保姆级教程 · 带你十分钟配置vscode xdebug

XDebug用法大全(二)断点调试和性能分析 Xdebug除了可以以堆栈跟踪的方式显示异常之外,还可以令PHP可以像C#那样进行断点调试,甚至对代码进行性能分析。 一、使用Eclipse+Xdebug进行断点调试 首先,需要安装后Eclipse的PHP环境,在Eclipse官网网站上已经有集成的安装包了。 第二步,安装Eclipse的PDT插件,“Help”=>“Install New Software”,在弹出的对话框中点击“Add. 阅读详情

前言

我不知道是不是因为我电脑的问题,xdebug配置一直不成功,也成为了我心里一直过不去的一个小坎,今晚咬咬牙,必须要把xdebug拿下!也是终于自己配好环境了,大部分问题还是出在自己的理解上。下面我详细记录我自己配置vscode xdebug远程调试的配置过程。

1.确认php版本和路径

首先确认我们的php版本

php -v

在这里插入图片描述

然后找到vscode使用的php对应的路径

<?php
echo "PHP 版本: " . PHP_VERSION . "\n";
echo "PHP 路径: " . PHP_BINARY . "\n";
echo "配置文件: " . php_ini_loaded_file() . "\n";
?>

在这里插入图片描述

路径记好备用,稍后我们要修改这里的php.ini文件

2.xdebug配置

2.1.xdebug下载

方法一:手动确认版本

本地运行phpinfo页面,搜索architecture

在这里插入图片描述

然后我们前往xdebug官网下载我们需要的xdebug扩展版本

https://xdebug.org/download/historical

在这里插入图片描述

Architecture x86 对应 32 bit ;x64对应 64 bit
Zend Extension Build NTS不显示,TS则找TS版本;VC15对应即可。
方法二:自动确认版本

https://xdebug.org/wizard

我们可以在终端执行

php -i

输出phpinfo的全部内容,或者phpstudy搭一个phpinfo的页面,去源代码页面复制全部的html源代码,将他们全部粘贴到这个网站的框中,自动分析,他会告诉你需要安装的xdebug扩展版本。

2.2.放置xdebug扩展

安装扩展版本后,我们将其放在刚才找到的php路径中,我的路径是

D:\SOFTWARE\phpstudy_pro\Extensions\php\php7.3.4nts\php.exe

我们找到D:\SOFTWARE\phpstudy_pro\Extensions\php\php7.3.4nts\ext\

把扩展文件放在这个目录中

在这里插入图片描述

2.3.配置php.ini

在php.ini末尾添加以下内容

[Xdebug]
zend_extension=php_xdebug-3.1.6-7.3-vc15-nts-x86_64.dll
xdebug.remote_enable = 1
xdebug.remote_autostart = 1
xdebug.remote_handler = "dbgp"
xdebug.remote_port = "9003"
xdebug.remote_host="localhost"
xdebug.mode = debug,develop,trace
xdebug.start_with_request = yes
xdebug.log="D:\SOFTWARE\phpstudy_pro\Extensions\php\php7.3.4nts\xdebug.log"
xdebug.log_level = 7
xdebug.idekey = VSCODE

这里的xdebug.remote_port端口记得和phpinfo中的xdebug端口保持统一,php.ini配置结束后,在phpinfo页面中搜索xdebug.client_port即可看到端口

在这里插入图片描述

xdebug.remote_host="localhost"就是远程调试项目的地址,根据实际情况填写。

xdebug.idekey = VSCODE 这个要搭配浏览器的xdebug helper来使用,后文会提到。

xdebug.log="D:\SOFTWARE\phpstudy_pro\Extensions\php\php7.3.4nts\xdebug.log"是xdebug的日志保存路径,如果xdebug不能正常运行,我们可以查看日志,根据报错来解决问题。

注意:配置php.ini时不要在开头加分号,这是php.ini的注释符。

2.4.检查xdebug配置

我们在phpinfo中搜索xdebug,出现如图所示的页面即表示配置成功。

在这里插入图片描述

3.vscode配置

3.1.安装php debug扩展

我们在vscode扩展中搜索php debug扩展,安装并应用

在这里插入图片描述

3.2.配置launch.json

我们随便点一个断点,点击f5,出现调试页面

在这里插入图片描述

在左上角点击 没有配置 右边向下的箭头,创建对应你的项目目录的配置文件

在这里插入图片描述

更改为下面所示launch.json

{
    // 使用 IntelliSense 了解相关属性。 
    // 悬停以查看现有属性的描述。
    // 欲了解更多信息,请访问: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "Listen for Xdebug",
            "type": "php",
            "request": "launch",
            "port": 9003, // 以实际端口为准
            "pathMappings":{
                "D:\\webroot\\nine\\" : "${workspaceFolder}\\" // 以实际项目为准
            },
            "hostname": "localhost" // 以实际主机名为准
        },
        {
            "name": "Launch currently open script",
            "type": "php",
            "request": "launch",
            "program": "${file}",
            "cwd": "${fileDirname}",
            "port": 9003, // 以实际端口为准
            "runtimeArgs": [
                "-dxdebug.start_with_request=yes"
            ],
            "env": {
                "XDEBUG_MODE": "debug,develop",
                "XDEBUG_CONFIG": "client_port=${port}"
            }
        },
        {
            "name": "Launch Built-in web server",
            "type": "php",
            "request": "launch",
            "runtimeArgs": [
                "-dxdebug.mode=debug",
                "-dxdebug.start_with_request=yes",
                "-S",
                "localhost:0"
            ],
            "program": "",
            "cwd": "${workspaceRoot}",
            "port": 9003, // 以实际端口为准
            "serverReadyAction": {
                "pattern": "Development Server \\(http://localhost:([0-9]+)\\) started",
                "uriFormat": "http://localhost:%s", // 以实际主机名为准
                "action": "openExternally"
            }
        }
    ]
}

至此,vscode配置完成。

4.浏览器插件xdebug helper配置

我们在浏览器中搜索插件 xdebug helper

在这里插入图片描述

添加到浏览器后,我们在管理扩展中选择这个扩展的选项

在这里插入图片描述

在这里插入图片描述

修改为如图所示

在这里插入图片描述

这里和php.ini中的xdebug.idekey = VSCODE 统一。

5.配置完毕,测试调试功能

至此我们的xdebug配置基本结束,我们来测试xdebug的调试功能

这里以一道反序列化的题目为例,我们在判断传参的位置打上断点

在这里插入图片描述

来到phpstudy搭好的网站,我们打开xdebug helper

在这里插入图片描述

vscode f5打开调试

在这里插入图片描述

出现箭头指的这两个东西即表示调试开始监听。我们随便传一个参数

在这里插入图片描述

点击执行,观察vscode调试页面是否变化

在这里插入图片描述

我们看到断点位置出现黄条,变量也更新,证明xdebug调试搭建完成。

尾声

做php反序列化再也不用手动echo啦哈哈哈哈哈哈哈哈

XDEBUG 从入门到精通 前言 Xdebug是PHP的扩展,用于协助调试和开发。 它包含一个用于IDE的调试器 它升级了PHP的var_dump()函数 它为通知,警告,错误和异常添加了堆栈跟踪 它具有记录每个函数调用和磁盘变量赋值的功能 它包含一个分析器 它提供了与PHPUnit一起使用的代码覆盖功能。 猿生必备的工具。 但不推荐在生产环境中使用xdebug,因为他太重了。 安装 PECL 安装 pecl install xdebug zend_extension="/usr/local/php/modules/xdebug. 阅读详情

相关推荐

PHP开发环境搭建与VSCode调试配置实战指南

PHP作为一种广泛应用的服务器端脚本语言,其核心价值在于能够动态生成网页内容,实现与数据库的交互及复杂业务逻辑。其运行原理依赖于Web服务器(如Nginx或Apache)调用PHP解释器执行脚本。在开发过程中,高效的调试能力对于排查逻辑错误、理解代码执行流至关重要。Xdebug作为PHP的调试器扩展,通过与IDE或编辑器(如VSCode)协作,实现了断点调试、变量监视等核心功能,极大提升了开发效率与代码质量。集成环境(如小皮/phpStudy)将PHP、Web服务器、数据库等组件打包,提供一键式安装与管理,

weixin_31497453的博客 230

Xdebug的安装及使用

软件调试是泛指重现软件缺陷问题,定位和 查找问题根源,最终解决问题的过程,编写的程序不可能一直不出错,所以调试很重要定义1:软件调试是为了发现并排除软件程序中 的错误,可以通过某种方法控制被调试程序的执行过 程,以便随时查看和修改被调试程序执行状态的方法。在该定义中,软件测试属于软件调试的一部分,与 牛津词典中的调试定义类似。在牛津词典中调试定义 为:“识别和排除计算机硬件或软件中错误的过程。定义2:调试是执行一次成功的测试之后所要进 行的工作。所谓成功的测试,是指它可以证明程序没 有实现预期的功能。

天天学安全专属博客 3425

Docker+宝塔:Mac上快速搭建PHP开发环境的完整指南

本文详细介绍了如何在Mac上使用Docker和宝塔面板快速搭建PHP开发环境。通过Docker容器化技术,Mac用户可以高效运行宝塔面板,实现环境隔离、配置可移植和资源优化。指南包含从Docker安装、宝塔容器部署到PHP环境配置的全流程,特别适合需要灵活开发环境的Mac用户。

weixin_29266647的博客 404

xdebug使用教程

为什么需要Debugger? 很多PHP程序员调试使用echo、print_r()、var_dump()、printf()等,其实对 于有较丰富开发经验的程序员来说这些也已经足够了,他们往往可以在程序执行的过程中,通过输出特定变量的值可以判断程序执行是否正确,甚至效率高低也可以 看出来(当然可能还需要使用一些时间函数)。那么我们为什么还需要一个专门的调试程序来监控我们的程序运行呢? 这个问题的答案不妨留到后面来揭晓。 什么是Xdebug? Xdebug是一个开放源代码的PHP程序调试器(即一个Deb.

firstcode666的博客 4190

基于PHP的大学生心理咨询网站设计与实现:预约、隐私与权限全解析

在校园信息化建设中,Web开发常需平衡功能实现与部署成本。PHP作为一种解释型脚本语言,凭借低学习门槛和成熟的生态,成为构建内部业务系统的常见选择。以大学生心理咨询网站为例,其核心在于借助PHP与MySQL完成预约管理、匿名倾诉和咨询记录等流程的数字化,其中数据库唯一索引可有效解决并发预约冲突,行级SQL隔离能保障敏感数据的隐私边界。此类系统广泛适用于毕业设计、课程实训乃至高校心理中心的轻量化部署,其设计思路同样可迁移至图书管理、教务预约等通用CRUD场景。本文从技术选型、建表规范、角色权限控制到SQL注入

weixin_33226816的博客 269

xdebug 安装,调试

1,首先要获取phpinfo(); 2,打开https://xdebug.org/wizard 3, Downloadphp_xdebug-2.9.6-7.3-vc15-nts.dll Move the downloaded file to D:\PHPCUSTOM\PHPCUSTOM\phpcustom\server\php-7.3.6-nts-x86-web\ext EditD:\PHPCUSTOM\PHPCUSTOM\phpcustom\server\php-7.3.6-nts-x...

xxpxxpoo8的专栏 3473

php xdebug3 远程调试配置(含cli模式)

找了很久php的xdebug扩展远程调试教程,大都已经过时,现在记录下php配置xdebug远程调试的过程。 本次教程时间2021/9/16 php版本: php7.4 nts,示例安装xdebug3 版本 安装xdebug 关于windows下的安装 官网下载:Xdebug: Downloads 找到需要的版本下载 解压下载好的压缩包,提取dll文件,放到php的ext扩展目录下 , dll文件例如: php_xdebug-3.1.0beta2-7.4-vc15-nts-x86.

Elviry_Bug的博客 7227

基于STM32平衡小车设计

随着智能硬件的发展,基于STM32的两轮智能平衡车作为一种新型的智能移动工具,具备较高的应用价值。本文旨在设计并实现一款基于STM32微控制器的智能平衡车系统,提升其稳定性和操控性,探索如何通过传感器数据和控制算法实现精确平衡控制。 本设计基于STM32微控制器,选择了STM32F103系列作为核心控制器,具有足够的处理能力和丰富的外设接口。系统通过MPU6050传感器获取三轴加速度和三轴陀螺仪数据,实现实时姿态检测。电机驱动部分采用合适的驱动模块,能够控制两个直流电机,并支持PWM调速。设计中还包括OL

m0_74026776的博客 2732

VScode的PHP远程调试模式Xdebug

VScode的PHP远程调试模式Xdebug

weixin_51525416的博客 3765

Python环境搭建和LabVIEW中的调用

本文主要介绍Python相关的环境搭建、Anaconda的使用以及在LabVIEW中调用Python的方法。

lvxisi的博客 6392

3DMax高效建模与人工智能:一场颠覆传统创作的效率革命

AI与3DMax的结合,不仅是工具效率的升级,更是一场创作范式的革命。从“手动雕刻”到“智能共生”,设计师的角色正从执行者转向决策者。正如网友所言:“AI不是替代人类,而是赋予凡人以神笔。”在这场变革中,唯有拥抱技术、深耕创意,方能在数字艺术的浪潮中立于潮头。参考文献与工具推荐技术原理:火星时代资讯《人工智能和三维建模》工具实测:哔哩哔哩《tyDiffusion 3dsMax应用》9、Tripo AI官网教育案例:原创论文《人工智能技术介入三维动画课程建设》

m0_46478534的博客 3023

PHP断点调试实战:VSCode + Xdebug + phpStudy完整配置与排坑指南

在PHP开发中,调试效率直接决定排错速度。传统的var_dump与die()层层打印,不仅污染代码输出,更让逻辑排查陷入低效循环。断点调试是现代开发者的核心技能,它允许程序在指定位置暂停,实时查看变量与调用栈。Xdebug作为PHP官方推荐的调试扩展,通过DBGp协议与IDE通信;VSCode凭借轻量跨平台与PHP Debug插件,成为理想的调试前端。结合phpStudy提供的灵活PHP版本管理,三者协作可实现从环境搭建到命中断点、Console实时求值的完整工作流。本文从断点调试原理出发,梳理版本匹配、p

weixin_42526166的博客 175

Stable Diffusion 模型分享:Beautiful Realistic Asians(美丽真实的亚洲人)

Beautiful Realistic Asians(BRA)模型是由作者自己训练而成的一个独立模型,它是一个真实模型,并且是一个针对亚洲人训练的模型,可以生成非常漂亮的亚洲小姐姐。条目内容类型大模型基础模型SD 1.5来源CIVITAI作者文件名称文件大小1.99GB。

水滴的博客 2162

VSCode PHP开发环境配置:Xdebug调试与Intelephense实战

在现代化软件开发中,代码编辑器与语言运行时的协作是提升效率的基础。以 VSCode 为例,它本身并不解析 PHP 语法,而是通过扩展与外部工具链协同工作:PHP 运行时负责执行代码,Composer 管理依赖与自动加载,Intelephense 提供语言服务,Xdebug 实现断点调试。理解这些组件的职责边界,就能把“环境配置”拆解为可验证的步骤,避免语法高亮缺失、跳转失效、断点不命中等常见问题。无论是命令行脚本、Web 应用还是队列任务,一套稳定的 PHP 开发环境都能显著降低排查成本。围绕 VSCode

weixin_42723849的博客 232

零基础学GPU KMD--8. 内存管理:GPU 显存与系统内存的协同​8.1 显存分配策略:GEM / TTM 原理

支持 VRAM、GTT(Graphics Translation Table)、SYSTEM 内存的动态迁移与缓存管理。:若缓冲区在 SYSTEM,TTM 分配 GTT 条目并建立页表映射,使 GPU 可直接访问。:系统内存中预留给 GPU 直接访问的区域,通过 GPU 的 MMU 做地址翻译。你需要我继续展开这一部分吗?​ 为复杂离散 GPU 设计,应对大容量 VRAM、多内存域、显存迁移等问题。:重量级、功能全,适合大容量、多内存域的离散 GPU,强调显存迁移与统一管理。

amy_mhd的博客 188

linux内核学习(八)---摄像头框架移植(上)

本章来开始进行摄像头的移植,同时回顾一下V4L2的整个框架

文艺小少年的博客 114

Docker搭建PHP开发环境:Nginx、PHP-FPM、MySQL实战

容器化开发环境是把 PHP 运行时、Web 服务器和数据库封装成可版本化、可复现的镜像与编排文件,其原理依赖 Docker 镜像分层、容器隔离和 docker-compose 服务网络。Nginx 通过 FastCGI 将请求转发给 PHP-FPM,MySQL 以独立服务提供数据存储,配置、扩展、时区随镜像声明式固化。技术价值在于消除版本漂移、配置漂移和依赖污染,让多人协作、多项目并行和线上故障复现更可控。典型场景包括多 PHP 版本项目、团队新人接手、老项目维护和本地联调。围绕 Nginx、PHP-FPM

weixin_34306593的博客 331

汇川Easy系列PID_AT指令弹簧质量阻尼系统闭环控制仿真测试

汇川Easy系列PLC系统PID指令(温度控制PID应用编程)

RXXW_Dor的博客 769

PHP程序员庖丁解牛:老项目维护、调试排错与AI时代生存之道

程序员的成长往往不是写新功能的快感,而是面对无名旧代码时依然能游刃有余——这正是'庖丁解牛'式代码理解力的要义。在PHP项目中,代码维护、调试排错与性能优化是绕不开的三座山:从读懂老系统的类与数组逻辑,到用Xdebug逐行定位内存耗尽;从跨域与JSONP接口联调,到LAMP安全基线审计。掌握异常处理、队列原理与Docker部署,是交付稳定服务的底气。当AI辅助编程成为常态,用它补全数据字典、重构旧代码、写单元测试骨架,是新一代PHP程序员提效的关键,但安全审查仍需人类把关。一次覆盖环境工具、代码剖析、实战播

weixin_42524945的博客 330

【应用】打造你的安全本地AI购物助手:OpenClaw + 淘宝MCP部署全攻略

本文介绍了在Ubuntu虚拟机中配置OpenClaw连接Windows宿主机的淘宝MCP服务的两种方案。核心原理是通过修改MCP服务监听地址或SSH隧道转发,实现跨网络访问。方案1推荐修改MCP服务绑定0.0.0.0并配置防火墙放行端口,适合长期使用;方案2通过SSH隧道转发,适合临时测试。文章详细说明了环境准备、配置文件修改及两种互通方案的具体实施步骤,重点解决了虚拟机与宿主机网络互通的关键问题。

海兰 1327

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

本地PHP开发环境搭建指南:phpstudy从安装到建站与排查

在PHP开发的日常工作中,本地环境的快速搭建是影响效率的首要环节。传统手动安装Apache、MySQL、PHP并配置参数的方式,不仅繁琐且极易因环境差异产生各类兼容性问题。集成开发环境(IDE)与图形化管理面板因此成为开发者的重要工具,其核心价值在于将底层服务的管理逻辑封装为可视化操作,实现一键启停与版本切换。这类方案广泛应用于个人开发、教学培训、外包项目维护及安全测试靶场搭建等场景。当服务运行出现异常时,理解端口占用、数据目录配置以及错误日志分析等基础原理显得尤为关键。本文以phpstudy(小皮面板)为

weixin_34174105的博客 324

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

vscode配置xdebug断点调试详细教程

注:环境为本地windows开发环境,编辑器为vscode,PHP集成环境工具为EServer。

巴啦啦臭魔仙的博客 2183

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")

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/

VScode中使用Xdebug调试PHP

本篇为VScode中使用Xdebug调试PHP代码的配置教程,详细内容包含了:下载VScode与PHPstudy 配置PHP环境变量 PHPstudy中启用xdebug扩展四、打开php.ini,修改配置五、修改vscode配置六、VScode安装相关插件七、配置launch.json八、设置断点,开始调试等等

钟言的博客 1万+

vscode中使用xdebug调试php

phpstudy启用xdebug中遇到的大坑!希望coder们引以为戒

baidu_36095053的博客 1979

vscode使用xdebug3调试PHP脚本

我们直到在CLI模式下,PHP脚本可以被轻松的调试,但是在fastcgi模式下,xdebug在何种情况拦截请求并触发调试呢,实际上一套WEB API 只有极少有性能瓶颈的API才需要被debug,每个接口都去记录profile是没必要的。因此,无论是命令行下还是web下的调试都需要人为来触发,实际上,这是合理的,因为大部分时候我们是不需要调试的,一直开启xdebug没有必要,人为触发的方式参考。,那么每次运行php程序xdebug都会去连接服务端,如果你没有启动编辑器的调试,那么php就会抛出错误信息。

猛犸象 6553
上一篇: 手把手教你GZCTF平台搭建+动态靶机部署,超详细教程,看这一篇就够了
下一篇: 一分钟带你速通vscode调试python web —— 快速配置debugpy
Acc1oFl4g
博客等级 码龄7年 112粉丝 24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