R语言复习第一课

矩阵 #构造矩阵 a=matrix(c(1,2,3,4),ncol=2,byrow=T) b=matrix(c(5,6,7,8),ncol=2,byrow=F) nrow表示行数;ncol表示列数;byrow表示按行排列 #c(a)表示“按列拉直”矩阵a #cbind()把自变量横向拼成一个大矩阵 x1=rbind(c(1,2),c(3,4)) rbind()表示把自变量纵向拼成一个大矩阵 阅读详情

一、向量

1、向量的加法运算

c(1,2,3)+c(2,4,6,1,2,3)
在这里插入图片描述

两个向量相加的时候,其中一个元素个数必须是另一个的整数倍,循环相加,如图的运算,前面向量中的前三位分别和后面向量的前三位和后三位相加。结果就是c(1+2,2+4,3+6,1+1,2+2,3+3).

2、range函数

range(c(1,2,3)+c(2,4,6,1,2,3))
在这里插入图片描述

range可以求出向量中最小的元素与最大的元素,相当于求该向量内元素的“区间”。

3、sort函数

sort(c(1,2,3)+c(2,4,6,1,2,3))
在这里插入图片描述

sort函数将向量内的元素,按照大小排序。
sort函数默认是升序排序,如果想要降序,可以使用以下代码:

x=c(1,2,3)+c(2,4,6,1,2,3)
sort(x,decreasing=TRUE)
在这里插入图片描述

4、order函数

order(x)
在这里插入图片描述

order函数表示x内不同大小的元素所在的位置,按照元素的大小由小到大依次排序,如order(x)中第一个元素4,代表的是x向量中最小的元素2所在的位置,是第4个;而order(x)中最后一个元素3,代表的是x向量中最大的元素9所在的位置,是第3个。
x[order(x)]

知道order(x)表示什么之后,就很好理解x[order(x)],就是按照坐标查找x内的元素。order(x)就是坐标。最后运行的结果就是x进行sort以后的样子。

5、seq

seq(10)
seq(2,100)
seq(2,by=5,100)
seq(along=x)
在这里插入图片描述

seq是生成一个序列。by表示步长,可以不写在中间,在括号内就行。
along=x的意思是,根据x内的元素个数生成自然,x有几个元素,生成的序列就会有几个自然数。

6、rep(重复函数)

rep(c(2,3),3)
将 2 3 重复3遍
在这里插入图片描述
将 2 3 中的2重复3遍,3重复4遍
rep(c(2,3),c(3,4))
在这里插入图片描述
将b a c重复三遍
c(“a”,“b”,“c”)[rep(c(2,1,3),3)]
在这里插入图片描述

7、paste

paste(“I”,“Love”,“You”)
在这里插入图片描述
paste(c(“X”,“Y”),"=",4:7)
粘贴,长度必须是整数倍,x和y循环粘贴
在这里插入图片描述
x[c(1,3)] #取x的第1和第3个元素
在这里插入图片描述
x[-c(1,3)] #去掉x的第1和第3个元素
在这里插入图片描述
8、索引
ages=c(Li=32,Zhang=33,Lin=35)
在这里插入图片描述
索引
ages[“Li”]
在这里插入图片描述
ages[1]
在这里插入图片描述
9、替换
x[c(1,3)]=c(188,189) #把x中第1位和第3位替换掉
在这里插入图片描述

二、矩阵

1、生成矩阵

A=matrix(data,ncol,nrow,byrow)
ncol表示列
nrow表示行
byrow默认是按照列排序,如果要按行排,byrow要赋值TRUE
在这里插入图片描述

2、合成矩阵

cbind(c(1,2),c(3,4)) #cbind按列排
rbind(c(1,2),c(3,4)) #rbind按行排
在这里插入图片描述

练习:生成矩阵
在这里插入图片描述

解法:

B1=matrix(1:12,ncol=4,nrow=3,byrow=T)
B2=rep(c(0,3),2)
B3=seq(7,by=-1,4)
cbind(rbind(B1,B3),B2)
在这里插入图片描述

3、截取

A[1:2,] #1:2表示取1-2行
A[,1:2] #1:2表示取1-2列
在这里插入图片描述

4、矩阵相加

A+c(100,200,300) #矩阵相加是按列循环相加
在这里插入图片描述

5、内积

crossprod(c(1,2,3),c(2,3,4))
或%%
在这里插入图片描述
上面生成的是一个1
1的矩阵,想要把它变成一个数,需要另外运算
c(crossprod(c(1,2,3),c(2,3,4)))
在这里插入图片描述

6、外积
%o% #小写o
或outer(a,b,"*")

c(1,2)%o%c(3,4)
在这里插入图片描述

三、因子

factor(x,level=c(0,1),label=c("",""))

factor(c(1,0,0,1,1),level=c(0,1),label=c(“male”,“female”))
在这里插入图片描述

分别计算平均值

tapply(c(165,170,168,172,159),factor(c(“male”,“female”,“male”,“male”,“female”)),mean)
在这里插入图片描述

#gl(n,k,length=n*k) k表示重复次数

gl(2,3) #2个水平,重复3次
在这里插入图片描述
gl(2,1,6) #2个水平,每个水平出现1次,总长度6
在这里插入图片描述

四、列表和数据框

rec=list(name=“liming”,age=30,score=c(100,23,56))
在这里插入图片描述
rec[[3]] #双中括号
在这里插入图片描述
rec$age=13 #更改年龄为13
在这里插入图片描述

五、cat

cat(c(“AB”,“c”),c(“E”,“F”),"\n",sep=" ")
在这里插入图片描述

file里面写目录,表示把前面的东西输出到文件里去

cat(“i=”,1,"\n",file="",append=TRUE)
append表示悬挂,这样后面写的东西不会把文件里面的覆盖掉

接下来写一串代码运行一下试试,先创建一个路径后再运行代码。把路径粘贴到file后面。

write(t(A),file=“D:/fyhSTUDY/r/data.txt”)
在这里插入图片描述
在这里插入图片描述

R语言 PPT 预习+复习 很多PPT我去掉了,因为我觉得不会考所以重点复习有印象和课后题中出现的知识点。 阅读详情

相关推荐

R语言期末重点复习代码

seq等间隔函数 seq(from,to,by,length.out,along.with) from,to 为数值,表示开始和结束 by为数值,表示间隔 length.out为数值,表示数列长度 along.with为向量,表示数列长度与该向量长度相等 rbind矩阵的合并 rbind() 对矩阵按行合并,要求子矩阵有相同列数 如: x1<-c(1,2,3,4,5,6) x2<-c("a","b","c","d","e","f") ...

weixin_48805167的博客 1550

R语言复习总结

R语言复习总结

R.I.P Kobe Bryant 2万+

国科大 自然语言处理 期末复习总结

学长的话:之前做的笔记,现在拿出来翻了一翻,我研一一直在实验室搬砖,课基本没怎么上,期末剩下两周开始复习nlp,ml,ai三门专业课,均分也有90+。所以现在还没复习的学弟学妹们不要慌,看看我整理的两个复习笔记,没问题的! 上次考试知识点 连词引起歧义的结构 编辑距离(插入、删除、替换、交换) 有限状态自动机与正则文法之间的转化 复杂特征集的交集 三元文法(Tri-grams) 评价机器翻译译文质量的方法 分词系统的准确率、召回率和F1 依存关系树的性能指标 正向最.

算法岗从零到无穷 6449

如何在R中使用range()?

r语言range函数Let’s learn to use range() in R returns the minimum and maximum values present in a vector or a data frame as well. 让我们学习在R中使用range()返回向量或数据帧中的最小值和最大值。 In this tutorial, we are going to see...

从零开始的教程世界 1万+

哈佛大学——差异表达分析(二)R语言复习

DGE分析流程 理解在RNAseq数据上执行统计分析时的注意事项 从基因计数开始(在比对和计数之后) 对计数数据进行QC 使用DESeq2对计数数据进行差异表达分析,获得差异显著的基因列表 分析结果可视化 对差异表达基因列表进行功能分析 R语言复习Q&A 学习目标 描述R使用的各种数据类型和数据结构(包括tibbles) 使用R中的函数并描述如何获取参数帮助 描述如何在R中安装和使用包 使用dplyr包中的管道(%>%) 描述ggplot2用于绘图的语法 Setting up Let

weixin_46585008的博客 2841

R语言中的参数估计

R语言中的参数估计 一直想要写博客来着,一直没有实现,昨天看室友写了,借着复习R语言考试,来开启我的第一篇博客叭! 以下我将从点估计、区间估计来介绍区间估计,本文主要介绍R代码,具体的统计知识,详情可参考相关数理统计的专业书嗷参数估计R语言中的参数估计点估计距估计极大似然估计区间估计均值μ\muμ的估计两样本方差比的估计 点估计 点估计分为距估计和极大似然估计法。 简而言之,距估计就是用样本的一阶原点矩即样本的均值去估计均值,用样本的二阶中心距即样本方差估计方差。 极大似然估计就是求似然函数的极大值点啦,口

qq_47876527的博客 8113

R语言复习

order函数表示x内不同大小的元素所在的位置,按照元素的大小由小到大依次排序,如order(x)中第一个元素4,代表的是x向量中最小的元素2所在的位置,是第4个;而order(x)中最后一个元素3,代表的是x向量中最大的元素9所在的位置,是第3个。两个向量相加的时候,其中一个元素个数必须是另一个的整数倍,循环相加,如图的运算,前面向量中的前三位分别和后面向量的前三位和后三位相加。结果就是c(1+2,2+4,3+6,1+1,2+2,3+3).x[c(1,3)] #取x的第1和第3个元素。

kkkekkk的博客 407

使用range函数生成连续的整数序列——R语言

通过以上示例,我们可以看到range函数可以轻松生成不同起始值、结束值和步长的连续整数序列。在实际应用中,我们可以利用这个函数来创建循环、生成索引或者生成需要等差分布的数据。在R语言中,range函数是一个非常有用的工具,它可以帮助我们生成一个连续的整数序列。本文将详细介绍如何使用range函数以及相关的代码示例。希望本文对你理解如何使用R语言中的range函数有所帮助。如有任何疑问,请随时提问。使用range函数生成连续的整数序列——R语言。表示序列中相邻元素之间的步长(默认值为1)。

ByteWhiz的博客 1841

R语言期末

一、单项选择题 答题说明:每题均有 A、B、C、D 四个备选答案,其中只有一个正确答案,将其 选出,并写在答题纸上。 1.R 语言(软件)是被用于统计计算和绘图工作的一套语言和环境,是一套开源 的数据分析解决方案。最早(1995 年)是由( B )开发的. A.Barbara F. Ryan、Thomas A. Ryan 和 Brian L. Joiner B.Robert Gentleman 和 Ross Ihaka C.Thomas A. Ryan 和 Ross Ihaka

weixin_48805167的博客 1万+

数字后端零基础入门系列 | Innovus零基础LAB学习Day9

数字后端零基础入门系列 | Innovus零基础LAB学习Day9

weixin_37584728的博客 4580

高通平台power_supply 框架下添加第三方充电IC的驱动方法

1.power_supply电源框架介绍: power supply framework在kernel/drivers/power/下。内核抽象出来power supply子系统为驱动提供了统一的框架。 功能包括: 1.抽象PSY设备的共性,向用户空间提供统一的API; 2.为底层PSY驱动的编写,提供简单、统一的方式,同时封装并实现公共逻辑。 power supply class位于d...

Change 1万+

R语言复习题(一)

第1-3章复习题 1、打开Rgui,在R控制台中提示符后依次输入下列语句,理解R的交互过程。 2+3.456 x<-3+45 %/% 6 x<-x+1 x+1 2、有几种方法可以打开R的帮助文档。 Help.start() Help(“sprintf”) 3、R中下载和安装包的命令?加载包的命令?获取和设置R的工作空间的命令? Install.packages(),library(),...

weixin_44394070的博客 9660

《湖科大教书匠计算机网络》学习笔记总目录+思维导图

本篇文章是对《湖科大教书匠计算机网络》所有知识点的笔记总结归档和计算机网络的思维导图

weixin_73077810的博客 8251

R语言期末复习资料----助力高绩点

多元统计分析及R语言建模(第四版) R语言期末复习资料 第一章 多元统计分析概述 1.列出常用的统计软件,说明其使用范围和各自的优缺点 解: (1)SAS:组合软件系统,入门比较困难 (2)SPSS:操作简单,无需编程,有方便的数据接口和灵活的功能模块组合 (3)S-PLUS:操作界面简单,兼容性极好,全面的统计模型和分析手段,具有很强的图形处理能力 (4)MATLAB:数值...

zhiyeegao的博客 1万+

无人机:DJI Matrice 600 Pro_(8).DJI_Matrice_600_Pro_负载能力

在一些高级应用场景中,可能需要自定义开发负载设备。

zhubeibei168的博客 1341

12、控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示

控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示1、用到的控件2、添加控件2.1、添加【文本录入】控件2.1、添加【文本显示】控件2.1、添加【QR 二维码】控件3、保存工程及生成文件4、下载文件 1、用到的控件   需要用的显示控件为【文本显示】控件和【QR二维码】控件,以及触控控件【文本录入】控件。 2、添加控件 2.1、添加【文本录入】控件   【文本录入】控件也叫【ASCI 文本录入】,是用来录入ASCI 字符,打开 DGUS 软件,点击【触控控件】—【文本录入】,用鼠标框选一个区域,即可在右

嵌入式羊圈 626

r语言期末复习分享

r语言网上复习资料少的可怜,分享一波自己做的复习总结,当然以书为主

qq_56437391的博客 826

在Centos上从零开始部署并运行TinyWebServer服务器,过程记录(非常详细)

TinyWebServer是个什么项目?它是Linux下C++轻量级Web服务器,助力初学者快速实践网络编程,搭建属于自己的服务器。使用线程池+非阻塞socket+epoll(ET和LT均实现) +事件处理(Reactor和模拟Proactor均实现) 的并发模型使用状态机解析HTTP请求报文,支持解析GET和POST请求访问服务器数据库实现web端用户注册、登录功能,可以请求服务器图片和视频文件实现同步/异步日志系统,记录服务器运行状态。......

AnChenliang_1002的博客 3021

R语言复习题(二)

第4-6和第11章复习大纲 第1-3章复习题 第四章: 掌握以下图形函数: (1)hist函数 cars数据集中speed的直方图:hist(carsspeed)hist(carsspeed) hist(carsspeed)hist(carsspeed,breaks = 5,main = “主标题”,xlab=“横坐标标题”,ylab=“纵坐标标题”) (2)boxplot函数 (3)barpl...

weixin_44394070的博客 1816

由JavaScript版迷宫游戏引出Java版迷宫地图生成器

Java案例:迷宫地图生成器 一、引入问题 本期18软件1班网页脚本实训项目是完成一个JavaScript版迷宫游戏。 迷宫地图是如何生成的呢?很简单,将一个正方形区域等分为若干行与若干列,比如25行25列,这样就有625个单元格,用一个二维数组map[25][25]就可以保存625个单元格信息,map[i][j] = 1表示该单元格要绘制砖,而map[i][j] = 0表示该单元格不绘制砖。 ...

howard2005的专栏 1473

C# MES通信从入门到精通(10)——C#使用HTTP的Post和Get方法和Mes系统通信

本文详细介绍了如何利用C#完成与HTTP协议的MES系统进行通信,通过POST和GET方法实现与MES系统的交互,由高级工程师的实战经验总结,实属C#与MES通信领域的葵花宝典!

qq_34059233的博客 3413

r语言提取列名_科研小白——R语言 复习笔记(1)

最近马上要考试了,键入一些知识点及r语言常用命令函数加强记忆How R works?> getwd() #查看当前工作目录[1] "/Users/hoju"> setwd("/Users/hoju/Desktop") #设置工作目录,导入数据必须与R工作空间一致> dir() #查看当前目录的内容> x <- 1 #对象命名x,并赋值> x[1] 1> x...

weixin_39752800的博客 3368

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

R语言期末复习

R语言期末总结

2301_81499791的博客 982

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")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

R语言期末考试复习题第一天整理内容(自己整理+参考博主:紧到长不胖 )请多关注 紧到长不胖 ,每天有惊喜!

标题:R语言期末考试复习题第一天整理内容(自己整理+参考博主:紧到长不胖 ) #期末考试例题# #1.写出函数来计算15,21,39,45,17的和:分别用for循环和while循环。 s=c(15,21,39,45,17) sum(s) he=0 for(i in 1:length(s)) { he=he+s[i] } print(he) s=c(15,21,39,45,17) sum(s) he=0 i=1 while(i<=length(s)) { he=he+s[i] i=.

qq_44563729的博客 7579

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

R语言基本用法(主要为时间序列分析方面)

本文是我个人对于之前学习的R语言的一个复习,主要目的是便于理解和使用,文中并没有过多对于函数原理计算公式的介绍,主要是何处应用和怎样应用,如果对于具体的原理感兴趣,可以查阅书籍或自行网上搜索。

qq_43641652的博客 1万+
上一篇: Cannot make a static reference to the non-static的解决方法
下一篇: nvidia-smi命令详解
风眠玄清
博客等级 码龄7年 21粉丝 8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