2023年“挑战杯”大学生课外学术科技作品竞赛有感

挑战杯-复赛+答辩 首先复赛分为两个板块,线上跑分和答辩。线上板块部分较初赛难度和精度均有一个大的跨度,需要我们输出测试集视频里N段疲劳片段(N>=0)和疲劳对应的分类,片段定位需要精确到0.5秒内并根据整体的检测速度来评判分数,每天仅有一次提交代码刷新分数的的机会。答辩的时间给出了十天的时间,从7号到16号,其中11号需要提交方案的整体ppt以及实现的功能录屏。线上跑分线上跑分是将模型打包生成ModelArts在线服务,其中我们遇到的第一个问题就是无法部署。 阅读详情

今年大家的学术热情都十分高涨,以前本科的时候参加过小挑,商业性更强,大挑能参加的项目更丰富,更加注重科技创新能力。本次比赛感觉小论文的内容还能继续丰富,于是就拿最近的一项专利投了。

首先写了作品申报书,因为最近一直在做元宇宙的应用,所以又手搓了一个Unity融合多传感器的项目,因为不确定进入市赛还是转战专项赛,所以只能暂时讲一讲实现的思路,等所有比赛结束,再分享心路历程和准备过程。

一、课题背景及研究意义

老年人作为一个特殊的群体,认知功能减退已成为影响个体身心状况和生活质量的重要因素。目前,市面上已经存在一些辅助行走的设备等,但是没有辅助设备针对记忆力退化这一问题。微软 2016 年的一项专利为此提出了解决方案:使用 HoloLens 帮助人们记忆。借鉴微软的思路,开发视觉SLAM在HoloLens下的应用,这样就可以提高智能系统可行性,以及长期运行的鲁棒性。

二、作品所处阶段

  • 实验室阶段
  • 中试阶段
  • 生产阶段

目前处于中试阶段,技术转让方式为专利权转让

客户端部分代码展示

using System.Collections;
using System.Collections.Generic;
using UnityEngine;
using TMPro;
using UnityEngine.UI;

public class ClientItem : MonoBehaviour
{
    public GameObject SubPanel;
    public int Type;
    public int Id;
    public int UChatPhone;
    public int UChatVideo;
    public TextMeshProUGUI NameText;
    public TextMeshProUGUI IpText;
    public Image TypeImage;
    public Sprite[] TypeSprits;
    RuntimePlatform platform;
    public void SetValue(int id, int type, string name, string ip)
    {
        Id = id;
        Type = type;
        int spriteIndex = 0;
        platform = (RuntimePlatform)type;
        if (platform == RuntimePlatform.OSXEditor || platform == RuntimePlatform.WindowsEditor
            || platform == RuntimePlatform.WindowsPlayer || platform == RuntimePlatform.OSXPlayer) 
        {
            spriteIndex = 1;
        }
        else if (platform == RuntimePlatform.IPhonePlayer)
        {
            spriteIndex = 2;
        }
        else if (platform == RuntimePlatform.Android)
        {
            spriteIndex = 3;
        }
        else if (platform == RuntimePlatform.WSAPlayerX86)
        {
            spriteIndex = 4;
        }
        else if (platform == RuntimePlatform.WSAPlayerARM)
        {
            spriteIndex = 5;
        }
        NameText.text = name;
        IpText.text = ip;
        TypeImage.sprite = TypeSprits[spriteIndex];
    }

    private void OnEnable()
    { 
        LayoutRebuilder.ForceRebuildLayoutImmediate(transform.GetComponent<RectTransform>());
    }

    public void OnClick() 
    {
        SubPanel.SetActive(!SubPanel.activeInHierarchy);
        LayoutRebuilder.ForceRebuildLayoutImmediate(transform.parent.GetComponent<RectTransform>());
    }

    public void UploadAnchor() 
    {
        if (platform == RuntimePlatform.WSAPlayerX86 || platform == RuntimePlatform.WSAPlayerARM)
        {
            ARManager.Instance.UploadAnchor();
        }
        else
        {
            ShowMessageManager.Instance.ShowMessage("请选择HoloLens设备!");
        }
    }

    public void DownLoadAnchor()
    {
        if (platform == RuntimePlatform.WSAPlayerX86 || platform == RuntimePlatform.WSAPlayerARM)
        {
            ARManager.Instance.DownLoadAnchor();
        }
        else
        {
            ShowMessageManager.Instance.ShowMessage("请选择HoloLens设备!");
        }
    }
    public void Callibration() 
    {
        if (Id == ClientNetworkManager.Instance.UserId || ServerNetworkManager.Instance==null || !ServerNetworkManager.Instance.IsStartServer) 
        {
            ShowMessageManager.Instance.ShowMessage("无权限!");
            return;
        }

        ShowMessageManager.Instance.ShowSelectBox("校准客户端?",()=> 
        {
            ARManager.Instance.SendCallibrationRequest(Id);   
        });
    }
    public void StartHoloview() 
    {
        if (platform == RuntimePlatform.WSAPlayerX86 || platform == RuntimePlatform.WSAPlayerARM)
        {
            ShowMessageManager.Instance.ShowSelectBox("开启第一视角?", () =>
            {
                ARManager.Instance.StartHoloview(Id);
            }); 
        }
        else
        {
            ShowMessageManager.Instance.ShowMessage("请选择HoloLens设备!");
        }
    }
    public void PhoneCall()
    {
        if (UChatPhone == UnityChatManager.Instance.UnityChatPhone )
        {
        	UChatManager.Instance.UnityChatPhone();
        }
        else
        {
         ShowMessageManager.Instance.ShowMessage("语音呼叫失败,请检查服务器!");
         }
        
    }
    public void VideoCall()
    {

       if (UChatVideo == UnityChatManager.Instance.UnityChatVideo )
        {
        	UChatManager.Instance.UnityChatVideo();
        }
        else
        {
         ShowMessageManager.Instance.ShowMessage("视频呼叫失败,请检查服务器!");
         }

    }
}

三、使用范围和前景预测

设计有效和完善的协同交互模型来促进原型系统的实现,旨在帮助穿戴 Microsoft HoloLens2 设备的用户对真实世界的物体对象进行实时高效的检测,不仅能够识别目标得到物体对象的位置,而且可以取得目标的分类信息及其所属类别的置信度。

前景方面,利用 HoloLens2 的增强现实信息能够更加直观地看到检测信息,摆脱传统的人机交互方式,达到虚实交互的目的,本项目工作不仅扩宽了 HoloLens 的用户群体,而且为 HoloLens等增强现实设备的应用提供了新的思路。

四、总结

本次挑战杯从校内预选赛到正式比赛收获很丰富,也认识了很多技术大牛,也有一些本科生也非常优秀,当然研究生同学大家之间的竞争也非常激烈,这也是自疫情以来第一次参加线下答辩,紧张且兴奋!且长凌风翮,乘春自有期。
在这里插入图片描述
在这里插入图片描述

大学生千万不要错过,2025年9-12月高校竞赛日历(附官网链接、赛事介绍、注意事项) 阅读详情

相关推荐

家庭网络中,路由器和交换机的连接顺序

它的目的是给路由器增加端口,用户访问互联网的速度比情况一要快,常用于办公网络、家庭成员多的场景。光纤入户首先连接的肯定是光猫,而在光猫的后面,是先连接交换机?还是应该接路由器呢?家庭网络中路由器和交换机的先后连接顺序。它目的是让更多的用户访问互联网。常用于一些超大型机房、网吧等。至于路由器和交换机的区别。两者之间很多功能都有兼容。但用户上网速度相对较慢。在技术日益迭代的今天。

m0_74075744的博客 1万+

第十七届“挑战杯”广东大学生课外学术科技作品比赛感想

第十七届“挑战杯”广东大学生课外学术科技作品比赛感想和经验分享

newxiaoou的博客 1010

7.1华为OD机试真题 新系统 - 奇偶三数之和 (Java/Py/C/C++/Js/Go)

7.1华为OD机试真题 新系统 - 奇偶三数之和 (Java/Py/C/C++/Js/Go)

算法大师! 444

关于参加大学生挑战杯赛的心得体会

优快云话题挑战赛第1期 活动详情地址:https://marketing.youkuaiyun.com/p/bb5081d88a77db8d6ef45bb7b6ef3d7f 参赛话题:大学生竞赛指南 话题描述:本话题聚焦于大学生竞赛心得体会分享,对于计算机众多领域每年都有很多都会举办科技竞赛,很多学生也都会踊跃参与,每到竞赛结束,学生们都会收获很多,这个时候我们可以写下一篇竞赛心得,大家互相交流学习科技竞赛经验,共同分享竞赛资源、探讨各领域技术以及比赛技巧,希望大家能够在此话题下一起讨论一起学习,能够探索一个属于自己

dqwqwe的博客 6686

【推荐100个unity插件】基于节点的程序化无限地图生成器 —— MapMagic 2

MapMagic 2是一款基于节点的程序化地形生成工具,可快速创建无限地图。主要功能包括:通过图形化节点编辑器构建地形逻辑;支持四个核心模块(对象、样条线、生物群落和笔刷);提供完整的操作指南,包括创建资产、使用编辑器窗口、节点操作等。工具具有直观的UI界面,支持节点连接、参数调整、图层管理等功能,并能实时生成地形。适合游戏开发者快速构建高质量的可玩地形环境。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 3121

关于 SAP UI5 应用 url 中的特殊符号 # 的作用介绍

符号在 SAP UI5 的 URL 中不仅仅是一个分隔符,更是动态路由、状态管理和深链接的关键所在。通过合理使用,开发者可以实现高效、流畅的用户体验,同时保持系统的可维护性和扩展性。通过 SAP UI5 提供的灵活路由机制,企业应用可以轻松实现复杂导航需求,同时为用户提供直观的交互体验。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 407

【挑战杯】“挑战杯”全国大学生创业计划大赛国奖收获总结

2020.11.4 最终结果产生,学校五支进入全国决赛的队伍全部为国家铜奖(无奈╮(╯▽╰)╭)。 尽管只是一个铜奖,但对我个人而言意义非凡,是我获得的第一个认可度比较高的国家级奖项,因此打算写一篇文章来记录下一路上的收获同时和大家分享一下经验。 开头想对大家说的话: 1、任何经验的分析如果脱离了分享者的实际情况都是空谈。因此博主分享的经验只能针对于与博主情况相似的地区院校,如果你所处的院校情况和博主不同,事实可能完全相反,因此,勿喷!勿喷!勿喷! 2、获奖讲究的是一个天时地利人和,少了一样...

tyrantForever的博客 9185

【OD统一考试(B卷)】比赛的冠亚季军,Python 解答

比赛的规则是 0 号和 1 号比赛,2 号和 3 号比赛,以此类推,每一轮,相邻的运动员进行比赛,获胜的进入下一轮,实力值大的获胜,实力值相等的情况,id 小的情况下获胜,轮空的直接进入下一轮。第一轮比赛,id 为 0 实力值为 2 的运动员和 id 为 1 实力值为 3 的运动员比赛, 1 号胜出进入下一轮争夺冠亚军,id 为 2 的运动员和 id 为 3 的运动员比赛,3 号胜出进入下一轮争夺冠亚军;2 号与 0 号,比赛进行季军的争夺,2 号实力值为 4,0 号实力值 2,故 2 号胜出,得季军。

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 1万+

挑战杯感想

<br />对于挑战杯,虽还有很长的路的要走,但我感触颇多,这种感觉我还无法用语言表达极致,不仅仅包括知识层面,更多的是让自己体会到面对迷惘,困惑,选择中,一步一步艰难的走过来的那种收获,我知道 未来的路依然会很迷茫,面对选择,我可能仍旧困惑,但我不会害怕。 感触颇深的一句话,一旦达到目标就立刻去追逐下一个目标,而不是懂得要暂停下慢慢享受,其愚蠢就像辛苦做好了菜肴便立刻倒掉。在做项目的时候,把项目分好层次,每达到一个阶段,便稍微放松一段,享受做项目的快乐,这种模式对我影响很大。 加油, 自己加油 团队加油

the only 2090

量子化学仿真软件:VASP_(9).磁性材料计算

在量子化学仿真软件 VASP 中,磁性材料的计算是一个复杂但重要的过程。通过正确设置磁性状态、分析磁性性质、优化计算参数以及研究磁性相变和磁动力学,可以更准确地描述和预测磁性材料的性能。希望本节的内容能够为研究磁性材料的科研人员提供有用的参考和指导。

kkchenjj的博客 1375

一文速学数模-K-means聚类算法实战:信用卡用户画像聚类分析

该项目算是非常经典的金融业务用户画像的基础分析了,主要根据用户信用卡使用行为数据进行分析,根据收集到的不同字段信息,对每个用户划分类别。这里需要说明一下的是,聚类模型只是将具有相似行为的大部分用户聚集到一个类别里面,这点并不会考虑到每个字段的含义,也就是分成的类别并不是用户价值等级,此类别仅仅是这个类别大体相同的信用卡用户行为对象,并不能给每个用户价值打上标签,那是评价模型做的事,这里要注意不要搞混淆了,用户价值评价是评价模型决定的,而画像是聚类模型分析的。

master_hunter的博客 1万+

挑战杯大赛感想

经过半年多的准备工作,经过最近一个月的资料准备 挑战杯的工作基本上做完拉,下面就等评审的消息拉 不管结果如何 至少曾经经历过这么一个过程 相信学生和老师都会有很多收获 很多感想 毕竟是第一次参加这种类型的比赛  经验不足  中间大家都付出了很多的努力 期待有好的结果!

hiheiheicdn的专栏 1160

在 SAP ABAP 里可靠地对接 FTP 服务器:从连接、命令到传输与排错的完整实战

本文详细介绍了在SAP ABAP中实现FTP文件交换的完整技术方案。文章首先解析了FTP协议的双连接特性(控制连接与数据连接),强调保持控制连接的重要性。随后详细说明了ABAP中FTP操作的四步标准流程:建立连接(包含HTTP_SCRAMBLE加密)、执行命令、断开连接和关闭RFC通道。文章提供了实战案例代码,演示如何将FTP文件复制到应用服务器再读取进内表处理,特别指出后台作业与前台操作的关键差异。最后总结了常见错误排查要点,包括连接模型、路径设置和资源释放等问题。全文通过SAP标准函数模块的调用顺序、典

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 305

挑战杯简介

我选的题材是一个弥补英语短板的应用程式,类似simpler。我没有做出实际的应用程式,有些纸上谈兵,而且我缺乏团队合作的经验,全部都是我一个人完成的。挑战杯包含两个并列的项目,分别是“挑战杯”中国大学生创业计划竞赛(简称“小挑”)和“挑战杯”全国大学生课外学术科技作品竞赛(简称“大挑”)。这两个项目交叉轮流开展,每两年举办一届,奇数年举办“小挑”,偶数年举办“大挑”。赛事旨在引导和激励大学生创新实践,为青年激发创新思维、培养科研能力提供重要平台,同时在深化高校素质教育、推动经济社会发展等方面发挥积极作用。

Runner__Binger的博客 1251

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

2023全国普通高校大学生竞赛目录

全国高校商业精英挑战赛-①品牌策划竞赛、②会展专业创新创业实践竞赛、③国际贸易竞赛、④创新创业竞赛、⑤会计与商业管理案例竞赛。原中国大学生机械工程创新创意大赛-过程装备实践与创新赛、铸造工艺设计赛、材料热处理创新创业赛、起重机创意赛、智能制造大赛。中国高校计算机大赛-①大数据挑战赛、②团体程序设计天梯赛、③移动应用创新赛、④网络技术挑战赛、⑤人工智能创意赛。外研社全国大学生英语系列赛-①英语演讲、②英语辩论、③英语写作、④英语阅读。原全国大学生生命科学竞赛(CULSC)-生命科学竞赛、生命创新创业大赛。

sdau2005的博客 5957

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

直击“挑战杯”竞赛:解锁顶级企业的“创新密码”

这个园区建筑面积近20万平方米,投资价值80亿元,能容纳研发人员6000人,行政人员2000人,是全球单体最大的农业企业研发园、全球农业创新高地,堪称我国“农业科技创新硅谷”,将为大北农提供长期发展动力。能将自身发展融入到社会发展中,自觉融入中华民族伟大复兴征程,通过人才、创新上的投入实现科技自立自强,推动社会的可持续发展,才是一家顶级企业的内在特质。青年科创强则国家强。其中,大学生竞赛凭借选拔人才、加强合作交流、提升研究水平、转化科研成果等方面的作用,在服务国家人才和创新战略上,扮演着越来越重要的角色。

yidiancaijing的博客 219

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")

2024普通高校大学生竞赛

2024年A类竞赛(全国普通高校大学生竞赛)目录结合A类竞赛目录选择一些大学高质量竞赛。

平安喜乐 9670

2023全国大学生数学竞赛暨数学精英挑战赛

2023全国大学生数学竞赛暨数学精英挑战赛

weixin_51660995的博客 983

大学生竞赛项目

大学生竞赛项目

weixin_47181329的博客 1479

2023 年度 A 类学科竞赛项目清单

注:1、依据中国高等教育学会公布的《2023 年全国普通高校大学生竞赛分析报告竞赛目录》(去掉了只纳入高职排行项目)以及教育部高等教育评估中心设计的本科状态数据填报所指定的项目,合并后共计 81 项。2:全国三维数字化创新设计大赛仅纳入年度年赛。

qq_42898149的博客 3万+

电子信息类大学生推荐竞赛列表(一)

电子信息类大学生推荐竞赛列表(一)

m0_72838674的博客 4136

江门职院捧杯!江职学子夺金!学校总分创历史最好成绩!

为激励和引导青年人才在科技创新、乡村振兴主战场挑大梁、当主角,提升青年大学生创新创业能力,学校团委始终牢记为党育人根本任务,以“挑战杯”“攀登计划”“百千万工程”突击队行动为抓手,全面构建“前端培育、中端实践、后端孵化、跟踪研究”的全链条育人体系,为学校培养具有创新精神和实践能力的高素质技术技能人才而努力。创新路上,挑战不息。5月18日至5月19日,由共团省委、省教育厅、省科技厅、省人社厅、省社科院、省科协、省学联主办的第十四届“挑战杯”广东大学生创业计划竞赛终审决赛在华南农业大学圆满举办。

刚子的博客 406

拉满综测!25CS保研er这些竞赛必须参加!

这两个项目的全国竞赛交叉轮流开展,每个项目每两年举办一届,“挑战杯”系列竞赛被誉为中国大学生学生科技创新创业的“奥林匹克”盛会,是目前国内大学生最关注最热门的全国性竞赛,也是全国最具代表性、权威性、示范性、导向性的大学生竞赛。而且保研er来说,参与一些创新创业竞赛的时候,离不开文献资料的整理以及实验技能的训练,这在。,大赛旨在激发大学生的创造力,培养造就“大众创业、万众创新”的主力军,推动赛事成果转化,促进“互联网+”新业态形成,服务经济发展,以创新引领创业、创业带动就业,推动高校毕业生更高质量创业就业。

Baoyan_cs的博客 1375

推荐研究生参加的学科竞赛

推荐研究生参加的学科竞赛

被放养的研究生的博客 1341

《2023全国普通高校大学生竞赛分析报告》竞赛目录

47、全国高校商业精英挑战赛-①品牌策划竞赛、②会展专业创新创业实践竞赛、③国际贸易竞赛、④创新创业竞赛、⑤会计与商业管理案例竞赛。15、外研社全国大学生英语赛列赛-①英语演讲、②英语辩论、③英语写作、④英语阅读。19、全国大学生机器人大赛-①RoboMaster、②RoboCon。70、全国大学生基础医学创新研究暨实验设计论坛(大赛)12、全国大学生电子商务“创新、创意及创业”挑战赛。21、全国大学生先进成图技术与产品信息建模创新大赛。1、中国国际“互联网+”大学生创新创业大赛。

weixin_74320347的博客 2462

港科夜闻|2023年全球大学毕业生就业力排名公布,香港科大位列香港第一名

关注并星标每周阅读港科夜闻建立新视野 开启新思维1、2023年全球大学毕业生就业力排名公布,香港科大位列香港第一名。香港科大在泰晤士高等教育2023年全球就业能力大学排名中上升一位至全球第29位,继续位居香港首位。香港科大的毕业生就业能力持续跻身全球前30名和亚洲前10名,凸显了他们在全球就业市场的竞争力。作为亚洲顶尖学府之一,香港科大致力于为同学提供一个创新、全面且兼容不同文化的学习环境,培育他...

HKUSTchinaoffice的博客 1033
上一篇: ROS平台下INDEMIND双目惯性模组SDK教程
下一篇: ORB算法笔记
极客范儿
极客范儿 新星创作者: 游戏开发技术领域 新星创作者: 游戏开发技术领域 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄12年 1万+粉丝 341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

打赏作者

极客范儿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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