一些环境的搭建

搭建前端环境和后端环境搭建 前后端环境搭建 阅读详情

全是Python3的:

众所周知python和python3不是同一门语言

 

一些经验总结:

1.dpkg -L xx-dev   # 查看某个dev包的内容

2.sudo pip3 install opencv-contrib-python==3.4.4.19   # 安装特定版本的软件

3.No mudule named 'pip._vendor.pkg_resources'   # 解决方法(将8的pip3升级为19的):

curl -sS https://bootstrap.pypa.io/get-pip.py | sudo python3

以上这条等价于python -m pip install --upgrade pip。

 

关于VSCODE:

1.
sudo add-apt-repository ppa:ubuntu-desktop/ubuntu-make
sudo apt-get update
sudo apt-get install ubuntu-make

umake ide visual-studio-code

//之后在.local/share/什么的安装路径下找到code并运行./code即可打开,之后固定到桌面就行。
//安装C/C++和GO插件,去extensions里搜索C/C++和Go即可,很慢。


2.还有这个:
wget -O - https://code.headmelted.com/installers/apt.sh
./apt.sh
code-oss
就可以运行VSCODE了,这个在树莓派里可以装,装成功了。

关于VPC(概念):

https://blog.youkuaiyun.com/zzq900503/article/details/80252184
这里提一下在局域网中,也就是192.168.x.x的地址云服务器是访问不到的,因为阿里云服务器不在局域网中,走的是较核心层的路由器,而我们局域网一般走的是边缘路由器,因此如果在内网做广播测试云服务器是获取不到的。可以把核心层路由器做转发,但是成本很高,你要专门开一条走IPSec或其他隧道的VPN线。很多公司就是走的这种高速通道连接云服务器和本地的机房服务器。
VPC是为了在云服务器中组建局域网。
广播测试代码有兴趣的可以试一下:https://blog.youkuaiyun.com/oliverchu/article/details/79221937
我这里python3环境下修改了:
客户端和服务器端都是修改了print,有.encode('utf-8')的地方删了,即可。

再提一下开放端口,云服务器那边直接改控制台的安全组策略就可以了,记得相应软件的配置文件里面要是用的127.0.0.1得换成可访问的人的IP,要是没这个需求那就直接0.0.0.0即可。前后端交互是需要指定访问的IP的,前端的访问给0.0.0.0就行了,nodejs是node服务器自己一个端口号,websocket一个端口号,再加上前端对外开放的一个端口号一共是3个。
也可以用iptables,我这里下了个firewalld,但其底层应该是调用iptables的,
 

ss -tlnp
ip a|grep inet
netstat -tunlp|grep 3306
关于开放3306端口,如果开给特定的主机,需要把原先firewall-cmd的0.0.0.0给remove掉,然后只开控制台给特定的ip就行了
https://blog.youkuaiyun.com/weixin_34268843/article/details/87176803
记得开放端口要两个一起,就是阿里云控制台那里的一个或firewalld的一个,还有就是mysql自己的配置文件。
sudo firewall-cmd --add-port=3306/tcp
sudo firewall-cmd --query-port=3306/tcp
sudo firewall-cmd --list-ports
sudo firewall-cmd --remove-port=3306/tcp //firewall-cmd有一个富规则可以指定访问的IP的,默认是0.0.0.0

关于RPC:https://blog.youkuaiyun.com/whereismatrix/article/details/78595550

pip3 install grpcio

关于GO:

sudo apt-get install golang
mkdir ~/AboutGo
echo 'export GOPATH="$HOME/AboutGo"' >> ~/.bashrc
source ~/.bashrc
sudo apt-cache search golang

 

关于DOCKER:

参照:https://docs.docker.com/install/linux/docker-ce/ubuntu/?spm=a2c4e.11153940.blogcont625340.9.431f69038OPUAE#set-up-the-repository

sudo apt-get update

sudo apt-get install apt-transport-https ca-certificates curl software-properties-common
'''over https'''

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
'''这一步是获取docker官方GPG密钥
如果输入sudo apt-key fingerprint 0EBFCD88能获得:
9DC8 5822 9FC7 DD38 854A E2D8 8D81 803C 0EBF CD88说明是没问题的
'''

sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu  xenial  stable"
'''
如果这里照着官网上打了
$ sudo add-apt-repository \
   "deb [arch=amd64] https://download.docker.com/linux/ubuntu \
   $(lsb_release -cs) \
   stable"
这个命令报错/etc/apt/sources.list的第59行去到该文件中把59行注释即可,官网上强调了这个是给linux mint那些版本的
'''

sudo apt-get install docker-ce docker-ce-cli containerd.io

sudo docker version

sudo docker run hello-world

 

关于CAFFE: 

#注:我这里已经装过opencv了(python版的),没装的需要装一下


因为我之前一直改的是CMakeLists.txt,所以对caffe下Anaconda的装法觉得哪里不对,如果去到Makefile里面去看的话就能很明显的看到Anaconda的装法,直接改Makefile里的也行。之前一直受到的教育是Makefile是由CMakeLists.txt生成的,没想到直接改Makefile就行,Makefile也没认真看(约在Makefile的58行):

git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd //这一步装的是目标检测版的caffe

修改CMakeList.txt,我这里是不使用CUDA的版本,所以是without CUDA,自己按需改
+caffe_option(CPU_ONLY  "Build Caffe without CUDA support" ON) # TODO: rename to USE_CUDA
set(python version "3" CACHE STRING "Specify which Python version to use")  #2改为3
#这里如果是用的anaconda的也直接改为3就行了,它会把路径自动改为anaconda3的,详情看文末的anaconda装法

#一次性一大串apt-get很容易出现后面的几个没有安装,自己注意是不是装完了
sudo apt-get install libboost-all-dev liblmdb-dev libprotobuf-dev libgflags-dev libgoogle-glog-dev 
sudo apt-get install libleveldb-dev libsnappy-dev libopencv-dev

#解决protobuf问题,如果已存在protobuf,将旧的改个名留个备份,就可以了
sudo apt-get install libprotobuf-dev
sudo apt-get install protobuf-compiler

cd caffe
mkdir build
cd build
cmake ..
make

#可能还要sudo apt-get install python3-skimage
#如果遇到The dependency target "pycaffe" of target "pytest" does not exist.问题,需要:
sudo apt-get install python3-numpy

如果没遇到更好,我树莓派上装了一遍后又去阿里云上装了一遍,结果才遇到的。
问题1:
有一个很奇怪的问题是Anaconda好像会影响caffe的编译,Anaconda情况下编译到74%左右时会报
//usr/lib/x86_64-linux-gnu/libsoxr.so.0: undefined reference to `GOMP_parallel@GOMP_4.0'
这个问题需要在bashrc中把anaconda路径给注释掉,就能顺利了
问题2:
还有一个问题也是在74%,应该是libtiff4和libtiff5冲突,我的理解大概是caffe用的libtiff4而opencv-contrib-python最新版本用的
libtiff5,今天pip3 install opencv安装下来的竟然是4.1.x的,因此只好uninstall这个然后指定下载3.4.4.19版本的。估计下一代
caffe就会用到libtiff5了。以上都是我估计的,如果有错就当我瞎说,顺便再告诉我下实际原因是啥。
然后还按照https://blog.youkuaiyun.com/yeler082/article/details/83416981的做法弄了一遍,不知道跟这个有没有关系。

以上编译成功后就需要:
环境变量去到bashrc添加PYTHONPATH然后source,然后重开一个会话。
添加路径,我的是:

 

 

关于Lua:

wget -c http://www.lua.org/ftp/lua-5.3.4.tar.gz
tar -zxvf lua-5.3.4.tar.gz
cd lua-5.3.4 
make linux test
#如果遇到报错readline的问题,sudo apt-get install libreadline-dev
make install

 

关于Anaconda(接下来的新系统不会再去装Anaconda,没意思,嗯):

sudo apt-get install python3.5  #下面三步相当于把默认的python版本改为3,毕竟2快退休了
sudo rm /usr/bin/python
sudo ln -s /usr/bin/python3.5 /usr/bin/python
#以后这个方式不能用sudo pip3,要换成pip
想恢复python2跟python3共存的环境就直接:
rm /usr/bin/python
cp /usr/bin/python2.7 /usr/bin/python
即可。
2019/05/09更新:
Anaconda太烦了,在bashrc注释掉后才能装成功caffe,装的要了命,还要把默认的pip改回2.7,以上rm的那三步有风险,默认的pip也会变成3.5,自己小心点解决吧,/usr/local/bin/pip删了之后装下面三步,就回到默认的pip2.7了,贼拉拉,就是气。
sudo apt-get remove python-pip
wget https://bootstrap.pypa.io/get-pip.py
python get-pip.py

wget https://repo.continuum.io/archive/Anaconda3-4.2.0-Linux-x86_64.sh
bash Anaconda3-4.2.0-Linux-x86_64.sh -b
sudo vi ~/.bashrc  #在最后加入我的anaconda的路径,我的是:

source ~/.bashrc   # 如果报错qt4相关则sudo apt-get install python-qt4

想安装Tensorflow和Keras的可以直接:

pip install tensorflow
pip install keras

记一份LSTM源码:https://www.evolutionarylearn.com/paper/python-keras-tensorflow-mts/

搭建测试环境 搭建测试环境(准备测试资源的过程,就是测试环境的搭建。) 像日常测试中,用例的设计、error管理工具的安装、测试模拟器环境的配置、测试人员的调动等等,都属于测试环境搭建范畴) 开发环境: 开发人员是在自身的环境下研发,那么开发人员在做冒烟测试时必然是用的自身的开发环境。由开发人员自行完成。 正式环境(公共环境): 这个是指用户实际使用的环境,即已经上线交付使用的环境,这个环境是万万 阅读详情

相关推荐

WebRTC 环境搭建

本文主要描述webrtc开发过程中所需的环境搭建。

m0_74823715的博客 1498

undefined reference to symbol 'GOMP_parallel@@GOMP_4.0'

**undefined reference to symbol 'GOMP_parallel@@GOMP_4.0'**编译时出现undefined reference to symbol 'GOMP_parallel@@GOMP_4.0'错误如何解决 编译时出现undefined reference to symbol 'GOMP_parallel@@GOMP_4.0’错误如何解决 请在编译时添加...

tekkie的博客 6942

ReactNative环境搭建

React是一个构建用户界面的JS框架,实现了数据的响应式和组件化开发,本身既可以用于Web网站项目,也可以用于创建移动端App项目。相较于Vue.js在移动端只能构建WebApp,React生态系统中有一个可以构建“真正原生App”的扩展——ReactNative,可以这样说“ReactNative是React生态圈可以傲视其它对手的绝对功臣”。原理ReactNative应用中的JS代码,在开发运行阶段会被编译为原生的Java或OC代码ReactNative英文官网https//reactnati。...

Caleb的博客 1491

解决[ollama] - Go build fails with undefined reference to `GOMP_parallel‘

解决ollama编译遇到的[ollama] - Go build fails with undefined reference to `GOMP_parallel'

qq_44908396的博客 459

从Frenet坐标系到多项式拟合:Lattice Planner核心原理拆解与调参指南

本文深入解析了自动驾驶轨迹规划中Lattice Planner的核心原理,重点阐述了其在Frenet坐标系下解耦横纵向规划、利用五次和四次多项式拟合轨迹的数学基础。文章提供了从坐标系转换、采样策略到成本函数设计的完整工程实践指南,并分享了关键的参数调优经验,旨在帮助开发者高效实现稳定、平滑且安全的轨迹规划。

tech5的博客 1111

记录rk3588 在Linux 6.1内核版本声卡 bug。

rk3588 Audio bug

Yongheng6的博客 856

解决undefined reference to `omp_get_thread_num‘ omp_get_num_threads omp_set_dynamic GOMP_parallel

可执行文件依赖的第三方libhand_palm.so库依赖了omp符号,但是没把omp库链接进so去。第三方libhand_palm.so库的编译加上-fopenmp。

lct408719896的博客 1017

人工智能训练师技能等级认定四级技能考核试卷-样题4

本文为人工智能训练师四级技能考核试卷,包含六个实操考核项目,总时长150分钟。考核内容涵盖:1)车牌数据集规范评估与格式处理;2)车牌数据集采集代码修改与数据处理;3)房价预测数据集加载、预处理与可视化分析;4)车牌标注数据集审核与修正;5)螺丝螺母检测数据集的平台创建与共享;6)螺丝螺母数据的去噪处理与标注优化。要求考生使用Python编程、数据处理平台和标注工具完成各项任务,重点考察数据加载、格式转换、缺失值处理、数据可视化、标注审核及平台操作等技能。所有操作需在配备Python3.7和深度学习平台的W

weixin_42221934的博客 351

“undefined reference to“ 问题汇总及解决方法

编写测试代码如下:// test.h#endif// test.c{}// main.c{}先将test.c编译成库文件。将main.c编译成可执行文件。链接出错了,原因很简单,test()这个函数的声明和定义不一致导致,将两者更改成一样即可通过编译。

zhanglidn013的专栏 3万+

别急着做AI:FDE教你识别真需求,让AI真正落地

人工智能项目在落地过程中,经常出现业务方高喊“我们要做AI”,却说不清具体应用场景的现象。判断一个需求是否值得用AI实现,不能只看技术流行度,而要从问题出现频率、当前替代方案以及可量化业务价值三个维度展开验证。同时需要冷静比较规则引擎与大模型的边界:不是所有语义任务都要靠生成式模型,稳定、可解释且低成本的传统方案往往更具工程性价比。数据闭环也至关重要,缺乏历史样本与反馈回流路径的项目,很难在真实环境中持续优化。针对智能客服、合同审查或企业知识库等典型场景,可借助人机协同与最小代价的用户验证,逐步筛除伪需求,

weixin_42624889的博客 343

23. STM32F103C8T6 ADC采集光敏电阻传感器模块光照强度实战

本文详细介绍了如何使用STM32F103C8T6的ADC模块采集光敏电阻传感器的光照强度。通过硬件接线、核心原理讲解、四步代码配置(GPIO、ADC模式、使能校准、数据滤波)以及串口验证,手把手指导完成从模拟信号到数字值的完整实战流程,并重点提示了ADC时钟分频等关键配置要点。

weixin_42300144的博客 223

QT环境搭建

QT SDK的环境搭建

plj521的博客 2639

DDR核心机制解析:从Burst到Prefetch的性能跃迁

本文深入解析了DDR内存性能跃迁的核心机制,重点阐述了Burst(突发传输)与Prefetch(预取)技术的协同工作原理。Burst机制通过连续传输数据减少访问延迟,而Prefetch则通过内部预取数据提升吞吐量,两者结合完美匹配现代CPU缓存行需求,是DDR3等内存实现高效带宽的关键。

weixin_29232121的博客 137

Flutter在Windows的环境搭建

Windows下只能搭建Android开发环境;Mac下技能搭建Android开发环境,也能搭建IOS开发环境;根据情况选择然后双击安装包,一直Next、Next、Next、Next、Next、Next、Next、Next.......Finishi最后在命令行验证是否安装成功:win+r输入cmd打开终端,输入出现版本号说明安装成功。

2302_80036039的博客 1446

Gbase 8a GDCA考试真题100%

本文整理一些Gbase 8a中非常易错得考试真题及答案,而且都是不好搜的。加粗的是正确答案。

打工之路,一路生花 4310

Python实战日志_P4_图书馆Web API服务

目标:使用Flask将图书馆系统升级为RESTful API服务,掌握Web开发基础难度:⭐⭐⭐⭐☆预计学习时间:75分钟前置要求:已完成第3篇《个人图书馆管理系统》

qq_39436086的博客 84

1,PyTorch环境搭建

本文详细介绍了在不同操作系统上使用venv和conda搭建 PyTorch 环境的方法,包括环境搭建前的准备、创建虚拟环境、安装 PyTorch、环境搭建后的验证与测试以及常见问题及解决方法。通过本文的介绍,读者应该能够顺利搭建 PyTorch 环境,并开始使用 PyTorch 进行深度学习项目的开发。在搭建环境的过程中,可能会遇到各种问题,但只要按照本文提供的解决方法逐一排查,相信都能够顺利解决。希望本文能够为读者在深度学习领域的探索提供帮助。更多技术文章见公众号: 大城市小农民。

IT老农民的博客 1315

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Django环境搭建

目录 Django环境搭建 1、虚拟环境创建 2、创建project 1.使用pip install 安装django 2.使用django-admin startproject生成项目 3、项目结构 4、创建app 1. polls/ 2. migrations/ 3. polls/urls.py 5、创建Template 6、创建Model/View/Url 7、工程化项目参考 Django环境搭建 对于初学django新手,根据以下步骤可以快速进行Dj...

Yummy的博客 2720

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

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

小白级 Python 环境搭建

作为工科生,环境搭建是必不可少的一种能力,学会环境搭建是小白步向菜鸟的第一步。python是一门相对较新的语言,我记得在我读中学的时候这个时候python还没出3,当时懵懵懂懂的,听网上的言论,感觉python是一个和basic、scratch一样的新手入门级编程语言,但实际上python是一个很好用的编程语言,突出一个生态多库多能实现的功能很多涉及的领域也很多,像是网络爬虫、神经网络、软件自动化甚至是硬件操控都可以,感兴趣的话可以去多多了解一下,话不多说,我们准备开始了。

aoliba_believer的博客 1336

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")

ROS环境搭建

我自己的系统环境是ubuntu 16.04LTS,安装好系统,连好网络后就开始搭建ROS环境连,我自己对于ROS 的理解就是一个机器人通讯框架,也是一种软件,需要下载运行才能在ROS框架上写代码,让机器人工作,今天就干一件事,下载这款框架,也就是在系统上安装这款软件。 第一步:配置系统软件源,如果是新安装的系统,没有修改的话,应该是不用设置的; 系统配置(齿轮和扳手的图标)>&gt...

guijiaqing的博客 5231

solidity环境搭建

# solidity环境搭建solidity环境搭建(上)在线IDE本地环境安装nodejs更换node源为淘宝镜像 solidity环境搭建(上) 在线IDE http://remix.ethereum.org/ 本地环境 安装nodejs 建议安装lts版本,这里安装 node --version v10.16.0 自带的npm版本 npm -v 6.9.0 更换node源为淘宝镜像 ...

Lerix的博客 1694

Python 环境搭建

Python环境搭建

xiangxueerfei的博客 1万+

Android环境搭建

执行以下命令来安装 Homebrew: 检测是否安装成功: 第二步:安装 Node 和 NPM,搭建 JavaScript 环境 安装 Node: 安装完成后,检查 Node 和 NPM 是否安装成功: 为保证后续网络的畅通,将 CNPM 的 registry 设置为淘宝源: 如果想要切换回默认的官方 NPM 源,可以使用: 你可以通过以下命令检查当前的 registry 设置: 第三步:安装 Watchman 工具 安装 Watchman: 安装完成后,通过以下命令检查是否安装成功: 第四步:安装 Jav

jjsnc 1857

OpenCV环境搭建

OpenCV环境搭建 VS2017安装 具体安装过程参考下面链接: https://mp.weixin.qq.com/s/NrrHFAXm57QblOf5CPUVmw 组件可以参考以下选项: OpenCV安装 +如果还没有安装OpenCV这里提供一个连接,下载完成后直接解压就可以使用。 链接:https://pan.baidu.com/s/18sedYEJNiP7bIxKL6Uy56g 提取码:1111 解压完成后OpenCV目录如下 安装完上面的VS和OpenCV后,下面就可以配

咸鱼很渴的博客 3853
上一篇: RabbitMQ基础一
下一篇: 关于一个单双击长按状态机和一个client+server
Parallel2333
博客等级 码龄10年 40粉丝 51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