HTML5 Canvas 基础API和实例

vue项目中使用canvas,设置canvas背景图,叠加图片,实现鼠标拖动 , 截图保存等功能 因为这个是我的项目代码,所以代码复制过去也用不了,只是给各位做个参考。 canvas背景图,鼠标拖动图片,获取图片在canvas的位置,截图保存等功能 <template> <div> <div class="clearfix"> <div class="leftdiv"> <canvas id="mycanvas" width="600" height="820" @mousedown="touchmove" @mousemove= 阅读详情

        开发HTML代码是一件简单的事情,一个文字编辑器,然后一个支持HTML5的浏览器即可(本人的浏览器是Firefox8.0.1)。了解HTML的朋友应该知道,HTML5中最让人兴奋的API是canvas,它给了HTML5开发者随意涂鸦的能力。下来我们一起来了解canvas。

        HTML5中新增了<canvas>画布标签,通过它,可以使用JavaScript在网页中绘制图像。<canvas>标签在网页中得到的是一个矩形空白区域,可以通过width和height属性来调整其宽和高。创建一个Canvas画布的方法如下:

<canvas id=”canvas” width=”600” height=”400”></canvas>    

        可以在标签中添加<canvas>标签不可用时的替代文本,如下所示:

<canvas id=”canvas” width=”600” height=”400”>    
         <p>Your browserdoes not support the canvas element.</p>    
</canvas>    

        建议测试以上代码,以便了解canvas不可用的显示

 

       <canvas>标签本身并不具备画图的能力,其本身只是为JavaScript提供了一个绘制图像的区域,因此画图工作需要再JavaScript中完成。如下所示是画图之前需要的准备工作:

var canvas = document.getElementById(“canvas”);    
var context2D = canvas.getContext(“2d”);    

       首先需要获取到网页中的画布对象,然后用getContext()方法从画布中得到二维绘制对象(传统概念中的画笔)。getContext()方法的参数”2d”即表示二维(据说以后会扩展到三维,而目前唯一可用的参数只有”2d”)。
       得到的Context对象是HTML5的内建对象,其中包含了许多图形绘制和调整的方法,在JavaScript中通过操作它即可以在Canvas画布中绘制所需的图形。

 

基础API:

字符串

       使用Context对象的fillText()方法能够在画布中绘制字符串。fillText()方法的原型如下:

void fillText(text, left,top, [maxWidth]);

       其四个参数的含义分为是:需绘制的字符串,绘制到画布中时左上角在画布中的横坐标及纵坐标,绘制的字符串的最大长度。其中最大长度maxWidth是可选参数。另外,可以通过改变Context对象的font属性来调整字符串的字体以及大小,默认为”10px sans-serif”。

       代码实例:

<!DOCTYPE HTML>
<html>
<body>
<canvas id="canvas" width="200"height="100">    
         <p>Your browserdoes not support the canvas element!</p>    
</canvas>    
     
<script type="text/javascript">    
window.onload = function() {    
         var canvas =document.getElementById("canvas");    
         var context2D =canvas.getContext("2d");    
            
         context2D.font ="30px Times New Roman";    
         context2D.fillText("HelloCanvas!", 10, 35);    
}    
</script>    
</body>
</html>


     运行效果:

 

路径

HTML5 Canvas的基本图形都是以路径为基础的。通常使用Context对象的moveTo()、lineTo()、rect()、arc()等方法先在画布中描出图形的路径点,然后使用fill()或者stroke()方法依照路径点来填充图形或者绘制线条。

通常,在开始描绘路径之前需要调用Context对象的beginPath()方法,其作用是清除之前的路径并提醒Context开始绘制一条新的路径,否则当调用stroke()方法的时候会绘制之前所有的路径,影响绘制效果,同时也因为重复多次操作而影响网页性能。另外,调用Context对象的closePath()方法可以显式地关闭当前路径,不过不会清除路径。

以下是一些描绘路径的方法的原型:

void moveTo(x, y);

用于显式地指定路径的起点。默认状态下,第一条路径的起点是画布的(0, 0)点,之后的起点是上一条路径的终点。两个参数分为表示起点的x、y坐标值。

void lineTo(x, y);

用于描绘一条从起点从指定位置的直线路径,描绘完成后绘制的起点会移动到该指定位置。参数表示指定位置的x、y坐标值。

void rect(left, top,width, height);

用于描绘一个已知左上角顶点位置以及宽和高的矩形,描绘完成后Context的绘制起点会移动到该矩形的左上角顶点。参数表示矩形左上角顶点的x、y坐标以及矩形的宽和高。

void arcTo(x1, y1, x2, y2,radius);

用于描绘一个与两条线段相切的圆弧,两条线段分别以当前Context绘制起点和(x2, y2)点为起点,都以(x1, y1)点为终点,圆弧的半径为radius。描绘完成后绘制起点会移动到以(x2, y2)为起点的线段与圆弧的切点。

void arc(x, y, radius,startAngle, endAngle, anticlockwise);

用于描绘一个以(x, y)点为圆心,radius为半径,startAngle为起始弧度,endAngle为终止弧度的圆弧。anticlockwise为布尔型的参数,true表示逆时针,false表示顺时针。参数中的两个弧度以0表示0°,位置在3点钟方向;Math.PI值表示180°,位置在9点钟方向。

void quadraticCurveTo(cpx,cpy, x, y);

用于描绘以当前Context绘制起点为起点,(cpx,cpy)点为控制点,(x, y)点为终点的二次样条曲线路径。

void bezierCurveTo(cpx1,cpy1, cpx2, cpy2, x, y);

用于描绘以当前Context绘制起点为起点,(cpx1,cpy1)点和(cpx2, cpy2)点为两个控制点,(x, y)点为终点的贝塞尔曲线路径。

 

路径描绘完成后,需要调用Context对象的fill()和stroke()方法来填充路径和绘制路径线条,或者调用clip()方法来剪辑Canvas区域。以上三个方法的原型如下:

void stroke();

用于按照已有的路径绘制线条。

void fill();

用于使用当前的填充风格来填充路径的区域。

void clip();

用于按照已有的路线在画布中设置剪辑区域。调用clip()方法之后,图形绘制代码只对剪辑区域有效而不再影响区域外的画布。如调用之前没有描绘路径(即默认状态下),则得到的剪辑区域为整个Canvas区域。

 

此外,Context对象还提供了相应的属性来调整线条及填充风格,如下所示:

strokeStyle

线条的颜色,默认为”#000000”,其值可以设置为CSS颜色值、渐变对象或者模式对象。

fillStyle

填充的颜色,默认为”#000000”,与strokeStyle一样,值也可以设置为CSS颜色值、渐变对象或者模式对象。

lineWidth

线条的宽度,单位是像素(px),默认为1.0。

lineCap

线条的端点样式,有butt(无)、round(圆头)、square(方头)三种类型可供选择,默认为butt。

lineJoin

线条的转折处样式,有round(圆角)、bevel(平角)、miter(尖角)三种;类型可供选择,默认为miter。

miterLimit

线条尖角折角的锐利程序,默认为10。

 

实例代码:

<!DOCTYPE HTML>
<html>
<body>
<canvas id="canvas" width="600"height="400">    
         <p>Your browserdoes not support the canvas element!</p>    
</canvas>    
     
<script type="text/javascript">    
window.onload = function() {    
         var canvas =document.getElementById("canvas");    
         var context2D =canvas.getContext("2d");    
            
         //绘制相交的线段    
         context2D.beginPath();    
         context2D.moveTo(50,50);    //指定一条线段的起点
         context2D.lineTo(100,100);     //指定一条线段的终点
         context2D.moveTo(200,50);    
         context2D.lineTo(100,100);    
         context2D.stroke();    
		 
         //绘制与这两条线段相切的红色圆弧    
         context2D.beginPath();    //清除之前的路径并提醒Context开始绘制一条新的路径,否则当调用stroke()方法的时候会绘制之前所有的路径
         context2D.strokeStyle= "#ff0000";    
         context2D.moveTo(50,50);    
         context2D.arcTo(100,100, 200, 50, 100);  //很明显,这里的参数不好设置……  
         context2D.stroke();    
         //绘制一个蓝色的圆    
         context2D.beginPath();    
         context2D.strokeStyle= "#ff0000";    
         context2D.arc(300,250, 100, 0, Math.PI*2 , false);    //注意这里的参数是弧度制,而不是角度制
         context2D.stroke();    
         //将上面的圆填充为灰色    
         context2D.fillStyle ="#a3a3a3";    
         context2D.fill();    
         //在上面的圆中剪辑一个圆形方形区域    
         context2D.beginPath();    
         context2D.rect(250,200, 100, 100);    
         context2D.clip();    //这个方法确实很土,需要借助于默认的矩形或者制定的矩形,而不能自定义矩形
         //在剪辑区域中填充一个大于该区域尺寸的矩形    
         context2D.fillStyle ="yellow";    
         context2D.fillRect(0,0, 400, 400);    
}    
</script>     
</body>
</html>


       效果如下:

 

画布背景

在上面的例子中,调用了fillRect()方法。实际上,Context对象拥有3个方法可以直接在画布上绘制图形而不需要路径,可以将其视为直接在画布背景中绘制。这3个方法的原型如下:

void fillRect(left, top,width, height);

用于使用当前的fillStyle(默认为”#000000”,黑色)样式填充一个左上角顶点在(left, top)点、宽为width、高为height的矩形。

void strokeRect(left, top,width, height);

用于使用当前的线条风格绘制一个左上角顶点在(left, top)点、宽为width、高为height的矩形边框。

void clearRect(left, top,width, height);

用于清除左上角顶点在(left,top)点、宽为width、高为height的矩形区域内的所有内容。

 

图片

Context对象中拥有drawImage()方法可以将外部图片绘制到Canvas中。drawImage()方法的3种原型如下:

drawImage(image, dx, dy);

drawImage(image, dx, dy,dw, dh);

drawImage(image, sx, sy,sw, sh, dx, dy, dw, dh);

下图展示了原型中各参数的含义:

其中,image参数可以是HTMLImageElement、HTMLCanvasElement或者HTMLVideoElement。第三个方法原型中的sx、sy在前两个中均为0,sw、sh均为image本身的宽和高;第二和第三个原型中的dw、dh在第一个中也均为image本身的宽和高。

如下的示例将一张远程图片绘制到了画布中:

 

<!DOCTYPE HTML>
<html>
<body>
<canvas id="canvas" width="600"height="400">    
         <p>Your browserdoes not support the canvas element!</p>    
</canvas>    
     
<script type="text/javascript">    
	window.onload = function() {    
         var canvas =document.getElementById("canvas");    
         var context2D =canvas.getContext("2d");    
         var pic = new Image(); 
		 pic.onload=function(){
		 context2D.drawImage(pic,0, 0);
		}		 
         pic.src ="http://imgsrc.baidu.com/forum/pic/item/e6b14bc2a4561b1fe4dd3b24.jpg";       
		 
	}    
</script>    
</body>
</html>


效果如下:

 


 

你如果有兴趣,可以把以上代码改为这样:

<canvas id="canvas" width="600"height="400">    
         <p>Your browserdoes not support the canvas element!</p>    
</canvas>    
     
<script type="text/javascript">    
window.onload = function() {    
         var canvas =document.getElementById("canvas");    
         var context2D =canvas.getContext("2d");    
            
         var pic = new Image();    
         pic.src ="http://imgsrc.baidu.com/forum/pic/item/e6b14bc2a4561b1fe4dd3b24.jpg";    
         context2D.drawImage(pic,0, 0);    
}    
</script>    


然后总结两种方式为什么会出现差异。

 

 

 

 

 

 

 

本文主要参考http://www.html5china.com/HTML5features/canvas/20111207_3182.html,另外加入了一些自己的看法。

HTML5 Canvas时钟制作初体验 HTML5 Canvas API是现代Web图形的一个重大突破,它提供了一种通过JavaScript在网页上绘制图形的方式。自2004年首次由Apple公司提出,并在2011年随着HTML5标准的发布而被广泛采用,Canvas技术已经成为开发交互式图形和动画应用的核心技术之一。 阅读详情

相关推荐

前端canvas例子,如何获取鼠标在canvas中的位置。

canvas例子,如何获取鼠标在canvas中的位置。html+js。下载双击即可在浏览器运行,F12可查看源代码。

HTML5(五)——Canvas API

什么是 Canvas API? Canvas API(画布)提供了一个通过 javascript 和 html 的 canvas 元素来在网页上实时绘制图形的方式。可用于动画、游戏、图标、图片编辑等多个方面。 使用前,首先需要新建在网页上新建 canvas 元素。 <canvas id="mycanvas" width="400" height="400"> 您的浏览器不支持canvas! </canvas> 上述代码,如果浏览器不支持 canvas,就会显示标签中间的文

前端人的博客 1011

滑模控制理论(SMC)概述

滑模控制理论(SMC)概述一、背景二、数学理论三、高维拓展四、分析 一、背景 滑模控制理论(Sliding Mode Control, SMC)是一种建立在现代控制理论基础上的控制理论,主要数学核心为李雅普诺夫函数。 滑模控制的核心思想是建立一个滑模面,将被控系统拉取到滑模面上来,使系统沿着滑模面运动。滑模控制的一个优势是无视外部扰动和不确定参数,采用一种比较“暴力”的方式达到控制的目的。 其思想和反步法有些类似,但数学实现起来更加方便而不抽象。相比反步法,滑模控制没有复杂的数学计算,也不会出现“微分爆炸”

高能阿博特的博客 6万+

HTML5 Canvas 初步:字符串,路径,背景,图片

HTML5中新增了&lt;canvas&gt;画布标签,通过它,可以使用JavaScript在网页中绘制图像。&lt;canvas&gt;标签在网页中得到的是一个矩形空白区域,可以通过width和height属性来调整其宽和高。创建一个Canvas画布的方法如下: &lt;canvas id=”canvas” width=”600” height=”400”&gt;&lt;/canvas&g...

web开发自学 470

跟着团子学SAP CO:熟练使用结果分析码实现各个场景下收入成本的匹配(一) KKA2/CJ88

PS模块中对财务顾问最难的点在于项目结算,特别是销售型的项目结算。针对客户型项目结算我列举了以下常见的收入成本匹配的一些场景: (1)在项目执行过程中会多次开票,但由于各期成本浮动很大(如前期可能只涉及一些人工、中期全是比较金额较大的材料费),所以希望开票的时候能通过合理的一些指标进行主营业务成本与主营业务收入的匹配。 (2)项目过程中会多次开票,开票确认主营业务收入时,直接将累计发生的实际成本结转为主营业务成本。 (3)项目过程中虽多次开票,但不确认收入,所有发生的实际成本月末计算为在制品,最后项目一次性

Lucas1211的博客 9533

微信PC端Multi文件夹数据库解析:语音消息导出与转换实战指南

本文提供了一份详细的微信PC端语音消息导出与转换实战指南。通过解析Multi文件夹中的MediaMSG数据库,指导用户定位、解密数据库,并利用Python脚本精准提取SILK格式语音,最终转换为通用的WAV或MP3格式,实现个人语音数据的本地备份与处理。

garlic的博客 582

【HTML】【一文全解Canvas】从初学到实战,彻底掌握前端绘图神器!

前言一、Canvas 概述二、在 HTML 中使用 Canvas三、Canvas 绘制图形1、绘制矩形2、绘制圆形a. 绘制实心圆形b. 绘制空心圆形四、Canvas 绘制文本五、Canvas 绘制图片六、Canvas 动画效果1、setInterval() 实现动画2、requestAnimationFrame() 实现动画七、Canvas 使用注意事项八、利用Canvas绘制挂钟(原理-绘制弧形)- 简单练习1、 还原坐标系2、 绘制背景3、 绘制时钟指针4、循环绘制。

weixin_55846296的博客 1万+

PX4无人机-Gazebo仿真实现动态目标追踪的视觉控制方案

本文详细介绍了PX4无人机在Gazebo仿真环境中实现动态目标追踪的视觉控制方案。从PX4与Gazebo仿真环境搭建、动态目标追踪核心技术栈、仿真环境深度定制技巧到追踪算法的优化实践,提供了全面的技术指导和常见问题排查方法,帮助开发者高效实现无人机视觉追踪功能。

weixin_29196315的博客 450

html5 canvas drawimage api,HTML_HTML5 Canvas API中drawImage()方法的使用实例,drawImage()是一个很关键的方法 - phpStudy...

HTML5 Canvas API中drawImage()方法的使用实例drawImage()是一个很关键的方法,它可以引入图像、画布、视频,并对其进行缩放或裁剪。一共有三种表现形式:语法 1JavaScript Code复制内容到剪贴板context.drawImage(img,dx,dy);语法 2JavaScript Code复制内容到剪贴板context.drawImage(img,dx,d...

weixin_34294809的博客 259

利用Python脚本在ADS2024 Update2中动态绘制与验证LPDDR5眼图模板

本文详细介绍了如何在ADS2024 Update2中,利用Python脚本动态绘制与验证LPDDR5眼图模板。通过调用DDS Python接口,工程师可在仿真后无需重新运行,即可灵活添加、修改矩形或六边形眼图模板,并实现批量自动化处理,从而极大提升高速信号(如LPDDR5)的调试与验证效率。

raspberrypi5的博客 603

R语言中5种正态性检验的方法

统计学中的t检验和方差分析等方法的应用条件是样本都来自正态总体或近似正态总体,只有符合这个条件,才能用这些方法来检验各样本所属的总体参数的差异显著性。文本向大家介绍在R语言中检验正态性的几种方法: 1、Kolmogorov-Smirnov检验 K-S检验检验单一样本是否来自某一特定分布。比如检验一组数据是否为正态分布。它的检验方法是以样本数据的累积频数分布与特定理论分布比较,若两者间的差距很小,则推论该样本取自某特定分布族。K-S检验的原假设和备择假设为: H0:样本所来自的总体分布服从

Mrrunsen的博客 2万+

java drawimage api_HTML5 Canvas API中drawImage()方法的使用实例

drawImage()是一个很关键的方法,它可以引入图像、画布、视频,并对其进行缩放或裁剪。一共有三种表现形式:语法 1JavaScript Code复制内容到剪贴板context.drawImage(img,dx,dy);语法 2JavaScript Code复制内容到剪贴板context.drawImage(img,dx,dy,dw,dw);语法 3JavaScript Code复制内容到剪贴...

weixin_39678089的博客 226

【异常】OpenClaw 项目 `fetch failed` 报错问题排查与解决方案Response interrupted: TypeError: fetch failed

针对无超时控制、异常兜底缺失导致的请求中断,封装标准化的安全请求工具,一次性解决超时控制、异常捕获、日志埋点三大问题,全项目替换原生。:将项目运行的 Node.js 版本升级至 18.x 及以上 LTS 版本,使用 Node.js 内置的稳定版。实现的网络请求环节,包括但不限于:第三方开放接口调用、内部服务接口通信、跨域资源请求、外部配置拉取等场景。:针对无法升级 Node.js 版本的存量环境,通过社区稳定兼容包替换原生。类型异常,直接造成业务请求响应中断。第二步:业务代码改造,替换原生。

奶爸的编程之路,也就一周冷个三天 366

霸气侧漏的HTML5--之--canvas(1) api + 弹球实例

html5中大概最吸引人的新功能就是canvas

FFA(Frighting for Ambition!) 2036

手把手教你学Simulink--基础电机控制场景实例:基于Simulink的无刷直流电机六步换相仿真

摘要:本文详细介绍了基于Simulink的无刷直流电机(BLDC)六步换相仿真方法。文章首先阐述了BLDC六步换相控制的原理,包括霍尔传感器定位、六步换相逻辑和方波电流驱动三大支柱。然后通过电动工具(角磨机)应用场景,展示了如何在Simulink中搭建完整的六步换相系统:从主电路构建、霍尔信号生成、Stateflow换相逻辑实现到开环电压控制。仿真结果显示该系统具有低成本优势(仅需霍尔传感器),但存在±20%转矩脉动。文章还提供了核心代码实现,包括霍尔信号生成、六步换相状态机和转矩分析脚本,并对比了六步换相

MHD0815的博客 148

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

我的新书《HTML5 Canvas游戏开发实战》

本书简介本书主要讲解使用HTML5 Canvas来开发和设计各类常见游戏的思路和技巧,在介绍HTML5 Canvas相关特性的同时,还通过游戏开发实例深入剖析了其内在原理,让读者不仅知其然,而且知其所以然。在本书中,除了介绍了HTML5 Canvas的基础API之外,还重点阐述了如何在JavaScript中运用面向对象的编程思想来进行游戏开发。本书在介绍每个游戏开发的过程时,都会包括游戏分析、开发

lufy小屋 3万+

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

【html5每日练习】canvas画矩形的3个函数

前端时间,听周围的朋友和同学说html5不好学,去论坛还有各大网站看,在国内也没有真正地开始发展。也见到了专业好多哥们儿(不是计算机专业)学了一半就放弃了,我觉得也情有可原吧,终归编程也是需要耐得住寂寞的行业,去学一门语言,你要没有毅力去克服初学这道难关,你确实只能处于入门这个阶段,我不算过来人(相对于在这个行业混了十几年的甚至几十年的人来说),记得有一个所谓的过来人跟我说,编程是一个体力活,这点

boia 1860

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")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

HTML5之Canvas

canvas标签在页面中只显示一个设定背景色的画布,如果要产生新内容或者进行画图操作,需要借助canvas API(HTML5的内置对context 对象)和javascript操作实现画图或者其他图像操作。

xiaomaione的专栏 552

html5 canvas 路径,html5 canvas基础(1)--路径

html5 canvas APIwindow.onload=function(){var canvas = document.getElementById('can');//找不到元素的处理if (canvas==null){console.info('canvas元素不存在..');return false;}/*** 获取上下文(2d)平面图* @type {CanvasRendering...

weixin_42309178的博客 139

HTML5 canvas样式和颜色

色彩Colors fillStyle strokeStyle 透明度Transparency globalAlpha rgba() 线型Line styles lineWidth属性 lineCap属性 lineJoin属性 虚线setLineDash和lineDashOffset 渐变Gradients createLinearGradient createRadialGradient 图案样式...

One of thre_tigers的博客 6239

在网页上画一个矩形(HTML5 Canvas作图)

简化作图步骤,重写作图函数: function DrawRect(Canvas,A,C) { //画个矩形,“A、C”是对顶点 var p1,p2=new Array(2); p1=GetSmallest(A,C); p2=GetBiggest(A,C); with (Canvas)  {  rect(p1[0],p1[1],p2[0]-p1[0],p2[1]-p1[1]);

AI编程集团 金蝉脱壳的博客 1154
上一篇: 我不喜欢mark
下一篇: HTML5 Canvas 渐变
coding_or_coded
博客等级 码龄16年 216粉丝 115原创
评论 5
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