RssHub内容只能本地看?cpolar让你在地铁上也能刷遍全网资讯

docker应用:搭建云手机 近来慵懒,身体懈怠良多,思来想去随手看点小攻略以宽慰不懈怠的心。云手机Cloudphone,就是将云计算技术运用于网络终端服务,通过云服务器实现云服务的手机。其实就是深度结合了网络服务的智能手机,这类手机凭借自带的系统以及厂商架设的网络终端可以通过网络实现众多的功能。要检查虚拟化是否已启用。 阅读详情

前言

信息爆炸的时代,想高效获取资讯又不想被算法绑架?RssHub帮你聚合全网内容,微信公众号、B站动态、知乎回答一键订阅,还没广告干扰📌。但默认只能在电脑上看,通勤路上刷手机想看订阅内容,要么装复杂的VPN,要么就只能干瞪眼?别愁,cpolar内网穿透来救场,让你的RssHub变成“随身资讯站”,随时随地刷遍你关心的一切!

RssHub的核心功能就像你的“资讯管家”,把分散在各个平台的内容统一到一个地方,支持自定义过滤规则,不想看的内容直接屏蔽。它特别适合深度阅读者、研究者和信息工作者,毕竟自己掌控信息源,比被算法喂“垃圾信息”强多了。优点嘛,支持的平台超全(连豆瓣小组都能订阅),开源免费无广告,还能自己写规则爬取小众网站,自由度拉满。

用RssHub管理资讯半年,最大的感受是“信息焦虑治好了”!以前刷手机两小时,有用信息没几条,现在每天花20分钟看RssHub,全网重要资讯全掌握。不过新手刚开始可能会觉得规则配置有点复杂,建议先从官方预设的规则开始,比如“/wechat/mp/xxxx”订阅公众号,熟悉后再玩自定义。

虽说RssHub功能强大,但局域网限制真的让人抓狂。每天上班路上想刷订阅内容,只能干看着手机里的空列表,到公司打开电脑才能看,通勤时间全浪费了😩。而且家里的平板和手机想同步已读状态,还得在同一网络,多设备使用体验大打折扣。

直到给RssHub配上cpolar,才算真正实现“资讯自由”!现在在地铁上用手机刷RssHub,内容实时更新,和电脑端已读状态自动同步,再也不会重复阅读了。最牛的是cpolar支持HTTPS加密,访问速度比VPN还快,上个月我在国外旅游,用当地网络刷国内资讯,延迟低到以为在本地🌍。还有个小技巧,把cpolar生成的地址添加到手机RSS客户端,不用每次输网址,点开就能看。

下面介绍本地使用docker快速简单部署Rsshub工具,并结合cpolar内网穿透工具,使得远程也可以访问RSS订阅源!

1. Docker 安装

Docker部署,首先设备需要提前安装好Docker,下面简单两步实现Linux centos安装docker,然后再进行下面步骤部署Rsshub!

分别执行下面命令,设置Docker的存储库,以便从官方源安装最新版本的docker

sudo yum install -y yum-utils 
sudo yum-config-manager \  
    --add-repo \  
    https://download.docker.com/linux/centos/docker-ce.repo

安装docker

sudo yum install docker-ce docker-ce-cli containerd.io

启动docker

sudo systemctl start docker

2. Docker 部署Rsshub

简单两步,即可成功运行Rsshub服务,首先拉取镜像:

docker pull diygod/rsshub

运行rsshub 容器, 其中,访问的端口为1200端口

docker run -d --name rsshub -p 1200:1200 diygod/rsshub

运行容器后,执行docker ps 命令,即可看到运行的rsshub,状态为UP 表示正常!

image-20240220131602303

3. 本地访问Rsshub

上面成功运行后,在浏览器,访问Linux 1200端口,即可看到Rsshub欢迎界面,表示成功部署完成了

image-20240220132003075

同时,通过访问其中某个订阅源/005tv/zx/latest,可以看到,也是正常访问成功,由于是本地部署,限制只能在本地访问,下面我们安装cpolar工具,实现远程也可以访问,不受本地限制

image-20240220134227633

4. Linux安装Cpolar

上面在本地Docker中成功部署了Rsshub服务,并局域网访问成功,下面我们在Linux安装Cpolar内网穿透工具,通过Cpolar 转发本地端口映射的http公网地址,我们可以很容易实现远程访问,而无需自己注册域名购买云服务器.下面是安装cpolar步骤

cpolar官网地址: https://www.cpolar.com

  • 使用一键脚本安装命令
curl -L https://www.cpolar.com/static/downloads/install-release-cpolar.sh | sudo bash
  • 安装完成后,可以通过如下方式来操作cpolar服务,首先执行加入系统服务设置开机启动,然后再启动服务
# 加入系统服务设置开机启动
sudo systemctl enable cpolar

# 启动cpolar服务
sudo systemctl start cpolar

# 重启cpolar服务
sudo systemctl restart cpolar

# 查看cpolar服务状态
sudo systemctl status cpolar

# 停止cpolar服务
sudo systemctl stop cpolar

Cpolar安装和成功启动服务后,内部或外部浏览器上通过局域网IP加9200端口即:【http://192.168.xxx.xxx:9200】访问Cpolar管理界面,使用Cpolar官网注册的账号登录,登录后即可看到cpolar web 配置界面,接下来在web 界面配置即可

image-20240220142041422

5. 配置公网地址

点击左侧仪表盘的隧道管理——创建隧道,创建一个rsshub的公网http地址隧道!

  • 隧道名称:可自定义命名,注意不要与已有的隧道名称重复
  • 协议:选择http
  • 本地地址:1200 (本地访问的地址)
  • 域名类型:免费选择随机域名
  • 地区:选择China VIP

点击创建

image-20240220142612782

隧道创建成功后,点击左侧的状态——在线隧道列表,查看所生成的公网访问地址,有两种访问方式,一种是http 和https

image-20240220142652998

6. 远程访问Rsshub

使用上面的Cpolar https公网地址,在任意设备的浏览器进行访问,即可成功看到我们本地部署的Rsshub界面,

image-20240220142757765

再次访问某个订阅源,可以看到,也是可以访问成功,不受本地网络限制,这样一个公网地址且可以远程访问就创建好了,使用了cpolar的公网域名,无需自己购买云服务器,即可发布到公网进行远程访问 !(绿色上网,从我们做起,不能用作访问违规内容和网站)

image-20240220142959208

小结

为了更好地演示,我们在前述过程中使用了cpolar生成的隧道,其公网地址是随机生成的。

这种随机地址的优势在于建立速度快,可以立即使用。然而,它的缺点是网址由随机字符生成,不太容易记忆(例如:3ad5da5.r10.cpolar.top)。另外,这个地址在24小时内会发生随机变化,更适合于临时使用。

我一般会使用固定二级子域名,原因是我希望将网址发送给同事或客户时,它是一个固定、易记的公网地址(例如:rsshub.cpolar.cn),这样更显正式,便于流交协作。

7. 固定Cpolar公网地址

由于以上使用cpolar所创建的隧道使用的是随机公网地址,24小时内会随机变化,不利于长期远程访问。因此我们可以为其配置二级子域名,该地址为固定地址,不会随机变化【ps:cpolar.cn已备案】

注意需要将cpolar套餐升级至基础套餐或以上,且每个套餐对应的带宽不一样。【cpolar.cn已备案】

登录cpolar官网,点击左侧的预留,选择保留二级子域名,设置一个二级子域名名称,点击保留,保留成功后复制保留的二级子域名名称

image-20240220143330278

保留成功后复制保留成功的二级子域名的名称

image-20240220143410161

返回登录cpolar web UI管理界面,点击左侧仪表盘的隧道管理——隧道列表,找到所要配置的隧道,点击右侧的编辑

image-20240220143436026

修改隧道信息,将保留成功的二级子域名配置到隧道中

  • 域名类型:选择二级子域名
  • Sub Domain:填写保留成功的二级子域名

点击更新(注意,点击一次更新即可,不需要重复提交)

image-20240220143510582

更新完成后,打开在线隧道列表,此时可以看到公网地址已经发生变化,地址二级名称变成了我们自己设置的二级子域名名称

image-20240220143538272

8. 固定地址访问

最后,我们使用固定的公网http地址访问,可以看到同样访问成功,这样一个固定且永久不变的公网地址就设置好了,随时随地都可以远程访问本地rss工具,无需公网IP,无需云服务器!

image-20240220143626882

把“资讯中心”装进口袋,碎片时间高效利用,这才是信息时代的正确打开方式!如果你也想摆脱算法控制,又不想被局域网束缚,快试试RssHub+cpolar,让每段通勤都变成“充电时间”,知识获取从此“无边界”~

cpolar官网-安全的内网穿透工具 | 无需公网ip | 远程访问 | 搭建网站

用Docker在5分钟内搭建云手机环境(支持Galaxy S10等主流机型) 本文详细介绍了如何利用Docker容器技术在5分钟内快速搭建支持三星Galaxy S10等主流机型的云手机环境。通过硬件虚拟化(KVM)支持,用户可在服务器上创建可通过浏览器访问的完整安卓设备,适用于应用测试、开发调试等场景。文章涵盖了从环境检查、镜像拉取、容器启动到解决常见KVM权限问题的完整流程,并探讨了其在自动化测试、远程演示等领域的应用价值。 阅读详情

相关推荐

保姆级教程:用Docker和Cpolar把RSSHub变成你的私人全网订阅助手

本文提供了一份详细的教程,教你如何使用Docker和Cpolar将RSSHub打造成私人全网订阅助手。通过容器化部署和内网穿透技术,实现私有化RSS订阅源管理,提升数据隐私和稳定性,适用于技术爱好者和企业用户。

weixin_30500105的博客 566

Docker-Android安卓模拟器本地部署并实现远程开发测试

这不仅方便了开发者的远程协作和项目管理,还提高了开发和测试的效率。运行后,在浏览器访问Linux ubuntu 6080端口,即可成功看到android 模拟器界面,首次启动可能会比较慢,如果觉得卡,可以部署更低的机型,如S6,本地测试访问成功后,下面我们安装cpolar内网穿透,实现远程访问。最后,我们使用固定的公网https地址访问,可以看到同样访问成功,这样一个固定且永久不变的公网地址就设置好了,随时随地都可以远程访问本地android模拟器,无需公网IP,无需云服务器!

饺子大魔王 3580

快速搭建Android开发环境:Docker部署docker-android并实现远程连接

快速搭建Android开发环境:Docker部署docker-android并实现远程连接

weixin_58070962的博客 9826

用Docker跑Android系统,在x86电脑玩ARM手机游戏

ReDroid (Remote anDroid) 是自架「云手机」的方案,透过docker在电脑上跑Android系统容器,再利用Scrcpy的镜射萤幕功能连线到Android桌面。目前来看,ReDroid的泛用性比Waydroid好,因为不只造福Linux使用者,连那些想摆脱专有模拟器、想自架云手机的用户都可以利用ReDroid达成目的。目前即使有安装libndk,Android 11的Play商店还是不给下载ARM架构的APP,请配合APKPure之类的应用程式商店安装APP。ReDroid容器的。

blockish的专栏 2万+

教你使用 Linux+MeterSphere 一站式开源持续测试平台远程访问

MeterSphere 是一站式开源持续测试平台, 涵盖测试跟踪、接口测试、UI 测试和性能测试等功能,全面兼容 JMeter、Selenium 等主流开源标准,有效助力开发和测试团队充分利用云弹性进行高度可扩展的自动化测试,加速高质量的软件交付,推动中国测试行业整体效率的提升。下面介绍在Linux 中部署MeterSphere 并且结合cpolar 内网穿透实现远程也可以访问MeterSphere 界面!

知道的越多,不知道的越多。 1670

自动化测试、爬虫、秒杀抢购、数据获取新方案,利用docker镜像运行安卓云手机,同时模拟运行多个手机进行数据抓取,可实现火车票、演唱会门票、茅台、直播、iPhone手机自动下单等各种多任务

自动化测试、爬虫、秒杀抢购、数据获取新方案,利用docker镜像运行安卓云手机,同时模拟运行多个手机进行数据抓取,可实现火车票、演唱会门票、茅台、直播、iPhone手机自动下单等各种多任务。

代码讲故事 3311

Docker+RssHub+cpolar:打造高效多端内容同步系统的完整指南

本文提供了一套基于Docker、RssHub和cpolar构建高效多端内容同步系统的完整指南。通过Docker容器化部署RssHub聚合订阅源,并利用cpolar实现内网穿透,打造可随时随地访问的私有信息中枢,彻底解决信息孤岛问题,实现跨设备无缝同步与数据自主掌控。

cc789的博客 85

Docker - Android源码编译与烧写

这将把容器的内存限制设置为 512 兆字节。如果你想增加内存限制,可以将 --memory 参数的值调整为更大的值。更新容器的 CPU 核心数。

Android小码家 1705

Docker(5):通过Docker搭建STF平台(安卓云真机)

基于Docker的STF云真机平台搭建,看这一篇就够啦~

綦枫Maple的博客 3263

docker-android:docker解决方案中的Android,支持noVNC和视频录制

Docker-Android是一个docker镜像,可用于与移动网站测试和Android项目相关的所有操作。 模拟器-Samsung设备 模拟器-Nexus设备 真实设备 目的 使用为移动网站运行UI测试 使用最新的构建工具构建Android项目并运行单元测试 针对具有不同框架( , , 等)的Android应用程序运行UI测试 运行猴子/压力测试 短信测试 与其他docker-android项目相比的优势 noVNC看看Docker容器内部发生了什么 适用于不同设备/皮肤的仿真器,例如三星Galaxy S6,LG Nexus 4,HTC Nexus One等。 能够连接到Selenium Grid 通过使用adb connect从外部容器控制模拟器的能力 通过屏幕镜像支持真实设备 能够在测试执行期间录制视频以进行调试 与其他云解决方案集成,例如 具有更多功能的开源 Docker映像列表 操作系统 安卓 API 浏览器 浏览器版本 Chromedriver 图片 尺寸 Linux 5.0.1 21 浏览器 37.0 2.21 budtmo / docker-a

2023年数学建模国赛三大赛题核心建模思路与实战代码全解

本文全面解析2023年数学建模国赛三大赛题的核心建模思路与实战代码,涵盖塔式太阳能光热发电系统优化、多波束测深系统动态规划及蔬菜商品化策略建模。通过Python代码示例和优化算法(如遗传算法、NSGA2)展示,帮助参赛者掌握数学建模的关键技术与实战技巧,提升竞赛成绩。

weixin_33713350的博客 335

云服务器部署云手机android,docker + redroid (支持ARM)+ scrcpy for android

前景:突然想玩“负之遗产”,但是奈何这游戏不挂(挂机或开挂)不行。手里有个云服务器:2核4G ubuntu22.04(179元腾讯云)。琢磨用来挂“负之遗产”。提示:经过不懈努力,尝试waydroid, redroid, other之后,总结出了一套非常简单部署方法。手脚利索的可在10分钟内开始挂游戏。(使用优质redroid镜像,已经包含Libhoudini + 谷歌)

m0_73313013的博客 2万+

帕德伯恩大学轴承数据集(PU)介绍

PU数据集介绍一、帕德伯恩大学轴承数据集故障类别说明二、关于损伤描述2.1 损伤组合:2.2 重复和多重损伤的安排:2.3 几何尺寸2.4 损伤程度2.5损伤特征数据集损伤类别三、人为损坏轴承3.1 最常用的人为损伤制造方法是:3.2 本数据集使用的人工损坏是由三种不同方法引起的四、通过加速寿命试验产生真正的轴承损坏样本 一、帕德伯恩大学轴承数据集 数据集下载地址 从帕德伯恩大学获得的PU数据集是一个6203轴承数据集,包括人为诱发的和真实的损害。采用压电加速度计采集轴承座的振动信号,采样频率为64 kHz

m0_47180208的博客 3万+

[小白教程]给自己安装一台云手机吧

本文将基于 Redroid 开源项目搭建自己的云手机,如果有服务器的话可以做到基于 Web 随时访问。部署教程准备工作:拥有云服务器,推荐配置:- 资源:建议 2H4G - 系统:Ubuntu20.04 - 依赖软件:Docker[1]个人电脑:基于虚拟机 安装 Ubuntu20.04,推荐使用 ARM 架构服务器或者 RK3588 开发板首先,我们直接进入 Ubuntu20.04,如果有云服务器...

howie6879's blog 2万+

【TiktokAPI】Tiktok直播API与实时互动功能开发完全指南

Tiktok直播API允许开发者创建、管理直播,并实现各种互动功能。/*** 获取Tiktok直播API访问令牌* @param {string} client_id - 应用ID* @param {string} client_secret - 应用密钥* @param {string} code - 授权码* @param {string} redirect_uri - 重定向URI* @returns {Promise<object>} 访问令牌响应*/try {}),

Mageia的专栏 3198

shopro 商城,2025年新申请的微信支付提示失败,支付提示 Get Wechat Public Cert Error 问题的修复办法

shopro 商城,最近新申请的微信支付商户 支付提示 Get Wechat Public Cert Error 问题的修复办法

行走的卡路里 1245

rk3588-云手机-docker

创建启动安卓:docker run -itd --name=syf1 --privileged -v /data/android_data/syf1:/data -p 5501:5555。3588 gpu性能还是偏弱 8开中大型游戏 还是不行 8开小型游戏或者短视频 完全足够。拉取安卓镜像:docker pull。目前测试 8开安卓 同时使用 很好。

Cloud-cluster 4431

RV1126 ISP开发实战:从Tuner调试到IQ文件解析

本文详细介绍了RV1126 ISP开发的完整流程,从Tuner调试到IQ文件解析,涵盖了环境搭建、工具使用、参数配置及性能优化等关键环节。通过实战案例和避坑指南,帮助开发者快速掌握Rockchip芯片的ISP开发技巧,提升图像处理质量。

weixin_29195615的博客 572

装逼必备!五分钟拥有一台自己的云手机!

随着科技的发展,云手机也逐渐成为了一种云上商品,其允许我们在各地使用云端的手机,即使是十年前的手机,也能通过云手机畅玩大型手游。目前市面上流行的云手机平台有雷电,红手指等。这些厂家提供的产品可用性自然是没得说,但是具体的可扩展性和隐私性自然也是稍有逊色,为了弥补他们的不足,本期我就教大家自己搭建一台隐私度可扩展性拉满的私人云手机!

good_liu的博客 3万+

EfficientNet 改进:StripCGLU模块的创新与应用

本文提出了一种改进的EfficientNet-b0模型,核心创新是通过引入StripCGLU模块来提升网络性能。StripCGLU结合了水平/垂直条带卷积和GLU激活机制,具有参数效率高、计算量少的优点。改进策略包括选择性替换部分MBConv为StripCGLU模块(每隔3个块插入),同时保留早期层结构。测试表明该模型适用于移动端视觉任务,在保持效率的同时提升性能。代码实现包含模块定义、模型构建及测试部分,展示了如何通过精心设计的模块改进现有网络架构。

Henry的博客 241

Python 爬虫实战:爬取哔哩哔哩知识区,抓取高赞课程信息

哔哩哔哩(Bilibili)是一个广受欢迎的综合性视频社区,其中的知识区汇聚了大量优质的教育、科普、技术等课程内容。本文将指导读者如何使用 Python 爬虫技术从哔哩哔哩知识区抓取高赞课程信息,并进行数据分析。本文深入探究了利用 Python 爬虫技术从哔哩哔哩知识区抓取高赞课程信息的全流程。从前期的环境搭建、模拟登录,到核心的课程数据抓取、存储,再到后续的数据分析与可视化,都详细展开讲解并提供代码支持。通过此方法所获取的数据,能够助力创作者优化内容、用户发现优质课程、平台洞察用户需求。

u014481728的博客 1137

外网访问网页编写代码工具

code-server 是一款在线代码编写编辑器,用户可以直接在浏览器中直接使用 VS Code 的功能,无需安装本地 IDE‌。在本地用 docker 安装部署 code-server 以及结合路由侠内网穿透实现外网访问本地部署的 code-server。

lyxnwct的博客 1753

智能筛选栏 SmartFilterBar 全面解析与实战指南

SmartFilterBar 把复杂的检索界面“模板化”,让开发者聚焦业务逻辑与后端数据质量,而非 UI 小细节。通过精准运用 CDS 注解与 OData 元数据,它能在几毫秒内拼装出专业级筛选体验;结合事件钩子与控制配置,又足以满足极端个性化需求。拥抱 SmartFilterBar,意味着在 Fiori 生态中以最少代码赢得最快价值交付——这正是现代企业应用开发追求的极致效率。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 404

Docker-Android 安装与配置指南

Docker-Android 安装与配置指南 【免费下载链接】docker-android budtmo/docker-android: 是一个用于在 Docker 中构建 Android 镜像的项目,可以帮助开发者快速搭建 Android 开发环境。特点包括易于使用、支持多种 Android 版本、支持自定义配置等。 ...

gitblog_01105的博客 3632

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

如何在Docker中使用安卓模拟器+Appium

如何在Docker中使用安卓模拟器+Appium 前言 本篇文章会给大家讲解如何在Docker中使用安卓模拟器+Appium 模拟器部署Docker好处有以下几点: 满足将Appium+安卓模拟器部署带服务器的特殊需求 不需要winserver服务器,同时对显卡等硬件无硬性要求,普通服务器就可以运行 减少内存占用和性能消耗 可以实现长时间稳定的运行 虽说在Docker中是无...

0x8g1T9E- 1万+

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")

Docker-Android:容器化Android开发与测试的创新解决方案

Docker-Android:容器化Android开发与测试的创新解决方案 【免费下载链接】docker-android 项目地址: https://gitcode.com/gh_mirrors/doc/docker-andro...

gitblog_00044的博客 4520

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

上一篇: Profile-Guided Optimization(PGO):Rust 性能优化的终极武器
下一篇: 不用服务器也能远程控 Linux?docker-webtop+cpolar 实测有效
澪贰
澪贰 优质创作者: C/C++技术领域 优质创作者: C/C++技术领域
博客等级 码龄2年 1万+粉丝 222原创
评论 38
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