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
100+累计阅读
104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
使用Boost库中的adaptors::type_erased进行测试的示例程序
Boost是一个流行的C++库集合，提供了许多功能强大的组件和工具，用于增强C++语言的能力。其中，adaptors::type_erased是Boost库中的一个模块，它提供了一种通用的方式来处理不同类型的数据，而无需预先知道其确切类型。在本文中，我们将编写一个使用adaptors::type_erased的示例程序，展示它的使用方法和功能。
首先，我们需要确保已经安装了Boost库，并将其包含到我们的代码中。接下来，我们定义一个包含不同类型数据的容器，并使用adaptors::type_erased对其进行封装。让我们看看下面的示例代码：
#include <boost/range/adaptor/type_erased.hpp>
#include <iostream>
【多媒体处理】基于C++、Qt与FFmpeg的课堂视频自动分段与重点标记系统设计 项目介绍 基于C++、Qt与FFmpeg的课堂录屏视频自动分段与重点标记系统设计与实现（含模型描述及部分示例代码）
内容概要：本文详细介绍了一个基于C++、Qt与FFmpeg的课堂录屏视频自动分段与重点标记系统的设计与实现。系统通过多模态分析技术，结合视频画面差异、音频特征（如短时能量、过零率、静音分析）以及时间上下文信息，实现对课堂视频的智能分段和重点内容识别。项目采用模块化架构，涵盖媒体解码、视觉与音频特征提取、多模态融合决策、片段构建与重点评分等功能，并通过Qt实现图形化交互界面，支持用户对自动生成的结果进行校正与导出。文中还提供了核心数据结构定义及关键算法的C++代码示例，包括帧抽样解码、画面差异计算、音频分析、边界融合与片段生成等，具备较强的工程落地能力。; 适合人群：具备C++编程基础，熟悉Qt框架和多媒体处理技术的中高级开发人员，以及从事教育信息化、视频分析、智能教学系统研发的相关技术人员。; 使用场景及目标：①用于课堂教学视频的自动化整理，提升教师后期剪辑与资源归档效率；②构建可解释的多模态分段模型，适应不同类型课程（如理工类、语言类）的教学节奏与特征；③改善学生对长视频的学习体验，实现知识点快速定位与重点内容优先复习；④作为可扩展的多媒体工程框架，支撑会议录像、培训视频等类似场景的内容结构化处理。; 阅读建议：此资源不仅提供理论模型描述，更侧重于实际工程实现，建议读者结合代码示例深入理解各模块设计思路，重点关注FFmpeg的流式解码、多线程处理机制与Qt信号槽通信的应用，并可根据需求集成OCR、语音识别等模块以进一步增强系统功能。
DuCut_1794620715264_806.mp4
DuCut_1794620715264_806.mp4
chrome-headless-shell-mac-x64-160.0.8160.0(Canary).zip
内容概要：Chrome for Testing 官方 chrome-headless-shell 160.0.8160.0 x64 平台（金丝雀版通道），原版未修改，附来源说明。 适合人群：x64 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标：①无头浏览器（Playwright/Puppeteer/Selenium 无界面自动化与爬虫的运行内核）；②服务器/容器离线内置；③版本精准匹配（chromedriver 与 Chrome 需同大版本）。 其他说明：Chrome for Testing 为 Google 官方发布、允许自由分发的文件；本资源为第三方整理的下载便利服务。
多智能体-系统-形成-控制 附matlab代码.rar
多智能体-系统-形成-控制 附matlab代码.rar
RS485 工业总线实战手册｜DE/TC 方向控制时序 + 组网端接隔离 + 30 例故障速查
定位：把 485 当成「串口加两根线」，是所有故障的开始。它的差分电气、总线拓扑、方向控制时序，每一层都有自己的物理与规矩。10 章 + 5 附录，31 页 / 58 张表。 ① 分层认知：物理/器件/时序/协议四层，一帧的完整旅程八道关 ② 电气层：A/B 反接之谜（标准不定义字母）、共模红线、失效保护、偏置电阻完整计算 ③ 收发器选型：六款对照、真值表、传播延迟与假字节 ④ 方向控制：TXE 不是发完 TC 才是（第一判据）、完整代码、DMA+TC 中断版、应答首字节完整性 ⑤ 组网：手拉手唯一正解、120Ω 只在两端、分支长度、中继与集线器 ⑥ 距离与隔离：速率距离表、光耦选型账（PC817 不能跑 115200）、隔离电源 ⑦ 抗干扰：双绞/屏蔽单端接地、干扰源对号、TVS+GDT 防护参数、误码率测试把「稳」变数字 ⑧ 30 例故障速查（物理→时序→干扰→协议四层排列）+ 三个案例复盘 ⑨ 完整案例：一主三从轮询网络（主从两侧方向控制）+ 网络健康计数器寄存器 ⑩ 验收 15 条 + 40 条硬规则 + 现场十分钟快查表 附录：速率距离、收发器对照、索引、术语、检查表。 电气参数按 TIA/EIA-485-A 与数据手册口径；每个判据都能自己走一遍。
75-基于51单片机的指南针系统设计（设计+原理+程序+仿真）.rar
项目75-基于51单片机的指南针系统设计 资料包括Proteus仿真+Keil程序+Altium Designer原理图+软件安装包+参考设计说明书+答辩PPT+设计流程图，保证资料完整性! 功能： （1）本指南针系统以STC89C52RC单片机为核心控制器，统筹地磁数据运算，保障方位识别逻辑精准稳定运行。 （2）采用HMC5883L三轴地磁传感器作为核心方位采集部件，实时检测空间磁场分量，换算出当前设备指向的方位角度。 （3）使用1.3寸OLED液晶屏实时显示当前方位角度与东西南北指向标识，界面清晰直观，方位数据刷新响应及时。 （4）配备8路LED方位指示灯与有源蜂鸣器作为执行装置，正北方向对准后对应指示灯亮起，同步触发短音完成指向提示。 （5）内置独立按键支持地磁数据校准操作，降低环境磁场干扰误差，电路结构简洁易复现，适配便携方位检测类毕设需求。
移动应用畅销榜预测数据集10000款应用19特征
本数据集模拟移动应用商店的运营特征，包含10000款应用、19个字段、单CSV约937KB。字段覆盖应用类别（12类）、商业模式（免费、广告、内购、订阅、付费）、发布年份、内容分级、安装包大小、单次会话广告加载量、年更新次数、距上次更新天数、商店编辑推荐、买量支出、平均评分、次日与30日留存率，以及评分总数、累计下载量与营收等结果字段。提供top_grossing分类目标（营收前15%）与revenue_musd回归目标，结果字段独立分离，便于练习避免目标泄漏。数据完整无缺失、无需表关联，非线性效应与特征交互明显，调优后模型可超越朴素基线，兼具入门友好与研究深度，适合移动应用行业分析、商业化策略研究与机器学习教学。说明：本数据为Python生成的合成数据，仅反映生成规则，不含真实应用与个人信息。许可：CC0公有领域，可自由使用与二次分发。
chrome-headless-shell-linux64-160.0.8160.0(Canary).zip
内容概要：Chrome for Testing 官方 chrome-headless-shell 160.0.8160.0 linux64 平台（金丝雀版通道），原版未修改，附来源说明。 适合人群：Linux 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标：①无头浏览器（Playwright/Puppeteer/Selenium 无界面自动化与爬虫的运行内核）；②服务器/容器离线内置；③版本精准匹配（chromedriver 与 Chrome 需同大版本）。 其他说明：Chrome for Testing 为 Google 官方发布、允许自由分发的文件；本资源为第三方整理的下载便利服务。
个人知识管理AI知识库平台规划方案（生态合作版）.pptx
个人知识管理AI知识库平台规划方案（生态合作版）.pptx
软件测试接口测试自动化示例2
内容概要：本文介绍了基于Python + requests + pytest的接口测试自动化实现方案，提供了一个可直接运行的工程化项目结构示例。内容涵盖请求客户端封装（支持重试机制、统一头信息）、全局fixture配置（实现环境隔离与token复用）、测试用例编写（含状态码断言与JSON Schema响应结构校验）以及数据驱动测试（通过YAML/JSON管理测试用例）。示例使用公开API进行验证，结构清晰，便于扩展和维护。; 适合人群：具备一定Python编程基础，从事测试或测试开发工作1-3年的技术人员，尤其是希望提升接口自动化测试工程化能力的人员。; 使用场景及目标：①构建可复用、易维护的接口自动化测试框架；②实现多环境支持、统一请求处理与认证机制；③通过Schema校验确保接口返回结构正确性；④采用数据驱动方式提高测试覆盖率与编写效率； 阅读建议：此资源侧重于实际项目结构设计与最佳实践，建议读者结合代码逐项实践，理解各模块职责划分，并尝试在本地运行调试，进一步扩展功能如报告生成、持续集成等。
具有PWM控制VSC-HVDC链路的IEEE30总线传输系统（Simulink仿真实现）
内容概要：本文构建了一个包含PWM控制VSC-HVDC链路的IEEE30节点电力传输系统，并基于Simulink平台完成了系统的建模仿真。该模型聚焦于高压直流输电（HVDC）技术在区域电网互联中的应用，采用电压源型换流器（VSC）与脉宽调制（PWM）技术实现高效、灵活的电能传输。研究重点在于分析VSC-HVDC链路在复杂多节点电网中对潮流分布、系统稳定性及电能质量的调控能力，特别关注其在区域电网互联、新能源大规模接入以及跨区域电力交换等场景下的动态响应特性与控制性能，为现代智能电网的发展提供技术支撑与仿真验证手段。; 适合人群：具备电力系统、电气工程或自动化等相关专业背景的研究生、科研人员及工程技术人员。; 使用场景及目标：①用于研究VSC-HVDC在多节点电网（如IEEE30节点）中的建模与仿真方法；②分析PWM控制策略下HVDC链路对电网潮流分布、电压稳定性和故障穿越能力的影响；③为区域电网互联、新能源并网及智能电网调度等课题提供仿真基础和技术验证。; 阅读建议：此资源以Simulink仿真实现为核心，建议读者在掌握电力电子技术和电力系统分析基础知识的前提下，结合仿真模型深入理解VSC-HVDC的工作原理与控制策略。在学习过程中，应着重关注模型参数设置、控制环路设计及仿真结果的分析，以达到理论与实践相结合的目的。
基于KDE-CDF置信带的不确定综合能源系统鲁棒调度优化研究（Matlab代码实现）
内容概要：本研究针对不确定综合能源系统中的鲁棒调度优化问题，提出一种基于核密度估计-累积分布函数（KDE-CDF）置信带的建模方法，用以精确刻画风能、光伏及负荷等不确定性因素的非正态概率分布特征。通过构建KDE-CDF模型，能够有效捕捉实际运行中新能源出力与负荷需求的波动性与随机性，并在此基础上设计鲁棒优化调度框架，提升系统在不确定性环境下的运行可靠性与经济性。该方法结合Matlab编程实现，综合考虑系统运行成本、峰谷差、碳排放等多重目标，实现多维度协调优化。研究还探讨了与智能优化算法（如粒子群算法）相结合的应用路径，增强了模型的求解效率与工程实用性，为含多种储能装置、电转气设备及碳捕集系统的复杂综合能源系统提供了科学的调度决策支持。; 适合人群：具备电力系统分析、优化理论基础及Matlab编程能力的研究生、科研人员，以及从事综合能源系统规划、运行与调度工作的工程技术人员。; 使用场景及目标：①解决高比例可再生能源接入背景下综合能源系统调度中的不确定性建模难题；②提升调度方案在面对新能源强波动性时的鲁棒性与适应能力；③为融合多类型灵活性资源（如储能、电转气、碳捕集）的综合能源系统提供精细化、可落地的优化运行策略。; 阅读建议：建议读者在掌握概率统计、随机优化与电力系统运行基础知识的前提下，结合文中提供的Matlab代码进行实践操作，重点关注KDE-CDF置信带的构建流程及其在鲁棒优化模型中的嵌入机制，通过调整输入数据分布、参数设置与场景配置开展仿真对比实验，深入理解不确定性建模精度对调度决策质量的影响，进而掌握从数据驱动角度提升系统鲁棒性的关键技术路径。
含分布式电源的配电网可靠性评估研究（Matlab代码实现）
内容概要：本文系统研究了含分布式电源的配电网可靠性评估方法，基于Matlab代码实现了完整的评估模型与算法框架。研究深入分析了分布式电源接入后对配电网结构与运行特性的影响，重点探讨了其对供电可靠性的作用机制。采用序贯蒙特卡洛模拟法对系统各类状态进行抽样与仿真，综合考虑了分布式电源出力的随机性、负荷波动性以及网络拓扑变化等多种不确定性因素，精确计算了系统及负荷点的多项可靠性指标。通过在标准测试系统上的仿真实验，验证了所提方法的有效性和实用性，为新型电力系统环境下配电网的规划、运行与可靠性提升提供了有力的技术支撑和决策依据。; 适合人群：具备电力系统分析、概率统计及可靠性基础理论知识，熟悉Matlab编程语言，从事电力系统规划、运行、可靠性评估等相关工作的科研人员、高校研究生以及电力行业工程师。; 使用场景及目标：①掌握含分布式电源的现代配电网可靠性评估的核心理论与关键技术；②学习并实践基于序贯蒙特卡洛模拟的电力系统可靠性分析算法的Matlab实现方法；③为实际工程中分布式电源的优化配置、配电网的升级改造以及制定可靠性提升策略提供科学的仿真工具和量化分析依据。; 阅读建议：建议读者结合文中提供的Matlab代码，逐行阅读并运行程序，重点理解系统建模、状态抽样、潮流计算与指标统计等核心模块的实现逻辑。可尝试调整分布式电源的类型、容量、接入位置及负荷水平等参数，观察其对系统可靠性指标的影响趋势，从而深化对系统动态行为与关键影响因素的理解。
退出微软账户-解除微软账户绑定 .exe
退出微软账户_解除微软账户绑定小工具
大学生职业生涯规划.pptx
大学生职业生涯规划.pptx
考虑一次调频以及二次调频和各机组调频特性的双目标风光水火储动态调度研究（Matlab代码实现）
考虑一次调频以及二次调频和各机组调频特性的双目标风光水火储动态调度研究（Matlab代码实现）内容概要：本文研究了一种考虑一次调频、二次调频以及各机组调频特性的双目标优化模型，用于风光水火储多能互补系统的动态调度问题。该模型以系统运行成本最小化和新能源消纳最大化为双重优化目标，综合考虑了各类电源的出力特性、储能系统的充放电行为及电网频率响应要求。通过Matlab编程实现了完整的求解流程，采用多目标优化算法对复杂约束条件下的调度方案进行求解，并对不同场景下的调度结果进行仿真分析，验证了所提模型在提升系统经济性与稳定性方面的有效性。研究还探讨了储能系统在平抑新能源波动、参与频率调节中的关键作用，为高比例可再生能源接入下的电力系统调度提供了理论支持和技术路径。; 适合人群：具备一定电力系统基础知识和Matlab编程能力，从事新能源调度、电力系统优化等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标：①解决含多种能源形式的复杂电力系统在实际运行中的动态调度问题；②研究储能系统在调频和促进新能源消纳中的协同机制；③掌握多目标优化在电力系统调度中的建模与实现方法； 阅读建议：建议读者结合Matlab代码深入理解模型构建与求解过程，重点关注目标函数设计、约束条件处理及多目标折衷分析方法，同时可通过修改参数进行不同场景的仿真实验，以加深对系统动态行为的理解。
【期刊论文复现】不完全信息Epsilon纳什均衡的航天器末端追逃博弈策略（Matlab代码实现）
内容概要：本文基于Matlab/Simulink平台复现了一篇关于不完全信息下Epsilon纳什均衡的航天器末端追逃博弈策略的期刊论文，重点研究在信息不完全条件下航天器追击与逃逸双方的博弈决策机制。通过构建数学模型，引入Epsilon纳什均衡理论，设计相应的优化算法与仿真流程，实现对航天器追逃动态行为的模拟与分析。文中详细阐述了博弈模型的建立、均衡策略的求解方法及Matlab代码实现过程，展示了在特定初始条件与约束下，双方如何通过非合作博弈达到近似最优的运动轨迹，为航天器自主对抗任务提供理论支持与技术验证。; 适合人群：具备一定博弈论基础、控制理论背景和Matlab编程能力的研究生、科研人员及航空航天领域相关技术人员。; 使用场景及目标：①学习不完全信息博弈在航天动力学中的建模方法；②掌握Epsilon纳什均衡的概念及其在追逃问题中的应用；③通过复现论文代码深入理解算法实现细节与仿真验证流程。; 阅读建议：读者应结合博弈论与最优控制的基础知识，仔细研读论文推导过程，并动手运行与调试提供的Matlab代码，通过调整参数观察仿真结果的变化，以加深对追逃博弈动态特性和均衡策略鲁棒性的理解。
【储能选址定容】基于多目标粒子群算法的配电网储能选址定容（Matlab代码实现）
内容概要：本文系统阐述了基于多目标粒子群算法（MOPSO）的配电网储能系统选址与定容方法，并配套提供了完整的Matlab代码实现。研究聚焦于在含分布式电源的复杂配电网中，科学规划储能装置的安装位置与配置容量，以实现多重优化目标的协同优化，包括降低网络有功损耗、改善节点电压质量、提升系统运行经济性与可靠性等。通过构建严谨的多目标优化数学模型，充分考虑系统潮流约束、电压幅值限制、设备容量边界等实际运行条件，利用MOPSO算法强大的全局寻优与多解并行搜索能力，高效求解出一组非劣的Pareto最优解集，为决策者提供灵活的方案选择。文中详细论述了算法的设计原理、模型构建过程、约束处理机制以及仿真结果的对比分析，充分验证了所提方法在典型配电网络（如IEEE标准算例）中的有效性与优越性。; 适合人群：具备一定电力系统分析、优化理论基础和Matlab编程能力的研究生、高校科研人员，以及从事智能电网、分布式能源系统规划、运行与控制的工程技术人员。; 使用场景及目标：①应用于新型电力系统背景下，含高比例可再生能源接入的配电网规划与运行优化；②为电网公司或能源投资企业开展储能项目的投资决策、容量论证与效益评估提供科学的技术支持与量化依据；③作为高等院校研究生课程或科研项目中的高质量教学案例，用于深入讲授多目标优化理论、智能优化算法（特别是粒子群算法）在电力工程实际问题中的建模与应用。; 阅读建议：建议读者务必结合所提供的Matlab代码进行动手实践，在复现仿真结果的过程中，深刻理解多目标优化问题的建模思想、粒子群算法的核心流程（如粒子更新、外部档案维护、拥挤度计算）以及Pareto前沿的生成与决策方法。鼓励读者在掌握基础模型后，尝试将其应用于不同的网络拓扑结构、引入新的优化目标（如碳排放）或约束条件，以进一步深化研究。
协方差矩阵
对两个类内协方差矩阵进行对角化，可以将它们变换为对角矩阵。这个过程可以通过对每个协方差矩阵进行特征值分解来实现，从而得到它们的特征向量和特征值，进而得到它们的对角矩阵形式。这个过程的意义在于，它可以帮助我们找到一个新的坐标系，使得在这个坐标系下，每个特征之间都是独立的，从而简化了计算。具体来说，当我们使用对角协方差矩阵作为特征向量的坐标系时，它意味着每个特征之间都是相互独立的，从而方便了进一步的分析和处理。在实际应用中，对角化协方差矩阵可以用于降维、特征选择和分类等任务。
告别手动核对！用这个ABAP报表一键导出所有物料的库存与需求清单
本文介绍了如何通过定制化ABAP报表一键导出SAP系统中所有物料的库存与需求清单，整合MD04、MB52、ME2N等多个事务码的数据，大幅提升供应链管理和生产计划效率。该报表可自动生成包含库存状态、MRP需求、采购订单等关键指标的物料全景视图，帮助企业减少手工操作错误，节省时间成本。
Ubuntu技巧-Ubuntu远程访问之SSH反向代理
💡大家好，我是可夫小子，《小白玩转ChatGPT》专栏作者，关注AIGC、互联网和自媒体。要把内网的一台的Ubuntu服务器让外面也能访问，总共有三种可行的方案，前面已经介绍了两种方式，今天就来介绍更健壮稳定的方式——ssh反向代理。大概的框架图如下，今天就从服务器购买到设置，手把手的教程，让你花费100块以内，就拥有一个强大的「云服务器」。
Clang Static Analyzer 使用教程：本地 + CMake + GitHub Actions 自动静态分析实战
本文介绍了ClangStaticAnalyzer静态代码分析工具的使用方法。该工具基于Clang/LLVM，可检测C/C++代码中的内存泄漏、空指针等常见错误。主要内容包括：安装指南（Ubuntu/macOS/Windows）、命令行使用方法、CMake项目集成方案、GitHub Actions自动化分析配置，以及HTML报告生成与查看。文章还提供了官方资源链接，帮助开发者系统掌握从本地调试到持续集成的完整静态分析工作流，提升代码质量保障能力。适用于需要在开发过程中实施静态分析的C/C++项目。
3D美术14——max——fbx导入max后直接生成bip人形骨骼插件
最近经常会从unity里反八FBX到max里进行2次修改。 但是非常尴尬的事情就是，就是用max做的fbx，你在反导入回来，BIP骨骼都会变成预制体。这个时候有一个方法补救。那就是在导入的时候调整一下参数。（如下图） 把这里调整成设置为骨骼。就还可以了。 但是，如果你不是用max做的FBX。呵呵，那么你一定很头大，因为完全没有用。 所以，这个时候就要上插件了。 Autofbxtobip v.1.1 这个插件适用于2015及其以上版本。 在这之前我还用过一款叫BIPPY,但是效果相当感人，照着这个图片调整
HFSS实战项目——微带带通滤波器设计
本文详细介绍并设计了一款微带带通滤波器，通过HFSS三位电磁仿真软件对其进行仿真设计及优化，仿真结果表明，本文设计的滤波器表现出优良的滤波性能，符合设计要求。
uniapp - 解决App端报错reportJSException ＞＞＞＞ exception function:createInstanceContext, exception:white sc
uni-app，安卓Android，苹果ios，安卓app端，苹果App端，uniapp苹果安卓app，uniApp报错，reportJSException>>>>exceptionfunction:createInstanceContext,exception:whitescreencausecreateinstanceContextfailed，运行自定义基座时白屏，uniapp项目运行白屏reportJSException，检查没问题依旧报错，第三方库插件，组件，uniapp打包调试
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
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！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
