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
102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
利用Boost库中的mp11组件提供了一些实用的元编程工具，如mp_max_element。这是一个元函数，它接受类型作为参数，并返回类型列表中最大的元素类型。本文将介绍如何使用mp_max_element及相关的测试程序，帮助读者更好的理解其用法。
首先，在使用Boost库的时候，需要在代码中添加以下头文件：
#include <boost/mp11.hpp>
在mp11组件中，mp_max_element元函数的原型如下：
template<class Lista> struct mp_max_element;
它需要一个包含要比较的类型的列表作为参数，并返回该列表中最大的类型。下面是一个示例程序：
#include <iostream>
#include <boost/mp1使用boost库中的mp11::mp_max_element函数进行测试的示例程序
这个示例程序展示了如何使用boost库中的mp11::mp_max_element函数来获取类型列表中的最大元素。需要注意的是，为了能够使用boost库中的mp11::mp_max_element函数，你需要在编译环境中正确配置并包含boost库的相关头文件。在上述示例代码中，我们使用了boost库中的mp11::mp_max_element函数来获取一个类型列表中的最大元素。使用boost库中的mp11::mp_max_element函数进行测试的示例程序。然后，在main函数中，我们使用。
boost::mp11::mp_max_element_q相关用法的测试程序
boost::mp11::mp_max_element_q相关用法的测试程序实现功能C++实现代码 实现功能 boost::mp11::mp_max_element_q相关用法的测试程序 C++实现代码 #include <boost/mp11/algorithm.hpp> #include <boost/mp11/list.hpp> #include <boost/mp11/integral.hpp> #include <boost/core/lightweigh
使用boost::mp11::mp_max_element_q的相关示例程序
接下来，我们使用max_element::value来获取最大元素的索引，并使用boost::mp11::mp_at_c来获取对应的类型。然后，我们使用boost::mp11::mp_max_element_q来查找type_list中的最大元素。在上面的代码中，我们首先使用boost::mp11::mp_list定义了一个类型列表type_list，其中包含int、float、double和char四种类型。这是一个简单的示例，展示了boost::mp11::mp_max_element_q的基本用法。
boost::mp11::mp_max_element相关用法的测试程序
boost::mp11::mp_max_element相关用法的测试程序实现功能C++实现代码 实现功能 boost::mp11::mp_max_element相关用法的测试程序 C++实现代码 #include <boost/mp11/algorithm.hpp> #include <boost/mp11/list.hpp> #include <boost/mp11/integral.hpp> #include <boost/core/lightweight_te
Vue3 + VueRouter + Vite + pinia组件化开发实战入门
本教程命名为，本课程融合了Vue3组件化开发相关几个技术栈，相关案例全部采用Vue3提供的组合式 API (Composition API)进行讲解， 并且不会涉及选项式API，这对刚开始学习Vue的同学非常友好，不会有固有思维的限制，上手更加容易！本课程作为前端组件化开发的入门实战课程，力求精简，将通过一个博客的案例整合相关的技术点，以及每一个技术点在实战中的基础应用，以实战为最终目的，力求能带领大家快速上手。
【信息科学与工程学】【控制科学】第十二篇 微型计算机控制技术01
更精确的经典模型：I1在第5周期WB结束，I2最早可在第6周期进入EX，但I2在ID阶段就需要R1，因此I2的ID需在第6周期，而I1的WB在第5周期，所以I2的ID可以紧接在第6周期，但中间仍有一个stall（因为I1的EX结果要等到MEM之后才能转发给ID？有优先级继承后，Task_L被提升优先级，不会被Task_M抢占，阻塞时间缩短为Task_L剩余执行时间（9ms），仍可能超过10ms，但可通过调整任务周期或使用中断处理缓解。电感L=10μH，输出电容C=100μF，ESR=5mΩ。
【信息科学与工程学】【通信工程】第五十九篇 IP网络设计01
IP网络设计不是只写ip address；它本质是的问题，所以参数天然分布在：层级例子物理/传输（可选但你会要求光路/电路）光功率/OSNR/色散/衰减/BER/FEC；铜/微波链路预算L1/L2 链路模型速率、MTU、成帧开销、串行化、传播时延、缓冲排队/调度/QoS服务曲线、令牌桶、延迟界、丢包概率近似路由/TE/可靠性流守恒、路径容量、切换/收敛时间信息论/可达性Shannon 上限、FEC 有效码率、链路容量 after overhead计算科学/数值。
SpringBoot+Vue+Mysql社区医院信息平台（源码+文档）
SpringBoot+Vue+Mysql学生宿舍信息管理系统 WEB端软件项目（源码+文档） 项目包含：①完整源码（后端+管理后台+用户前台）；②数据库脚本文件；③万字论文文档；④开题报告；⑤答辩PPT；⑥项目运行视频教程。 项目架构： B/S 架构、MVC 分层设计 技术栈： Java、MySQL、SpringBoot、MyBatis-Plus、Token 权限校验、管理后台 Vue+ElementUI+ECharts、用户前台 Layui+jQuery、Maven 构建。 一、角色设计 学生用户： 注册登录、浏览宿舍信息、查询宿舍安排、在线报修、缴费查询、失物招领、桶装水预订、评论交流、收藏等。 商家用户： 注册登录、桶装水品牌与商品信息维护、预订订单查看与处理。 维修人员： 注册登录、查看待处理报修、接单维修、填写报修处理结果与进度反馈。 管理员： 学生管理、班级管理、宿舍信息管理、宿舍安排管理、报修处理管理、缴费信息管理、卫生检查与文明宿舍管理、失物招领管理、桶装水与商家管理、维修人员管理、公告资讯与轮播图管理等。 二、前台功能模块（学生端） 1. 首页展示：轮播图、宿舍公告、最新动态推荐、常用服务快速入口 2. 宿舍信息模块：宿舍列表、楼栋与房间条件筛选、宿舍详情查看、我的宿舍安排查询 3. 在线报修模块：在线提交宿舍设施报修申请、上传故障描述、查看报修进度与维修处理结果 4. 缴费模块：水电等缴费记录查询、缴费状态查看 5. 卫生检查与文明宿舍：宿舍卫生检查结果公示、文明宿舍展示 6. 失物招领模块：失物信息发布、招领信息发布、详情查看、评论互动 7. 桶装水预订：桶装水品牌与商品浏览、在线预订、我的预订记录查询 8. 假期留宿：假期留校申请提交、申请记录查询 9. 评论与收藏：信息评论、查看他人评论、评论回复互动、收藏感兴趣的内容 10. 个人中心...
YOLOv8作物病害检测实战源码
这是一套基于YOLOv8n的农田病虫害目标检测系统，对叶片照片做目标检测，识别健康叶片、褐斑病、白粉病、锈病四类，并给出对应防治建议。全流程纯CPU可跑，配套交付完整Python源码、9章实战教程（md/html/pdf三种格式）、100张自造样本及YOLO标签、训练曲线与混淆矩阵截图、Tkinter界面和答辩PPT。 系统围绕五项功能展开：同一套推理逻辑覆盖图像、视频、摄像头三种来源；图形界面选文件即检测，画面叠彩色框标注病名与置信度，右侧面板同步给出症状与防治措施；检测记录自动写入CSV，统计页一键生成四类病害占比饼图；训练结束自动产出损失与精度曲线；内置防治建议文案库，检测命中即回填面板。 选型用YOLOv8n nano档，参数量约320万、权重约6.2MB，CPU单帧几十毫秒，小样本训练5到8分钟完成。数据由data_gen.py程序化绘制100张叶片图，固定随机种子，重跑分布一致，不依赖公开数据集。依赖全部锁版本，教程第7章整理了19条真实报错及排查方法，第8章给出换模型档、换PlantVillage数据集的迁移路径。 适合做计算机视觉方向课程设计或毕业设计的学生，也适合智慧农业方向想了解检测模型如何落进业务面板的学习者。不需要GPU，不需要系统学过目标检测，教程第3章会按需补齐原理。 使用时先pip install -r requirements.txt装好依赖，download_data.py下载预训练权重，data_gen.py生成样本后train.py训练，完成后用main.py infer批量检测或main.py gui启动界面。
数据挖掘实战：决策树 + 聚类 + 关联规则，零 Key 离线可跑（Python 源码）
数据挖掘实战包。用 Python 标准库实现 CART 风格决策树、K-Means 聚类与 Apriori 关联规则，在虚构「星河便利店」会员表和购物篮上跑通分类、分群与购物篮分析，并给出准确率、轮廓系数、支持度/置信度/提升度。零第三方依赖、零 API Key 即可离线跑通。含 4 个样例、离线冒烟、中文 README（含「使用方法」）。均为作者原创可运行源码。MIT。作者 blog.youkuaiyun.com/mtl1994
科技中介服务机构在技术供需对接中如何实现服务流程的自动化与标准化？.docx
科技中介服务机构在技术供需对接中如何实现服务流程的自动化与标准化？
产业园区如何高效对接企业技术需求与高校科研成果？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
国央企创新负责人如何快速掌握本地科技资源分布与匹配情况？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
国央企创新负责人如何实现科技成果的精准识别与高效筛选？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
高校技术转移办公室人员如何系统化管理科技成果信息？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
科技中介服务机构如何构建标准化、模块化的智能服务工具？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
fab-pm-optimizer-python-entry-py39-20261021-v1-1-0
fab-pm-optimizer-python-entry-py39-20261021-v1-1-0
PSIM-三相维也纳VIENNA整流器电压电流双闭环+中点电位平衡SVPWM控制仿真
内容概要：本文档详细介绍了一种基于PSIM软件实现的三相维也纳（VIENNA）整流器仿真模型，重点实现了电压电流双闭环控制与中点电位平衡的SVPWM调制策略。该仿真系统通过精确的控制算法有效提升了整流器的功率因数，降低了输入电流谐波含量，并解决了三电平拓扑中常见的直流侧中点电位偏移问题，具有较高的工程实用价值，适用于高效率、高功率密度的电力电子系统设计与科研验证。文档还整合了丰富的配套资源，涵盖多种电力电子变换器拓扑结构、先进控制算法及典型应用场景，形成了系统化的技术资料体系，有助于深入理解现代整流技术的核心原理与发展动态。; 适合人群：面向从事电力电子、电气工程、新能源变换系统等领域的科研人员、高校研究生以及具备一定仿真基础的工程技术人员。; 使用场景及目标：①深入研究三相VIENNA整流器的工作机理与控制特性；②掌握电压外环、电流内环双闭环控制结构的设计方法；③理解并实现SVPWM调制技术与中点电位平衡控制策略的协同作用；④开展相关控制算法的仿真验证、性能优化与实验对比，为高性能整流装置的研发提供理论支撑和技术原型。; 阅读建议：建议结合文中列出的其他仿真案例（如PWM整流器、LLC谐振变换器、DAB变换器等）进行横向对比学习，充分利用所提供的PSIM、MATLAB/Simulink等多平台仿真资源，重点关注控制逻辑与主电路的耦合关系，通过参数调试与波形分析深化对系统动态响应和稳态性能的理解，强化“理论—建模—仿真—优化”的闭环研究能力。
基于51单片机的通讯聊天系统
通过编写51单片机通讯聊天程序，掌握51单片机的各个模块的知识点和运用C语言编写51单片机的能力。用51单片机与口袋开发板设计实现一个单片机与电脑串口助手实现通讯功能的程序。程序的主要功能如下： 1 OLED初始化显示Welcome to Bluetooth communication! 字符串。 2 程序开始时处于接收信息模式, 电脑串口助手发送信息时，将从初始化字符第一个开始显示，电脑串口助手发送信息后，蜂鸣器响铃2秒左右。 3 每次同时按下左右键时，可以轮流切换接收/发送信息模式 4 在发送信息模式时
Scratch（四十一）：升级版垃圾分类
哈喽，大家好！之前给大家展示过“Scratch（二十四）：垃圾分类”。今天呢，给大家展示的Scratch是`升级版垃圾分类`。接下来，我们一起看一下效果吧。
WGCNA样本量不够怎么办？5种替代方案帮你解决小样本基因共表达分析难题
本文针对WGCNA样本量不足的问题，提供了5种科学替代方案，包括CEMiTool、参数调整、多组学数据整合、机器学习特征提取和公共数据利用。这些方法帮助研究者在小样本条件下仍能进行可靠的基因共表达分析，特别适用于罕见病和珍贵临床样本研究。
RTKLIB模糊度固定实战：三种模式对比与部分模糊度固定代码解析
本文深入解析RTKLIB中模糊度固定的三种核心模式（continuous、instantaneous、fix and hold），对比其性能与适用场景，并详细拆解了部分模糊度固定技术的源码实现。通过实战案例与代码级解析，为GNSS高精度定位开发者提供了在不同数据特性下提升固定成功率的优化思路与配置建议。
华为OD机试真题 新系统2026-04-01 C语言 实现【空间占用计算】
员工A的磁盘空间经常被耗尽，他需要找到占用空间最大的目录或文件，然后决定如何清理文件释放空间。给定某一目录，请编写程序帮助他统计该目录内一级子目录和文件的占用空间，并返回目标目录一级子项(文件或子目录)中占用空间最大的项。
YOLO26涨点改进| CVPR 2026 | 独家创新首发、特征融合改进篇 | 引入 LFSB 差分双维注意融合模块，通过交替特征融合与分离策略，能够精准区分目标特征，顶会助力YOLO26有效涨点
本文提出LSFB差分双维注意融合模块，用于改进YOLO26目标检测模型。该模块通过融合-分离交替策略和差分注意力机制，有效提升模型在复杂场景下的特征分离能力，特别是在处理重叠物体或反射干扰时表现优异。LSFB采用双向投影、双维注意力计算和跨流减法算子，实现特征共享与独立提取的平衡。实验表明，该模块能显著减少特征混淆，提高检测精度和鲁棒性。文章还详细介绍了模块实现的核心代码、YAML配置文件修改方法以及三种改进方案，为YOLO26模型性能提升提供了创新解决方案。
PyTorch深度学习实战（7）——批大小对神经网络训练的影响
在神经网络中，批( batch )是指一次输入网络进行训练或推断的一组样本。批处理( batch processing )是指将这一组样本同时输入网络进行计算的操作。本节中首先介绍批( Batch )的基本概念，并且介绍批大小在神经网络训练过程中的影响。
高云FPGA系列教程（1）：FPGA和ARM开发环境搭建
至此，高云FPGA和MCU开发环境就搭建完成了，整体还是比较简单的，几乎是一键完成，下一篇文章我们进行实际的FPGA和MCU开发。本文是高云FPGA系列教程的第1篇文章。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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")
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
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
146
扫一扫
