dmserver.exe

达梦数据库Windows登录失败6001:网络通信异常排查全攻略 数据库连接是客户端与服务端之间的一条完整链路,从TCP握手、端口监听到实例名匹配,任何一环异常都会导致登录失败。在Windows环境中,达梦数据库报错6001并提示“网络通信异常”时,往往并非密码或权限问题,而是服务端进程未启动、端口未监听、实例名配置不一致或防火墙拦截所致。掌握基于服务状态、端口确认、连接串匹配、防火墙放行的系统排查方法,能大幅缩短故障定位时间。本文从网络通信基本原理解析入手,逐步拆解达梦数据库在Windows下出现6001错误的常见场景,涵盖dmserver进程检查、PORT_NUM核对 阅读详情
  href="../../../../style.css" type="text/css" rel="stylesheet" />  


进程知识库

dmserver - dmserver.exe - 进程信息 name="google_ads_frame" marginwidth="0" marginheight="0" src="http://pagead2.googlesyndication.com/pagead/ads?client=ca-pub-5572165936844014&dt=1195292630218&lmt=1195292627&format=336x280_as&output=html&correlator=1195292630218&url=file%3A%2F%2F%2FC%3A%2FDocuments%2520and%2520Settings%2Flhh1%2F%E6%A1%8C%E9%9D%A2%2F000stthk.exe.htm&color_bg=FFFFFF&color_text=000000&color_link=000000&color_url=FFFFFF&color_border=FFFFFF&ad_type=text&ga_vid=1397507768.1195292630&ga_sid=1195292630&ga_hid=1390572954&flash=9&u_h=768&u_w=1024&u_ah=740&u_aw=1024&u_cd=32&u_tz=480&u_java=true" frameborder="0" width="336" scrolling="no" height="280" allowtransparency="allowtransparency">

进程文件:dmserver 或者 dmserver.exe

进程名称: Win32.Comet Spyware
 
描述:
dmserver.exe是Gator公司的广告程序。这个进程监视你的浏览习惯,并将相关数据回传到其服务器上用于分析。这个程序也会弹出广告窗口。这个进程的安全等级是建议立即进行删除。

出品者: Comet Systems
属于: Win32.Comet

系统进程: 否
后台程序: 是
使用网络: 是

硬件相关: 否
常见错误: 未知N/A

内存使用: 未知N/A
 
安全等级 (0-5): 2

间谍软件: 是
广告软件: 是
病毒: 否
木马: 否

存在安全风险进程列表

 Top Security Risks   
 180ax.exe a.exe actalert.exe
 adaware.exe Alchem.exe alevir.exe
 aqadcup.exe archive.exe arr.exe
 ARUpdate.exe asm.exe av.exe
 avserve.exe avserve2.exe backWeb.exe
 bargains.exe basfipm.exe belt.exe
 Biprep.exe blss.exe bokja.exe
 bootconf.exe bpc.exe brasil.exe
 BRIDGE.DLL Buddy.exe BUGSFIX.EXE
 bundle.exe bvt.exe cashback.exe
 cdaEngine cmd32.exe cmesys.exe
 conime.exe conscorr.exe crss.exe
 cxtpls.exe datemanager.exe dcomx.exe
 Desktop.exe directs.exe divx.exe
 dllreg.exe dmserver.exe dpi.exe
 dssagent.exe dvdkeyauth.exe emsw.exe
 exdl.exe exec.exe EXP.EXE
 explore.exe explored.exe Fash.exe
 ffisearch.exe fntldr.exe fsg_4104.exe
 FVProtect.exe game.exe gator.exe
 gmt.exe goidr.exe hbinst.exe
 hbsrv.exe hwclock.exe hxdl.exe
 hxiul.exe iedll.exe iedriver.exe
 IEHost.EXE iexplorer.exe infus.exe
 infwin.exe intdel.exe isass.exe
 istsvc.exe jawa32.exe jdbgmrg.exe
 kazza.exe keenvalue.exe kernel32.exe
 lass.exe lmu.exe loader.exe
 lssas.exe mapisvc32.exe mario.exe
 md.exe mfin32.exe mmod.exe
 mostat.exe msapp.exe msbb.exe
 msblast.exe mscache.exe msccn32.exe
 mscman.exe msdm.exe msgfix.exe
 msiexec16.exe msinfo.exe mslagent.exe
 mslaugh.exe msmc.exe msmgt.exe
 msmsgri32.exe MSN.exe msrexe.exe
 mssvc32.exe mssys.exe msvxd.exe
 mwsoemon.exe mwsvm.exe netd32.exe
 nls.exe nssys32.exe nstask32.exe
 nsupdate.exe ntfs64.exe NTOSA32.exe
 omniscient.exe onsrvr.exe optimize.exe
 P2P Networking.exe pcsvc.exe pgmonitr.exe
 PIB.exe powerscan.exe prizesurfer.exe
 prmt.exe prmvr.exe ray.exe
 rb32.exe rcsync.exe rk.exe
 run32dll.exe rundll16.exe ruxdll32.exe
 saap.exe sahagent.exe saie.exe
 sais.exe salm.exe satmat.exe
 save.exe savenow.exe sc.exe
 scam32.exe scrsvr.exe scvhost.exe
 SearchUpdate33.exe SearchUpgrader.exe soap.exe
 spoler.exe Ssk.exe start.exe
 stcloader.exe Susp.exe svc.exe
 svchosts.exe svshost.exe SyncroAd.exe
 sysfit.exe system.exe system32.exe
 tb_setup.exe TBPS.EXE teekids.exe
 tibs3.exe trickler.exe ts.exe
 ts2.exe tsa.exe tsadbot.exe
 tsl.exe tsm2.exe Tvm.exe
 tvmd.exe tvtmd.exe update.exe
 updater.exe updmgr.exe VVSN.exe
 wast.exe web.exe webdav.exe
 webrebates.exe webrebates0.exe win-bugsfix.exe
 win_upd2.exe win32.exe win32us.exe
 winactive.exe winad.exe winadalt.exe
 winadctl.exe WinAdTools.exe WINdirect.exe
 windows.exe wingo.exe wininetd.exe
 wininit.exe winlock.exe winlogin.exe
 winmain.exe winnet.exe winppr32.exe
 winrarshell32.exe WinRatchet.exe WinSched.exe
 winservn.exe winshost.exe winssk32.exe
 winstart.exe winstart001.exe WinStatKeep.exe
 wintaskad.exe Wintime.exe wintsk32.exe
 winupdate.exe winupdt.exe winupdtl.exe
 winxp.exe wmon32.exe wnad.exe
 wo.exe wovax.exe wsup.exe
 wsxsvc.exe wtoolsa.exe WToolsA.exe
 wtoolss.exe wuamgrd.exe wupdate.exe
 wupdater.exe wupdmgr.exe wupdt.exe
 Xhrmy.exe y.exe

其它进程分类:
- 系统进程列表
- 应用程序进程列表
- 其它进程列表

 

 

©Copyright 2000-2005 小土豆。版权所有。
  

达梦DM8国产数据库安装配置与性能优化实战 数据库管理系统作为企业级应用的核心组件,其架构设计与性能优化直接影响业务系统的稳定性与效率。以达梦DM8为代表的国产数据库采用多进程架构和MVCC并发控制机制,在TPC-C基准测试中展现出优异的OLTP处理能力。通过合理配置内存参数、优化存储I/O策略以及建立高效索引,可以显著提升数据库吞吐量。特别是在金融、政务等关键领域,DM8凭借语法兼容性和安全可控性优势,已成为Oracle等国外数据库的重要替代方案。本文结合企业级项目实践经验,详细解析从环境搭建、参数调优到高可用架构部署的全流程技术要点。 阅读详情

相关推荐

达梦数据库 两节点DSC+DW集群搭建

2节点DSC+DW

qq_44669390的博客 1449

actalert.exe

  进程知识库 actalert - actalert.exe - 进程信息进程文件:actalert 或者 actalert.exe进程名称: DYFUCA.H SpyWare  描述:actalert.exe是一个广告软件程序。这个进程监视你的浏览习惯,并将相关数据回传到其服务器上用于分析。这个程序也会弹出广告窗口。这个进程的安全等级是建议立即进行删除。

ProcessInfo的专栏 557

达梦数据库I/O性能瓶颈深度诊断与优化实战

本文深入探讨达梦数据库I/O性能瓶颈的诊断与优化方法,涵盖dmserver进程监控、SQL调优、参数配置及存储架构优化。通过实战案例解析,帮助DBA快速定位并解决高I/O负载问题,提升数据库整体性能。

weixin_29291863的博客 391

人为操作故障

DM 数据库实例包含数据文件部分和执行文件,执行文件即通过 DM 的安装包安装后在目标机器上存在的可执行程序以及动态库,数据文件是通过 DM 的实例初始话工具初始化的实例文件,包含数据文件(DBF 文件)、配置文件(ini 文件)、控制文件(ctl 文件)以及一些其他必须的文件 (dm_service.prikey) 等,若此类文件在运行过程中被误删除,可能导致异常的情况。 另外在运维过程中,可能存在对数据的误操作,更新、删除插入等,如果存在这种情况,也可能导致应用系统的问题。以下将对此类问题进行依次讲解。

你学废了么的博客 405

达梦数据库纯命令行初始化:dminit与disql全流程实战

数据库初始化是数据库从软件安装到业务可用之间的关键一步,决定了后续存储结构、字符集与访问权限。在无图形界面的生产环境中,通过命令行工具完成实例创建和初始化是DBA和运维的必备技能。达梦数据库提供了dminit与disql两大核心工具,前者用于生成数据目录、控制文件和表空间,后者用于登录实例并完成建表空间、建用户、授权及归档配置。掌握纯命令行初始化流程,不仅能提升建库效率,还能避免图形界面操作带来的不可追溯性。适用于Linux服务器、云主机及自动化运维场景,尤其适合需要快速交付数据库实例的工程项目。本文以达梦

weixin_34026276的博客 626

DM7客户端WIN64连接故障排查指南:版本对齐、DLL依赖与协议配置

达梦数据库DM7客户端工具并非即插即用的绿色软件,而是一套深度耦合服务端版本、Windows运行时(如VC++ 2015–2019)、字符集(GBK/UTF-8)及数据库协议栈的精密连接组件。其核心原理在于客户端`dmclient.dll`与服务端`DMServer.exe`的版本握手校验、加密标志位协商(`ENABLE_ENCRYPT`/`ENCRYPT_FLAG`)以及TCP层之上的DM专有协议通信。技术价值体现在精准定位连接类故障——避免盲目重装或误判系统问题;典型应用场景包括DBA部署验证、国产化迁

weixin_33552698的博客 212

DM8常见问题/故障处理

达梦数据库基础故障处理

优快云WangJ的博客 1491

OriginPro实战:5步搞定碳材料拉曼光谱D峰G峰分析(附完整数据处理流程)

本文详细介绍了使用OriginPro进行碳材料拉曼光谱D峰G峰分析的完整流程,涵盖数据预处理、多图层可视化、高精度分峰拟合等关键步骤。特别针对材料科学研究中的基线漂移、多峰重叠等问题提供专业解决方案,帮助研究者快速完成从原始数据到科研级图表的全流程分析,提升碳材料表征效率与准确性。

vodka的博客 951

利用OPNET进行网络仿真时网络层协议(以QoS为例)的使用、配置及注意点

1. 配置RED策略。 2. 配置流量整形,限速2Mbps。 3. 配置 CAR流量监视。 4. 配置二层PQ协议,三层WFQ协议,都是基于业务区分流量,即DSCP。

baidu_31788709的博客 1602

Ansys Lumerical 2023 R1.2新功能实战:薄膜铌酸锂调制器仿真全流程解析

本文详细解析了Ansys Lumerical 2023 R1.2在薄膜铌酸锂电光相位调制器仿真中的最新功能与应用。通过实战演示,展示了从电极配置、电场计算到模式分析的全流程,重点介绍了各向异性介电常数支持和多物理场耦合优化等关键技术,助力开发者高效设计高性能光通信器件。

weixin_28454475的博客 1216

信号削峰CFR基础知识介绍(一)

接下来,将得到的峰值分成若干段,在每一段中,仅保留该段内所有峰值中幅度最大的峰值。为了减少不必要的带外泄露,削峰后的信号将通过一个低通滤波器,以减少对应于削峰后信号中尖锐拐角的高频信号。首先,它识别出高于由目标PAPR确定的阈值的峰值。在峰值加窗算法中,削峰是通过在峰值区域将原始信号与一个加窗函数相乘来实现的,如下图所示。其中,w(n) 是一种常见的加窗函数,如凯撒窗、高斯窗和汉明窗等,而 p(n) 是一个加权系数。如上图所示,削峰会导致削峰后的信号出现尖锐的拐角,从而引发不必要的带外辐射(ACP增加)。

weixin_49761275的博客 1553

ASM入网小助手卸载(亲测可用)

点击Browse把C:\Windows\SysWOW64\IsAgent里边剩余无法删除的文件添加到Full path点击Delete File,这时候文件不会立即删除,需要重启,把所有文件都添加一遍,然后重启电脑,这个时候ASM已经不会自动启动了,然后去C:\Windows\SysWOW64\IsAgent看一下,如果还有IsAgent,把IsAgent文件夹删除即可。实习的时候装了公司的入网小助手,今天卸载的时候突然发现要密码,在网上搜寻半天解决方法都比较复杂,最后找到个解决办法,亲测可用。

永远在路上 2万+

揭秘 | 顶刊论文插图中的高级配色方案(附RGB/HEX码解析)

本文揭秘了顶级期刊如《Nature》《Science》插图的高级配色方案,详细解析了RGB/HEX码的应用技巧。从双色配色的黄金组合到复杂数据可视化的多色解决方案,提供了实用的配色法则和跨平台一致性建议,帮助科研人员提升图表专业度和视觉传达效果。

weixin_28523493的博客 989

判断进程Svchost.exe病毒

Svchost.exe系统进程项  大家对windows操作系统一定不陌生,但你是否注意到系统中“svchost.exe”这个文件呢?细心的朋友会发现windows中存在多个 “svchost”进程(通过“ctrl+alt+del”键打开任务管理器,这里的“进程”标签中就可看到了),为什么会这样呢?下面就来揭开它神秘的面纱。  在基于nt内核的windows操作系统家族中,不...

weixin_34004750的博客 200

手把手教你用运放和基准源,把±10V信号变成ADC能吃的0-4V(附完整计算过程)

本文详细介绍了如何利用OP07运放和REF5040基准源设计工业级信号调理电路,将±10V传感器信号转换为0-4V ADC可接受范围。通过七步流程,包括需求分析、元器件选型、电路设计、理论计算、PCB布局、实测验证与性能优化,帮助工程师解决信号不匹配问题,提升系统精度与稳定性。

weixin_28731223的博客 469

CubeMX配置ADC+DMA避坑实战:如何避免采样过快导致的系统崩溃

本文针对STM32开发中常见的ADC采样过快导致程序卡死问题,提供了基于CubeMX的实战避坑指南。通过分析ADC与DMA协作机制,详解时钟配置、采样时间、DMA缓冲区长度及中断设置等关键步骤,帮助开发者从源头规避系统崩溃风险,实现稳定可靠的数据采集。

weixin_28273593的博客 325

达梦数据库启动

关于达梦数据库服务启动的几种方式:1.控制台启动 dmserver.exe2.工具  达梦服务查看器1.控制台启动服务            进入dm安装的bin目录下  控制台启动 dmserver.exe 命令启动服务  这种启动服务的方法 需要保证你修改了dm.ini文件参数后修改的文件要在该bin目录下存在  因为控制台启动服务是根据bin目录下的dm.ini文件启动 他会检查里面各...

love_sunlit的专栏 5739

代码复现3—VLN-CE

运行训练完后在 data文件下会自动生成一个“checkpoints”文件,文件下包含任务文件“seq2seq”,该文件下会包括训练出来的权重和评估结果。数据集下载完后路径提取:data/scene_datasets/mp3d/{scene}/{scene}.glb。注意这里下载的数据集并不是所有的matterport3d,只需要一部分,包含90个场景,大小压缩后约16G。在“eval”时,会在data文件下生成videos文件,里面存放的是可视化的轨迹视频。

qq_44100524的博客 3203

揭开SVCHOST.exe进程之谜

svchost.exe是nt核心系统的非常重要的进程,对于2000、xp来说,不可或缺。很多病毒、木马也会调用它。所以,深入了解这个程序,是玩电脑的必修课之一。   大家对windows操作系统一定不陌生,但你是否注意到系统中“svchost.exe”这个文件呢?细心的朋友会发现windows中存在多个 “svchost”进程(通过“ctrl+alt+del”键打开任务管理器,这里的“进程”标...

weixin_30672019的博客 211

【数据集】GPM IMERG Daily Precipitation Dataset

GPM IMERG Daily Precipitation Dataset

WW、forever的博客 1222

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

达梦数据库启动失败 -104,或者 达梦服务管理器空白启动不了

找到 dmserver.exe 手动启动,启动不了可以使用命令行启动。可以直接用命令行指定dm.ini 的路径。空白无法启动达梦数据库。

qq_32166533的博客 981

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

达梦数据库启动显示连接错误处理办法

1.进入X:\dmdbms\data\XXXXX(你创建的数据库在达梦安装路径中的位置) 2.启动powershell,运行命令dmserver.exe,启动服务 3.打开dm管理工具 4.双击localhost(sysdba),显示登录界面 5.将端口改为你创建的数据库的端口号,输入你创建的数据库密码XXXXXX,即可登录 ...

计算机辅助工程 2777

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")

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

达梦数据库安装-之Windows 启动小脚本

这个是在window 启动时放在桌面上启动的小脚本。大概作用,就是不想把dm变成注册服务,但是需要时不时启动一下的那种小需求。 @echo off cd /D D:\app\xueka\dmdbms\bin dmserver.exe path=D:\app\xueka\dmdbms\data\DAMENG\dm.ini -noconsole pause ...

214

dminit工具使用

dminit工具使用 1 功能简介 dminit 是 DM 数据库初始化工具。在安装 DM 的过程中,用户可以选择是否创建初始 数据库。如果当时没有创建,那么在安装完成之后,可以利用创建数据库工具 dminit 来创建。系统管理员可以利用 dminit 工具提供的各种参数,设置数据库存放路径、段页大小、是否对大小写敏感、以及是否使用 UNICODE 等,创建出满足用户需要的数据库。该工具位于安装目录的/bin 目录下。 2 使用 dminit dminit 工具需要从命令行启动。找到 dm

back003的博客 835

达梦更换正式授权dm.key

普及达梦数据库正式授权dm.key更换方法;更换dm.key中途注意事项

ai20110304的专栏 9656
上一篇: dmremote.exe
下一篇: dmxlauncher.exe
ProcessInfo
博客等级 码龄19年 8粉丝 646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