谨以此文悼念毛星云(浅墨)老师

浅墨博客的OpenCV实用代码示例集 本文还有配套的精品资源,点击获取 简介:本文档是一个精选的代码资源集,专为计算机视觉爱好者和开发者准备,由博主浅墨分享。这些代码示例在Visual Studio 2010环境下使用OpenCV库编写,覆盖了从基础图像处理到复杂特征检测的广泛主题。通过这些示例,初学者可以学习OpenCV的API并理解如何在实际应用中使用这些函数,而经验丰富的开发者可以找到快速的参考来解决特定... 阅读详情

编辑:CVer

12月14日,腾讯官方对外确认了毛星云(浅墨)身故的消息。

腾讯方面表示,“作为团队中不可或缺的一员,星云一直以来非常优秀,专业能力突出,过去数年连续获得高绩效,对于他的离去,我们十分惋惜与痛心!”

“意外发生后,我们于当天第一时间成立了应急小组,协助家属处理后续事宜;通过内部论坛向关心此事的同事进行了简要告知,星云所在部门昨日也通发了全员邮件做了说明,对于同事离去表示深切哀悼。由于家属目前不希望对外界透露更多细节,出于对家属意愿和逝者的尊重,抱歉我们暂时无法透露更多相关信息。我们仍在与家属密切沟通,将在充分尊重家属意愿的前提下,跟进后续工作。”腾讯发言人称。

e7ea4f2845fca42c5bad0bad158b1c17.png

我(Amusi)是12月13日在知乎上得知"毛星云于12月11日上午身故"的消息,听闻震惊,不敢相信,直至数小时进行搜索、查阅,才相信他走了,心里倍感惋惜。

本文不讨论毛星云(浅墨)身故背后的事件,我只知道:带我入门CV的重要老师之一逝世了。

初识浅墨,缘起于这本书:《OpenCV3 编程入门》

5bf4129a920af4a0bf7fb81feaf9ebae.png

相信看到这篇文章的你,可能会阅读过这本书,也很有可能拥有过这本书。

dde742a42fbf567fb65c829150aaeea2.png

可以说是浅墨带我入门了OpenCV,那时候不仅勤翻这本书,才经常查阅浅墨的博客,内容十分详尽且受用。

75edc40a390b0f6922534825dfbf4f04.png

https://qianmo.blog.youkuaiyun.com/

相信很多人看过他的博客,比如这个头像应该很多人会很熟悉。

bf46d1fd99171329e8af46f69341d16b.png

仅仅OpenCV入门系列博客,阅读量累计数百万。

d2d008a63c7a53fc80cc6cfa80934d7d.png

而我跟浅墨第一次沟通是在知乎上,当时是看了他分享了一篇图像模糊算法的总结文章:十种图像模糊算法的总结与实现。

可能是好久没看到他更新CV的内容了,看到图像处理相关文章,倍感亲切,便打了声招呼。

知乎文章链接:

https://zhuanlan.zhihu.com/p/125744132

没想到那是最后一次跟他打招呼了。

浅墨走了,但他的影响力会长存。

他在数年间,写了大量博客和两本已发表的书籍,输出了大量CV、计算机图形学、游戏引擎等知识,另外还有一本《Real-Time Rendering 4th》中译版书籍,还不知能否出版。

他是无数CV、游戏开发者的领路人...

下面我会用部分篇幅正式介绍毛星云(浅墨),也以此缅怀带我入门CV的重要老师。

毛星云(浅墨)

毛星云(1991年-2021年12月11日),网络ID“浅墨”,90后 ,微软最有价值专家;腾讯游戏Lead Engine Programmer,即引擎开发组组长。南京航空航天大学航天学院2013级硕士研究生,中国2013年度十大杰出IT博客作者,与清华大学出版社签约出版《逐梦旅程:Windows游戏编程之从零开始》。2015年,于电子工业出版社博文视点事业部出版了《OpenCV3编程入门》。

个人经历

2009年,考入南京航空航天大学航天学院“中国乌克兰航天联合培养班”。

2011年,赴乌克兰国立茹科夫斯基航空航天大学就读大三大四。

2012年,与清华大学出版社签约,开始写作《逐梦旅程:Windows游戏编程之从零开始》一书。

2013年,于乌克兰国立茹科夫斯基航空航天大学学成回国,回到母校南京航空航天大学攻读硕士学位。

2013年10月,著作《逐梦旅程:Windows游戏编程之从零开始》顺利于清华大学出版社出版。

3cb5a83a6958a7364b31feb2b0cded98.png

2013年12月,荣获“2013年度十大杰出IT博客”奖项,成为唯一的90后获奖者。

2014年4月,荣获“微软最有价值专家”称号。

a6c16a2b0eb4713f46ad76d4888b556f.png

2015年2月,第二本计算机编程著作《OpenCV3编程入门》于电子工业出版社博文视点事业部出版。

820a0d686c79de077d9de031516bff80.png

注:上面内容来自百度百科

https://baike.baidu.com/item/%E6%AF%9B%E6%98%9F%E4%BA%91/14187860?fr=aladdin

浅墨近十年不懈地输出分享,几乎都在这里了:

浅墨知乎:

https://www.zhihu.com/people/mao-xing-yun

知乎专栏:

https://zhuanlan.zhihu.com/game-programming

浅墨github(中国区Top100):

https://github.com/QianMo

浅墨微博:

https://weibo.com/u/1723155442

最后分享一段文字,一段浅墨所写的文字:

我有一个梦想,将来的某一天,大家都能玩到蕴含着中国上下五千年本土文化的优质游戏大作。

我有一个梦想,有一天,西游记能出ACT,让老外去体会中国文化西游记中”斗战胜佛”的打击快感,那一定比西方的动作巅峰之作《战神》、《鬼泣》更加深邃。

我有一个梦想,有一天,上海滩能出沙盒游戏,而不是玩《GTA》感受美国梦,亦或是玩着《热血无赖》体验国外公司强行塞给我们的“中国文化”。

我有一个梦想,有一天,不少3A大作不需要汉化,因为是我们自己的游戏,配音是中文,文化也是中国的。

我有一个梦想,将来的某一天,国产游戏能像中国的其他产业一样,以一个领跑者的姿态,面对全世界,面对全宇宙,器宇轩昂,扬眉吐气。

这会是由我们一起去完成的梦想。

我等着我们的好消息。

浅墨 2013年5月于乌克兰

谨以此文悼念毛星云(浅墨)老师

浅墨的OpenCV基础学习代码合集 本文还有配套的精品资源,点击获取 简介:OpenCV是一个广泛应用于计算机视觉、机器学习和人工智能的图像处理库。浅墨的代码合集为初学者提供了基础操作的注释示例,包括图像的读取、显示、滤波、边缘检测、色彩转换等。此外,还可能涵盖图像特征提取、对象检测等进阶内容。代码合集旨在通过实例加深对OpenCV的理解和应用。 1. OpenCV核心概念介绍 在本章中,我们... 阅读详情

相关推荐

浅墨 博客opencv例子

浅墨 博客中用到的源代码 规整一下方便大家下载。只限于学习,不得用于商业用途。

沉痛悼念游戏开发技术专家毛星云

浅墨大神,一路走好。

优快云资讯 2万+

【C++】OpenCV检测图片中的角点示例程序 by浅墨

浅墨出品,零资源分下载,分享精神至上~ 我们用滑动条来控制阈值,动态进行角点检测,得到不同效果的角点检测图。 图片素材是极具异域风格的建筑群,很有感觉~ 博文《【OpenCV入门教程之十六】OpenCV角点检测之Harris角点检测》的配套详细注释源代码。涉及到的核心函数为cornerHarris。 博文链接: http://blog.youkuaiyun.com/poem_qianmo/article/details/29356187 说明: 1.已将dll打包到Release文件夹下,理论上无需其他条件,运行Release文件夹中的exe可以直接看到运行结果. 2.源代码运行需要进行OpenCV+VS开发环境的配置。可以参看我写的配置博文: http://blog.youkuaiyun.com/poem_qianmo/article/details/19809337 3.编写环境:Visual Studio 2010 4.写作当前代码时配套使用的OpenCV版本: 2.4.9 5.推荐代码结合博文一起看,学习效果更佳。 by@浅墨_毛星云

沉痛悼念游戏开发技术专家毛星云(网名“浅墨”)

惟愿所有的“爆料”都是造谣,惟愿我们能够一起去创造并让大家都能玩到蕴藏着中国上下五千年本土文化的优质游戏大作,惟愿我们能等到你的好消息...... 让人难过的是,据银柿财经报道,针对近日“网传腾讯天美员工离世”的消息,腾讯确认天美 F1 工作室员工毛星云于 12 月 11 日上午意外身故。 据腾讯发给员工的内部邮件显示,“今年 8-9 月,毛星云已经因身体原因住院休养,病情稳定后曾出院复工,继续投入工作之中,但‘没想到最终发生了如此不幸的事件’。” 一...

酸狗的博客 1499

【C++】旋转的彩色立方体 by浅墨

零资源分下载,分享精神至上~ 【Visual C++】游戏开发笔记之【浅墨DirectX提高班】系列博文 配套详细注释源码之六 源码配套博文 《【Visual C++】游戏开发笔记三十八 浅墨DirectX提高班之六 携手迈向三维世界:四大变换展身手》 ,文章地址为http://blog.youkuaiyun.com/zhmxy555/article/details/8408723, 点击debug下的exe文件可以直接看到运行效果,运行需要DirectX运行库的支持。按键盘上的“1”键显示线框填充模式的图形,按键盘上的“2”键显示实体填充模式的图形。 编写环境:VS2010 我的博客地址是http://blog.youkuaiyun.com/zhmxy555,源码结合配套文章一起看效果更佳。 希望能和大家一起交流,共同学习,共同进步。 by浅墨

【C++】2.0版游戏GUI图形界面示例程序 by浅墨

浅墨出品,零资源分下载,分享精神至上~ 20版主要实现了GUI多页面间的切换。 其中的音乐和背景来自刺客信条。 源码的配套博文是 《 【Visual C++】游戏开发五十七 浅墨DirectX教程二十四 打造游戏GUI界面(二)》 ,文章地址http://blog.youkuaiyun.com/poem_qianmo/article/details/16922703, 点击Release文件夹下的exe文件可以直接看到运行效果 运行需要DirectX运行库的支持。报缺少D3D的DLL系列错误的童鞋们请google/百度一下 “DirectX 9.0c runtime”,下载并装个最新版的。 报缺少MVCR100D.Dll错误的朋友们去下一个安装就可以了,或者直接点击sln打开工程再次编译一次。 如果是想调试并运行源代码,但是报错了,请去下载最新版DirectX SDK并进行DirectX开发环境的配置。 编写环境:VS2010 我的博客地址是http://blog.youkuaiyun.com/zhmxy555,源码结合配套文章一起看效果更佳。 希望能和大家一起交流,共同学习,共同进步。

悼念毛星云(浅墨)老师

悼念毛星云(浅墨)老师 2014 年,我开始在 C 站上持续更新文章,那时候最崇拜的技术博主有三位,安晓辉、杨秀璋、毛星云(笔名浅墨)。 内心不止一次呐喊过,我一定要成为他们的样子,写出优质的文章,去帮助更多需要帮助的小伙伴。 如今我做到了。却没曾想到,毛星云老师会以这样的方式出现在我的文字里。人的生命,在一刹那,竟然是如此的脆弱。 借用秀璋老师在朋友圈一段话,来表达一下我当时的心情吧。 互联网说大不大,说小不小,有过交集的人,总会有着特别的记忆,哪怕不曾在同一个物理空间里遇见过。 一直以来,我对毛星云的

沉默王二 7960

浅墨opencv博客源码(全部源码打包)

浅墨自己啃官方文档和英文书写出来的原创OpenCV教程博文,基于OpenCV2.X新版本来书写。 浅墨博客专栏:http://blog.youkuaiyun.com/column/details/opencv-tutorial.html

[随笔所想] 沉痛悼念开发技术专家毛星云老师

知名程序员,毛星云(1991年-2021年12月11日),网络ID名为“浅墨”。2021年12月14日,腾讯确认天美F1工作室员工毛星云于12月11日上午意外身故。据网友爆料毛星云于深圳南山区的科兴科学园坠亡,而科兴科学园则是华为、腾讯、富士康等国内行业龙头的办公地。但是其具体坠亡原因有待官方公布,据传是抑郁。 腾讯方面表示,“作为团队中不可或缺的一员,星云一直以来非常优秀,专业能力突出,过去数年连续获得高绩效,对于他的离去,我们十分惋惜与痛心!” 毛星云个人履历如下: 2009年,考入南京航空航天大

You and Me 5709

SimpleFOC STM32实战:基于F103与HAL库,剖析速度环与电流环的协同控制

本文详细介绍了基于STM32F103与HAL库的SimpleFOC实战应用,重点剖析速度闭环控制与电流环的协同工作原理。通过开发环境搭建、参数调试技巧及性能优化方案,帮助开发者高效实现无刷电机精准控制,适用于机器人、无人机等高精度应用场景。

weixin_29170327的博客 480

Gröbner基方法入门第I部分:项序和约化

Gröbner基方法入门第I部分:项序和约化 理想的准素分解与矩阵分解是计算代数的核心问题,它们在计算机代数、计算代数几何、代数编码和密码学、多维系统理论等学科都有非常重要的理论意义与应用价值.Gröbner基理论是研究理想的准素分解与矩阵素分解的重要工具之一.更简单地概括:Gröbner基方法是从任意一个多项式理想的一组给定生成元,计算另一组性质良好的生成元,并称为该理想的Gröbner基.它能用来判定任意多项式是否属于该理想. Gröbner基的代数算法是Buchberger在1960年代开发的,并

MinCong Luo的博客 4272

悼念浅墨大哥,一位游戏大神,一位启蒙导师

编辑:桃子 小咸鱼 转自:新智元他曾梦想做出国产3A游戏,却以跳楼这种方式结束了自己的人生。他的梦想太纯粹,理想与现实沟壑无法跨越。或许,满地都是六便士,他只想抬头看看月光。90后游戏开...

lsxxx2011的专栏 622

避开这些坑!baostock获取股票数据时最容易犯的5个错误(Python实战)

本文针对使用Python和baostock库获取股票历史数据时常见的五大陷阱,提供了实战解决方案。重点剖析了登录状态验证、参数配置、数据解析、批量操作效率及数据一致性校验等关键环节,帮助开发者构建稳健高效的数据获取流程,避免因细节疏忽导致的数据错误或性能瓶颈。

websocket5live的博客 1446

悼念浅墨大哥,一位游戏开发大神,一位有梦想的人

他曾梦想做出国产3A游戏,却以跳楼这种方式结束了自己的人生。他的梦想太纯粹,理想与现实沟壑无法跨越。或许,满地都是六便士,他只想抬头看看月光。90后游戏开发大神毛星云离世,让人痛心。他被...

hnjsjsac的博客 686

医疗AI Agent实战:从零搭建一个能看病的智能助手(附完整代码)

本文详细介绍了如何从零搭建一个医疗AI Agent智能助手,涵盖核心架构设计、症状推理引擎开发、安全与合规实现以及系统集成等关键环节。通过完整的代码示例和实战案例,帮助开发者快速构建具备医疗咨询能力的智能Agent,提升医疗服务的效率和质量。

ss78901的博客 469

英伟达NVIDIA数字IC后端笔试真题(ASIC Physical Design Engineer)

英伟达NVIDIA数字IC后端笔试真题(ASIC Physical Design方向)

weixin_37584728的博客 3934

悼念一位腾讯游戏大佬。。

编辑:桃子 小咸鱼 转自:新智元他曾梦想做出国产3A游戏,却以跳楼这种方式结束了自己的人生。他的梦想太纯粹,理想与现实沟壑无法跨越。或许,满地都是六便士,他只想抬头看看月光。90后游戏开...

纯洁的微笑 684

基于SC、SCL、BP、SCAN和SSC的译码算法及Matlab代码

本文将介绍几种常见的译码算法,包括SC(Successive Cancellation)、SCL(Successive Cancellation List)、BP(Belief Propagation)、SCAN(Soft-Input Soft-Output Successive Cancellation)、SSC(Stacked Successive Cancellation)的原理,并提供相应的Matlab代码实现。以上是基于SC、SCL、BP、SCAN和SSC的译码算法的Matlab代码示例。

ByteWhisper的博客 948

缅怀:腾讯游戏毛星云(浅墨)突然离世

前言: 2021.12.13,知名游戏开发大神毛星云(网名「浅墨」)不幸去世。在这里只是想做个对程序员的世界里的一个珍贵记录,对他的理解起始于他的那篇期待中国游戏崛起的文字,但是又可惜于他的英年早逝。愿:逝者安息,家人能早日走出悲痛,愿天堂没有悲伤。 原文: 大佬毛星云的csdn博客: 【浅墨的游戏编程Blog】毛星云(浅墨)的专栏_浅墨_毛星云_优快云博客-【Visual C++】游戏开发,【Visual C++】游戏开发,【Visual C++】领域博主浅墨_毛星云擅长【V...

weixin_44727080的博客 1万+

2026年经纬恒润嵌入式笔试试卷带答案

2026年经纬恒润嵌入式笔试试卷涵盖车规MCU选型(如TriCore)、Cortex-M启动流程、指针数组区别、AUTOSAR OS任务调度(静态优先级抢占)、CAN总线特性(终端电阻必要性)、PID控制原理、SOME/IP协议应用等核心知识点。试题聚焦汽车电子系统设计,强调功能安全与实时性要求,涵盖中断处理、Bootloader升级机制、内存布局及可靠性设计(如看门狗、ECC校验)。多选题考察通信协议分层应用,填空题强化基础概念(如MSP初始值、SOME/IP、积分项作用)。整体体现车载嵌入式开发对底层原

Open 77

【AI智能体】基于OpenCode 搭建Skills环境与项目实战开发详解

基于OpenCode 搭建Skills环境与项目实战开发详解

congge 8904

【浅墨著作】《逐梦旅程:Windows游戏编程之从零开始》勘误&配套源代码下载...

I'm back~~恩,几个月不见,大家还好吗? 这段时间真的好多童鞋在博客里留言说或者发邮件说浅墨你回来继续更新博客吧。woxiangnifrr童鞋说每天都在来浅墨的博客逛一下看有没有更新,“每天都来就像看女神那般不依不舍”,弄得我再不更新都不好意思了,哈哈~怎么说呢,前段时间忙毕设,回国,暑假,间隔年旅行休整,然后是适应新的生活,各种事情,也真正没有心境来更新博客了,最近正好心境安定下来...

473687880 2471

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

逐梦旅程(著:毛星云)---学习笔记第三章

个人用

SuzukaSD的博客 183

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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")

上一篇: 大清朝数学家写的微积分教材,堪称天书!
下一篇: 用Transformer进行端到端视觉表示学习! Box-Attention:目标检测、实例分割轻松涨点...
Wang_AI
博客等级 码龄12年 998粉丝 162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