如何用Vue3构建一个功能齐全的投资组合管理仪表盘?

开源股票分析平台OpenStock:构建个性化量化投资研究终端 在量化投资和数据分析领域,实时市场数据处理与个性化策略回测是核心需求。其原理在于通过多源数据聚合、流处理架构以及插件化引擎,将数据获取、计算分析和可视化展示全流程打通。这项技术的价值在于为投资者和开发者提供了一个透明、可定制且免费的一体化解决方案,极大地降低了专业分析工具的使用门槛。典型的应用场景包括实时行情监控、自定义技术指标计算、基本面分析以及历史策略回测。OpenStock作为一款开源股票平台,正是这一理念的工程实践,它通过模块化设计,整合了实时数据流与插件化分析能力,让用户能够基于公开数据源,自由构 阅读详情

Alt

本文由ScriptEcho平台提供技术支持

项目地址:传送门

使用 Vue 构建一个功能齐全的投资组合仪表板

应用场景介绍

本代码展示了一个使用 Vue 构建的投资组合仪表板,它允许用户查看和管理他们的投资组合。仪表板提供了以下功能:

  • 实时显示投资组合价值和收益
  • 按公司列出投资组合中的股票,并提供每个股票的价值和收益信息
  • 添加新股票到投资组合
  • 使用 ECharts 库创建交互式图表,可视化投资组合的性能
  • 使用 V-Calendar 库创建日历,显示投资组合中重要事件
  • 使用 Vue3-Baidu-Map-GL 库创建地图,显示投资组合中公司的地理位置
  • 使用 Wangeditor 库创建富文本编辑器,允许用户创建和编辑投资组合的笔记

代码基本功能介绍

本代码主要由以下部分组成:

  • Vue 组件:负责管理仪表板的状态和渲染 UI
  • ECharts 图表:可视化投资组合的性能
  • V-Calendar 日历:显示投资组合中重要事件
  • Vue3-Baidu-Map-GL 地图:显示投资组合中公司的地理位置
  • Wangeditor 富文本编辑器:创建和编辑投资组合的笔记

功能实现步骤及关键代码分析说明

1. 安装依赖项

npm install vue echarts v-calendar vue3-baidu-map-gl @wangeditor/editor-for-vue

2. 创建 Vue 组件

<template>
  <div class="bg-gray-900 h-screen">
    <!-- ... -->
  </div>
</template>

<script lang="tsx" setup>
// ...
</script>

<style>
// ...
</style>

3. 创建 ECharts 图表

<ECharts :option="option" />

其中 option 是 ECharts 图表的配置对象。

4. 创建 V-Calendar 日历

<Calendar :events="events" />

其中 events 是一个数组,包含投资组合中重要事件的对象。

5. 创建 Vue3-Baidu-Map-GL 地图

<BMap :center="center" :zoom="zoom" />

其中 center 是地图的中心点,zoom 是地图的缩放级别。

6. 创建 Wangeditor 富文本编辑器

<Editor v-model="content" :config="editorConfig" @created="handleEditorCreated" />

其中 content 是编辑器的内容,editorConfig 是编辑器的配置对象,handleEditorCreated 是编辑器创建后的回调函数。

关键代码分析:

  • 使用 ref 管理 ECharts 实例:
const echartsInstance = ref();

const handleEChartsCreated = (instance) => {
  echartsInstance.value = instance;
};
  • 使用 watch 监听 ECharts 选项的更改:
watch(() => option, () => {
  if (echartsInstance.value) {
    echartsInstance.value.setOption(option);
  }
});
  • 使用 composition API 管理状态:
const portfolioValue = ref(13240.11);
const portfolioProfit = ref(1666.07);

总结与展望

开发这段代码的过程让我对 Vue 生态系统和各种第三方库有了更深入的了解。

经验与收获:

  • 使用 Vue 构建复杂且交互式 UI 的强大功能
  • 将第三方库集成到 Vue 应用程序中的简便性
  • 使用 composition API 管理状态的便利性

未来该卡片功能的拓展与优化:

  • 添加对实时数据流的支持

  • 探索使用人工智能技术来分析投资组合性能

  • 提供个性化投资建议

    更多组件:

    在这里插入图片描述

![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/f0787911a9ce4bb0ac1335fbe57ccab6.jpeg#pic_center)
</a>

获取更多Echos

本文由ScriptEcho平台提供技术支持

项目地址:传送门

扫码加入AI生成前端微信讨论群:

扫码加入群聊

智能体投资组合绩效追踪平台:统一数据中枢与实时分析架构 在量化投资与资产管理领域,绩效追踪是评估策略有效性和管理风险的核心环节。其基本原理在于通过系统性地收集、处理和分析交易与持仓数据,计算收益、风险及风险调整后收益等一系列关键指标。随着人工智能和自动化交易技术的发展,智能体驱动的投资策略日益普及,这使得传统的、基于人工或孤立系统的绩效管理方式面临巨大挑战,其技术价值在于实现决策支持的实时化与精细化。在此背景下,构建一个统一的绩效数据中枢成为关键需求,它需要处理来自不同来源的、高频率的事件流数据,并支持实时计算与深度分析。这正是本文所探讨的智能体投资组合绩效追踪 阅读详情

相关推荐

基于Electron+Vue 3构建本地化基金数据看板:技术解析与实践

在数据驱动的投资决策中,本地化数据处理与可视化成为提升效率与保障隐私的关键。其核心原理在于利用客户端计算架构,将数据获取、处理与存储完全置于用户本地环境,通过多源API聚合与容错设计确保数据可靠性。这一技术方案的价值在于实现了数据的自主可控与离线可用,有效规避了云端隐私泄露风险,并提供了极致的响应速度。典型应用场景包括个人投资组合监控、多市场基金数据分析以及定制化金融仪表盘开发。本文以开源项目fishing-funds为例,深入剖析了如何运用Electron跨平台框架与Vue 3响应式系统,构建支持实时预警

weixin_27188815的博客 402

基础指南:使用Vue快速搭建可视化仪表盘

在这里我们借助Grid Layout Plus插件实现(Grid Layout Plus是一个基于vue3的布局插件,它支持组件的缩放、拖拽等功能,更多关于插件的用法请参考https://grid-layout-plus.netlify.app/zh/)。由于组件库的组件会有多个,所以我们可以创建一个RenderCard.vue组件,统一引入组件库的所有组件,通过传递组件的type属性进行组件的展示。(2) 收集表单信息并存储到当前组件的styleOption中,并更新组件渲染。

OpsEye的博客 3025

Taipy数据流驱动的股票组合分析工具实战

数据流编程是一种以数据依赖关系为核心、自动触发计算的现代应用开发范式,其原理基于有向无环图(DAG)建模与声明式任务调度,技术价值在于消除手动状态管理、实现最小化重计算与后台长任务可控性。典型应用场景包括金融回测、风险指标实时计算、多源数据融合分析等需要高响应性与逻辑可复现性的领域。本文以Taipy框架构建股票组合分析工具为例,深入解析DataNode数据节点建模、Task任务链编排及GUI动态绑定等核心实践,展现如何用纯Python代码在数小时内交付具备PDF导出、滑块联动、取消中断能力的生产级轻量分析应

diaohong5075的博客 439

vue3+typescript项目中自定义仪表盘仪表盘常用配置项大全

自定义仪表盘样式

weixin_68531033的博客 1789

开源Claude团队仪表盘部署指南:实现AI使用监控与成本管控

在现代软件开发与团队协作中,API集成与数据可视化是提升效率的关键技术。通过调用第三方API(如Claude for Teams API)获取数据,并结合后端服务进行聚合处理,可以将分散的数据源整合为统一的业务视图。其技术价值在于为管理者提供了数据驱动的决策依据,实现了对资源使用情况的透明化监控。这一技术栈在成本管控、效率分析和团队协作优化等场景中应用广泛。本文以Trojanku/claude-teams-dashboard这一开源项目为例,具体阐述了如何通过Docker Compose部署一个用于监控AI

weixin_30918633的博客 441

Go语言构建自托管加密货币仪表盘:聚合多交易所资产与实时监控

在分布式系统与数据可视化领域,通过API聚合多源数据并实现统一展示是常见需求,其核心原理在于构建可扩展的适配器层与高效的数据流处理机制。这项技术对于需要整合分散数据源、实现集中监控的场景具有重要价值,尤其在金融科技、运维监控等对实时性要求高的领域应用广泛。本文聚焦于加密货币资产管理这一具体应用场景,深入解析如何利用Go语言的并发特性与轻量级架构,构建一个安全、私有的自托管仪表盘。通过封装各交易所API接口,项目实现了资产、行情等关键数据的实时聚合与可视化,并支持盈亏计算与预警功能,为开发者提供了从环境部署、

weixin_27134143的博客 518

使用vue + canvas绘制仪表盘

【代码】使用vue + canvas绘制仪表盘。

weixin_40922551的博客 557

用 Vue.js + ECharts 构建金融投资数据分析平台 从零开始:金融数据可视化仪表盘开发教程 实时金融投资数据分析系统:Vue.js 实战项目 金融行业前端开发案例:动态投资组合管理平台 完

用 Vue.js + ECharts 构建金融投资数据分析平台 从零开始:金融数据可视化仪表盘开发教程 实时金融投资数据分析系统:Vue.js 实战项目 金融行业前端开发案例:动态投资组合管理平台 完整教程!用 Vue.js 打造高效的金融数据可视化平台 金融科技实践:投资组合与市场趋势分析仪表盘开发 前端必学!动态金融投资管理平台的开发全流程 ECharts 数据可视化:打造现代化金融投资仪表盘 从数据到决策!金融数据分析平台的开发过程分享 Vue.js + ECharts 项目实战:金融市场动态监控平台

南北极之间 970

Vue3 Element Plus 使用el-progress实现仪表盘形进度条 - 附完整示例

Vue3 Element Plus 使用el-progress实现仪表盘形进度条

m0_48968874的博客 1165

vue3 typescript gauge仪表盘效果示例

TypeScript开发,应用echarts 5.5.0,vue-echarts 6.7.0,开发echarts官网关于gauge(仪表盘)内容,主要包括以下范例的实现: * Gauge Basic Chart 基础仪表盘 * Simple Gauge 简单仪表盘 * Speed Gauge 速度仪表 * Progress Gauge 进度仪表 * Stage Speed Gauge 分级速度仪表 * Grade Gauge 评分仪表 * Multi Title Gauge 多主题仪表 * Temperature Gauge Chart 温度仪表 * Ring Gauge 环形仪表盘 * Gauge Barometer Chart 气压计 * Clock 时钟 * Gauge Car 汽车仪表盘

Globus数据下载全攻略:从零配置到批量下载大文件(附常见问题解决)

本文详细介绍了Globus数据下载的全流程,从零配置到批量下载大文件的实用技巧,包括环境准备、高级传输策略、性能优化及常见问题解决方案。Globus作为科研数据的高效传输工具,通过并行流传输和自动校验技术,显著提升大规模数据传输的效率和可靠性。

u9v0w的博客 663

微融资投资管理系统平台python vue

所有项目都经过了严格的测试和完善。对于本系统,我们提供全方位的支持,包括修改时间和标题,以及完整的安装、部署、运行和调试服务,确保系统能在你的电脑上顺利运行。需要成品或者定制,如果本展示有不满意之处。点击文章最下方名片联系我即可~,总会有一款让你满意。数据库工具:Navicat/SQLyog/ MySQL Workbench等都可以。(注:具体实现需结合合规要求,如GDPR/《网贷管理办法》等金融科技监管规定)查看详细的视频演示,或者了解其他版本的信息。前端开发框架:vue.js。

QQ58850198的博客 157

别再只盯着ADC了!手把手教你拆解HLW8032模块的隔离与非隔离采样电路(附BOM清单)

本文深入解析HLW8032模块的隔离与非隔离采样电路设计,提供工程化决策指南。从安全间距到PCB布局,再到误差分析和BOM清单优化,手把手教你避开常见陷阱,确保产品级设计的可靠性和精度。附实用校准策略和关键元器件选型建议,助力硬件开发者提升设计水平。

weixin_29206669的博客 404

AI股票分析师Web前端开发:Vue3实战

本文介绍了如何在星图GPU平台上自动化部署 📈 AI 股票分析师daily_stock_analysis 镜像,快速构建智能股票分析Web应用。该镜像集成了大语言模型,能自动分析实时行情并生成投资建议,通过Vue3前端直观展示分析结果,帮助用户实现数据驱动的投资决策。

weixin_36431145的博客 122

CANape a2l文件的编辑教程

编辑a2l文件

wsq119的博客 1万+

DeepSeek-R1 论文阅读 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

和。这些模型的核心创新点是通过强化学习(Reinforcement Learning, RL)来提升大型语言模型(LLM)的推理能力,而没有依赖传统的监督微调(Supervised Fine-Tuning, SFT)作为预训练的步骤。是一种通过大规模强化学习直接训练的模型。它在推理能力上表现出色,能够自然地展现出许多强大且有趣的推理行为。但它也有一些问题,比如可读性差和语言混合。这意味着模型在生成文本时,有时会显得不太清晰,或者不一致地使用不同语言。为了解决这些问题并进一步提升推理能力,研究者提出了。

CSPhD-winston的博客 1841

LFM2.5-1.2B-Thinking金融分析应用:基于Vue3的可视化决策系统

本文介绍了如何在星图GPU平台自动化部署【ollama】LFM2.5-1.2B-Thinking镜像,构建基于Vue3的金融可视化决策系统。该镜像具备强大的多步推理能力,可应用于股票预测分析和投资组合优化等金融场景,通过直观的可视化界面为用户提供专业的金融数据分析和预测服务。

weixin_42593130的博客 424

AI测试:手把手教你用AI做Web自动化测试「喂饭教程」

本文介绍了基于MCP协议和使用 mcp-use + playwright-mcp 构建智能Web自动化测试框架的实践方法。通过整合大语言模型的理解能力与测试工具可靠性,该方案支持用自然语言描述测试流程,自动转换为可执行的测试步骤,提升测试效率,支持复杂场景和多步骤流程,为自动化测试提供了新思路。

blues_C的博客 1289

计算机毕业设计springboot家庭理财系统 基于 SpringBoot 的个人家庭资产管理系统 SpringBoot+Vue 的智能化家庭财务分析与规划平台

当“月光”成为常态、当“余额”永远猜不透,一套趁手的家庭财务工具就成了刚需。把零散在银行、支付宝、微信里的收支数据集中起来,让预算、投资、债务、保险、教育金、养老金在同一页仪表盘里说话,是这套 SpringBoot 家庭理财系统诞生的初衷。系统采用 B/S 架构,前端 Vue 让操作像刷朋友圈一样顺手,后端 SpringBoot 把复杂的财务模型拆成可热插拔的微服务,MySQL 负责把每一笔“小钱”都记得明明白白。 从“记一笔”到“给未来画像”,系统把所有功能揉进以下清单: 用户中心(注册/登录/找回密码/

毕业设计-小章学姐 1119

(四) OpenClaw-Skill技能全面了解和自定义技能

OpenClaw Skills是提升AI代理功能性的关键模块。本文系统介绍了Skills的核心概念、获取渠道和创建方法。Skills作为标准化指令集合,能让OpenClaw从单纯理解升级为实际执行任务,相比传统System Prompt具有模块化、可复用等优势。用户可通过Clawhub官方商店、GitHub社区等渠道获取5700+现成技能,或按需开发自定义Skill。文章详细演示了创建"Hello World"示例技能的完整流程,包括编写Python脚本、配置SKILL.md文件、部署。

直到世界的尽头 8299

基于深度学习的商品标签识别系统:UI界面 + YOLOv8/v7/v6/v5代码 + 训练数据集

基于YOLO系列模型的商品标签识别系统能够有效解决商品信息提取的自动化问题。通过合理的数据集准备、模型训练和UI设计,我们可以实现一个功能强大的商品标签识别系统。希望本文提供的内容能够为大家提供有价值的帮助。

YOLO 476

oh-my-pi 的 retain 工具:把关键事实写入长期记忆后端的完整实战指南

oh-my-pi(Coding agent with the IDE wired in)内置的 `retain` 工具用于把“值得跨会话保留的事实”写入当前激活的长期记忆后端,是 Agent 从会话中沉淀持久知识的核心入口。本文基于 [retain 模型提示词](https://link.gitcode.com/i/71d6eecf0ba2e6aa9215a1082ae83bf9)、[retain

gitblog_01070的博客 399

机器学习项目实战案例数据集

本专栏整理了《机器学习项目实战案例》,内包含了各种不同的机器学习项目,包含项目原理以及源码,每一个项目实例都附带有完整的代码+数据集。

优快云 精品推荐 3641

Vue-Data-UI数据可视化组件库终极入门指南:5步打造专业级数据看板

在当今数据驱动的商业环境中,**Vue-Data-UI数据可视化组件库**正成为前端开发者提升数据展示效率的利器。这套基于Vue 3框架的可视化解决方案,通过60+预构建组件让复杂的数据变得直观易懂。无论你是数据分析师、产品经理还是前端开发者,掌握Vue-Data-UI都能让你的数据表达能力提升到全新高度。 ## 🎯 为什么你的下一个项目需要Vue-Data-UI ### 业务场景驱动的价值

gitblog_01090的博客 790

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

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

react在线浏览doc_推荐36种免费React模板和主题「干货」

前言在Internet上搜索模板和主题时,很难找到免费的React资源。即使您不在乎质量,它们似乎也很难被发现,并出于好奇而感动,我花了数小时在Google和Github上四处挖掘,结果得到了36个免费的React模板和主题的集合。我不会对此打赌,但是它们也是高质量的资源。因此,在此列表中,您将找到各种各样的模板和主题,可以构建几乎可以想象的任何东西。例如:管理仪表盘网站登陆页面在线投资组合网志设...

weixin_39870092的博客 1054

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

金融行业vue 、 kotlin 、java 开发语言AI辅助开发的提示词

"在Java服务中实现GDPR合规的客户数据匿名化接口,使用Apache ShardingSphere加密敏感字段。"编写Kotlin代码记录用户操作日志,满足SOX审计要求(包含操作人、时间、IP和修改前后数据)。"在区块链(如Hyperledger Fabric)上存储交易哈希,实现不可篡改的审计证据存储。"用JMeter生成百万级模拟交易请求的测试脚本,检测Java支付系统的TPS和错误率。"在Kotlin服务中实现混沌测试场景(如网络延迟、数据库宕机),验证系统容错能力。

渔舟小调的博客 800

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 怎么用 ECharts创建一个信息列表?
下一篇: 如何用Vue3和Plotly.js实现一个交互式世界地图动画
ScriptEcho
博客等级 码龄3年 1304粉丝 150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