怎么用电脑兼职赚钱,普通人可做的6个副业项目(非常详细)零基础入门到精通,收藏这篇就够了

流量挂机赚钱项目Traffmonetizer 是一个来自欧洲的流量挂机平台,类似Peer2profit,满10刀可提现(Paypal、BTC、Payoneer),注册好像就送5刀,不怎么占用CPU和内存以及流量,流量单价也比较高。你可以用闲置的电脑、手机、VPS、云服务器等来挂机。可以和甜糖还有网心云一起挂:Traffmonetizer支持的平台有windows、安卓、Linux、MacOS。先注册账号点击右上角三条横线可以下载客户端然后把你的token复制到客户端吧。 阅读详情

现在的生活中,我们总是感觉所过的日子都很紧张,虽然我们尽可能地工作和努力,但是生活成本和社会压力仍然那么大。为了弥补自己的生活经验和财务困难,很多人开始寻找一种额外的收入来源。

其实这种额外的收入来源就被称之为:兼职或副业。在如今的经济环境中,电脑兼职成为了很多人的选择,因为它不仅让人们保持灵活性和工作方便性,而且门槛也比较低。熟练掌握电脑技能的普通人,也可以利用自己的劳动和知识技能来做一些高收益的电脑兼职副业。这里,将为大家介绍最受欢迎的6种电脑兼职副业项目,帮助你增加收入的同时提升自己的技能和经验。

1、出售游戏材料

游戏搬砖,估计喜欢玩游戏的朋友比较清楚,就是在游戏中使用多个账号打材料,然后把材料装备卖给玩家。用电脑一天赚100、80还是有可能的。

有的朋友可能会担心自己打的材料没人买。其实它们并不存在,只是价格有高有低,因为每个游戏都有它的出金点。

操作时只要按照攻略直接操作即可。但是早期的游戏肯定需要你精通,了解足够才能去玩,最关键的是了解游戏市场怎么样,有没有价值和长期性可言,懂的都懂。

2、语音直播室挂机

有很多人通过开直播间赚钱,但并不是每个直播间都很有人气,有些直播间非常冷清。这时,你可以考虑在语音直播室挂机。简单来说,就是搜寻一些语音直播室,问问是否需要人,之后使用模拟器软件,一台电脑可以挂上七八个室。如果做得好,一天的收入可以达到几百元。

3、任务项目类兼职

翔云宝盒是一种整合资源型软件平台,里面除了有能做了马上赚钱的任务,还有可以经营的长期项目。

这是一个综合性的赚钱软件,里面有做不完的小任务,可以通过手机赚些零花钱。单价一般在几元到几十左右,偶尔还会有百元的任务。各种线上赚钱项目可以积累财富,多劳多得。

现在软件已经开发了手机社区,但是内容没有电脑完善,操作起来也不难,就是任务会在软件上更新完成。不要低估这些任务。如果条件允许,可以批量操作。可以全家一起做任务,也有工作室批量操作的。

当然,还有很多长期项目,都是跟上互联网最新的风口,比如最近的Chatgpt,你若有心学习操作长期项目,做好了,是可以保持可持续发展和稳定收益的。至于以后是全职还是继续当副业开展,完全取决于你自己。

4、阿里云客服

阿里云是阿里巴巴集团旗下的云计算服务平台,如果你掌握了一定的计算机知识,那么你可以考虑在阿里云上做客服,为用户提供技术支持和服务,然后获得一定的薪水。阿里云客服需要有一定的计算机知识和技能,同时需要有良好的沟通能力和服务意识,才能够胜任这份工作。

5、PPT制作

PPT制作应该是近几年较热门的副业之一了,说明它很有用!如果你有电脑,空余时间不妨学学怎么制作PPT,怎么利用PPT变现。

帮别人做一份PPT,收益是分类计算的:基础的是用一份来算钱;中高级的是用页数来算。当你水平较低时,你可直接套用模板做PPT。当你的水平变高了,你可以自己设计PPT,一页可高达300元!你不仅能给别人制作PPT赚钱,还可通过出售PPT模板,获得复利!

6、数据标注

数据标注是对未经处理的初级数据,包括语音、图片、文本、视频等进行加工处理并转换为机器可识别信息的过程。简单来说,就是教机器人看图识字。

需要注意的是每个标注项目都有自己的标注软件,按照难易区别,只要会基本的电脑操作,就能熟练使用标注对应的系统就能上线兼职。学习和工作的过程比较枯燥,适合那些认真负责的人群,因为对成品要求会比较严格。

现有的数据标注项目是按件结算,大概的市场价每个框的单价不一。最低是1分,最高是5-6分。正常的工作一小时时薪大概是10元-15元,按件结算,多劳多得。正规的大平台有:百度众测、阿里众包、龙猫众包等等。

以上就是今天分享的容,如果你也有想法,就开始付诸行动吧,因为在这个时代,互联网乃至整个社会的变化和展都是非常快速的,面对日新月异的社会生活,我们需要持续地学习和适应,因为有时候,我们的身体和精神实际上并没有准备好去接受新的挑战。然而,在长时间的生活和工作中,当我们真的开始适应新的生活,去尝试着主动去寻找变化的时候,我们会惊讶地发现,新的起点,新的发展和新的自我正在等着我们去探索和发现。

网安接私活的渠道

晒了这么多兼职副业受,想必大家都比较关心我的副业收入来源,其实网安接私活的渠道我常去的就这4个。

1.挖SRC漏洞

很多地方都可以去挖SRC漏洞赚钱,合法挖到漏洞后提交到平台,平台就会给予你奖励,最多一个高危漏洞一万多。

综合性平台比如补天、漏洞盒子和CNVD等等,独家SRC也有很多,比如说华为、阿里、腾讯、360等等。

国外的漏洞也可以去挖,国外给的奖励会更高,但除了技术要过硬之外,你还得会英语能沟通交流。

2.接安全测试委托

在公司允许的情况下去对公司产品进行网安检测和渗透测试,发现漏洞后提交给修复方案和渗透测试报告,这个我经常去程序员客栈和一品威客等IT兼职平台去接。

相比较于个人私下接活,平台会更加方便一些,不用跟乙方扯来扯去,而且不用害怕甲方卷钱跑路。

3.投稿

像比较大的网安平台会不定期举办有奖投稿活动,比如说freebuff和优快云等等平台,优快云我没弄过,但freebuff我倒是经常由投稿,奖金有几百到几千不等。

做了那么多年网安,只要我想说,那绝对有很多故事可以讲的。

提醒大家一个点:网安的私活不是一次性的,很多以前合作过的甲方都会在后面有事的时候有偿来找我,所以人脉这一块也很重要。

4.参加CTF

通俗易懂的讲,CTF也叫作网络安全攻防大赛。这类大赛一般都是由政府安全部门、从事信息安全的企业、高校等等单位主办的。目的也很简单,一般都是为了加强国家网络信息安全建设,挖掘网络信息安全人才。当然你夺旗之后,也会有对应的奖金。
.
但关键是你的技术得学得到位!

接下来我给大家讲讲黑客/网安这一块该学哪些东西。

`黑客&网络安全如何学习

今天只要你给我的文章点赞,我私藏的网安学习资料一样免费共享给你们,来看看有哪些东西。

1.学习路线图

攻击和防守要学的东西也不少,具体要学的东西我都写在了上面的路线图,如果你能学完它们,你去就业和接私活完全没有问题。

2.视频教程

网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己录的网安视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。

内容涵盖了网络安全法学习、网络安全运营等保测评、渗透测试基础、漏洞详解、计算机基础知识等,都是网络安全入门必知必会的学习内容。

(都打包成一块的了,不能一一展开,总共300多集)

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

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

3.技术文档和电子书

技术文档也是我自己整理的,包括我参加大型网安行动、CTF和挖SRC漏洞的经验和技术要点,电子书也有200多本,由于内容的敏感性,我就不一一展示了。

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

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

4.工具包、面试题和源码

“工欲善其事必先利其器”我为大家总结出了最受欢迎的几十款款黑客工具。涉及范围主要集中在 信息收集、Android黑客工具、自动化工具、网络钓鱼等,感兴趣的同学不容错过。

还有我视频里讲的案例源码和对应的工具包,需要的话也可以拿走。

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

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

最后就是我这几年整理的网安方面的面试题,如果你是要找网安方面的工作,它们绝对能帮你大忙。

这些题目都是大家在面试深信服、奇安信、腾讯或者其它大厂面试时经常遇到的,如果大家有好的题目或者好的见解欢迎分享。

参考解析:深信服官网、奇安信官网、Freebuf、csdn等

内容特点:条理清晰,含图像化表示更加易懂。

内容概要:包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…

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

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

家庭宽带+旧电脑也能赚钱?手把手教你搭建24小时挂机副业 本文详细介绍了如何利用家庭宽带和旧电脑搭建24小时挂机副业,实现闲置设备变现。通过分析家庭宽带IP的独特优势、设备改造指南和收益最大化策略,帮助读者轻松入门挂机赚钱。文章还提供了安全合规操作手册和真实收益案例,适合想要利用闲置资源创造额外收入的用户。 阅读详情

相关推荐

AutoCAD2014与ObjectARX开发环境搭建实战指南

本文提供了一份详细的AutoCAD2014与ObjectARX开发环境搭建实战指南。内容涵盖从AutoCAD2014、Visual Studio 2010及ObjectARX 2014 SDK的版本匹配与环境准备,到Wizard安装、编码问题解决、Visual Studio配置,并最终通过一个完整的绘图命令开发示例,手把手引导开发者创建并加载第一个可运行的ObjectARX插件,为后续深入开发奠定坚实基础。

weixin_28475533的博客 288

怎么用电脑兼职赚钱,普通人可做的6个副业项目

阿里云是阿里巴巴集团旗下的云计算服务平台,如果你掌握了一定的计算机知识,那么你可以考虑在阿里云上做客服,为用户提供技术支持和服务,然后获得一定的薪水。当然,还有很多长期项目,都是跟上互联网最新的风口,比如最近的Chatgpt,你若有心学习操作长期项目,做好了,是可以保持可持续发展和稳定收益的。这里,将为大家介绍最受欢迎的6种电脑兼职副业项目,帮助你增加收入的同时提升自己的技能和经验。以上就是今天分享的容,如果你也有想法,就开始付诸行动吧,因为在这个时代,互联网乃至整个社会的变化和展都是非常快速的,面对。

woshixiaohuia的博客 7万+

保姆级教程:用Python spatialdata框架搞定10x Xenium空间转录组数据(从下机到高级分析)

本教程详细介绍了如何使用Python spatialdata框架处理10x Xenium空间转录组数据,从数据获取到高级分析的全流程。涵盖环境配置、数据读取、质量控制、降维聚类、细胞注释及空间共定位分析等关键步骤,特别适合生物信息学研究者快速掌握Xenium数据分析技术。

weixin_30300225的博客 483

有哪些可以用电脑做的挣钱副业,有电脑就行

任务类一般就是一些公司举办的网络活动,很简单,用户参与完成就可以获取一定的报酬,类型比较多,像昨天就做的一个任务几分钟平台就奖励30,客服还发了20,50块钱到手,不过这种福利不是天天有,闲着的时候想做就做做。还在做致米宝库这个软件,软件每天会发布一些项目任务,也能学到一些网上赚钱的知识技术,我平时就做些简单任务和一个虚拟项目。这些都是需要一定的技能和经验才能从中获取收益,需要在实践中不断积累经验并提高自己的能力水平。可以为网站或者企业做SEO优化、社交媒体推广、内容创作等。5. 在线教育和咨询。

y030207yy0219的博客 3803

STM32串口通信实战:从CubeMX配置到printf重定向全解析

串口通信是嵌入式系统中最基础且广泛使用的数据交换方式,它基于异步串行通信原理,通过TX(发送)和RX(接收)两根信号线实现设备间的全双工通信。其技术价值在于协议简单、硬件成本低、可靠性高,是单片机与上位机调试、传感器数据采集、设备控制等场景的首选方案。在STM32等ARM Cortex-M系列MCU中,USART外设通过硬件自动处理时序,大大减轻了CPU负担。本文聚焦于嵌入式竞赛与开发中的高频需求,以STM32G431RBT6为例,详解通过CubeMX配置USART1、实现按键触发数据发送、并完成print

weixin_30603633的博客 546

如何从RHEL 8升级到RHEL 9

Red Hat 于 2022 年 5 月 17 日宣布全面推出 RHEL 9。这是 RHEL(Red Hat Enterprise Linux)的最新版本,它具有许多功能和增强功能。

u012748257的博客 1019

用心整理了6个用电脑就能做的兼职,让你在家增加收入

平台除了做任务还汇聚了全网热门的网络项目以及各种教程,比如虚拟项目、建站盈利、小说推文、网盘会员、快递代下等等各种副业方法,不管你想学一些技能,提升自己,还是想了解副业方面的内容,提高收入,这里都有详细系统的课程,非常适合想在网上找工作的朋友学习和操作。这种方式几乎没有成本,而且还可以重复的销售,因此是很多希望从事副业的人的首选。如果你擅长PS,可以将你制作的图片上传到千图网、昵图网等网站上,有些网站会购买你的图片版权,并给予一定的报酬,而有的网站则采用分成的方式进行售卖,具体选择可根据你个人的需求。

AS8778的博客 2万+

6、基于深度强化学习的无人机路径规划

本文介绍了一种结合人工势场法的改进DQN深度强化学习算法在无人机路径规划中的应用。通过设计合理的网络结构、状态空间、动作空间和融合引力-斥力机制的奖励函数,实现了无人机在复杂环境中的自主避障与目标导向飞行。采用轻量级神经网络提升实时性,并在Gazebo仿真环境中进行训练与测试,结果表明该算法具有快速收敛、高成功率和良好适应性。实验评估指标包括损失函数、最大Q值和任务成功率,验证了方法的有效性。文章还探讨了其在物流配送、农业植保和环境监测等领域的应用前景,并展望了多无人机协同与复杂环境适应性等未来研究方向。

html8的博客 238

学计算机就去接单,10个接单平台,在家躺着就能赚钱!

一开始不给钱的尽量不要接,这一点一定要记住,否则很容易付出的劳动得不到应得的收入。开源中国的众包平台,主要是以众包为主,目前软件众包分为简单任务和复杂任务,简单软件众包的任务可以由客人来承担,比较复杂的软件可以同时携同多人完成的任务。特点:服务范围明确,IT开发项目垂直度高,能吸引到一部分需求明确的客户,平台也致力于利用互联网软件技术为客户提高效率,降低成本,提升效能、优化管理。不给完钱,不交完整代码,你的成果就是代码,如果没给完钱就把代码交给了对方,也容易被坑到,这叫“人情世故”,否则怎么死的都不知道。

破损的天堂鸟博客 8029

13、基于RBF的自适应鲁棒控制与反步控制方法及实现

本文介绍了基于RBF神经网络的自适应鲁棒控制与反步控制方法,详细阐述了控制系统的程序结构、核心算法及实现流程。通过Simulink搭建仿真系统,利用RBF网络逼近系统中的不确定非线性函数,并结合Lyapunov稳定性理论设计控制律,实现了对倒立摆等复杂非线性系统的高精度跟踪控制。文章还提供了完整的MATLAB/Simulink代码示例和仿真结果分析,验证了该方法的有效性与鲁棒性,为实际工程应用提供了可行的技术路径。

ol789012的博客 87

如何在SpringBoot中实现AI 流式输出?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 1481

怎么用电脑兼职赚钱,普通人可做的6个副业项目(非常详细)从零基础到精通,收藏这篇就够了!

阿里云是阿里巴巴集团旗下的云计算服务平台,如果你掌握了一定的计算机知识,那么你可以考虑在阿里云上做客服,为用户提供技术支持和服务,然后获得一定的薪水。当然,还有很多长期项目,都是跟上互联网最新的风口,比如最近的Chatgpt,你若有心学习操作长期项目,做好了,是可以保持可持续发展和稳定收益的。这里,将为大家介绍最受欢迎的6种电脑兼职副业项目,帮助你增加收入的同时提升自己的技能和经验。但是早期的游戏肯定需要你精通,了解足够才能去玩,最关键的是了解游戏市场怎么样,有没有价值和长期性可言,懂的都懂。

Libra1313的博客 2666

手把手教你学Simulink--基于Simulink的高速公路自动驾驶场景仿真建模

特点车道保持:自动调整车辆方向以保持在车道中央。自适应巡航控制(ACC):根据前方车辆的速度自动调节车速。换道辅助:安全地变换车道以超过慢速行驶的车辆或准备驶离高速公路。紧急制动:检测潜在碰撞并采取措施避免事故。挑战安全性:确保所有功能在各种条件下都能可靠运行。实时性:处理大量传感器数据,并迅速做出反应。复杂性:集成多个子系统,包括感知、规划与控制。首先明确要模拟的任务内容。车辆需保持在车道内行驶。根据交通情况自动调整速度。安全地执行换道操作。在必要时实施紧急制动。

MHD0815的博客 247

怎么用电脑兼职赚钱,普通人可做的6个副业项目(非常详细)零基础入门到精通

现在的生活中,我们总是感觉所过的日子都很紧张,虽然我们尽可能地工作和努力,但是生活成本和社会压力仍然那么大。为了弥补自己的生活经验和财务困难,很多人开始寻找一种额外的收入来源。。在如今的经济环境中,电脑兼职成为了很多人的选择,因为它不仅让人们保持,而且。熟练掌握电脑技能的普通人,也可以利用自己的劳动和知识技能来做一些高收益的电脑兼职副业。这里,将为大家介绍最受欢迎的6种电脑兼职副业项目,帮助你增加收入的同时提升自己的技能和经验。

分享Python知识 1632

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")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

上一篇: Shell常用语法基础(非常详细)零基础入门到精通,收藏这一篇就够了
下一篇: 聊聊专业|网络安全专业:未来国家发展的大方向,零基础入门到精通,收藏这一篇就够了
网络安全大白
博客等级 码龄5年 7305粉丝 698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