键盘上每个键作用!!! (史上最全的)
F1帮助
F2改名
F3搜索
F4地址
F5刷新
F6切换
F10菜单
CTRL+A全选
CTRL+C复制
CTRL+X剪切
CTRL+V粘贴
CTRL+Z撤消
CTRL+O打开
SHIFT+DELETE永久删除
DELETE删除
ALT+ENTER属性
ALT+F4关闭
CTRL+F4关闭
ALT+TAB切换
ALT+ESC切换
ALT+空格键窗口菜单
CTRL+ESC开始菜单
拖动某一项时按CTRL复制所选项目
拖动某一项时按CTRL+SHIFT创建快捷方式
将光盘插入到CD-ROM驱动器时按SHIFT键阻止光盘自动播放
Ctrl+1,2,3... 切换到从左边数起第1,2,3...个标签
Ctrl+A 全部选中当前页面内容
Ctrl+C 复制当前选中内容
Ctrl+D 打开“添加收藏”面版(把当前页面添加到收藏夹中)
Ctrl+E 打开或关闭“搜索”侧边栏(各种搜索引擎可选)
Ctrl+F 打开“查找”面版
Ctrl+G 打开或关闭“简易收集”面板
Ctrl+H 打开“历史”侧边栏
Ctrl+I 打开“收藏夹”侧边栏/另:将所有垂直平铺或水平平铺或层叠的窗口恢复
Ctrl+K 关闭除当前和锁定标签外的所有标签
Ctrl+L 打开“打开”面版(可以在当前页面打开Iternet地址或其他文件...)
Ctrl+N 新建一个空白窗口(可更改,Maxthon选项→标签→新建)
Ctrl+O 打开“打开”面版(可以在当前页面打开Iternet地址或其他文件...)
Ctrl+P 打开“打印”面板(可以打印网页,图片什么的...)
Ctrl+Q 打开“添加到过滤列表”面板(将当前页面地址发送到过滤列表)
Ctrl+R 刷新当前页面
Ctrl+S 打开“保存网页”面板(可以将当前页面所有内容保存下来)
Ctrl+T 垂直平铺所有窗口
Ctrl+V 粘贴当前剪贴板内的内容
Ctrl+W 关闭当前标签(窗口)
Ctrl+X 剪切当前选中内容(一般只用于文本操作)
Ctrl+Y 重做刚才动作(一般只用于文本操作)
Ctrl+Z 撤消刚才动作(一般只用于文本操作)
Ctrl+F4 关闭当前标签(窗口)
Ctrl+F5 刷新当前页面
Ctrl+F6 按页面打开的先后时间顺序向前切换标签(窗口)
Ctrl+F11 隐藏或显示菜单栏
Ctrl+Tab 以小菜单方式向下切换标签(窗口)
Ctrl+Enter 域名自动完成http://www.**.com(内容可更改,Maxthon选项→地址栏→常规)/另:当输入焦点在搜索栏中时,为高亮关键字
Ctrl+拖曳 保存该链接的地址或已选中的文本或指定的图片到一个文件夹中(保存目录可更改,Maxthon选项→保存)
Ctrl+小键盘'+' 当前页面放大20%
Ctrl+小键盘'-' 当前页面缩小20%
Ctrl+小键盘'*' 恢复当前页面的缩放为原始大小
Ctrl+Alt+S 自动保存当前页面所有内容到指定文件夹(保存路径可更改,Maxthon选项→保存)
Ctrl+Shift+小键盘'+' 所有页面放大20%
Ctrl+Shift+小键盘'-' 所有页面缩小20%
Ctrl+Shift+F 输入焦点移到搜索栏
Ctrl+Shift+G 关闭“简易收集”面板
Ctrl+Shift+H 打开并激活到你设置的主页
Ctrl+Shift+N 在新窗口中打开剪贴板中的地址,如果剪贴板中为文字,则调用搜索引擎搜索该文字(搜索引擎可选择,Maxthon选项→搜索)
Ctrl+Shift+S 打开“保存网页”面板(可以将当前页面所有内容保存下来,等同于Ctrl+S)
Ctrl+Shift+W 关闭除锁定标签外的全部标签(窗口)
Ctrl+Shift+F6 按页面打开的先后时间顺序向后切换标签(窗口)
Ctrl+Shift+Tab 以小菜单方式向上切换标签(窗口)
Ctrl+Shift+Enter 域名自动完成
Alt+1 保存当前表单
Alt+2 保存为通用表单
Alt+A 展开收藏夹列表
资源管理器
END显示当前窗口的底端
HOME显示当前窗口的顶端
NUMLOCK+数字键盘的减号(-)折叠所选的文件夹
NUMLOCK+数字键盘的加号(+)显示所选文件夹的内容
NUMLOCK+数字键盘的星号(*)显示所选文件夹的所有子文件夹
向左键当前所选项处于展开状态时折叠该项,或选定其父文件夹
向右键当前所选项处于折叠状态时展开该项,或选定第一个子文件夹
自然键盘
【窗口】显示或隐藏“开始”菜单
【窗口】+F1帮助
【窗口】+D显示桌面
【窗口】+R打开“运行”
【窗口】+E打开“我的电脑”
【窗口】+F搜索文件或文件夹
【窗口】+U打开“工具管理器”
【窗口】+BREAK显示“系统属性”
【窗口】+TAB在打开的项目之间切换
辅助功能
按右边的SHIFT键八秒钟切换筛选键的开和关
按SHIFT五次切换粘滞键的开和关
按NUMLOCK五秒钟切换切换键的开和关
左边的ALT+左边的SHIFT+NUMLOCK切换鼠标键的开和关
左边的ALT+左边的SHIFT+PRINTSCREEN切换高对比度的开和关
运行
按“开始”-“运行”,或按WIN键+R,在『运行』窗口中输入:
(按英文字符顺序排列)
%temp%---------打开临时文件夹
.--------------C:/DocumentsandSettings/用户名所在文件夹
..-------------C:/DocumentsandSettings
...------------我的电脑
/--------------C盘
appwize.cpl----添加、删除程序
access.cpl-----辅助功能选项
Accwiz---------辅助功能向导
cmd------------CMD命令提示符
command--------CMD命令提示符
chkdsk.exe-----Chkdsk磁盘检查
certmgr.msc----证书管理实用程序
calc-----------启动计算器
charmap--------启动字符映射表
cintsetp-------仓颉拼音输入法
cliconfg-------SQLSERVER客户端网络实用程序
clipbrd--------剪贴板查看器
control--------打开控制面板
conf-----------启动netmeeting
compmgmt.msc---计算机管理
cleanmgr-------垃圾整理
ciadv.msc------索引服务程序
dcomcnfg-------打开系统组件服务
ddeshare-------打开DDE共享设置
dxdiag---------检查DirectX信息
drwtsn32-------系统医生
devmgmt.msc----设备管理器
desk.cpl-------显示属性
dfrg.msc-------磁盘碎片整理程序
diskmgmt.msc---磁盘管理实用程序
dvdplay--------DVD播放器
eventvwr-------一个事情查看器
eudcedit-------造字程序
explorer-------打开资源管理器
fsmgmt.msc-----共享文件夹管理器
firewall.cpl---WINDOWS防火墙
gpedit.msc-----组策略
hdwwiz.cpl-----添加硬件
iexpress-------木马捆绑工具,系统自带
inetcpl.cpl----INTETNET选项
intl.cpl-------区域和语言选项(输入法选项)
irprops.cpl----无线链接
joy.cpl--------游戏控制器
lusrmgr.msc----本机用户和组
logoff---------注销命令
main.cpl-------鼠标
mem.exe--------显示内存使用情况
migwiz---------文件转移向导
mlcfg32.cpl----邮件
mplayer2-------简易widnowsmediaplayer
mspaint--------画图板
msconfig.exe---系统配置实用程序
mstsc----------远程桌面连接
magnify--------放大镜实用程序
mmc------------打开控制台
mmsys.cpl------声音和音频设备
mobsync--------同步命令
ncpa.cpl-------网络连接
nslookup-------IP地址侦测器
netstartX----开始X服务
netstopX-----停止X服务
netstat-an----命令检查接口
netsetup.cpl---无线网络安装向导
notepad--------打开记事本
nslookup-------IP地址侦探器
narrator-------屏幕“讲述人”
ntbackup-------系统备份和还原
ntmsmgr.msc----移动存储管理器
ntmsoprq.msc---移动存储管理员操作请求
nusrmgr.cpl----用户账户
nwc.cpl--------NetWare客户服务
osk------------打开屏幕键盘
odbcad32-------ODBC数据源管理器
odbccp32.cpl---ODBC数据源管理器
oobe/msoobe/a-检查XP是否激活
packager-------对象包装程序
perfmon.msc----计算机性能监测程序
powercfg.cpl---电源选项
progman--------程序管理器
regedit--------注册表
rsop.msc-------组策略结果集
regedt32-------注册表编辑器
regsvr32/?----调用、卸载DLL文件运行(详细请在cmd中输入regsvr32/?)
sapi.cpl-------语音
services.msc---本地服务设置
syncapp--------创建一个公文包
sysedit--------系统配置编辑器
sigverif-------文件签名验证程序
sndrec32-------录音机
sndvol32-------音量控制程序
shrpubw--------共享文件夹设置工具
secpol.msc-----本地安全策略
sysdm.cpl------系统
syskey---------系统加密(一旦加密就不能解开,保护windowsxp系统的双重密码)
services.msc---本地服务设置
sfc.exe--------系统文件检查器
sfc/scannow---windows文件保护
shutdown-------关机命令(详细请在cmd中输入shutdown/?)
taskmgr--------任务管理器
telephon.cpl---电话和调制解调器选项
telnet---------远程连接程序
timedate.cpl---日期和时间
tourstart------xp简介(安装完成后出现的漫游xp程序)
tsshutdn-------60秒倒计时关机命令
utilman--------辅助工具管理器
winver---------检查Windows版本
winmsd---------系统信息
wiaacmgr-------扫描仪和照相机向导
winchat--------XP自带局域网聊天
wmimgmt.msc----打开windows管理体系结构(WMI)
wordpad--------写字板
wuaucpl.cpl----自动更新
wupdmgr--------windows更新程序
write----------写字板
wscript--------windows脚本宿主设置
wscui.cpl------安全中心
C:/windows/fonts字体
相关推荐
MT7688/MT7628-GPIO使用
7688/7628的GPIO一共有47个,GPIO0-GPIO46,这些GPIO有复用的功能,按功能模块进行配置,比如I2C有两根线,将其设置为GPIO模式,则两根就都是GPIO模式了,不可为别的功能。 一般有两种方法配置 1.通过寄存器进行配置 下面的使用前提不要被DTS或者驱动什么占用,如switch芯片的network配置 功能的定义由两个地址寄存器。 GPIO1_MODE = 0x10...
Windows快捷键
F1帮助F2改名F3搜索F4地址F5刷新F6切换F10菜单CTRL+A全选CTRL+C复制CTRL+X剪切CTRL+V粘贴CTRL+Z撤消CTRL+O打开SHIFT+DELETE永久删除DELETE删除ALT+ENTER属性ALT+F4关闭CTRL+F4关闭ALT+TAB切换ALT+ESC切换ALT+空格键窗口菜单
我的openwrt学习笔记(五):OpenWrt开发硬件平台选择—MT7688
我的openwrt学习笔记(五):OpenWrt开发硬件平台选择—MT7688 OpenWrt 目前最广泛的应用就是在路由器行业,小米智能路由器,优酷路由宝等目前市面上最火爆的路由器就是在上面开发。 路由器硬件配置信息网址 http://wiki.openwrt.org/toh/start , 所以基于openwrt的硬件平台非常之多,选择一款合适的硬件开发平台 对开发者而言非常的重要。 我目前选择的是MTK7688芯片作为开发,没有选择MT7620。MTK主推两款智能家居统芯片MT7688/MT7
MT7688 初步探索
起因 最近参加了面包板社区的测评活动,领取到了一块海凌科的MT7688开发板,外观如下。 Hilink相关资源 官网资源 官网提供了诸多的软件资源,但是大多是都是为出厂的透传固件所准备的。资源可以通过如下网站来获取: http://h.hlktech.com/mobile/download/fdetail/33 网络透传模式 出厂固件默认烧录的是Hilink定制的“傻瓜透传”固件,此固件已经集成了TCP/UDP网络透传服务,客户在使用的时候不必在使用程序或命令行来完成网络到串口的双向透传。极大的方便了
一些和 ABAP DDIC 数据字典相关的有用的数据库表
ABAP DDIC(Data Dictionary,数据字典)是 SAP 系统中用于定义和管理所有数据结构(如表、视图、数据元素等)的一个核心组件。它是 ABAP 开发环境的一部分,提供一种集中管理数据结构的机制,确保系统内数据的一致性和完整性。总的来说,DDIC 是 SAP ABAP 编程中不可或缺的基础设施,是系统中“元数据管理”的核心。介绍 ABAP DDIC 框架本身使用的一些有用的数据库表。
四旋翼滑模控制:从理论到Simulink实现
本文深入探讨了四旋翼滑模控制的理论与Simulink实现,对比了其相较于PID控制在抗干扰和鲁棒性方面的显著优势。文章详细介绍了从精确动力学建模、内外环滑模控制器设计到指令解算的完整流程,并分享了Simulink仿真搭建、参数调试及抗扰性能验证的实战经验,帮助工程师掌握在复杂环境下提升四旋翼稳定性的进阶技能。
ubuntu 系统相关有用的配置
ubuntut系统越做越好,让人使用起来很舒适,下面是常用的开环境下的搭建方法和步骤,可以给大家参考,适用于14.04以后所有的版本。一 有关双显卡切换,花屏的问题,解决方案:直接用U盘安装上ubuntu 14.10,最明显的是视觉系统效果提高了不少,如下图: 但显卡驱动不好,鼠标指针不停地闪烁,屏幕上全是鼠标指针的影子,少许的花屏...
StarUML最新版汉化与破解二合一教程:5分钟搞定永久使用
本文提供StarUML最新版的高效使用指南,涵盖从安装到深度定制的全流程优化方案。包括软件获取最佳实践、界面个性化设置、核心建模技巧、团队协作策略及性能优化建议,帮助架构师和开发团队提升UML建模效率。特别推荐版本控制集成和文档自动化输出方案,适用于各类规模的项目开发。
有用的博客整理(Android系统编译相关)
//在Ubuntu18.04中Android Studio开发环境搭建 http://baijiahao.baidu.com/s?id=1604117887374452787&wfr=spider&for=pc //AndroidStudio下载 https://developer.android.google.cn/studio Grub Rescue恢复 https:...
vTaskStartScheduler()详解
是启动 FreeRTOS 实时内核的“扳机”。在调用它之前,你只是创建了一些任务结构,但它们都处于“待命”状态,系统仍然在按传统的裸机前后台方式运行。调用这个函数后,FreeRTOS 内核会接管系统的控制权,开始根据优先级调度你创建的任务,多任务环境才真正开始。关键点:它没有参数。它的所有行为都由中的配置宏控制。它通常不会返回。一旦调用,除非没有任务可以运行(或者你显式地停止了调度器),否则程序流永远不会回到main()函数中调用它的下一行。是一个没有参数但行为由精密控制的函数。
手把手教你在VirtualBox里复活Win98,并搞定驱动和文件传输(含资源寻找攻略)
本文详细指导如何在VirtualBox中安装和配置Windows 98,包括驱动安装、文件传输等实用技巧。通过逐步教程和资源寻找攻略,帮助技术爱好者完美复刻这一经典操作系统,满足怀旧或兼容性测试需求。
Xcode 开发 有用的系统函数和相关有用代码1
调试代码若出现错误,为了快速定位错误代码位置,可用一些系统定义的宏,如: NSLog(@"错误发生位置:文件名:%s,函数名:%s,代码行数:%d",__FILE__,__FUNCTION__,__LINE__); 向iPhone模拟器中添加视频
阿里云Windows服务器部署网站全流程:从IIS配置到安全上线
Web服务器是承载网站应用、处理HTTP请求的核心软件。其工作原理是监听特定网络端口,接收客户端请求,并返回相应的网页、文件或动态生成的内容。在Windows Server环境中,IIS(Internet Information Services)作为微软官方Web服务器,凭借其与操作系统深度集成、图形化管理界面和对ASP.NET等微软技术栈的良好支持,成为许多开发者和运维人员的首选。其技术价值在于提供了稳定、可扩展的托管平台,支持从简单的静态网站到复杂的企业级Web应用。在云服务器普及的今天,将IIS部署
Xcode 开发 有用的系统函数和相关有用代码2
1 UILabel使用自定义字体 如果字体名为chops.ttf。 在info.plist中加入UIAppFonts项。 在程序中通过字体family name,找出字体名字。然后使用 label.font = [UIFont font
面经-2023-联发科MTK-数字芯片设计
面经-2023-联发科MTK-数字芯片设计
R语言中的summarise函数和mutate函数用于计算分组占比。下面是关于这两个函数的详细介绍以及相应的源代码示例:
R语言中的summarise函数和mutate函数用于计算分组占比。
Linux系统RPM命令相关使用--离线安装很有用
CentOs安装软件有两种方式:yum和rpm 。在没有网络的情况下安装一般采用RPM,下载响应的安装依赖包即可。注意:需要安装的*.rpm提示*so文件不存在之类,下载对应的安装包安装即可。 目录 RPM命令操作指南 什么是RPM RPM参数选项 如何安装软件包 如何卸载包 探索安装包 在哪儿去下载包 rpm官方 CentOS rpmfind...
AI在生物学领域的应用:基因序列分析和人工智能生物学
好的,非常感谢您提供的这个精彩的主题和详细的要求。我会全力以赴,遵循您的要求写一篇内容丰富、结构清晰、论述深入的专业技术文章。现在,就让我们开始这篇关于"AI在生物学领域的应用:基因序列分析和人工智能生物学"的博客文章吧! 1. 背景介绍 1.1 生物信息学的兴起
arduino(12):电子价标签管理系统,瞎折腾从网上搜索相关资料,有用的没有用的都罗列下,然后看看能不能做个电子价签系统,Electronic price tag
目录前言1,关于web系统2,电子价签集中器程序3,python 电子价签 前言 相关arduino 全部分类: https://blog.youkuaiyun.com/freewebsys/category_8799254.html 本文的原文连接是: https://blog.youkuaiyun.com/freewebsys/article/details/104455050 未经博主允许不得转载。 博主地址是...
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
SAP B1中文培訓教材_SDK
公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说
相关与卷积、各种误差
相关 自相关 自相关函数就是信号x(t)x(t)x(t)和它的时移信号 x(t+τ)x(t+\tau )x(t+τ) 的乘积平均值。它是时移变量 τ\tauτ 的函数。 “自相关”这种数据处理方法,可以发现隐藏在杂乱信号中的有用信息。这个能力是相当重要的,因为工程实际中的信号,不可避免地要受到各种干扰,严重的时候会完全淹没真正有用的数据。自相关能找出重复信息(被噪声掩盖的周期信号),或识别隐含在信号谐波频率中消失的基频,它常用于时域信号的分析。 性质 偶函数 不论时移方向是导前还是滞后(τ为正或负),
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")
Android系统芯片相关硬件ID信息查询方法
Android系统芯片相关硬件ID信息 /sys/comip目录下存放这几个芯片ID相关的文件,通过cat他们的内容可以获取芯片的相关信息 /sys/comip/bb_id /sys/comip /board_info /sys/comip/chip_id /sys/comip/gsm2_voltage /sys/comip/gsm_voltage /sys/comip/net_mode_sel /sys/comip/rom_id /sys/comip/rtc_alarm /sys/c.
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具
GTE+SeqGPT语义搜索A/B测试框架:人工评估指标(相关性/有用性/新颖性)
本文介绍了如何在星图GPU平台上自动化部署AI语义搜索与轻量化生成实战项目(GTE + SeqGPT)镜像,以构建一套用于评估AI问答系统质量的人工A/B测试框架。该框架通过人工评估答案的相关性、有用性和新颖性,帮助开发者量化并优化AI系统的实际表现,使其从“能运行”迈向“真正好用”。
Ubuntu Nodejs以及相关工具的安装
推荐使用方法二或方法三,可以获得更新的Node.js版本,以支持最新的JavaScript特性和工具。安装)通常是跨项目通用的命令行工具,能显著提升开发效率。Node.js 的全局工具(通过。
gost 相关1
1.一键还原 gost 2.yu lin mu feng 转载于:https://www.cnblogs.com/liulf/archive/2009/06/19/1506708.html
Linux系统上程序自动关闭可以用dmesg -T排查原因
dmesg -T 这个命令可以显示很多系统进程相关的日志信息 输入这个命令之后,会显示例如下面的这些东西 其中可以看到它提示我在上午十点的时候建立了太多的TCP连接,而且在10:10:42的时候,内存超出了上限,并且自动的killed掉了我的进程,这些信息还是十分有用的。 ...
SAP 那些不常用,但是有用的数据表-底表
摘要:本文介绍了SAP系统中多个关键后台表的结构与功能,包括数据表参数(FUPARAREF)、字段定义(DD03M)、事务代码(TSTC)、程序信息(TRDIR)、函数模块(TFTIT)等核心表。这些表存储了系统元数据如字段位置、事务代码映射、程序源码、表单文本等内容,可用于查询表结构、事务功能、程序描述等信息。通过合理使用这些表,开发人员可以快速获取系统对象的详细属性和描述信息,提高开发效率。文章还说明了如何通过这些表进行数据表描述查询、事务程序查找等常见操作。
5966



被折叠的 条评论
为什么被折叠?



