[nuxmv笔记] nuxmv 模型检查里一个简单的模拟example

nuXmv模型检测实战:从流程到验证的完整指南 模型检测是一种重要的形式化验证技术,它通过数学方法对系统模型进行穷尽性检查,以证明或证伪其是否满足特定时序逻辑属性。其核心原理在于将系统建模为状态机,并使用符号化方法(如BDD)或可满足性模理论(SAT)求解来应对状态空间爆炸问题。这项技术的价值在于能够为安全关键系统(如交通控制、协议验证)提供高可靠性的缺陷检测与证明,尤其擅长发现并发系统中的深层逻辑错误。在实际应用中,工程师常遵循建模、属性规约、验证执行与反例分析的标准化流程。本文以nuXmv这一集成多引擎的符号模型检测器为例,详细拆解了如何运用有界模型 阅读详情
  • #软件验证 #verification #模型检查 #nuxmv
  • 2024-07-11
  • 3900+字

背景

NuXMV是软件验证领域常用的开源的模型检查工具,用于验证基于状态机的系统设计是否满足指定规约。最近写作业要用到这东西,因为站里相关资料比较少(搜了一下,主要是LauZyHou的系列阅读比较高,【nuXmv学习笔记】1:交互Shell和建模元素-优快云博客)

同时,大模型对该语言理解较差,给出的错误太多了!(btw,大模型什么时候在形式化体系上的演绎能力能达到可信的地步啊,能不能 不要很自信地写一堆错误出来啊 爷服了 Orz) 大模型给我的错误有:

  • 大模型生成的注释格式是"// comment here",实际应为"-- comment" or “/-- comment --/”;
  • 大模型生成的逻辑与是’&&‘,实际应为’&’
  • …
  • 感觉大模型会错认为smv格式的代码和C语言类似…

所以,为什么不在写作业的过程中,顺便产生一些有点用的笔记呢?感觉自己写的example应该有一定意义。都说中文互联网原创资料少,那就更要多自己写,改变这现状了。

叠甲

虽然有点了解了这个工具,但是学习的时间也不过一两天,了解还很肤浅。写作目的只是为了便于和自己一样的初学者,能够更好、更快掌握这个工具。
如果有表达错误或者不够好的地方,希望读者、评论者能够指出,菜鸡这里提前感谢了🥹🙏

任务需求

作业的要求比较复杂,也没有得到老师和助教的授权,不适合直接写出来,所以做了个简化。
简化后,任务需求是:

  1. 假设工厂的某个工作站有一个传感器模块和一个处理器模块。传感器模块有 Wait 和 Send 两个状态。
  2. 当系统的时钟达到一定时间后,传感器收到数据,即它的状态从 Wait 转换到 Send 。
  3. 在传感器处理完数据以后,会将数据发送给处理器模块。这里我们为简单考虑,只考虑传感器状态从 Send 转换到 Wait。
  4. 此外,约定每个模块的处理时间都是某一范围内的随机值。

思路、编写smv、run!

思路

  • 传感器的要求比较多,可以用一个MODULE来描述它,内部使用一个枚举型变量state维护状态;用一个有界变量 process_time 表示它处理数据的时间。
  • 系统的main 模块可以用一个变量clock模拟系统时钟,用system_start表示系统启动时间。
  • 为了方便表达’传感器处理完数据后xxx’的状态变化,我还在传感器里添加了finish_time变量,表示任务结束时间,当clock到达finish_time时,表示任务处理完。

编写可验证的规约

为了方便验证,我们先写两个LTL规约:

  • LTLSPEC G (call_sensor.state = Wait);
    含义:总是有传感器状态为 Wait。(Globally=总是,该命题显然是不成立的,False)

  • LTLSPEC F (call_sensor.state = Send);
    含义:未来某刻传感器状态为Send( F=in the future,该命题显然成立,True)

对应smv代码

MODULE sensor
VAR
    state: {Wait, Send};
    process_time: 1..10; -- 假设处理时间都是该范围, bounded
	finish_time: integer; -- 处理结束时间; 有这个变量,后面容易处理'完成处理后的逻辑'
ASSIGN
	init(state) := Wait;
	init(finish_time) := 0;
INIT process_time >= 1 & process_time <= 10; -- 初始化,让process_time 在[1,10]间选个值,对应命令: pick_state/msat_pick_state

MODULE main
VAR
    clock: integer;
    system_start: integer;
    call_sensor: sensor;
ASSIGN
    init(clock) := 0;
    init(system_start) := 1; -- 假设时刻为1是启动时间
    
    -- 时钟递增
    next(clock) := clock +1 ;
    
    -- 通过时钟控制 sensor 的状态变化,定义transition:
    next(call_sensor.state) :=
        case
            clock = system_start : Send; -- 第一个传感器启动
            (call_sensor.state = Send) & (clock = call_sensor.finish_time) : Wait;
            TRUE : call_sensor.state;
        esac;
        
    next(call_sensor.finish_time) :=
        case
            clock = system_start : system_start + call_sensor.process_time; 
            TRUE : 0;
        esac;


LTLSPEC G (call_sensor.state = Wait);
LTLSPEC F (call_sensor.state = Send);

验证过程

  1. 配置环境、测试配置成功
    从nuxmv官网下载好以后,解压、配置环境变量指向nuxmv的bin目录,并在命令行测试 nuxmv 命令:

![[Pasted image 20240711172839.png]]

关键命令(下图来自 nuXmv: Model Checking* (unitn.it),侵删)
![[Pasted image 20240711173729.png]]

  1. 启动nuxmv
  • 启动nuxmv阅读smv文件
nuxmv -int "path-to\test.smv"

![[Pasted image 20240711173646.png]]

  1. 初始化模型
go_msat
msat_pick_state

![[Pasted image 20240711174637.png]]

命令基本上都可以带 -h 选项查看帮助手册。
这里的常见错误是:错误:不可能建立具有无限精度变量的BDD FSM-腾讯云开发者社区-腾讯云 (tencent.com)

> go
Impossible to build a BDD FSM with infinite precision variables

需要用 go_msat

  1. 运行:
msat_simulate -v -k 10

![[Pasted image 20240711174806.png]]

  1. 检验规约是否正确:↓
msat_check_ltlspec_bmc -n 0
msat_check_ltlspec_bmc -n 1

符合预期,
第一个规约(索引为0,LTLSPEC G (call_sensor.state = Wait),找到了counterexample,为False)
第二个规约(索引为1,LTLSPEC F (call_sensor.state = Send), 找不到counterexample,为True)
![[Pasted image 20240711175005.png]]

附录

nuxmv 官网: nuXmv - Home (fbk.eu)
其他nuxmv资料:

  1. Enrico Magnago Personal Website (enmag.github.io)
  2. nuXmv: Model Checking* (unitn.it)
  3. ​ 【nuXmv学习笔记】1:交互Shell和建模元素-优快云博客
深入理解nuXmv模型检测流程:从语法解析到验证引擎执行 模型检测(Model Checking)是一种重要的形式化验证技术,用于自动验证有限状态系统是否满足特定规约。其核心原理是将系统建模为有限状态机(FSM)或Kripke结构,并将待验证的属性(如用LTL或CTL描述)编码为自动机或逻辑公式,通过算法(如符号化验证使用的BDD/ADD,或基于自动机理论的交集检查)系统性地探索状态空间。该技术的价值在于能自动发现反例,为硬件设计、协议验证等提供数学上的严格保证。在实际工程中,理解模型检测工具(如nuXmv)的内部执行流程——包括语法语义解析、模型转换与内部表示构 阅读详情

相关推荐

nuXmv-2.0.0-win64.tar.gz

nuXmv是一种新的符号模型检查器,用于分析同步有限状态和有限状态系统。 nuXmv扩展NuSMV沿着两个主要方向: 对于有限状态的情况,nuXmv具有基于最先进的基于SAT的算法的强大验证引擎。 对于无限状态的情况,nuXmv具有基于SMT的验证技术,通过与数学5。 查看的完整列表特征由nuXmv提供,或者看看用户手册。 nuXmv目前以二进制形式获得许可,用于非商业或学术目的。

【nuXmv学习笔记】3:模型检测流程

1 对程序建模 例如,给出一个使用更相减损术求最大公约数的程序: #include <bits/stdc++.h> using namespace std; int main() { int a = 10, b = 15; while (a != b) { if (a > b) a = a - b; else b = b - a; } cout << a <

大桔骑士的学习笔记 2693

nuXmv模型检测工具

网上的nuXmv下载有点慢。上传一下已经下好的版本

【nuXmv学习笔记】1:交互Shell和建模元素

nuXmv是一种基于NuSMV开发的符号模型检测器,能够在有限状态系统上使用SAT的一些算法做验证,能够在无限状态系统上(比如含有实数或者整数变量的系统)使用SMT技术做验证。nuXmv支持同步系统,对异步系统不再支持。 1 nuXmv交互式Shell 在官网下载nuXmv后直接就能拿到一个可执行文件,Windows上就是nuXmv.exe。主要使用的方式就是用它的交互式Shell,使用nuxmv -int即可进入(这里int是interactive的意思)。 交互式Shell里有很多命令,使用help可以

大桔骑士的学习笔记 3525

Symboleo-Model-Checker:使用nuXmv模型检查器工具验证Symboleo规范

符号模型检查器 基于nuXMV的模型检查器工具 为了运行示例,您可以下载适用于nuXmv,然后在安装后在shell上运行以下命令: prompt > nuXmv -cpp -v 0 -load MeatSales_nusmvcmd.txt MeatSales.smv prompt > nuXmv -cpp -v 0 -load PizzaDeliveryContract_nusmvcmd.txt PizzaDeliveryContract.smv

Claude Code + 自定义模型体验

AI 编程工具的发展突飞猛进:Cursor 横空出世,推出了“Agent 模式”;新竞争者如 Windsurf 也纷纷加入战局。几乎所有产品都开始转向“代理式(agentic)”开发模式——不再依赖单次 LLM 响应进行补全,而是让大模型在一个循环中调用各种工具,来完成更复杂的任务:分析代码库上下文、读取网页与文档、编译程序、运行测试、修复失败构建或测试、不断迭代等。

西京刀客 5805

【nuXmv学习笔记】2:约束式建模和多模块模型

1 约束式建模 前面学习的建模方式都是赋值式(Assignment Style) 的,可以将这些模型转换成一种约束式(Constraint Style) 的,多数时候都会让模型的表达更方便。 例如,下面的模型表达的是某种机器在就绪(ready)时,如果有请求来了,就会开始忙碌(busy),否则接下来既可以就绪也可以忙碌: MODULE main VAR request : boolean; state : {ready, busy}; ASSIGN init(state) := re

大桔骑士的学习笔记 2047

科研党必备:Zotero+Deepseek 打造AI文献阅读助手(附详细插件配置指南)

本文详细介绍了如何利用Zotero和Deepseek打造AI文献阅读助手,提升科研效率。从Zotero基础安装到中文文献处理插件茉莉花的配置,再到Deepseek API的集成与模型选择策略,全面覆盖了AI辅助阅读的关键环节。特别适合需要高效管理海量文献的科研工作者,显著提升文献筛选和分析速度。

backprop5master的博客 426

【nuXmv学习笔记】4:模型检测实例

例子1:带有请求操作的四位加法器 在笔记2最后例子里的四位加法器之上添加了请求操作的模型。在这个模型里,一开始加法器在闲置状态,请求来了之后,加法器的最低位工作得到结果,同时将请求信号和这一位计算时产生的进位信号送给高一位,如果反复,直到四位加法器的最高位完成计算时,整个加法器的计算就完成了。 在计算完成之前,要一直保持请求信号的存在,这样才能保持操作数不变,这样每一位的加法结果才能不丢失。 -- 一位加法器(请求,操作数1,操作数2,进位) MODULE bit-adder(req, in1, in2,

大桔骑士的学习笔记 2167

Unity AR开发实战:从Vuforia图片识别到实体识别全流程解析

增强现实(AR)技术通过计算机视觉算法将虚拟信息叠加到现实世界,其核心原理在于对现实环境的感知与理解。在移动端AR开发中,图像识别与物体识别是实现虚实融合的关键技术,它们决定了虚拟内容能否准确、稳定地与现实对象对齐。Vuforia作为成熟的商业AR SDK,为开发者提供了从平面图像识别(Image Target)到三维实体识别(Model Target)的完整解决方案,极大降低了计算机视觉技术的应用门槛。在工程实践中,Vuforia通过封装复杂的特征提取与匹配算法,使开发者能够专注于交互设计与内容制作,广泛

weixin_30972263的博客 303

全球气候模式降尺度方法总结及其代码实现

简介总结各类型气候模式降尺度方法

WW、forever的博客 1万+

模型检测工具汇总

来源自我的博客 http://www.yingzinanfei.com/2017/02/01/moxingjiancegongjuhuizong/面向形式化规格语言的模型检测工具SMV(Symbolic Model Verifier) 符号模型检测工具SMV用以检测一个有限状态系统是否满足CTL公式。 它的建模方式是以模块为单位,模块可以同步或异步组合,模块描述的基本要素包括非确定性选择,状态转

陈止风的博客 1万+

静态编译Qt5源码(Kylin-Desktop-V10-SP1-2203-LoongArch64+qt5.15.16)

之前的文档,记录的是通用情况,本次笔者记录下Qt5的静态编译过程,供有需要的小伙伴参考使用的操作系统是Kylin-Desktop-V10-SP1-General-Release-2203-LoongArch64,处理器是龙芯3A5000,架构是loongarch。

aggs1990的专栏 1403

形式化验证工具调研

形式化验证主要分为:模型检测(又称模型检验)和定理证明两种方法。 以下为调研后整理的笔记。 (其中模型检测工具部分,引用了博主yisun03的这篇博客。) 模型检测步骤与工具 模型检测的步骤: 1. 抽象出系统的数学模型 迁移系统(Trasition system) 马尔可夫链(Markov chain) Kripke结构(Kripke structure) 2. 给出能够描述该系统性质的语言 线性时序逻辑LTL: 关心系统的任意一次运行中的状态以及它们之间的关系 计算树逻辑CTL: 分叉时序逻辑,用

君子藏器于身,待时而动 4703

UG NX二次开发-博客文章速览

写了一些UG NX二次开发的心得体会,内容较多,感觉不好查找相应的内容,所以决心把导航写出来,方便自己也方便读者。主专栏是“”,C#专栏为 : “” ,Python专栏为 : “这三个专栏都会持续的更新。如果有需要咨询或者学习讨论的,请私信博主或者加QQ群:749492565。博主几乎每天都在。

GimiGimmy 3721

18 中望CAD二次开发-DWG参照(ZRX C++)

本文介绍了CAD参考外部dwg文件的原理和代码实现及如何卸载参考文件的全过程,是中望CAD二次开发中重要的功能。

cilvsuanna的博客 208

SMV 模型检测工具的使用

前言 SMV是一个符号验证工具,是一个特别经典的形式化验证工具。本博文就关于如何安装smv做一些介绍。 SMV安装 linux 源码安装 wget http://www.cs.cmu.edu/~modelcheck/smv/smv.r2.5.4.tar.gz tar -xvf smv.r.2.5.4.tar.gz cd smv make 如果报如下错误: yacc找不到 则先安装flex和bis...

jmhIcoding 5977

论deepseek软件底层原理

如处理医学文本时,将任务分配给擅长医学知识处理的专家,避免通用模块处理的低效性,极大提升计算效率与任务处理的针对性。教师模型复杂且强大,学生模型结构简单。协作处理:多模块协作时,建立数据流通与交互机制,各模块按顺序或并行处理数据,不断传递与更新中间结果,共同完成复杂任务。(一)输入处理与任务判断 输入预处理:接收输入数据,如用户文本提问,首先进行清洗,去除噪声数据、特殊字符等。任务分类:通过MoE架构“路由器”,依据输入数据特征,判断任务所属领域与类型,如文本分类、情感分析等,为后续处理模块选择提供依据。

欢乐打代码! 2738

程序形式化验证之——谓词抽象技术

旨在自动化地证明程序的正确性,即程序在运行的过程中不会出错(从坏的方面),并且程序的功能可以被满足(功能正确性)。程序验证>形式化方法>模型检测模型检测Model Checking是形式化方法(formal method)的一种。主要思想是对系统的全局空间进行搜索,验证是否满足相关规范。对于已发布的程序有bug,可以通过编译但运行时出错,把软件错误控制在运行之前、运行早期,不要发生在生产环境。

q1uTruth的博客 911

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

状态机smv & 线性时序逻辑(LTL) & 分支时序逻辑(CTL)

X,U是temporal operator,不指precise time the syntax of LTL 之前都是看the first letter就行 X可以看the rest of word X(X(p2)) X(p1Up2) 在下一状态,p1Up1 = true?和p1Up2的区别是起始位置不同 X(X(p1UX(p2))) p1 until p2 ,找到p2为true的第一个地方,在那个地方前p1 is true true每个点都满足意味着没约束,true U p1 在某个p1为true的.

q1uTruth的博客 1069

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")

MAC OS X下nuXmv对libxml2版本的要求

rongqings-MacBook-Pro:nuxmv-1.0-darwin-x86_64 rongqing$ ./nuXmv  dyld: Library not loaded: /opt/local/lib/libxml2.2.dylib   Referenced from: /Users/rongqing/Downloads/nuxmv-1.0-darwin-x86_64/./nuXmv

kingatiscas的专栏 2103

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

NuSMV安装及例子运行

NUSMV方法安装及例子运行 系统ubuntu12.04 参考博客  http://blog.youkuaiyun.com/yingzinanfei/article/details/54808674 方法一:直接下载官网的二进制版本http://nusmv.fbk.eu/bin/bin_download2-v2.cgi 这个解压一下直接就可以用,不需要编译 解压命令 sudo tar zxvf N

Ashely_Xie的博客 4109

Jackson 序列化 / 反序列化注解 完整版笔记

Jackson 序列化 / 反序列化注解 完整版笔记

handsome_sai的博客 308

新概念英语第一册 · 词法笔记

以《新概念英语第一册》为范围,梳理 10 类词性中的 8 类:名词的数与所有格、冠词、代词、形容词副词比较级、数词与时间、介词、动词四类与 have 的四种用法、情态动词与不定式,附易错 TOP12 与课次顺序。

Ep流苏的博客 219

[学习笔记]超越超级大循环与原生RTOS:事件驱动架构如何改变嵌入式固件的可扩展性

RTC:事件处理器一旦开始,全部状态迁移、进出动作、输出事件必须全部执行完毕才返回;同一个组件,当前处理没结束,不会开始下一条事件。这不是架构给状态机额外施加的限制,这是UML状态图等全部状态机形式化本身固有的语义要求。如果迁移中途可以被打断,状态机会停留在未定义的中间状态。RTC保证两次事件之间,状态机永远处于明确定义的合法状态,便于分析与测试。

MiKiJT的博客 241
上一篇: [debug笔记] 从pkgutil错误到sudo的原理
下一篇: [uppaal笔记] uppaal介绍-以fischer互斥demo和一个imply规约为例
冯亚林
博客等级 码龄6年 128粉丝 6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