前端工程师必备的10款优质工具，零基础入门到精通，收藏这篇就够了

程序员_大白 程序员_大白 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.4k累计阅读 1.5k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-05-01 00:56:45 发布 1.4k 阅读 AI 写同款· GEO 优化 ›
全网最全面详细的Cursor使用教程，一篇就够了，让开发变成聊天一样容易 阅读详情

前端开发是创建 Web 页面或移动端等前端界面呈现给用户的过程，需要通过 HTML，CSS，JavaScript 以及衍生出来的各种技术、框架和解决方案，来实现互联网产品的用户界面交互。市面上有许多不同类型的前端开发工具，可以加速产品研发进程。今天就为大家介绍10款优秀的前端开发工具，学会使用这些工具，不仅能提高开发效率，还能更清晰地将自己的研发思路呈现出来。

1. 远程开发 - VSCode

VSCode 是目前最受开发人员欢迎的编码工具之一，具备强大便捷的远程开发能力。与其它远程开发工具不同的是，VScode 是通过 SSH(Secure Shell) 的方式连接到远程服务器。这种方式不仅省略了繁琐的上传和下载步骤，还可以实现实时同步，让远程开发过程更流畅高效。

功能特色：

  • 开源工具，可免费使用

  • 支持自定义配置

  • 可集成Git

  • 支持各种文件格式（html/jade/css/less/sass/xml）

  • 调试功能强大

  • 插件生态机制强大

2. 团队协作 - 摹客

在与产品和UI沟通的过程中，总是存在许多问题：产品逻辑不清晰、UI标注不准确、切图交付不及时等等。上述产品研发团队常见的协作问题，可通过摹客轻松解决。摹客是一款专为产品研发团队打造的设计协作平台，功能覆盖了从需求到开发的全部流程，打通了产品、设计、研发人员之间的沟通壁垒，可以轻松解决各式各样的协作难题，帮助开发工程师精准还原设计。

功能特色：

  • 支持 PS/XD/Sketch/Figma 设计稿交付

  • 可自由查看设计稿中的精准标注和图层标记信息

  • 可自动生成样式代码，轻松复制使用

  • 支持切图文件一键下载

  • 支持自由切换平台和选择倍率

  • 支持自动压缩和换算不同平台尺寸切图

3. 接口测试 - Postman

Postman 提供功能强大的 Web API 和 HTTP 请求调试，提供有 Chrome 扩展插件版和独立的APP，对于检查后端端点非常有用。

功能特色：

  • 支持多种请求类型（get、post、put、patch、delete 等）

  • 支持在线存储数据和迁移数据

  • 支持请求 header 和请求参数的设置

  • 支持不同的认证机制（Basic Auth，Digest Auth，OAuth 1.0，OAuth 2.0 等）

  • 响应数据自动按照语法格式高亮，包括 HTML，JSON 和 XML

4.API在线文档生成和测试 - SwaggerUI

SwaggerUI 是一个 API 在线文档生成和测试的利器。有了这款工具，不需要频繁更新接口文档，就能保证接口文档与代码的一致。

功能特色：

  • 支持在多种开发环境中使用

  • 操作便捷

  • 支持所有主流浏览器

  • 完整的OAS支持

5.抓包工具 - Wireshark

Wireshark 是一款小巧、开源且能在几乎所有流行操作系统下使用的抓包工具软件。使用Wireshark 可以截取各种网络封包，显示网络封包的详细信息。可以在Windows和Mac OS上运行。

功能特色：

  • 快速检测网络问题

  • 快速检查信息安全相关问题

  • 新通信协议调试

6.通用数据库管理 - DBeaver

DBeaver 是一个 SQL 客户端和数据库管理工具。由于 DBeaver 基于 Java 开发，可以运行在各种操作系统上，比如Windows、Linux、macOS 等操作系统。同时，DBeaver 采用 Eclipse 框架开发，支持插件扩展，并且提供了许多数据库管理工具：ER 图、数据导入/导出、数据库比较、模拟数据生成等。

功能特色：

  • 通过 JDBC 连接到数据库，支持几乎所有的数据库产品

  • 可以处理任何的外部数据源

7.MD编辑器 - Typora

Typora 是一款免费的轻量级Markdown编辑器，虽然没有 Mou，Haroopad等Markdown编辑器那么大名鼎鼎，但其轻量、快速、易于上手的特点，绝对能给你带来舒适的用户体验。

功能特色：

  • 启动速度快

  • 支持实时预览，所见即所得

  • 界面简洁易操作

  • 支持多拓展

8.虚拟机 - VirtualBox

VirtualBox 是一款免费的开源虚拟机，可以在Windows、Linux和mac等不同操作系统中运行。

功能特色：

  • 开源软件，免费

  • 中文界面

  • 体积小

  • 安装配置简单实用，社区活跃

9.Git存储库托管 - GitHub

GitHub 是一个基于 Web 的 Git 存储库托管服务。无论你是软件开发的新手，还是已经具有丰富开发经验的老手，相信你在工作中都会需要这款工具。GitHub是目前世界上最大，最受欢迎的代码库，可以帮助开发人员审查代码，管理项目和软件构建。

功能特色：

  • 极高的安全性

  • APP体积小

  • 数据同步流畅无冲突

  • 不限制私有仓库数量和流量

10.项目管理 - Trello

Trello 是一款灵活易用的项目管理工具，非常适合作为看板和 Scrum 开发，它易于管理，具有极高的可定制性。虽然不是专门为开发人员打造的工具，但Trello绝对可以帮助开发人员更好地完成工作。

功能特色：

  • 更直观的资料与任务分类

  • 更清晰的便利贴式任务呈现

  • 操作便利，拖曳即可整理分类与管理进度

  • 可以新增丰富的卡片内容

  • 支持颜色标签、特殊印章

  • 简单易懂、即时同步、多人管理

以上是小摹精心整理的10款前端开发工具，希望能帮助小伙伴们减轻工作量，做快乐的打工人！

2025开年，AI技术打得火热，正在改变前端人的职业命运：

阿里云核心业务全部接入Agent体系；

字节跳动30%前端岗位要求大模型开发能力；

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

大模型正在重构技术开发范式，传统CRUD开发模式正在被AI原生应用取代！

最残忍的是，业务面临转型，领导要求用RAG优化知识库检索，你不会；带AI团队，微调大模型要准备多少数据，你不懂；想转型大模型应用开发工程师等相关岗，没项目实操经验……这不是技术焦虑，而是职业生存危机！

曾经React、Vue等热门的开发框架，已不再是就业的金钥匙。如果认为会调用API就是懂大模型、能进行二次开发，那就大错特错了。制造、医疗、金融等各行业都在加速AI应用落地，未来企业更看重能用AI大模型技术重构业务流的技术人。

如今技术圈降薪裁员频频爆发，传统岗位大批缩水，相反AI相关技术岗疯狂扩招，薪资逆势上涨150%，大厂老板们甚至开出70-100W年薪，挖掘AI大模型人才！

在这里插入图片描述

不出1年 “有AI项目开发经验”或将成为前端人投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

大模型目前在人工智能领域可以说正处于一种“炙手可热”的状态，吸引了很多人的关注和兴趣，也有很多新人小白想要学习入门大模型，那么，如何入门大模型呢？

下面给大家分享一份2025最新版的大模型学习路线，帮助新人小白更系统、更快速的学习大模型！

2025最新版优快云大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。


因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2025最新版优快云大礼包：《AGI大模型学习资源包》免费分享

收录于
计算机

当前文章被收录于：

计算机
2233 篇文章 43 人学习
订阅专栏 查看详情
程序员

当前文章被收录于：

程序员
2228 篇文章 197 人学习
订阅专栏 查看详情
前端

当前文章被收录于：

前端
206 篇文章 0 人学习
订阅专栏 查看详情
标签
#前端 #状态模式 #运维 #前端框架
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Cursor使用教程 全面详细的cursor使用教程！ 阅读详情

相关推荐

fscan

fscan是一款内网综合扫描工具，方便一键自动化、全方位漏扫扫描。支持主机存活探测、端口扫描、常见服务的爆破、ms17010、redis批量写公钥、计划任务反弹shell、读取win网卡信息、web指纹识别、web漏洞扫描、netbios探测、域控识别等功能。 下载地址：GitHub - shadow1ng/fscan 存活主机端口服务信息扫描 如下，默认会扫描存活主机、端口、漏洞等一些信息 fscan.exe -h ip或者网段 服务爆破

渗透之路，攻防之间皆学问 2万+

全网最全面详细的Cursor使用教程，让开发变成聊天一样容易

介绍超好用的AI辅助变成工具，让开发变成聊天，解放双手，释放生产力。

m0_68116052的博客 89万+

LSTM预测股票数据---数据预处理

# 导入相应的模块 import pandas as pd import numpy as np import matplotlib.pyplot as plt import tensorflow as tf # 获取训练集 def get_train_data(data,batch_size = 60 ,time_step = 20,train_begin = 0,train_end = 58...

qq_35358021的博客 3360

【干货】不容错过！前端工程师必备的10款优质工具

前端开发是创建 Web 页面或移动端等前端界面呈现给用户的过程，需要通过 HTML，CSS，JavaScript 以及衍生出来的各种技术、框架和解决方案，来实现互联网产品的用户界面交互。市面上有许多不同类型的前端开发工具，可以加速产品研发进程。今天就为大家介绍10款优秀的前端开发工具，学会使用这些工具，不仅能提高开发效率，还能更清晰地将自己的研发思路呈现出来。 1. 远程开发 - VSCode VSCode 是目前最受开发人员欢迎的编码工具之一，具备强大便捷的远程开发能力。与其它远程开发工具...

设计“1+2”，摹客就够了！ 1186

Sigrity System Explorer Transient Analysis模式进行瞬态仿真分析操作指导-单端信号-并联端接

Sigrity System Explorer Transient Analysis模式可以用于瞬态仿真分析，通过搭建简易拓扑用于前仿真分析通道的时域性能，下面搭建一个简易的单端拓扑并且进行并联端接，以下图为例，准备好发送接收端的IBIS模型, (se_example.ibs，本例发送接收端都使用相同的IBIS模型)，以及传输线的S参数模型(W1_welement_se.sp)最上方的图形界面是传输线的模型，本例是一个上下都有参考平面的带状线，右侧的梯形是蚀刻角度，根据W1和W2以及铜厚来确定。

weixin_54787054的博客 374

3.摄像头组件- CVP (ISP)

本文介绍 车载摄像头组件-ISP

2401_83458819的博客 1617

前端开发从入门到精通：必备知识清单全解析

前端开发是一个技术栈快速迭代的领域，但扎实的基础永远是核心竞争力。建议初学者按照"HTML → CSS → JavaScript → 框架 → 工程化"的路径循序渐进，并通过持续实践保持技术敏感度。掌握这份知识清单，你将构建起完整的前端知识体系，为职业发展打下坚实基础。希望这份指南能助你在前端学习之路上少走弯路，早日成为技术达人！

weixin_56334307的博客 1354

【STK】手把手教你利用STK进行覆盖分析05-方位覆盖分析、覆盖网络检查工具和单对象覆盖分析

这一篇是我们STK覆盖模块的理论部分的最后一篇文章，之后会找尽可能多的论文来复现论文中关于STK覆盖模块的仿真的部分，到时候大家遇到不会的就可以结合前面的理论部分来看。

weixin_44184852的博客 1493

前端进阶 & 面试必备，优质资源、好文整理分享！

前言 前端技术日新月异，随着 大前端 的趋势，想要成为一名合格的前端工程师，需要学习掌握的东西更是宽泛。所以我们在寻求进阶的过程中，既要不断夯实前端基础，也要快速响应技术的更新迭代。闲话少说，这次给大家整理分享一些前端进阶的优质学习资源，希望对大家有所帮助！ 个人博客地址

前端发动机 2175

2023华为od机试C卷【宽度最小的子矩阵】Python 实现

给定一个矩阵，包含N*M个整数，和一个包含K个整数的数组现在要求在这个矩阵中找一个宽度最小的子矩阵，要求子矩阵包含数组中所有的整数。

MISAYAONE的博客 2186

PyRoki：机器人运动学优化库入门教程

PyRoki：模块化机器人运动学优化工具包 本文介绍了PyRoki，一个模块化、可扩展且跨平台的机器人运动学优化工具包。PyRoki通过统一变量和成本函数接口，简化了逆运动学、轨迹优化和运动重定向等任务的实现，支持CPU、GPU和TPU加速。实验表明，PyRoki在批量逆运动学任务中比现有GPU加速库cuRobo快1.4-1.7倍，且收敛误差更低。其模块化设计支持快速集成新成本函数，并通过交互式可视化工具优化参数配置。PyRoki开源发布，为机器人运动优化提供了灵活高效的解决方案。

机器人控制与仿真应用 1292

学习网络安全从零基础入门到精通，收藏这一篇就够了！

网络安全学习不仅可夯实计算机基础知识、掌握炫酷技术技能，还能切入高需求赛道获得可观收入，并承载"守护安全"的情怀。文章系统梳理了从法律底线到高级技术的六阶段学习路径，强调动手实践的重要性，并分享了克服学习障碍的经验。无论有无基础，只要循序渐进、系统学习、多加实践，都能在网络安全领域找到自己的位置，成为兼具技术能力与责任感的"幕后英雄"。很多人好奇 “为什么要学网络安全”也疑惑 “网络安全该从哪里学起”其实网络安全不仅能带来知识与技能的双重提升还能开辟优质职业路径。

2401_84578953的博客 907

Pandas滚动窗口的妙用：动态计算列数据的最大值

Pandas的滚动窗口（rolling window）功能是数据分析中处理时间序列数据的重要工具。本文通过实例演示了如何使用rolling(window=4).max()计算DataFrame列A的滚动最大值，并将结果存入新列Max_Range。该方法会在4个元素的滑动窗口内计算最大值，前3行因数据不足显示为NaN。这种技术广泛应用于金融分析（如股价波动）、数据平滑和趋势识别等场景，能有效帮助分析数据的动态变化特征。示例展示了从数据准备到结果输出的完整流程，体现了Pandas在处理滑动窗口计算时的高效性和便

m0_74337424的博客 53

前端工程师一般都喜欢去哪些网站逛？

推荐一些“小而美”的优质网站，前端学习提升、技术博客、实用工具……从多个方面实现提升，才是前端工程师的晋级之路！ 先赞再看，养成习惯！ 前端学习提升类 当前，前端开发正在迅猛发展阶段，不断推翻颠覆重做。对一个前端工程师来说，更要不断学习提升充电。 w3school 前端学习的必备网站，有大量Web技术教程，从 HTML、CSS，再到进阶的 XML、SQL、JS、PHP 和 http://ASP.NET通通包括，可以进行自学和测试。 LintCode领扣 刷题必备，有超过1000道的算法题目（更新中），每

九章算法的博客 2804

【Unity Shader】Special Effects（十二）Glow 外发光（UI）

Properties_GlowColor ("外发光颜色", Color) = (0, 0, 0, 1)_GlowIntensity("外发光强度", Range(0, 1)) = 1参数详解：_GlowColor：外发光颜色，指定外发光的显示颜色。_GlowIntensity：外发光强度，指定外发光的显示强度，0为不可见，1为最强强度。

神码编程 931

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

前端工程师必备收藏：学习资源全网罗

　　前言： 　　站在巨人的肩膀上，确实能让我们看得更远。而我认为学习的不二法门就是不断模仿，但是一定要有自己的思考。拿来主义如果少了思考，就会变得毫无意义。以下列出一些前端优秀网站，大家自行取其精华，...

qq_45670012的博客 231

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

前端工程师必备-网址篇（持续完善中）

他山之石，可以攻玉，从别人的设计里汲取灵感，酷站集；交流创意，我秀我乐，开放分享获得成长，设计师交流社区……

whqet 7313

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！

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")

前端进阶必备，github 优质资源整理分享！

为了不影响阅读体验，文章有删减。详情请点击底部阅读原文查看，谢谢大家。前言前端技术日新月异，随着大前端的趋势，想要成为一名合格的前端工程师，需要学习掌握的东西更是宽泛...

前端发动机 170

Node.js 入门到干活，10 个优质项目就够了！

Node.js 在很多大公司都有不错的实践，比如：淘宝、天猫 Web 版，很多页面都是在 Node 服务器上渲染的。还有各种脚手架、前端打包发布工具、构建生态的小工具，也基本都是 Node.js 编写的。 综上，Node.js 也就成为了前端工程师挑战高薪的必备技能了！ 那么 Node.js 从入门到干活，有需要学些什么呢？按照实验楼倡导的“learn by doing“，为大家奉上以下项目课程...

实验楼--动手做实验，轻松学IT！ 545

11个前端工程师必备的网站

国外首先咱们先看看国外的。国外的网站一般作者都会用一些真实的数据或者例子去支撑他的论点，所以说他们的这些网站的信息都比较权威，尤其是一些库和框架的官方文档，这些是一定要看的。

2401_84412104的博客 1301

建议收藏！前端工程师一线大厂面试2021总结篇（50个JS常问知识点）

秋招时节，又有无数投向大厂的简历石沉大海，想进面大厂，到底差在哪里？总结一些前端工程师的学习忠告给大家。学习前端不要总停留在框架的使用上。唯有系统性地掌握编程思想、设计理念，以及具体的实现...

优快云资讯 1712

网络安全从业人员必收藏的几个网站！网络安全零基础入门到精通，收藏这一篇就够了

网络安全产业就像一个江湖，各色人等聚集。相对于欧美国家基础扎实（懂加密、会防护、能挖洞、擅工程）的众多名门正派，我国的人才更多的属于旁门左道（很多白帽子可能会不服气），因此在未来的人才培养和建设上，需要调整结构，鼓励更多的人去做“正向”的、结合“业务”与“数据”、“自动化”的“体系、建设”，才能解人才之渴，真正的为社会全面互联网化提供安全保障。

2402_84205067的博客 1840

大模型入门到精通：程序员小白必备学习资源指南

面对大模型浪潮，你是否既兴奋又迷茫？作为程序员小白，想抓住机遇却不知从何下手？别担心，本指南正是为你量身打造的“通关地图”。我们将从核心概念讲起，带你厘清技术脉络；再到主流框架的实战演练，让你亲手搭建模型。精选的优质课程、开源项目与前沿论文，将助你构建从理论到实践的完整知识体系。告别碎片化学习，让我们一同踏上从入门到精通的进阶之路，轻松驾驭大模型，开启AI开发新篇章！

m0_59162559的博客 620

程序员必备！23款在线工具集合，提升开发效率的利器

程序员工具箱是一个基于Vue.js开发的在线工具集合网站，从上线至今，已经服务了非常多的开发者。网站采用现代化的技术栈，界面简洁美观，功能强大实用。这个程序员工具箱我自己也一直在用，希望能为广大的开发者朋友提供便利。无论是日常开发还是学习研究，这些工具都能帮你提高效率，节省时间。如果你觉得有用，请分享给更多的开发者朋友！🚀。

黑夜开发者的博客 2607

前端工程师必备九大网站

01 GitHub https://github.com/ 这个网站托管着很多优质的开源项目，像你可能听说过的 Linux，React，Vue，Webpack，JQuery等都在这个网站上开源。你可以轻松地获取源码并为相应的项目发送 pull request，然后你就变成了这个项目的贡献者了， so cool ,right? 02 MDN web docs https://developer.mozilla.org/zh-CN/docs/Web 这个网站以精美详细的文档著名。想CSS.

BYGFJ的博客 5149
上一篇： Web前端面试题(附答案及解析)零基础入门到精通，收藏这篇就够了
下一篇： jenkins部署VUE前端项目，零基础入门到精通，收藏这篇就够了
点赞 29
评论 0
书签 书签 12
程序员_大白
程序员_大白
博客等级 码龄5年 1万+粉丝 4001原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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