman是一个基于Node.js的postman命令行工具,用于运行和测试PostmanAPI 请求的集合。它允许用户在命令行环境中执行Postman的JSON文件,从而实现接口自动化测试和持续集成,同时支持用户进行自动化测试、批量执行请求、生成报告等操作。 阅读详情

 

中国国学,国术源远流长,博大精深,看似简单的强身健体的二十四式简单太极拳里面,就蕴含博大的攻防技巧,值得我们学习和思考;

国学,国术,太博大了,吸其精华,去其糟粕,一辈子都学不完~

《中华武术》 作者:王凤阳 朱建永

二十四式太极拳攻防含义拆解

太极拳套路是以技击动作为基本内容的运动形式,攻防技击性是其基本属性,有着极其丰富的技法。二十四式太极拳虽为简化太极拳,习练时,仍应表现出中国武术的技击技法和招术。
太极拳的修炼一般要经过基本功、套路、拆拳、单操、推手、散手等若干阶段。二十四式太极拳在学会套路后应当进入拆解阶段的学习,知其然再知其所以然。二十四式太极拳教材已有十几个版本,也列入高校教材中,由于其中几乎没有攻防含义的拆解内容,所以影响到习练者水平的提高。因此,将攻防含义解说出来,进而使习练者了解全貌是十分必要和有益的。
二十四式太极拳每式不一定只有一种攻防含义,限于篇幅,本拆解主要介绍拳式动作的一种攻防含义,谨供习练者参考。
一、预备势、起势攻防含义图解
    1 二十四式太极拳预备势采用太极拳的“无极势”。此拳势系桩功、静功、内功、气功、养生功,是“阴阳之母”的“无极”,是无极生太极的关键所在,积聚内功、养蓄灵机、随时发动。
预备势与起势定步与动步相交接、相补充、相转换,隐含阴阳动静周转之拳理;体现技击交手之规律。从攻防角度要求预备交手时,以静待动。要静观敌情,察来势之机,揣敌之长短,在瞬间确定敌来势而从容应变,在交手中始终保持平静的心态。
    2 甲(红衣者)左上步进逼,左拳向乙(蓝衣者)头部直击,乙相机上步(或退步),双臂上抬,手背(或腕部)拥起对方肘臂(或拳腕)部,惊起对方略仰;感其下压之机双掌下按推对方胸腹部(头面部亦可)。将己之体重运行之势松沉至对方重心,使之后倒(图1-1、2、3、4、5、6)。
clip_image002
图1.JPG
二、野马分鬃攻防含义图解
甲向前逼近,以右顺步直拳击打乙头部,乙右手外接掳抓甲右手腕部,侧闪进,上左步落于甲身体右后侧,管别其脚;同时左臂穿、靠于甲腋下,左转腰,肩背臂部向左后旋靠甲上体,使甲身体后仰歪斜,右手顺势随送,身体重心前移过渡成弓步夺其位,甲失去重心倒地。(图2-1、2、3、4)。右势与左势动作相同,左右相反,不再另述。
clip_image004
图2.JPG
三、白鹤亮翅攻防含义图解
甲左脚上步,出左拳击打乙头部。乙左手助力,右前臂滚架拨开甲冲来的左拳臂。甲趁乙腹部暴露之机右拳击打乙腹肋部;乙左手下掳抓甲右手腕外分,使其偏离目标同时右手抓握甲左腕,控其形,提左足弹其小腿或裆部、腹部、胸部(图3-1、2、3)。
四、搂膝拗步攻防含义图解
甲左脚上步,同时左直拳击乙胸口部,乙后坐转腰同时右臂向左格挡化解进攻。甲继续出右拳向乙头部直击,乙右转腰左臂向右格挡顺势化解。甲趁机起右弹腿点击乙腿部,乙左腿回收避其锋芒·左手向下、向左后侧勾搂甲左腿,消其力。乙乘机左脚上步夺位,同时右掌向前推按甲胸部,身体重心向前成弓步,迫使甲失去重心而后倒地(图4-1、2、3、4、5、6、7)。
五、手挥琵琶攻防含义图解
甲顺步出右拳攻击乙面门,乙转腰侧闪,右手外接掳腕抓握引进甲拳落空,左掌扶按甲肘部;甲不得势欲要回抽手臂,乙相机上步将甲发放出去(图5-1、2、3、4、5)。
六、倒卷肱攻防含义图解
甲上前进攻,右拳直冲乙门面,乙右手外接掳抓甲腕外旋翻转,使其手心朝上同时拉臂引其重心前移;乙乘机撤步转腰,左手反推按折其腕,达到制服目的(图6-1、2、3、4、5)。
clip_image006
图3.JPG
一、揽雀尾攻防含义图解
1、掤攻防含义图解
甲左拗步冲拳直击乙头部,乙适机上右步管其左腿,同时右臂向斜上穿滚棚架乙右大臂,重心前移使甲失去重心而倒地(图7—1、2、3)。
2、捋攻防含义图解
甲顺步逼近,右直拳攻击乙头部;乙左闪进同时右手外接掳手握其手腕顺势牵拉,引进同时左手按压在甲肘部转腰向斜下方捋甲右臂,使其倒地(图7—4、5、6、7、8)。
3、挤攻防含义图解
甲右拳直击乙头部,乙后闪身使甲拳打空,左手内接抓握其手腕,趁甲欲回收右拳之机,带推至其软肋部,同时进左脚落在甲身体右后侧,右手掌贴按在左手腕部,左小臂挤贴在对方肋部,后脚蹬地,运用整体力将对方发放出去(7—9、10、11、12、13)。
clip_image008
图4.JPG
4、按攻防含义图解
当甲上步进身挤靠乙胸腹部时,乙撤半步随势引空甲的攻势,双手扶于甲右前臂腕与肘部下按改变甲力方向;当甲背势力尽欲回收时,乙适时上半步按推甲身体重心部位发放(7—14、15、16、17、18、19)。
八、右揽雀尾与右揽雀尾动作相同,左右相反
九、单鞭攻防含义图解
甲上步进逼右冲拳击打乙面部,乙左侧闪进,右手外接甲手腕部后引使其打空;甲势背回抽手臂,乙借机左脚上步落在甲身体后侧封管阻挡绊其腿,同时左手经甲腋下上穿滚推弓腿前送,左臂随势松沉切压,将其放倒(图9—1、2、3、4、5)。
clip_image010
图5.JPG
十、云手攻防含义图解
甲上步进逼右冲拳击打乙面部,乙左前臂由内向外拨其右臂,左手内旋顺势抓握甲手腕,同时左脚管绊其前脚;甲右手臂被控相机出左拳进攻乙腹部,乙含胸收腹转腰同时右手左推顺势抓其腕并向左后下方牵拉其双臂将其绊倒(图10-1、2、3、4)。
clip_image012
图6.JPG
十一、单鞭与第九势单鞭攻防含义同
十二、高探马攻防含义图解
乙顺步左直拳攻击甲头(胸)部,甲右手内接其腕顺势外拧;乙随被拧之势向前进半步,同时出右掌向甲双眼、面部推按(12-1、2、3、4)。
十三、右蹬脚攻防含义图解
甲右直拳击打乙头部,乙十字手上架使其打空,趁其中部暴露出来相机提右膝顶击;甲含胸收腹回缩,乙顺势蹬右脚、右掌劈击(13-1、2、3、4、5)。
十四、双峰掼目攻防含义图解
甲右拳攻击乙头部,乙双手向外接架来拳,甲乘机出左拳击打乙腹部,乙右臂顺势拨挡甲左拳;甲重心后移,乙随机上步跟进,双手砍击甲颈部;甲随势双手端举乙双臂肘部,使其砍空;乙双臂顺甲抬举之势内旋肘外撑,双拳峰掼击甲头侧部(图14—1、2、3、4、5、6、7)。
clip_image013
图7.JPG
十五、左蹬脚与右蹬脚动作相同、左右相反

十六、右下势独立 攻防含义图解
    1、右下势攻防含义图解
甲进逼,右拳直击乙头部;乙右侧闪身,左手内接其手臂引拉,使其打空,适机出右腿仆步插于甲裆下同时右手臂向下前穿,挑其裆部;左右手协调配合将其翻倒(见右下势攻防含义图1、2、3、4)。
    2、左独立攻防含义图解
甲上步进逼,右手击打乙头郎;乙左手上穿内接其右臂,顺势下落抓腕向左下方采引,动作不停,转腰上右腿提膝顶其腹(裆)部,同时右手上托甲腮部或锁喉(见左独立攻防含义图1、2、3、4)。
十七、左下势独立与右下势独立动作相同,左右相反,不再重述。
十八、穿梭攻防含义图解
甲顺步冲拳直击乙头部;乙缩身下潜,左臂由甲左大臂外侧上穿旋转滚挡甲的左臂;动作不停,乙左脚上步同时,右手推向肋部,整力将甲发放出去(见穿梭攻防含义图1、2、3、4)。右穿梭与左穿梭动作相同,左右相反,不再重述。
十九、海底针攻防含义图解
乙出右拳攻击甲头部;甲闪身外接抓其手腕;乙左手下挂、右手上抽、脱开甲手抓握的瞬间,右手下插击甲腹或胸部,致甲倒地(见海底针攻防含义图1、2、3、4、5)。
二十、闪通臂攻防含义图解
甲上步进逼,右拳击打乙头;乙侧闪绕步外接抓掳甲右腕,引领使其打空;甲势背欲回收时,乙适机上步推甲肋部,全身合力将其发放出去(见闪通臂攻防含义图1、2、3、4、5)。
二十一、转身搬拦捶攻防含义图解
甲背后进攻乙,右拳击后心或头,乙转身搬开甲拳;为防止甲顺势肘击,乙左脚上步、左掌拦推甲肘部,同时右拳出击甲胸腹部(见转身搬拦捶攻防含义图1、2、3、4)。
二十二、如封似闭攻防含义图解
乙上左步右拳击甲头,甲绕步侧闪右手外接抓乙右手腕;乙左掌由下脱袖破解甲右手控制;甲又以左拳击乙头部;乙随攻势后移重心,双手在甲双臂内侧向耳外侧挂消;当甲势背欲回抽时,乙双手腕外翻下压控其双臂,按至甲腹部下推,致甲后倒地(见如封似闭攻防含义图1、2、3、4、5、6、7、8)。
二十三、十字手攻含义图解
    1、左手在内十字手:甲上步进逼,右拳击乙头;乙十字手上接来拳,左手内旋抓其腕,并向后卷折甲右臂,右手外旋辅助仰抓甲肘弯使其后仰身体,将其制服(见十字手攻防含义图1、2、3、4、5)。
    2、右手在内十字手:甲上步进逼,右拳击乙头;乙十字手上接其前臂,双手掌如抱球顺时针旋转其手臂成反关节,左腿跪压在甲小腿后侧,将其制服(见十字手攻防含义图6、7、8、9)。
二十四、收势攻防含义图解
甲上右顺步进身,右拳向乙头部直击,左拳在后紧接第二次连击;乙重心后移(可退步亦可上步,视双方距离、时机而定).双臂十字手从甲双臂中线上穿,左手在甲右前臂(或腕、肘弯部)、右手在甲左前臂(或腕、肘弯部)翻腕扶按,将自己整体松沉之势敷盖下憋到甲身躯重心部,使其后坐仰倒。整个过程连绵不断,速度运用适应需要而定,用刚劲或柔劲视双方交手性质而定(图收式攻防含义图解一1、2、3、4、5)。
clip_image015
clip_image017
clip_image019

ps:以上文章全部从网上找到,只为学习,如有冒犯,请作者联系我,我立即删除帖子~~

http://www.taijicn.net/blog/html/08/1708_itemid_1969.html

http://www.jingwuhui.com/html/taijigongfu/quanfashuzhen/20081019/5649.html

PS:中国国学,国术源远流长,博大精深,看似简单的强身健体的二十四式简单太极拳里面,就蕴含博大的攻防技巧,值得我们学习和思考;

国学,国术,太博大了,吸其精华,去其糟粕,一辈子都学不完~

关于mos管的压降问题(项目遇到问题总结) 在研发过程中没有出现问题的板子,到了小批时竟出现雷达一直在触发???找了大几天,没有头绪。心中疑惑颇多,加上老板催促,自考等原因,真是压力山大。4月份自考,只有差不多一个月时间了吧,没有什么大的收获,反而在查找硬件问题的过程中,发现了一个自己忽视的一个问题,就是关于Mos管的压降问题。 备考的过程崎岖不平,工作又问题多多,孰轻孰重,如何取舍?从心理来说,不想取舍什么,只是有所得就可以,过不了就过不了呗,已经毕业十五年了,没这个本科文凭不也过来了吗?只是代表了自己在这一段时间的思考,自己兴趣吧,没什么大不了 阅读详情

相关推荐

72-dify案例分享-揭秘!如何用 Dify 实现多语言 PDF 文档原格式翻译

本文围绕 Dify 1.6 + 版本,演示搭建 PDF 文档翻译 Agent:配置 MCP 服务、构建 Agent 并以 URL 传文件测试,实现高效翻译,展现 MCP 跨工具复用与简化集成的优势,助力 AI 应用开发。

个人技术 2285

ssm框架搭建过程中的bug(石乐志)

1.最初的错误:web.xml中未加listener 缺省代码: <listener> <listener-class>org.springframework.web.context.ContextLoaderListener</listener-class> &am

maniacxx的博客 649

MDB协议中设备级别和选项(Levels and Options)

MDB协议的LEVEL级别介绍

hbstart的博客 939

原乐志老师语录及船长的习拳心得(四)

俗话说“练拳不练功,到头一场空”,可是功在哪里呢?我感觉应该到老师日常所讲的拳理和自己练习和感受中去找寻。以此文,一来积累记录,二则督促练习。“苟日新、日日新、又日新”。本文只是凭回忆来记录原乐志老师日常讲授的一些拳理等,记忆差错在所难免,请大家谅解,并请各位前辈老师、拳友、朋友们指正。   原乐志老师语录及船长的习拳心得(三)  作者: 陈海青(josonchen,"船长") (http

航海日志 700

Flink CDC 实战:5分钟搞定PostgreSQL数据实时同步(附避坑指南)

本文详细介绍了如何使用Flink CDC实现PostgreSQL数据的实时同步,包括环境配置、逻辑复制槽创建、Flink环境搭建及实战验证。通过5分钟快速指南,帮助开发者高效搭建实时数据管道,并提供了常见问题排查和生产环境优化建议。

red88的博客 819

QML 果冻抖动:用 Scale 动画模拟 Q 弹反馈

介绍果冻抖动效果:点击后卡片通过多段 ParallelAnimation 实现 Scale X/Y 反向缩放和逐步衰减,模拟果冻弹性形变;进阶版本加入小幅 Rotation 增加活泼感,适合游戏、儿童应用等趣味反馈场景。

u011186532的专栏 424

太极拳资源合集

宝宝单机的博客 1214

Field Characteristics 深入解析,理解 SAP ABAP Analytics 中 Dimension 与 Measure 的真正边界

在SAP ABAP Analytics数据模型中,字段应建模为Dimension还是Measure,关键在于业务语义而非数据类型。Dimension提供分析上下文,构成数据坐标系,支持钻取与切片;Measure则需具备明确聚合语义(如#SUM、#MIN、#MAX),且必须满足Distinct(无重复)与Complete(无缺失)原则,确保聚合结果准确。错误的建模会导致聚合偏差,根源常在事实粒度不清或关联关系不当。因此,正确划分字段角色,本质是让Analytical Engine准确理解业务数据的分析逻辑。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 56

CUDA 线程执行模型分析(一)招兵------ GPU的革命

  CUDA 线程执行模型分析(一)招兵------ GPU的革命 序:或许看到下面的内容的时候,你会觉得和传统的讲解线程,和一些讲解计算机的书的内容不是很相同。我倒觉得有关计算机,编程这些方面的内容,并不都是深奥难懂的,再深奥难懂的事情,其实本质上也是很简单的。一直以为计算机编程就像小时候搭建积木一样,只要知道游戏规则,怎么玩就看你自己了。或许是从小学那会,就喜欢在做数学题的时候用一

OpenHero 开勇 2万+

万字长文,小白新手怎么开始做YOLO实验,从零开始教!整体思路在这里,科研指南针!

万字长文,小白新手怎么开始做YOLO实验,从零开始教!整体思路在这里,科研指南针!

Coding... 1万+

NVIDIA平台Xavier/TX2板摄像头驱动开发与TP2850方案开发

本文介绍了在NVIDIA平台上开发Xavier/TX2板摄像头驱动的过程,并结合TP2850方案实现了多路模拟相机输入。我们提供了初始化摄像头和连接TP2850方案的示例代码,并介绍了相关的步骤和注意事项。需要注意的是,以上示例代码仅提供了基本的摄像头初始化和与TP2850通信的框架,你需要根据具体的需求进行进一步开发和配置。你可能需要参考摄像头和TP2850的数据手册以及相关的开发文档,以了解更多详细的配置和操作。此外,你还需要一个支持TP2850方案的硬件设备,并将其连接到Xavier/TX2板上。

PixelLancer的博客 592

CUDA编程接口(一)------一十八般武器------GPU的革命

  CUDA编程接口(一)------一十八般武器------GPU的革命序言:所谓一十八般武器,不同的年代又有不同的说法,最早的汉武年间的:矛、镗、刀、戈、槊、鞭、锏、剑、锤、抓、戟、弓、钺、斧、牌、棍、枪、叉。到三国的:九长:刀、矛、戟、槊、镗、钺、棍、枪、叉;九短:斧、戈、牌、箭、鞭、剑、锏、锤、抓。再到明清的:弓、弩、枪、刀、剑、矛、盾、斧、钺、戟、黄、锏、挝、殳(棍)、叉、耙

OpenHero 开勇 1万+

Proxmox(pve)集群(4)存储(1)配置分布式存储ceph

它使用一种称为CRUSH(Controlled Replication Under Scalable Hashing)算法的数据分布算法来将数据均匀地分布在多个存储节点上,并确保数据的冗余和容错。它负责管理数据的分布、冗余和自动修复。PVE支持本地存储、LVM、NFS、iSCSI、CephFS、RBD、ZFS等存储方式,我这里使用两种存储方式,一种是通过ceph实现分布式存储,一种是通过truenas实现集中式存储。自我管理和自动恢复:Ceph具有自我管理的特性,可以动态地调整和优化存储集群的配置。

Monster✺◟(∗❛ัᴗ❛ั∗)◞✺的博客 2623

printf 字符串输出固定长度

#include void main(){   char str[20] = "abcdefg";    double n = 10.1234567; printf("%.3s /n", str); printf("%.3f /n", n);} 输出:abc          10.123下面对printf中的%.M输出做一下简单的分析,在printf的定义中,回解析所有的字符有自

OpenHero 开勇 1万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

《GPU高性能运算之CUDA》我们的书总算出来了

http://www.dearbook.com.cn/book/255585 http://www.china-pub.com/48582&ref=ps http://product.dangdang.com/product.aspx?product_id=20705176 http://product.dangdang.com/product.aspx?product_id=2070

OpenHero 开勇 1万+

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")

直销的理论基础一----几何倍增学

几何倍增学本来是数学里面的东西,数学和经济学走到一起的时候,碰撞出了绚丽的火花;几何倍增学在数学中,在函数中是几何增长函数,运用到经济中,就有了,几何倍增原理;下面一个故事:-----------------------------------------------------------------------------------------------------------

OpenHero 开勇 8766

CUDA编程接口(二)------一十八般武器------GPU的革命

CUDA编程接口(二)------一十八般武器------GPU的革命4. 程序运行控制:像Stream,Event,Context, Module, Execution control这样的咱都把归类到运行管理的。这里也得分清楚有Runtime级别的,也有Driver级别的。Stream:如果了解AGP时代的显卡,就知道在Device和Host之间进行数据交换的时候有作为中转数据的部

OpenHero 开勇 7729

一个不错的关于CPU和GPU(CUDA)的性能比较讨论话题

http://topic.youkuaiyun.com/u/20081027/23/67ff3857-3c71-4d5c-acf6-095f3497c7a9.html这里是今天的一个论坛的一个帖子,大家可以讨论一下:)1.那些程序适合用cpu来做,那些适合用gpu来做2.如果用gpu来做,需要注意那些东西3.如果需要优化,需要那些思路:)在lz的代码的基础上做了一些变化,大家可以自己测试一下,就知道那些工作适

OpenHero 开勇 6220

求逆矩阵的并行算法

matrix-inverseinput A(1:n,1:n)output A^(-1)(1:n,1:n)begin1. assign A^(-1) = identity matrix2. For k = 1 to n3. For i = 1 to n but i != k do in paraallel4. do row operation for the matric

OpenHero 开勇 4343

C++ 内存布局(二) 虚继承 ---Empty virtual base classs (空虚基类)

上一次只是给出一个代码http://blog.youkuaiyun.com/OpenHero/archive/2006/04/02/648005.aspx,和运行过程中的内存位置,现在具体的按照步骤分析一下C++中虚拟继承中的情况,由于C++ stand(C++ 标准委员会) 并没有规定具体实现的办法,各个编译器厂商可能都采用不同的实现方法,或许在不同的年代使用的方法也不相同,有可能就会得到不同的结果

OpenHero 开勇 3842

并行乱谈

不错的关于并行的资料,可以看出,不管是intel还是AMD还是已经在抢占市场的Nvidia,对并行这块的期望是多么的大,下面列一些最新的信息,可供大家去查阅,学习: 1.Intel的关于并行的在线讲座: 下面是rss,可以订阅http://www.blogtalkradio.com/rss/tag/Parallel%20Programming.rss都是一些不错的讲解parallel编程的信息

OpenHero 开勇 3419

C++内存布局(一) 引子 虚继承

class A{public: int a;};class B : virtual public A{public: int b;};class C : virtual public A{};class D : public C, public B{}; int _tmain(int argc, _TCHAR* argv[]){ A x; B y;        // ----

OpenHero 开勇 3339

drwtsn32 调试windows程序

一直忙着调试代码,写服务器的代码,有时候真叫人郁闷,郁闷的是要高性能的保持程序继续运行n多天还没有事情,本来这也是程序员该做的事情,但是有时候一些长期积累下来的问题会造成程序指明性的打击~~~在写这个程序的时候,本机调试代码的时候都没有遇到任何内存泄漏的问题,调试的时候都很清晰,但是到客户那里运行一天到两天就没名的挂掉,真让人郁闷而且没有任何报错~~无奈,打开了drwtsn32来检测程

OpenHero 开勇 3325

Tomcat jndi 数据库配置 连接池配置

在Tomcat 5.5/conf/Catalina/localhost/xxxxx.xml(xxxxx.xml为你自己的web的配置xml文件) 中添加resource                type="javax.sql.DataSource"         driverClassName="com.mysql.jdbc.Driver"         password="****

OpenHero 开勇 3219
上一篇: 8. CUDA 内存使用 global 二------GPU的革命
下一篇: 最近发表的两篇paper CUDA有关的
OpenHero
博客等级 码龄23年 2276粉丝 226原创
评论 4
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