27、Gmail与Google Calendar使用指南

Gmail与Google Calendar使用指南

1. Gmail基本操作

当你在浏览器窗口中打开并运行Gmail后,查看屏幕左侧,你会看到一些熟悉的文件夹,如收件箱、已发送邮件、草稿、垃圾邮件和垃圾箱,还有一些新的文件夹,包括星标邮件和聊天记录。收件箱旁边的 (1) 表示有一封未读邮件等待处理。

文件夹名称 说明
收件箱 接收的邮件存放处
已发送邮件 已发送的邮件记录
草稿 未完成发送的邮件暂存处
垃圾邮件 系统判定的垃圾邮件存放处
垃圾箱 已删除邮件的临时存放处
星标邮件 标记为重要的邮件
聊天记录 聊天相关的邮件

点击任何一个文件夹,会显示其中存储的邮件。邮件显示在文件夹列表的右侧,点击邮件即可打开查看,并可进行回复、转发等操作。

当打开一封邮件后,邮件顶部边缘有六个按钮:
- 存档:将邮件发送到所有邮件文件夹。
- 举报垃圾邮件:将邮件发送到垃圾邮件文件夹,并阻止该发件人再次进入收件箱。
- 删除:将邮件发送到垃圾箱。
- 移动到:提供移动邮件到其他文件夹的选项。
- 标签:可对邮件添加标签。
- 更多操作:提供其他一些操作选项。

点击邮件右上角的回复按钮,会出现一系列选项:
- 回复
- 回复所有人
- 转发
- 打印
- 删除此邮件
- 过滤此类邮件:可设置过滤规则。
- 举报网络钓鱼:如果邮件试图获取你的财务或个人信息,点击此选项,Google将调查发件人。

你还可以点击Gmail屏幕右上角的帮助链接,了解更多Gmail功能。

mermaid流程图如下:

graph LR
    A[打开Gmail] --> B[查看左侧文件夹]
    B --> C{选择文件夹}
    C --> D[查看文件夹内邮件]
    D --> E{点击邮件}
    E --> F[打开邮件]
    F --> G[进行回复、转发等操作]
    F --> H[点击顶部按钮进行存档、举报等操作]
    F --> I[点击回复按钮选择回复方式]

2. 进入Google Calendar

点击屏幕左上角的日历链接,即可进入Google Calendar。

2.1 日历视图

日历首次打开时显示为周视图,以列形式展示当前一周,预约以方块形式呈现。你可以按下键盘上的M键,将日历切换到月视图,这也是本文推荐的视图。

此外,还有日视图、4天视图和议程视图。你可以点击相应的标签查看不同的日历显示方式,也可以点击左右箭头在不同月份之间切换。

2.2 添加日程

对于大多数日历用户来说,最重要的操作是添加日程(Google术语中称为事件)。添加日程有两种方法:
- 方法一 :点击创建事件按钮,输入描述、开始和结束日期及时间,完成后点击保存按钮,事件将添加到日历中。
- 方法二 :在月视图中点击具体日期,或在日视图或周视图中点击具体时间,会弹出一个小窗口。输入事件的简短描述和时间,点击创建事件按钮即可完成添加。Google Calendar会根据描述自动填充事件的详细信息。

mermaid流程图如下:

graph LR
    A[进入Google Calendar] --> B{选择视图}
    B --> C[周视图]
    B --> D[月视图]
    B --> E[日视图]
    B --> F[4天视图]
    B --> G[议程视图]
    C --> H{添加日程}
    D --> H
    E --> H
    F --> H
    G --> H
    H --> I[方法一:点击创建事件按钮]
    H --> J[方法二:点击日期或时间]
    I --> K[输入描述、时间等信息]
    J --> K
    K --> L[点击保存或创建事件按钮]
    L --> M[日程添加成功]

3. 操作对比总结

为了更清晰地了解Gmail和Google Calendar的操作,下面通过表格进行对比总结:
| 操作场景 | Gmail | Google Calendar |
| ---- | ---- | ---- |
| 查找功能入口 | 屏幕操作,如点击回复按钮、顶部边缘按钮等获取操作选项 | 点击屏幕左上角日历链接进入,通过视图标签和箭头切换视图 |
| 主要操作 | 邮件的查看、回复、转发、存档、举报等 | 日程的添加,通过不同视图和方式添加 |
| 操作便捷性 | 操作围绕邮件处理,按钮功能明确,回复选项丰富 | 添加日程有多种方式,可根据不同视图灵活操作 |

4. 注意事项

在使用Gmail和Google Calendar时,有一些注意事项需要了解:
- Gmail方面
- 在举报垃圾邮件或网络钓鱼时,要确保判断准确,避免误操作。
- 对于过滤此类邮件的选项,设置规则时要考虑周全,防止重要邮件被误过滤。
- Google Calendar方面
- 在添加日程时,输入的描述要尽量详细准确,以便Google Calendar能更好地自动填充信息。
- 不同视图有不同的特点,根据自己的使用习惯选择合适的视图,提高日程管理效率。

5. 操作流程回顾

为了帮助大家更好地回顾整个操作流程,下面再次通过mermaid流程图展示:

graph LR
    A[开启操作] --> B[打开Gmail]
    A --> C[进入Google Calendar]
    B --> D[邮件操作:查看、回复等]
    B --> E[邮件处理:存档、举报等]
    C --> F[选择日历视图]
    F --> G[添加日程]
    D --> H[完成邮件操作]
    E --> H
    G --> I[完成日程添加]
    H --> J[结束Gmail操作]
    I --> K[结束Google Calendar操作]
    J --> L[操作结束]
    K --> L

综上所述,Gmail和Google Calendar是非常实用的工具,通过掌握它们的基本操作和注意事项,能帮助我们更高效地处理邮件和管理日程。希望大家在实际使用中能充分发挥它们的优势,提升工作和生活效率。

相关推荐

Gemini Advanced开通全指南:破解地域限制与订阅失效问题

Gemini Advanced并非普通升级服务,而是基于Gemini Ultra大模型的AI计算服务接口,其核心涉及模型推理、实时数据管道与安全合规三重技术架构。理解其本质需从AI服务订阅制原理切入:它通过严苛的地理身份校验、支付国籍匹配和账户行为审计实现资源配额管控,技术价值在于为专业用户提供TPU v5e集群上的高精度、低延迟AI推理能力。典型应用场景包括代码解释、长文档分析、多模态文件处理及自动化工作流编排。本文聚焦实际落地中的地域限制突破、订阅失效根因与稳定运行策略,覆盖IP/时区/语言协同配置、支

weixin_34116110的博客 341

Gemini不是挑战ChatGPT,而是重构工作流的AI操作系统

大模型正从单轮问答(Q&A)范式迈向多模态协同工作流——这一技术演进本质是AI从‘回答问题’转向‘消解问题’。其核心原理在于统一架构下的跨模态对齐、原生工具调用与动态知识图谱构建,技术价值体现在低延迟、高准确率与强场景自适应性。典型应用场景覆盖Gmail智能摘要、Docs实时重写、Sheets图表联动等企业级办公闭环。区别于通用对话模型,Gemini依托Google搜索基建与Workspace生态,实现身份、API、设备端深度集成,让AI能力自然嵌入用户每日第17个标签页。本文聚焦Gemini作为‘下一代工

weixin_33835103的博客 463

GPT与Gemini企业级能力对比:API优先vs工作流原生

大模型企业落地已超越单纯比拼参数或榜单分数,进入能力栈完整性竞争阶段。核心在于理解‘模型即服务(MaaS)’与‘AI即工作流(AI-as-Workflow)’两种技术范式——前者以OpenAI GPT为代表,强调可编排、可审计的原子化API能力;后者以Google Gemini为典型,深度耦合身份体系、终端策略与跨应用数据融合。这种差异直接决定企业在权限治理、数据主权、合规审计和低代码集成等关键场景的适配效率。尤其当面临‘gemini无法登录’‘gpt充值失败’等高频问题时,本质是底层权限模型与IT治理体系

weixin_34345753的博客 457

Gemini笔记本:个人AI知识库的语义索引革命

知识库本质上是为应对信息过载而生的认知基础设施,其核心原理在于将离散信息转化为可检索、可推理、可演化的语义网络。传统工具依赖关键词匹配与手动分类,导致知识沉睡、关联断裂;而以Gemini笔记本为代表的新型个人AI知识库,依托跨模态嵌入模型与上下文继承机制,实现自动语义索引与动态知识图谱轻量化构建。这种技术价值在于降低知识激活门槛,让信息在真实工作流中‘主动浮现’——例如在撰写报告时自动关联历史邮件、会议记录与表格数据。典型应用场景覆盖职场人深度复盘、学生课程知识整合、自由职业者项目复用等高频认知负荷任务。本

weixin_33713503的博客 584

Codex不是代码工具,而是可配置的智能体中枢

智能体(Agent)是当前AI工程化落地的核心范式,指具备感知、规划、执行与记忆能力的自主任务系统。其原理在于将大模型作为‘大脑’,通过执行层沙盒、动态模型路由和可插拔工具链构成闭环工作流。技术价值体现在摆脱Prompt依赖、实现跨应用自动化与数字现实操作。典型应用场景包括邮件信息抽取、销售数据分析、法律文书生成及端到端业务流程编排。本文聚焦Codex这一面向非程序员的智能体中枢,解析其Agent OS三层架构与零代码任务配置方法,帮助用户从‘对话式AI’跃迁至‘动作式智能体’实践。

weixin_34195364的博客 460

OpenClaw AI助手核心概念与实战指南

大语言模型(LLM)作为当前AI技术的核心组件,通过token化处理实现自然语言理解与生成。在工程实践中,温度系数(Temperature)和Top-p采样等参数控制着模型输出的随机性与精确度。这些基础概念直接影响着AI助手类产品的交互质量与性能表现。以开源项目OpenClaw为例,系统提示(System Prompt)和思维链(Chain-of-Thought)等提示工程技术,结合分层记忆系统和技能(Skill)扩展机制,构建了完整的AI代理(Agent)解决方案。这类技术可广泛应用于智能日历管理、邮件自

z466459262的专栏 462

Claude Opus 4.5工作流实战:零代码构建可交付AI生产力系统

AI工作流本质上是将重复性脑力劳动转化为结构化、可复用的数字资产。其核心在于模型对长上下文的理解能力、指令遵循精度与外部连接稳定性三者的协同——这直接决定自动化产出是否具备工业级可用性。Claude Opus 4.5凭借原生支持Projects封装、Web Search实时检索、多连接器双向数据管道等特性,在中文语境下的SEO关键词控制、跨文件逻辑保持、HTML/CSS/JS端到端生成等关键任务中表现突出。它不依赖API开发或JSON Schema配置,而是通过Instructions+Memory+Fil

a4512138的专栏 384

Gemini 3.1 Pro办公实战:打工人六把AI手术刀

大语言模型在办公场景中的应用,正从通用问答走向深度任务协同。其核心价值在于语义理解、多源整合、意图识别、风格迁移、逻辑校验与知识编织等底层能力——这些能力共同支撑起现代职场中信息处理、跨系统协作与决策提效的真实需求。Gemini 3.1 Pro凭借128K上下文、多模态解析及Workspace原生集成,显著提升了长文档定位、会议纪要蒸馏、邮件角色镜像等高频办公任务的准确率与一致性。尤其在法律合同审查、跨部门数据对齐、PRD逻辑缝合等专业场景中,展现出远超传统工具的结构化处理能力。本文聚焦打工人真实工作流,拆

weixin_33720956的博客 445

执业者行政减负四步法:识别关键决策点,释放专业时间

行政负担并非单纯的时间占用,而是对临床专注力、专业判断力和职业价值感的系统性侵蚀。其本质是高频、低创造性、强合规依赖的事务性操作与执业者核心能力之间的错配。解决路径不在于更换工具或增加人手,而在于重构‘谁来做’的底层逻辑——通过精准识别必须由持证人员完成的‘关键决策点’,将可标准化、可验证、非资质依赖的执行环节移交助理或交由零代码自动化触发。该方法已在国内康复治疗、心理咨询、中医诊疗等多类持证服务场景中验证,实现单事务处理时效下降70%以上、深度工作时长日均提升90分钟。本文即围绕这一可落地、可度量、可持续

cumian9828的博客 729

ChatGPT如何从执行器升级为职场协作者

虚拟助手正经历从‘听清指令’到‘理解意图并协同决策’的本质跃迁。传统语音助手依赖声学识别与规则响应,而以ChatGPT为代表的新一代AI,基于大语言模型的语义泛化、多源信息融合与决策权重协商能力,重构了人机协作范式。其技术价值不在于替代人类,而在于作为‘认知接口’嵌入现有工具链,将碎片化数据(如会议录音、邮件、客户反馈)结构化为可执行行动项。典型应用场景包括会议纪要压缩、高情商邮件生成、用户反馈转PRD、知识经验编纂等。本文聚焦真实工作流落地,强调提示词工程、人机责任切片与事实锚点验证等关键实践方法。

weixin_30908103的博客 389

AOSP -- 第一章 概述

在 AOSP 开源底层与面向消费者的设备之间,还存在一层厂商定制层。厂商定制界面品牌核心修改内容三星一体界面自定义系统界面、多窗口增强、桌面模式、诺克斯安全体系、S Pen 手写笔适配、自研相机架构小米MIUI / 澎湃 OS重度定制界面、自研桌面、控制中心、安全应用、应用双开功能OPPO / 一加色彩 OS / 氧 OS自定义息屏显示、桌面负一屏、禅定模式、定制图库与相机谷歌像素原生体验材质你动态取色主题、像素专属桌面、张量芯片专属优化、像素独占功能华为EMUI / 鸿蒙。

dengfuma的专栏 291

micro:bit+IFTTT云控入门:零代码实现物联网第一课

物联网云控本质是设备与云端的指令协同,其核心在于事件触发、协议适配与动作执行的闭环。micro:bit凭借极简硬件抽象和图形化编程,天然适配初学者对‘可控性’与‘可感知性’的需求;IFTTT则以低代码Webhook机制屏蔽HTTP、TLS、DNS等底层复杂性,将云控简化为‘发信号→收响应’的语义映射。该组合不追求性能,而聚焦控制权移交路径的可视化——从按键物理动作,到蓝牙广播,再到手机代理转发及跨平台自动化,完整呈现云控的技术分层逻辑。适用于教育实训、创客入门与轻量级智能场景快速验证。

weixin_30861459的博客 543

Java实战:基于Spring AI Alibaba Graph构建HR自动化AI Agent

AI Agent作为能够感知环境、自主决策并执行动作以实现目标的智能程序,其核心原理在于将复杂任务分解为可编排的工作流。在Java技术栈中,Spring AI框架为集成各类大模型提供了统一抽象,而Alibaba Graph扩展则引入了图编排模型,通过节点和边来可视化、声明式地定义复杂逻辑,显著提升了工作流的可维护性和灵活性。这种技术组合的价值在于能够将AI能力无缝融入后端业务系统,实现自动化处理。其应用场景广泛,例如在HR自动化领域,可用于简历智能筛选、面试邀约等重复性高、标准不一的流程。本文以“HR自动化

weixin_34109408的博客 554

27、Mastering Gmail and Google Calendar for Enhanced Productivity

This blog post explores how to enhance productivity using Gmail and Google Calendar. It covers effective email organization techniques with labels and filters in Gmail, as well as managing and sharing calendars in Google Calendar. Additionally, it explains

sunny的博客 69

个人助理 Agent:日程与邮件管理 Harness

自动拉取未读邮件,识别其中的日程邀约,提取核心信息(时间、主题、参会人)自动查询你的日历空闲时间,判断邀约时间是否冲突,无冲突则自动同意并添加日程,有冲突则自动生成3个可选空闲时间发起协商自动给邀约方发送回复邮件,所有对外发送的内容支持人工二次确认,避免出错每天早上自动发送当日日程汇总,会议前15分钟自动推送提醒支持自然语言指令,你说一句“下周三下午2点和王总开项目复盘会”,它自动添加日程并给王总发邀请邮件。

小白菜的博客 443

两路半桥LLC谐振变换器软开关Simulink仿真(模拟谐振参数不同、分裂电容)

内容概要:本文介绍了“两路半桥LLC谐振变换器软开关Simulink仿真”资源包,重点在于基于Simulink平台对两路半桥LLC谐振变换器进行高精度建模与动态仿真,特别考虑了谐振参数不一致及分裂电容等非理想工况对系统性能的影响。该仿真模型不仅涵盖了主电路拓扑、软开关实现机制与谐振网络设计,还深入分析了不同参数配置下系统的启动特性、稳态效率、动态响应及软开关条件的满足情况。通过参数扫描与对比仿真,帮助用户掌握LLC变换器的关键设计要素与优化方法,具备较强的工程指导价值和科研教学意义。; 适合人群:电力电子、电气工程及其自动化等相关专业的高校师生,以及从事高频开关电源、新能源变换器、车载充电机等领域的研发工程师和技术人员。; 使用场景及目标:① 掌握两路并联半桥LLC谐振变换器的建模与仿真方法;② 理解软开关技术在提升变换器效率与降低EMI方面的关键作用;③ 分析谐振参数偏差与分裂电容结构对系统均流特性、增益曲线及软开关范围的影响;④ 支持科研项目中的拓扑验证、控制策略开发与故障工况分析; 阅读建议:建议结合Simulink仿真模型与配套说明文档进行学习,重点关注谐振腔参数设置、驱动时序设计及软开关波形观测;可通过调整谐振电感、电容值或引入参数失配,观察系统行为变化,深入理解LLC变换器的稳定边界与优化设计原则。

简易电梯控制系统设计(两层楼)(

(电子科技大学 数字系统实验二 结课验收项目 ) 题目要求:

m0_48801027的博客 1万+

Hadoop与Kafka集群部署与优化实践指南

分布式系统是现代大数据处理的核心架构,其中Hadoop作为分布式存储与计算框架,Kafka作为分布式消息队列系统,共同构成了实时数据处理的基础设施。通过HDFS实现海量数据存储,结合YARN进行资源调度,而Kafka则保障了数据流的实时传输与高吞吐。这种技术组合在电商用户行为分析、物联网数据采集等场景中表现卓越。部署过程中需关注硬件资源配置、关键参数调优以及集群监控方案,例如通过调整HDFS块大小和Kafka partition数量来优化性能。合理运用Flume、Spark Streaming等工具可实现系

weixin_29061997的博客 363

GD32F303实战:用定时器4触发ADC2+DMA,实现10ms精准采样1024点的完整流程

本文详细介绍了在GD32F303微控制器上使用Timer4触发ADC2配合DMA传输,实现10ms精准采样1024点的完整方案。从硬件架构设计、时钟树配置到定时器参数计算,提供了完整的工程实现流程和常见问题排查方法,适用于工业传感器监测等高实时性场景。

weixin_29194693的博客 433

一文吃透 SAP IDoc 状态码:从 TEDS1 到 WE02 排障,再到 ABAP 自动化监控

在 SAP 集成场景里,IDoc 往往是最常见、也最容易被低估的一条生命线:采购订单、发票、主数据、库存移动……只要系统之间要稳定地交换结构化业务数据,IDoc 就经常登场。真正让人头疼的,并不是 IDoc 本身,而是它在链路里到底走到了哪一步、卡在了哪里、该找谁背锅。这篇文章把常用的 IDoc 状态码按出站、入站拆开讲清楚,并且把每个状态对应的真实世界故障现象、排查入口、以及可以落地的 ABAP 监控代码串起来,让你看到状态码就能想到动作。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 410

电池管理系统(BMS)软件:CATL BMS二次开发_(1).CATL BMS软件概述

CATL BMS软件的保护机制是确保电池组安全和可靠运行的关键部分。通过高精度的传感器和智能算法,BMS可以实时监测电池组的状态,及时采取保护措施。二次开发中,可以根据特定的应用需求,增加新的传感器、优化算法、扩展通信接口等,进一步提高系统的性能和可靠性。维护和扩展则是确保系统长期稳定运行的重要手段。希望以上内容对您理解CATL BMS软件的保护机制有所帮助。如果您有任何进一步的问题或需要更详细的解释,欢迎随时提问。

zhubeibei168的博客 1460

教程: 将 SolidWorks 设计导出为 ROS 的 URDF

请按照以下步骤应用自定义徽标纹理:创建徽标材质文件:techniquepass材质名称:测试/材质颜色属性:环境、漫反射、镜面和发射都设置为白色(1 1 1 1),这意味着该材质看起来完全是白色的。纹理 在表面应用纹理图像 logo.png。将材质文件复制到 gazebo matrial:复制徽标图像:将 “徽标 ”替换为机器人上徽标所在位置的适当参考值。按照以上步骤,您就可以在 Gazebo 中为机器人添加自定义材质和纹理,包括徽标。

机器人控制与仿真应用 2459

Windows 11 WSL2环境下OpenClaw部署的兼容性问题分析与解决方案研究

本文研究了OpenClaw在Windows 11 WSL2环境下的部署方案。WSL2通过无缝集成Linux与Windows系统,为OpenClaw提供了良好的运行环境,支持GPU加速和跨平台开发。文章详细分析了硬件配置要求(推荐8核CPU/16GB内存/NVMe SSD)、系统选择(Windows 11 Pro+Ubuntu 22.04)以及部署步骤,包括WSL2启用、Linux发行版安装、Python/Node.js/Redis等依赖配置。通过优化.wslconfig文件参数(如内存分

博客 2284

webrtc+uniapp(h5和app)实现在线聊天功能 uniapp+网页+服务端源码

uniapp端代码 服务端代码 public/index.html

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 755

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/

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

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: 17、基于学习的域内QoS路由方法研究
下一篇: 82、计算听觉场景分析:模拟人类听觉表现的模型探索
code8
博客等级 码龄17年 65粉丝 1720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  | 博主筛选后可见
 
 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