SQLsever[日常问题] 多元数据的分组与排序

多元有序logistic回归_案例分析 | 有序多分类logistic回归及SPSS操作 一.案例(案例来源:中华护理杂志2018年10期)关于轻度认知障碍(MCI)老年人精神行为症状及影响因素的调查研究。关于轻度认知障碍(MCI)老年人精神行为症状及影响因素的调查研究。方法:采用神经精神问卷(NPI-Q)知情者版,对60名社区初筛为MCI老年人的家属进行调查,根据回收到的有效数据分析MCI老年人精神行为症状的发生情况并研究其影响因素,以期为今后对MCI精神行为症状的预防和干... 阅读详情

菜鸟这两天在数据查询的工作中遇见了一个有意思的问题,在这里抛砖引玉,将自己的思考与解决方法分享给大家,如果你有更好的方法,请务必指教一下,谢谢。

这里就不拿工作的数据来解析,自己新建了数据拿来解析,数据的准确性菜鸟并没有逐一确认。

问题:获取每个班级最新的某一个教室的预定信息

表结构:
CREATE TABLE Room_Reservation(
     RoomNumber NVARCHAR(100), --教室编号
	 ClassNumber NVARCHAR(100),--班级编号
	 Section INT,             --第几节课
	 OrderDate NVARCHAR(50),  --预约日期
	 Reason    NVARCHAR(300) --理由
);
数据:
INSERT INTO Room_Reservation(RoomNumber,ClassNumber,Section,OrderDate,Reason) VALUES
(N'A栋1楼C2','1998RC001',1,'20001206','Active'),
(N'A栋1楼C2','1998RC002',2,'20001206','Active'),
(N'A栋1楼C3','1998DC001',4,'20001206','Active'),
(N'A栋1楼C2','1998RC001',8,'20001206','Active'),
(N'A栋3楼C5','2000RC001',1,'20120608','Active'),
(N'B栋4楼A2','1998RC001',3,'20000520','Active'),
(N'B栋1楼B2','1997RC030',4,'20001206','Range'),
(N'D栋1楼D1','1998RC001',1,'20101120','Lecture'),
(N'D栋1楼D1','2000RC011',1,'20101120','Lecture'),
(N'D栋1楼D1','1998RC021',1,'20101120','Lecture'),
(N'D栋1楼D1','1998RC001',2,'20101120','Lecture'),
(N'D栋1楼D1','2000RC011',2,'20101120','Lecture'),
(N'D栋1楼D1','1998RC021',2,'20101120','Lecture'),
(N'D栋1楼D1','1998RC001',3,'20101120','Lecture'),
(N'D栋1楼D1','2000RC011',3,'20101120','Lecture'),
(N'D栋1楼D1','1998RC021',3,'20101120','Lecture'),
(N'A栋5楼E4','1998RC021',1,'20010706','Active'),
(N'A栋5楼E4','1998RC021',2,'20010706','Active'),
(N'A栋5楼E4','1998RC021',3,'20010706','Active'),
(N'A栋6楼E4','1998RC021',4,'20010706','Active'),
(N'A栋1楼B2','1998RC008',5,'20010706','Active'),
(N'A栋1楼B2','1998RC010',6,'20010706','Active'),
(N'B栋1楼C2','2008RC001',1,'20101206','Active'),
(N'B栋1楼C2','2008RC001',2,'20101206','Active'),
(N'B栋1楼C2','2008RC009',3,'20101206','Active'),
(N'B栋1楼C2','2008RC009',4,'20101206','Active'),
(N'B栋1楼C2','2008RC008',5,'20101206','Active'),
(N'B栋1楼C2','2008RC008',6,'20101206','Active'),
(N'B栋1楼C2','2008RC008',7,'20101206','Active'),
(N'B栋1楼C2','2008RC008',8,'20101206','Active'),
(N'B栋1楼C2','2008RC008',1,'20110806','Active'),
(N'B栋1楼C2','2008RC008',2,'20110806','Active'),
(N'A栋1楼C3','2007DC001',1,'20091106','Active'),
(N'A栋1楼C3','2007DC001',2,'20091106','Active'),
(N'A栋1楼C3','2007DC007',3,'20100209','Active'),
(N'A栋1楼C3','2007DC007',4,'20100209','Active'),
(N'A栋5楼E4','2010CC009',1,'20101206','Active'),
(N'A栋5楼E4','2010CC009',2,'20101206','Active'),
(N'B栋1楼C2','2010CC011',3,'20130706','Active'),
(N'B栋1楼C2','2010CC011',4,'20130706','Active'),
(N'B栋1楼C2','2013FC002',7,'20140507','Active'),
(N'B栋1楼C2','2013FC002',8,'20140507','Active'),
(N'D栋1楼C2','2014FC002',1,'20140507','Active'),
(N'D栋1楼C2','2014FC002',2,'20140507','Active'),
(N'D栋1楼C2','2014FC003',3,'20140507','Active'),
(N'D栋1楼C2','2014FC003',4,'20140507','Active'),
(N'D栋1楼C2','2014FC004',5,'20140507','Active'),
(N'D栋1楼C2','2014FC004',6,'20140507','Active'),
(N'D栋1楼C2','2014FC005',7,'20140507','Active'),
(N'D栋1楼C2','2014FC005',8,'20140507','Active'),
(N'D栋1楼C2','2014FC006',9,'20140507','Active'),
(N'D栋1楼C2','2014FC006',10,'20140507','Active'),
(N'D栋1楼C2','2014FC006',3,'20140607','Active'),
(N'D栋1楼C2','2014FC006',4,'20140607','Active'),
(N'A栋1楼C2','2014FC005',7,'20140607','Active'),
(N'A栋1楼C2','2014FC005',8,'20140607','Active'),
(N'B栋1楼C2','2014FC005',9,'20140607','Active'),
(N'B栋1楼C2','2014FC005',10,'20140607','Active');

SQL Code
/*
  应有结果条数:22
  有多少班级,应该就有多少条数据
*/
SELECT DISTINCT ClassNumber FROM Room_Reservation 


/*
  这个问题的关键是如何找到符号问题的数据行

  第一个想法,按班级分组,再按日期降序,取第一个行,就OK了
*/
WITH A AS(
	SELECT ClassNumber,RoomNumber,OrderDate, RANK() OVER(PARTITION BY ClassNumber ORDER BY OrderDate DESC) AS RANK_1
	FROM Room_Reservation 
	GROUP BY ClassNumber,RoomNumber,OrderDate
) SELECT * FROM A WHERE RANK_1=1
/*
  查询结果条数:24
  应有结果条数:22
  经过排查找到,是由于数据中存在某一个班在同一天预定了不同的教室,导致结果出现差异
  如:
	ClassNumber	RoomNumber	OrderDate	RANK_
	2014FC006	B栋1楼C2	20140607	1
	2014FC006	D栋1楼C2	20140607	1
	2014FC006	D栋1楼C2	20140507	3
*/

WITH A AS(
	SELECT ClassNumber,RoomNumber,OrderDate, 
	RANK() OVER(PARTITION BY ClassNumber ORDER BY OrderDate DESC) AS RANK_1,
	RANK() OVER(PARTITION BY OrderDate ORDER BY RoomNumber DESC) AS RANK_2
	FROM Room_Reservation 
	GROUP BY ClassNumber,RoomNumber,OrderDate
) SELECT * FROM A WHERE RANK_1=1 AND RANK_2=1
/*
  查询结果条数:15
  应有结果条数:22
  又一次失败了,仔细查看后,意识到Rank_2的排序不是基于Rank_1的排序上再排序的,理所应当出现此类问题
*/
WITH A AS(
	SELECT ClassNumber,RoomNumber,OrderDate, 
	RANK() OVER(PARTITION BY ClassNumber ORDER BY OrderDate DESC) AS RANK_1,
	RANK() OVER(PARTITION BY ClassNumber,OrderDate ORDER BY RoomNumber DESC) AS RANK_2
	FROM Room_Reservation 
	GROUP BY ClassNumber,RoomNumber,OrderDate
) SELECT * FROM A WHERE RANK_1=1 AND RANK_2=1

/*
  查询结果条数:22
  应有结果条数:22
  数量上符合了标准,经过抽样比对后发现,数据结果是符合要求的
  同事在看完这个语句后,做出了更进,很厉害
*/
WITH A AS(
	SELECT ClassNumber,RoomNumber,OrderDate, 
	RANK() OVER(PARTITION BY ClassNumber ORDER BY OrderDate DESC,RoomNumber DESC) AS RANK_
	FROM Room_Reservation 
	GROUP BY ClassNumber,RoomNumber,OrderDate
) SELECT * FROM A WHERE RANK_=1


/*
  总结:1.在多元变量且变量间为多对多关系的数据抓起,请先抓住其中一个点,然后依此为锚(anchor)再抓取
        2.所谓的取数据除了数据间的串接,更多的是数据集的排序,筛选出自己想要的数据
		3.分组后的Rank一定要抓准那个锚
		4.人外有人,山外有山
*/


SQL Server教程中的对数据进行排序 SQL Server教程中的对数据进行排序 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 开发工具与关键技术: SQL Server 作者:黄瑞杰 撰写时间:2022/03/17 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 使用select语句从表中查询数据时,不... 阅读详情

相关推荐

fibplus-8.0.0.zip

FIBPlus 是一套面向 Delphi / C++Builder 的 Firebird、InterBase 数据库访问组件,特点是直接走原生客户端 API,不经 BDE/ODBC,速度快且可控性强。8.0.0 版本主要适配 Delphi 2009 及以后的版本(Delphi 6–2007 需用 7.9.x),核心组件包括 TpFIBDatabase、TpFIBTransaction、TpFIBDataSet 等,支持精细事务管理、本地缓存、BLOB 处理和备份恢复等数据库服务。该库原为 Devrace 的商业组件,现由社区在 GitHub 的 madorin/fibplus 项目开源维护,建议从官方仓库获取源码而非第三方网盘压缩包。安装时解压后用对应版本的工程组(10.4+ 统一为 `FIB.groupproj`)Build 全部包,再 Install `dclFIB` 并在 Library 路径加入 Source 目录即可。新项目中若需官方技术支持,也可考虑 FireDAC、IBDAC 等更现代的替代方案。

SQLServer学习笔记七:分组查询

使用GROUP BY进行分组查询,从不同方面将数据进行分组汇总。

少儿编程乔老师 5171

基于K8S + apisix/istio 实现云原生模块化微服务.自带代码生成器,能够生成对表的增删改查的逻辑代码

基于K8S + apisix/istio 实现云原生模块化微服务.自带代码生成器,能够生成对表的增删改查的逻辑代码.是标准Maven项目,只依赖springboot,没有hibernate,struts,ibatis,数据库调优可以使用druid输出慢sql,比分析xml中的语句更直观,springrain所有的sql语句都使用Finder封装管理,只要查看Finder的引用即可.

SQL字符串叠加问题

合并列值 --******************************************************************************************* 表结构,数据如下: id value ----- ------ 1 aa 1 bb 2 aaa 2 bbb 2 ccc ...

weixin_34342992的博客 343

【本体】Protege高效批量导入实例(Individuals)的自动化实践

本文详细介绍了在Protege中高效批量导入实例(Individuals)的自动化实践方法。通过分析Protege本体文件结构,提供Python脚本示例,帮助用户快速处理大规模数据导入,显著提升知识图谱构建效率。特别适合需要处理数千个实例的医疗、制药等领域应用。

weixin_30275415的博客 408

博通PEX89000 PCIe 5.0交换芯片:如何为AI集群构建高效GPU互联架构

本文深入解析了博通PEX89000 PCIe 5.0交换芯片如何为AI集群构建高效的GPU互联架构。该芯片通过提供高带宽、低延迟的PCIe 5.0交换能力,打破传统GPU通信的带宽瓶颈,并支持多主机共享、资源池化及软件定义拓扑,从而显著提升大规模AI训练与推理任务的效率与资源利用率。

weixin_29214559的博客 411

sql server分组排序

需求:查询表中,tm(时间格式)字段,分组排序 在使用group by内置函数,会出现如下的错误 [SQL Server]选择列表中的列 ‘ST_RIVER_R.STCD’ 无效,因为该列没有包含在聚合函数或 GROUP BY 子句中。 原因:sql server不想mysql的group by,他内部还需要通过聚合函数来判断 修改前的sql: select *,COUNT(*) from ...

白色的蓝之光的博客 3260

高通引导文件获取全攻略:ELF/MBN提取与EDL救砖实战

在智能手机底层维护中,引导加载程序(Bootloader)是系统启动的第一道关卡。高通平台通过PBL、SBL1/XBL等阶段完成硬件初始化和安全校验,一旦引导分区损坏,设备便可能陷入黑砖状态。此时,掌握ELF与MBN格式的引导镜像获取方法,成为维修工程师和刷机用户的核心技能。通过官方固件包解包或借助EDL模式直接从设备分区备份,均能获得原厂匹配的引导文件。配合Firehose工具和9008端口通信,即可实现分区级读写与救砖恢复。本文从启动链路原理出发,对比两种获取路径的适用场景,并针对驱动识别、文件校验、分

weixin_30175731的博客 419

二元数组排序

二元数组按照第一个元素从小到大排序,若第一个相同第二个按照从大到小排序 publicclassErYuanZu{ publicstaticvoidmain(String[]args){ int[][]arrs={{1,2},{3,4},{3,2},...

weixin_30877227的博客 788

Xshell 连接 VMware虚拟机操作 截图和使用

vmwareVMware总部位于美国加州帕洛阿尔托(Palo Alto),是全球云基础架构和移动商务解决方案厂商,提供基于VMware的解决方案,企业通过数据中心改造和公有云整合业务,借助企业安全转型维系客户信任,实现任意云端和设备上运行、管理、连接及保护任意应用Xshell(安全终端模拟软件)Xshell [1]是一个强大的安全终端模拟软件,它支持SSH1, SSH2, 以及Microsoft Windows 平台的TELNET 协议。

小 tom的博客 800

LightningChart使用教程:创建 JS 散点图

这是对 LightningChart JS XY 图表一些有趣功能的快速技术研究,以及如何使用 LightningChart JS 创建嵌入式散点聊天和添加自定义交互。 此图表将可视化一个 XY 坐标列表以及一个额外的自定义属性,它只是一段文本。这些自定义属性将与 UI 文本元素一起显示,这些元素将与用户的鼠标移动交互。 我们将介绍的突出功能是: 什么是散点图? 如何创建散点图? 如何将自定义属性附加到数据点。 如何创建交互式 UI 文本元素。 最终结果 什么是散点图? 散点图或散点图是..

Augenstern__zyx的博客 1370

二元组排序(动态规划)(C++)

题目:给定一个N*2的二维数组,看作是一个个二元组,例如[ (a1,b1), (a2,b2), (a3,b3)],规定,如果想把二元数组甲放在二元数组乙上,甲中的a值必须大于乙中的a值,甲中的b值必须也得大于乙中的b值,问,给定一个二元数组,问可以罗成这样的数组几个? 例:[ (5,4), (6,4), (6,7), (2,3)], 最多可以罗3个,如(2,3)-》(5,4)-》(6,7) 解

mooncaptain的博客 2948

STM32 ADC+DMA实战:手把手教你驱动XGZP6847A压力传感器(附完整代码)

本文详细介绍了如何使用STM32的ADC和DMA外设驱动XGZP6847A压力传感器,包括硬件连接、ADC配置、DMA高效传输实现以及数据处理与校准方法。通过实战案例和完整代码,帮助开发者快速掌握高精度压力数据采集技术,适用于工业控制和医疗设备等领域。

weixin_42570484的博客 404

group by 如何自定义规则分组,合并分组

sql语句 group by时如何指定规则进行分组 1. 问题描述 最近开发项目时遇到了一个需求:统计不同类型的物品的数量,但是某几种类型要合并到一起进行统计,例如:有A,B,C,D,E,F,G其中类型,但是统计时ACD合计为一种,FG合计为一种,假设表为: type (类型) num (数量)

轻狂書生的博客 1万+

【Linux】实际项目应该如何完成?--安防监控系统项目的总结

到目前为止我也做个5、6个嵌入式项目,但以往都是从零开始自己做,也就是毫无计划,想到那里做那里,有想法就会去实现,就这样导致我碰到了很多坑,也消耗了我许多时间,当然,不是说这样不好,因为在其中我也得到了一个很好的锻炼与练习,但是这不适用于在工作中去这样做。...

修成真的博客 6725

YOLOv11改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积,降低内存占用

本文记录的是利用优化的目标检测方法研究。深度可分离卷积可以减少FLOPs,但会导致更高的内存访问,引起延迟并减慢整体计算。部分卷积利用逐点卷积处理通道冗余,减少模型计算量和内存访问量。Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks的实现代码如下: 四、创新模块 4.1 改进点⭐ 模块改进方法: 1️⃣ 加入。添加后如下:2️⃣:加入基于的。利用改进模块,减少通道冗余。改进代码如下:首先添加如下代码让加入,并重命名为 再添加如

Limiiiing的博客 3873

R语言学习笔记 —— 数据的分组处理

一、实现数据的分组求和

cleverbegin的专栏 5万+

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

php多元数组排序,php多维数组排序

php多维数组排序第一种,按照日期排序、过滤$d = date('Y-m-d');function check_date($data,$key,$date=''){if(!$date){$date = date('Y-m-d');}$rdata = array_reduce($data, create_function('$v,$w', 'if($w["'.$key.'"]>="'.$dat...

weixin_39942191的博客 175

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")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

十大排序算法

第一部分ON2的排序算法 冒泡排序Bubble Sort 1 冒泡排序原理 2 冒泡排序算法步骤 3 算法实现 4 算法效率 选择排序 1 选择排序原理 2 算法步骤 3 算法实现 插入排序 1 插入排序原理 2 算法步骤 3 算法实现 希尔排序 1算法思想 2 算法步骤 3 算法实现 第二部分NlogN算法 归并排序merge sort 1 算法思想 2 算法步骤 3 算法实

多元思考力 2182

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

上一篇: C# 字符分割与统计_递进版
下一篇: 设计模式_Options模式
Jonathan.Jiang
博客等级 码龄11年 3粉丝 10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