Cognos概述

am2000 am2000 博客等级 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 2.2k累计阅读 2.3k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 码龄26年
关注
转载 最新推荐文章于 2026-04-18 11:15:54 发布 2.2k 阅读 AI 写同款· GEO 优化 ›
cognos报表制作（三）Cube开发 阅读详情
　　Cognos是在BI核心平台之上，以服务为导向进行架构，是唯一可以通过单一产品和在单一可靠架构上提供完整业务智能功能的解决方案。它可以提供无缝密合的报表、分析、记分卡、仪表盘等解决方案，通过提供所有的系统和资料资源，以简化公司各员工处理资讯的方法。作为一个全面、灵活的产品，Cognos业务智能解决方案可以容易地整合到现有的多系统和数据源架构中。 [1]
　　Cognos展现的报表基于统一的元数据模型。统一的元数据模型为应用提供了统一、一致的视图。用户可以在浏览器中自定义报表，格式灵活，元素丰富，而且可以通过Query Studio进行即席的开放式查询。Cognos还具有独特的穿透钻取（roll up和drill down）、切片（slice）和切块（dice）、以及旋转（pivot）等功能，使分析人员、管理人员或执行人员能够从多角度对信息进行快速、一致、交互地存取，从而获得对数据的更深入了解，有效地将各种相关的信息关联起来，使用户在分析汇总数据的同时能够深入到自己感兴趣的细节数据中，以便更全面地了解情况，做出正确决策。 [2]
　　Cognos强大的报表制作和展示功能能够制作/展示任何形式的报表，其纯粹的Web界面使用方式又使得部署成本和管理成本降到最低。同时Cognos还可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。
　　-----------------------------------------------
　　Cognos公司成立于 1969年，公司总部位于加拿大渥太华,目前拥有员工4000名，正在为超过135个国家的23,000多客户提供服务。Cognos软件可进行战略性企业级应用，或将其用作一个点解决方案满足业务需要，客户可以使用 Cognos更好的监视、了解和驱动成功的业务绩效。Cognos客户遍行业包括,汽车、银行和保险、能源和自然资源、政府、卫生保健、制造和医药行业等。
　　Cognos是面向企业的业务智能 (BI)和绩效计划 软件的全球领导者。公司的解决方案可以通过实现计划和预算、绩效度量和监视、报表和分析等管理环节的关键步骤来提高调整企业绩效。Cognos是唯一能够在一个完整的解决方案中为这些重要的管理活动提供支持的公司。Cognos的这种解决方案可以跨 CPM—企业计划、计分卡和业务智能的所有几本组件。
　　2007年11月美国波士顿当地时间本周一，IBM宣布将以50亿美元现金收购Cognos。此举是为了强化IBM在商业智能软件领域的竞争力。这一收购也是IBM有史以来单笔金额最大的收购活动。
　　据国外媒体报道称，今年，商业智能软件领域已经发生了数起并购活动。SAP最近以70亿美元拿下了Business Objects SA；甲骨文以33亿美元将Hyperion Solutions Corp.收归麾下。由于预期会被收购，最近Cognos的股价出现了暴涨。在周一消息的刺激下，它的股价又上涨了8%。
　　商业智能软件能够帮助大企业收集相关数据，模拟员工变化或营销活动等业务活动的资料。因为这种能力与商业软件的其它能力交织在一起，SAP、甲骨文、IBM等大厂商纷纷在它们的软件包中整合商业智能软件。但是，它们面临的挑战是，以一种对客户来说相对容易和廉价的方式整合商业智能软件。Nucleus Research的资深分析师大卫表示，他怀疑IBM和Cognos会出现协同效应。
　　Forrester Research的分析师鲍罗也认为，IBM需要时间才能够整合Cognos的技术，但他同时指出，我认为这对客户没有任何负面影响。IBM和Cognos已经存在业务合作伙伴关系。
　　在最近数年中，IBM一直在大肆收购，以强化自己的产品线，因为软件业务的利润率要远高于服务业务。过去，IBM主要是一家“中间件”厂商，最近的收购使得它也进入了销售应用软件业务。
　　IBM软件集团的掌门人米尔斯说，对手的并购交易不是收购Cognos的原因。米尔斯在接受采访时说，我们从来不会为阻击其它厂商或根据其它厂商的活动进行收购。
　　IBM将以每股58美元的价格收购Cognos，这一价格较Cognos上周五52.98美元的收盘价高出了9%。
　　此前，IBM在收购方面的最大手笔是2002年以40亿美元收购普华永道的咨询机构。
　　在这一交易于2008年第一季度完成后，Cognos将加入IBM的信息管理软件部门，其CEO将继续负责公司的运营，在工作上向信息管理软件部门的负责人戈耶尔负责。
　　成立于1969年的Cognos在全球拥有4000名员工。上一财年Cognos的销售收入为9.79亿美元，利润为1.16亿美元。

cognos产品家族

　　IBM收购Cognos以后，目前cognos产品主要有：
　　Cognos TM1
　　Cognos 8 Planning
　　Cognos 8 Controller
　　Cognos 8 BI
　　Cognos Express
　　Cognos Now
　　Cognos 8 Go!

Cognos认证考试相关科目

　　目前Cognos官方认证考试主要分两类
　　 Cognos 8 BI系列认证考试
　　COG-105、COG-112、COG-122、COG-125、COG-132、COG-135、COG-142、COG-145、COG-180
　　 Cognos 8 Planning系列认证考试
　　COG-200、COG-205、COG-300、 COG-310、COG-400、COG-480

参考资料：
  1. Cognos商业智能社区 
  2. Cognos商业智能联盟 
扩展阅读：
1. www.db2china.net/club
2.Cognos商业智能社区
3. http://www.cognoschina.net/club/
4.Cognos中国用户联盟
开放分类：
Cognos， IBM Cognos
标签
#ibm #商业智能 #报表 #活动 #产品
#express
Cognos学习之二：详细的组件以及对应的功能描述 一 Cognos 详细组件列表：        从大模块来看， Cognos产品组件只有三个：        各个大模块的功能分别是：                Cognos Powerplay Transformation Server：负责将数据源变成数据立方体；Cognos Powerplay Enterprise Server：负责将数据立方体以OLAP分析、OLAP报 阅读详情

相关推荐

Cognos入门教程（六）- 添加数据源

这里简单介绍下，在Cognos中，配置数据源的方法

什么是江湖? 8040

Cognos教程_编程入门自学教程_菜鸟教程-免费教程分享

Cognos是在BI核心平台之上，以服务为导向进行架构的一种数据模型，是唯一可以通过单一产品和在单一可靠架构上提供完整业务智能功能的解决方案。它可以提供无缝密合的报表、分析、记分卡、仪表盘等解决方案，通过提供所有的系统和资料资源，以简化公司各员工处理资讯的方法。作为一个全面、灵活的产品，Cognos业务智能解决方案可以容易地整合到现有的多系统和数据源架构中。Cognos入门教程。

banzhuan_it的博客 823

Cognos仪表盘（二）组件概述

好了，我们这里先看下怎样在仪表盘中引入新的内容 仪表盘是基于现有报表进行整合开发的，只可以将已存在的报表中的列表、交叉表、图表引入，貌似不可以单独创建新的列表；但是，在引入之后，可以对组件进行编辑 我们在右侧的数据栏中，可以看到我们的报表，我们可以将列表和组合图添加到工作空间中 我们可以右键选择插入位置，或者直接拖上去 工作空间中的组件是可以自定义拖拽的，而且还有一些小功能：

什么是江湖? 1765

WIN10：Cognos10.2_x32安装（一）

1、如果使用Cognos自带的Tomcat web容器,请将E:\common\Cognos\c10\webcontent下的所有文件拷贝到E:\common\Cognos\c10\webapps\p2pd 下面.(一般我们就使用Tomcat,这一步必须做)注：'E:\common\Cognos\db2cognosdb\cognosdbusrtmp2' 》》'E:\common\Cognos\db2[数据库名]\[数据库名]usrtmp2'数据库Cognos的数据库配置。2、复制数据库驱动jar包。

weichenyang的博客 1507

InfoSphere Warehouse 数据挖掘与 Cognos 集成架构概述（一）

数据挖掘为从大量数据中提取出有用的信息提供先进的分析技术。本系列的文章谈到了将 InfoSphere Warehouse 数据挖掘与 IBM Cognos报告相结合的总体架构和商业机遇。这种集成使公司中的不同人员可以利用数据挖掘的结果。本系列的第 1 篇文章介绍基本的集成架构，并提供一个简短的技术案例研究，使您基本了解如何完成这种集成。

数控小J 对大数据的探索与见解 1044

基于IBM Cognos Report studio的商业智能分析方案(专业报表、Drill Through、切片、旋转)

基于IBM Cognos Report studio的商业智能分析方案(专业报表、Drill Through、切片、旋转)   我的qq是2059055336，对这个课程有兴趣的可以加我qq联系。   （1）IBM COGNOS BI概述                 1-1 IBM智能分析                                   

遥远的东方的专栏 1385

01.01.眼中的Cognos

前言：工作这几年，对Cognos的认识越来越深入，觉得是时候对自己的知识做一些总结。 什么是Cognos？工作的这几年，一直与Cognos有着密切联系，简单的说Cognos就是一款报表开软件。 Cognos有什么用？方便业务人员对其业务的分析，也就是大家所说的BI（Business Intelligent）。 Cognos在BI中的地位：说起BI，不能不提数据仓库，ETL，

royluo1的专栏 413

Cognos函数(七) - percentage的使用

这回我们介绍另一个函数的使用，percentage，是一个求百分比的

什么是江湖? 4863

[cognos]Cognos入门

    Cognos BI 提供了报表（reporting），分析（analysis），记分卡（scorecarding），仪表盘（dashboarding），业务事件管理（business event management）以及数据集成（data integration）等功能。 Congos 8 BI 包括一个用来内容展示、管理的 Portal 以及若干用来创建、分析企业数据的 studio，...

werwolf 354

OpenAI，从推出更强大的Sora 2模型展开探索与未来发展前景+部署方法大全+文末邀请码*12

摘要 OpenAI推出的Sora 2是第二代AI视频生成模型，在多模态内容生成领域实现重大突破。文末足足有12个邀请码，速来速享！！！

aqfcca的博客 2248

45个经典Linux面试题（非常详细）零基础入门到精通，收藏这一篇就够了

（文件系统分配其中的一些磁盘块用来记录它自身的一些数据，如 i 节点，磁盘分布图，间接块，超级块等。$ chmod 751 file 给 file 的属主分配读、写、执行(7)的权限，给 file 的所在组分配读、执行(5)的权限，给其他用户分配执行(1)的权限。linux命令’hash’管理着一个内置的哈希表，记录了已执行过的命令的完整路径, 用该命令可以打印出你所使用过的命令以及执行的次数。创建文件：典型的如 touch，vi 也可以创建文件，其实只要向一个不存在的文件输出，都会创建文件。

小陈的博客 2071

cognos学习笔记

第一部分 准备知识  概述 （p1）     业务智能(Business Intelligence)  近年来业务智能的话题开始在国内热起来。  业务智能是在计算机应用水平达到一定程度、数据积累到一定量之后提上议事日程的一个应用领域。  业务智能是为更好的决策而对数据进行

kundu的专栏 2490

linux下redhat6.8（理论是都适用）安装oracle12c---详细教程

1、配置yum源 1)、删除Redhat自带的yum： (2)、上传centos的yum包，并按照顺序安装，所需的rpm包通过点击这里获取（放在oracle文件中的centos yum）：上传到linux中 进行安装 yum包链接：https://pan.baidu.com/s/1TxciCWEd7d-d4kGoea0L1w 提取码：eufp `` --注意后面两个安装包一起安装 ## 3)、更改系统yum源： 编辑rhel-source.repo文件，将其中的$releas

z931407229的博客 1149

cognos软件安装及其他问题

1. cognos的日志存储在哪里。COGNOS日志默认的位置在..cognoscer1；你可以在Transformer中设置日志位置。2. 如果是采用b/s方式，大虾都用cognos的什么工具来定制一些报表，怎么发布到网上？一般使用impromptu定制，使用impromptu web report发布不然就像前边别的论坛一个朋友所说，做“powerplay报表”，用powerplay ente

风之去向 2016

数据湖是什么？有什么优势？与数仓区别？未来的发展？

数据湖是什么？有什么优势？与数仓区别？未来的发展？一、什么是数据湖二、数据湖的发展三、数据湖有哪些优势四、数据湖应该具备哪些能力五、数据湖的实现遇到了哪些问题六、数据湖与数据仓库的区别七、为什么要做数据湖？区别在于？八、数据湖挑战九、湖仓一体十、目前有哪些开源数据湖组件 来源：大数据DT 一、什么是数据湖 数据湖是一种不断演进中、可扩展的大数据存储、处理、分析的基础设施；以数据为导向，实现任意来源、任意速度、任意规模、任意类型数据的全量获取、全量存储、多模式处理与全生命周期管理；并通过与各类外部异构数据

一个写湿的程序猿 9150

ComfyUI 的 LoRA 训练：秋叶 LoRA-scripts 参数设置与测试方法详解

秋叶 LoRA-scripts 的参数设置需结合理论（如模型原理、优化器机制）和硬件条件（显存、算力），新手可先按推荐值起步，再逐步调整。测试时，loss 值帮你判断训练是否正常，XYZ 图表法帮你找到最佳使用参数。掌握这些知识，你就能避开 LoRA 训练的常见坑，从 “盲目调参” 变为 “精准训练”。

2301_78150483的博客 2402

Cognos应用

PPES常见问题整理  1. 什么是PPES？PlowePlay Enterprise Server 2. Cognos服务器移植后PlowePlay Enterprise Server打不开了拒绝访问(Access is denied)这是新装的Cognos服务器，将原先服务器上的cer1/bin下执行upfpack打包，将Access Manager中用户导出，再导入到新服务器中，执行upfu

杰维智能 | Jwisdom 1万+

瑞萨单片机，把CS文件转换为CC

1、打开CC的软件： 点击坐上角的"START" 点击"Create New Project"的"GO"： 导入工程： 如下图设置后，点击"Create" 2、进入到CC的开发界面： 可以看到原启动库文件以asm文件的方式直接出现在工程中： 删除新生成的main.c，保留导入的r_main.c（以你自己的代码为准）： 注意添加所有的头文件路径： 点击"...

weixin_37611121的博客 1228

cognos

第一部分 准备知识  概述 （p1）     业务智能(Business Intelligence)  近年来业务智能的话题开始在国内热起来。  业务智能是在计算机应用水平达到一定程度、数据积累到一定量之后提上议事日程的一个应用领域。  业务智能是为更好的决策而对数据进行收集、转换、分析和分发的过程。  业务智能是把数据转化成知识的过程。包括信息的获取、分析和交流，帮助人们把获得的有用的

自强不息;厚德载物 2969

(MIUI)小米手机录音文件深度寻踪：从系统缓存到数据目录的实战解析

本文深入解析了MIUI系统中录音文件丢失的常见原因及解决方案，包括系统升级兼容性问题、应用缓存机制异常和存储权限变动。通过实战操作指南，详细介绍了如何从系统目录、数据库层面恢复录音文件，并提供了预防措施和自动化备份方案，帮助小米手机用户有效找回重要录音数据。

weixin_42699679的博客 518

【DRAM存储器四十六】LPDDR5介绍--基本操作之行操作、读、写

简述LPDDR5的行操作和读写时序

highman110的博客 764

cognos 问题汇总（转载）,稍后会上自己的总结

1. cognos的日志存储在哪里。COGNOS日志默认的位置在..cognoscer1；你可以在Transformer中设置日志位置。2. 如果是采用b/s方式，大虾都用cognos的什么工具来定制一些报表，怎么发布到网上？一般使用impromptu定制，使用impromptu web report发布不然就像前边别的论坛一个朋友所说，做“powerplay报表”，用po

a506690的专栏 5794

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

Cognos SDK java读取report报表返回XML

2011-04-08 11:56:02|  分类： cognos |字号 订阅       转自http://www.blogjava.net/zhangyuan/archive/2010/08/05/cognos-sdk-xml-string.html       对COGNOS有一定了解以后，经理逐渐发现COGNOS的强大之处，特别的立方体模型使数据仓库更有条

mic_hero的专栏 6018

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")

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Cognos产品功能介绍

  Cognos 产品构成： 系统物理结构如上图所示：共分为四层1 数据源层：包括业务数据库，数据集市，数据仓库,多维立方体以及其他来源的非关系型数据，作为查询统计分析的数据来源。2 模型定义层：模型定义层可以分为两部份，一部分通过Cognos BI Modeling将数据库在应用层定义为数据查询模型，定义的内容包括，数据库中的表字段在模型层被重新命名，重新组织

风之去向 6329

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

Cognos8导出数据包

1．在【工具】下拉菜单下,选择【内容管理】进入【内容管理】页面 ，如下图所示。2．在弹出的【内容管理】页面中选择导航条上的【新建导出】，如下图所示3．在弹出的【新建导出向导】页面中,为新建的包取名，进入下一步。4．在弹出的【选择部署 方法-新建导出向导】页面中，选择“部署方法”如下图所示。5．在弹出的【选择公共文件 夹内容-新建导出向导】页面中，选择“公共文件夹内容”且不选择“导入后禁用”选 项，如下图所示。6．进入下一步后，在弹出的【选择目录内容-新建导出向导】页面中，选择“目录内容”为“包含CO

沉思者的专栏 2363

Cognos常见错误解决办法

说明：这里面有别人的总结，也有我自己的经历，总结一下，以免以后再遇到又摸不到头脑 1、Cognos不能使用Excel打开   解决方法一：     1. 打开IE浏览器，在工具条中找到工具栏--àIntenet选项-à安全--à受信任的站点   2.点击站点，添加可信任站点http://localhost:9080/p2pd/servlet/dispatch   注意

Anthony.Hust 1万+
上一篇： 安装 MapGuide Open Source 2.0（Java版本）笔记
点赞 0
评论 0
书签 书签 1
am2000
am2000
博客等级 码龄26年 51粉丝 7原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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