超全Python IDE武器库大总结,优缺点一目了然!

Linux yum源配置以及yum命令讲解 前面为大家介绍了RPM二进制包安装软件,RPM包安装的最大的缺点也提到过,就是依赖性太强,一旦遇到依赖问题,则需要我们手动解决包之间具有依赖性的问题,今天为大家介绍一种可自动解决包之间依赖关系的安装方式:yum。 yum 全称“Yellow dog Updater, Modified”,是一个专门为了解决包的依赖关系而存在的软件包管理器。就好像 Windows 系统上我们通常可以通过各种软件管家实现软件的一键安装、升级和卸载,yum就是Linux 系统中的一键安装工具。yum 解决依赖关系的基本逻辑是:yu 阅读详情

点击上方“编程派”,选择设为“设为星标”

优质文章,第一时间送达!

选自GoogleAIblog  作者:Django Stars

本文转自机器之心(nearhuman2014)

原文链接:https://djangostars.com/blog/python-ide/

前言

写 Python 代码最好的方式莫过于使用集成开发环境(IDE)了。它们不仅能使你的工作更加简单、更具逻辑性,还能够提升编程体验和效率。

每个人都知道这一点。而问题在于,如何从众多选项中选择最好的 Python 开发环境。初级开发者往往面临这个问题。

本文将概述最受程序员欢迎的 Python IDE,以及其他值得考虑的选项。在此之前,我们先来看看 IDE 是什么。

什么是 IDE?IDE 有什么用?

IDE 是开发者创建程序时使用的软件包。它通过简单的用户界面集成多个高度关联的组件,从而最大化程序员的生产效率。本质上,IDE 是一种改进代码创建、测试和 debug 流程的工具,它使这些工作更加简单。

IDE 使用的工具包括:

  • 文本编辑器

  • 编译器和/或解释器

  • 装配自动化工具(assembly automation tool)

  • 调试器(debugger)

有一个与 IDE 相似的术语——代码编辑器(code editor)。我们先来探讨二者的异同。

什么是代码编辑器?

代码编辑器是一个能够突出显示语法和安排代码版式的文本编辑器。高级代码编辑器可以开发和修改代码。

IDE 和代码编辑器的显著特征

IDE 和代码编辑器有哪些共同优点?它们均可帮助开发者:

  • 存储和重新打开脚本

  • 运行代码

  • debug

  • 突出显示语法

最受 Python 开发者欢迎的 IDE

1.PyCharm

下载地址:https://www.jetbrains.com/pycharm/download/


PyCharm 由著名软件开发公司 JetBrains 开发。在涉及人工智能和机器学习时,它被认为是最好的 Python IDE。最重要的是,Pycharm 合并了多个库(如 Matplotlib 和 NumPy),帮助开发者探索更多可用选项。

兼容性:Windows、MacOS、Linux

主要插件和功能:

  • 内置开发者工具

  • 远程开发能力

  • 实时编辑模式

  • IPython Notebook

优点:

  • PyCharm 支持 web 开发框架,如 Pyramid、Flask 和 Django。

  • 提供智能代码功能,可以执行更精确、快速的 bug 修复。

  • 在 Docker 和 Vagrant 连接和 ssh 终端的帮助下,允许在远程主机上进行程序开发。

缺点:

  • 界面庞杂

  • 其优点的成本高昂

2.Visual Studio Code

下载地址:https://code.visualstudio.com/Download


Visual Studio Code 有时会与 Visual Studio IDE 混淆,后者并非 Python 使用者常用的工具。VS Code 是完整的代码编辑器,具备很多优秀功能,许多程序员称其为最好的 IDE 编辑器。

兼容性:Windows、Linux、Mac OS

主要插件和功能:

  • 内置 git

  • 自定义工具扩展插件

  • 断点调试

  • 交互式控制台

优点:

  • 其 Electron 框架允许开发者在几乎所有平台上使用 VS Code。

  • 在编辑器中直接 debug。

  • 支持多个键盘快捷键,以加速编程。

缺点:

  • debug 功能有限。

  • 没有内置模板。

3.Sublime Text

下载地址:https://www.sublimetext.com/


Sublime Text 被认为是最好的 Python 编辑器,因为它简单、通用、方便。它使用广泛,可用于不同的平台。

兼容性:Windows、Linux、Mac OS

主要插件和功能:

  • 简易导航,实现高性能

  • 支持不同包,以自定义编辑器

  • 只需一个关键词,即可复制常见代码段

  • 即时项目切换和分割编辑

优点:

  • 可处理多种标记语言。

  • 允许用户选择想要进行的项目。

  • 具备能够提供类和函数宽索引的重要工具。

  • 提供强大的 API 和组织化的生态系统,以实现高性能。

缺点:

  • 对于新手来说,过于高级。

  • 其 git 插件不是特别强大

4.VI/Vim

下载地址:https://www.vim.org/


Vim 位列最好的 Python IDE 工具前 5 名。它是一个 modal editor,可以从「文件编辑」中分割文件。相比最初的 Vi,Vim 有了巨大进步,功能更加强大。

兼容性:Windows、Linux、Mac OS、IOS、Android、UNIX、AmigaOS、MorphOS

主要插件和功能:

  • 其脚本允许用 Python 执行几乎所有编程任务。

  • Ctags,帮助实现更好的标记导航。

  • 内置基础词汇补全。

优点:

  • 具备键盘界面,可以提升效率。

  • 支持多个插件(如版本控制工具、文件管理工具)。

  • 通过 .vimrc 文件实现不同扩展功能(如突出显示搜索结果)。

缺点:

  • 界面笨拙,一些开发者认为其不方便使用。

  • 其 modal editor 需要用户花费一定时间学习。

5.GNU Emacs

下载地址:https://www.gnu.org/software/emacs/emacs.html


GNU Emacs 也是最好 Python 编辑器的有力竞争者。它常被描述为可扩展、自文档化、实时显示。尽管它在业界并非最新,但它经常升级来满足开发者的需求。

兼容性:Windows、Linux、Mac OS、IOS、Android、UNIX、AmigaOS、MorphOS

主要插件和功能:

  • 使用 Lisp 编程语言

  • 语法着色

  • 支持 Unicode

优点:

  • Lisp 作为第二语言,可以帮助程序员更好地编程。

  • Emacs 可与多个不同平台兼容。

  • 提供大量自定义脚本供开发者使用。

缺点:

  • 用户可能需要多花一点时间,来学习该编辑器的复杂自定义过程。

  • 使用上比其他一些 IDE 要复杂一些。

6.IDLE

下载地址:https://docs.python.org/3/library/idle.html


IDLE 代码编辑器深受学生欢迎,它是 Python 自带编辑器。该编辑器使用简单、通用,且支持不同设备。在使用更复杂工具之前,开发者可以通过 IDLE 学习基础知识。

兼容性:Windows、Linux、Mac OS

主要插件和功能:

  • tkinter GUI 工具包

  • 多窗口界面

  • 具备对话框、浏览器等配置

优点:

  • 允许用户突出显示错误、自动编码,并进行准确识别。

  • 具备轻量级 Python shell。

  • 其内置修正功能可以提升性能。

  • 允许用户在编辑器中搜索和替换文件。

缺点:

  • 不支持复制到库。

  • 脚本不能超过 100 行代码。

对于机器学习、人工智能和大数据,最好的 Python 兼容 IDE

Python 是机器学习、人工智能、大数据等领域中的首选语言之一。这部分将介绍适合这些领域 Python 开发的 IDE。

7.Atom

下载地址:https://atom.io/


Atom 是一个开源编辑器,可与几乎所有编程语言兼容,如 PHP、Java。它定期更新、可信赖,且具备通用性。Github 为 Atom 开发了强大的功能,以提供良好的编程体验,包括多个插件,如 SQL queries 包、Markdown Preview Plus 包,以及编辑、可视化和渲染 LaTeX 公式的包。

8.Spyder

下载地址:https://www.spyder-ide.org/

Spyder 是为数据科学而开发的。它是开源工具,能够与大量平台兼容,因而成为 IDE 新手用户的更好选择。为实现完美开发,它合并了多个关键库,如 NumPy、Matplotlib 和 SciPy。

9.JuPyter/IPython Notebook

下载地址:https://jupyter.org/


Jupyter 是基于 web 的编辑器,它允许开发者构建和运行脚本或 notebook。它相对简单,对用户也更加友好。Jupyter 还使用 Seaborn 和 Matplotlib 执行数据可视化。

其他 Python 开发 IDE

这部分将介绍一些不那么有名和流行但同样值得一看的 IDE。

Eclipse + PyDev

下载地址:

https://www.eclipse.org/

https://www.pydev.org/


Eclipse 是一个开源编辑器,也是 Windows 系统首选 Python IDE 之一。其扩展项和插件非常昂贵,足以构建你想构建的一切。Eclipse 辅以 PyDev 扩展项,可实现智能 debug,并改善代码质量。

Eric Python

下载地址:https://eric-ide.python-projects.org/


Eric 是另一个不那么流行的 Python IDE,但它功能强大且高效。不管是商业用途还是私人用途,Eric 都能提供合适的功能。它可在所有平台上运行。

Wing

下载地址:https://wingware.com/


Wing 是著名的 Python IDE,可实现智能编程。其编辑器简单易用,debugger 强大,支持远程编程、错误检查等功能,值得一试。

PyScripter

下载地址:https://sourceforge.net/projects/pyscripter/files/latest/download


PyScripter 以其卓越功能打败了适用于 Windows 系统的其他 Python IDE。它也是 Mac 系统中好用的 Python IDE,其商业版本支持大部分编程语言。PyScripter 具备丰富的功能集,但也很轻量。

Pyzo

下载地址:https://pyzo.org/start.html


Pyzo 是一个免费开源编程工具,可与任意 Python 解释器一起使用,甚至是 Conda 环境。其最突出的两个特点是简洁性和交互性。简单易用,非常适合新手。

Thonny

下载地址:https://thonny.org/


Thonny 由塔尔图大学开发,适合新手程序员。其界面没有任何复杂或多余功能,很容易上手。另一个适合新手的地方是,你可以看到 Python 在每一步中对你的表达式的评估。

结论

本文概述了大量优秀的 Python IDE 和其他工具。决定使用哪一种工具取决于工具的便利性和对工具的熟练程度。当然,也有大家都喜欢的工具(如 PyCharm),但是你可以多尝试几种工具,看看哪种最适合你。

一些 IDE 适合新手,另一些则更加专业,每一个 IDE 都具备独特的功能和设计。本文仅提供一些选项,读者可以从中选择适合自己的 Python IDE。

- End -

回复下方「关键词」,获取优质资源

回复关键词「 pybook03」,立即获取主页君与小伙伴一起翻译的《Think Python 2e》电子版
回复关键词「入门资料」,立即获取主页君整理的 10 本 Python 入门书的电子版
回复关键词「m」,立即获取Python精选优质文章合集
回复关键词「book 数字」,将数字替换成 0 及以上数字,有惊喜好礼哦~
题图:pexels,CC0 授权。

好文章,我在看
RT-DETR改进策略【损失函数篇】| 通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU) 为了弥补现有 IoU 损失在不同检测任务中泛化性弱和收敛速度慢的问题,·Inner-IoU·通过引入比例因子 “ratio” 来控制辅助边界框的尺度大小,利用不同尺度的辅助边界框来计算损失,从而加速边界框回归过程。 阅读详情

相关推荐

STM32H7 Flash擦除后数据读取异常的缓存问题解析

本文深入分析了STM32H7系列芯片在Flash擦除后数据读取异常的缓存问题,揭示了由于数据缓存(D-Cache)和指令缓存(I-Cache)导致的数据一致性问题。通过详细的解决方案,包括手动维护缓存一致性和操作期间禁用缓存,帮助开发者有效解决这一常见但棘手的嵌入式开发难题。

weixin_29158413的博客 393

python环境安装于IDE配置

Python从零到精通之一——python环境安装于IDE配置 本文先简单介绍一下python语言,其次详细讲解python环境安装与IDE的配置 Python简介 python是近些年才发展起来的一种面向对象的解释性语言,起源于上世纪80年代末,2015年前后才在中国流行起来。因其具有强大的标准库和海量的第三方模块,使其在目前非常火的的人工智能领域得到了广泛的应用。 Python解释器安装 所谓...

weixin_43032851的博客 544

EPICS pythonSoftIOC教程

EPICS pythonSoftIOC教程

yuyuyuliang00的博客 1522

六款好用的Python IDE

“工欲善其事,必先利其器”,如果说编程是程序员的手艺,那么IDE就是程序员吃饭的家伙了。 一个优秀的IDE,最重要的就是在普通文本编辑之外,提供针对特定语言的各种快捷编辑功能,让程序员尽可能快捷、舒适、清晰的浏览、输入、修改代码。对于一个现代的IDE来说,语法着色、错误提示、代码折叠、代码完成、代码块定位、重构,与调试器、版本控制系统(C...

weixin_33713503的博客 6072

NXP S32K5 MCU如何赋能Zonal架构与软件定义汽车?

汽车电子架构正从分布式ECU向域集中、再向Zonal分区架构演进,核心驱动力在于线束简化、算力下沉与软件分层解耦。区域控制器作为物理区域的“调度员”,需要同时满足实时响应、功能安全、多网络协议转换和OTA升级等要求,这使MCU与SoC的选型成为系统工程的关键决策。MCU凭借确定性的微秒级启动、低功耗、丰富的IO控制以及成熟的ASIL-D认证路径,仍是区域控制器的主流选择。NXP S32K5正是面向这一场景发布的系列MCU:它集成多核锁步、CAN-XL、TSN以太网、硬件安全模块与双Bank Flash,补齐

weixin_28721917的博客 359

VM下安装linux虚拟机(ubuntu)和Intel parallel XE 2013(ifort2013)

VM下安装ubuntu和ifort2013跑自己的模式 由于新冠疫情,本人只能在家工作,很多重要的文件和程序都留在了办公室的linux机器上,工作无法正常开展。本来准备去办公室把机器搬回家不曾想学校所有门禁都关闭,不许进入,何时解禁也没有明确日期。科研不能等人,没条件科研只能想办法创造条件了。 以前在自己的笔记本(windows)上装过一次VM和ifort但无奈程序不能正常跑,所以之前就放弃了。本...

pangdahai3366的博客 1499

10个最好用的Python IDE,总有一款适合你

对于程序员来说,除了日常争论世界上最好的语言是哪一门以外,哪款 IDE 是最好的也是争议颇多,今天我们就来介绍 10 款最好的 Python 编程 IDE,总有一款适合你!

Python966的博客 1万+

全志 T527_Android13 编译 [ 避坑必看 ]

Swap 概念: Linux中Swap(即:交换分区),类似于Windows的虚拟内存,就是当内存不足的时候,把一部分硬盘空间虚拟成内存使用,从而解决内存容量不足的情况。它的功能就是在内存不够的情况下,操作系统先把内存中暂时不用的数据,存到硬盘的交换空间,腾出内存来让别的程序运行。当输入编译命令make -j16 的时候,会有如下提示,这是官方建议通过减少编译线程来解决编译时消耗内存过大的问题。Android 13 系统的编译流程,编译一共分为两部分:内核编译与 Android 编译。

公众号:嵌入式分享 2114

八个最佳Python IDE

八个最佳Python IDE作者:chszs,转载需注明。博客主页:http://blog.youkuaiyun.com/chszsPython是一种功能强大、语言简洁的编程语言。本文向大家推荐8个适合Python开发的IDE。1. Eclipse with PyDevhttp://pydev.org/Eclipse+PyDev插件,很适合开发Python Web应用,其特征包括自动代码完成、语法高亮、代码分析

chszs的专栏 22万+

【学习系列】SAP RAP 1:关于RAP的一些基本介绍

摘要:SAP RAP和CAP是两种不同的开发模型。RAP(RESTful ABAP)用于在S/4HANA等ABAP平台上构建现代业务应用,基于CDS+OData,适合ABAP开发者扩展核心业务。CAP(云应用编程模型)是BTP上的云原生框架,支持Node.js/Java,适合构建跨系统集成应用。RAP优势在于与S/4HANA深度集成,CAP则更灵活,支持多云环境。选择依据主要取决于开发平台(S/4HANA或BTP)、技术栈(ABAP或Node.js/Java)及应用场景(核心扩展或云原生开发)。

DeveloperMrMeng的博客 1171

系统安全性评估 (SSA) 详细解析

系统安全性评估(SSA)是一种自下而上的验证过程,目的是确保系统设计中的每个功能、子系统、硬件和软件的实现,符合早期通过 FHA 和 PSSA 设定的安全性需求。它通过对已实现的系统进行系统性综合评价,检验各项设计和安装是否符合预期的安全性目标,最终支持飞机的适航认证。飞行控制系统是飞机安全性设计的核心子系统之一,负责控制飞机的姿态和方向。为了确保飞行控制系统能够在各种飞行条件下保持安全运行,SSA 被用于验证该系统的设计是否满足 FHA 中设定的安全性目标。

qq_41854911的博客 1654

超全 Python IDE 武器库大总结,优缺点一目了然!

写 Python 代码最好的方式莫过于使用集成开发环境(IDE)了。它们不仅能使你的工作更加简单、更具逻辑性,还能够提升编程体验和效率。每个人都知道这一点。而问题在于,如何从众多选项中选择最好的 Python 开发环境。初级开发者往往面临这个问题。本文将概述最受程序员欢迎的 Python IDE,以及其他值得考虑的选项。在此之前,我们先来看看 IDE 是什么。IDE 是开发者创建程序时使用的软件包。它通过简单的用户界面集成多个高度关联的组件,从而最大化程序员的生产效率。

Trb401012的博客 1262

用 OP-TEE 给 AI 模型“上锁”:密文存储、TEE 解密放行、推理后销毁(实战可落地)

本文提出一种基于OP-TEE的AI模型保护方案,通过两级密钥体系确保模型静态存储为密文,运行时仅在TEE内解密。方案采用KEK+DEK架构,DEK永不出TEE,支持分块解密与可验证擦除。该方案能有效防御静态分析、应用层逆向等威胁,但需承认其物理级攻击的局限性。文章详细描述了端到端架构、文件格式设计及TA实现要点,包括密钥管理、分块解密策略和销毁机制,为设备侧AI部署提供了工程可行的安全解决方案。

Interview_TC的博客 292

超级齐全的Python IDE武器库大整理,这些优缺点一目了然!

前言 写 Python 代码最好的方式莫过于使用集成开发环境(IDE)了。它们不仅能使你的工作更加简单、更具逻辑性,还能够提升编程体验和效率。 每个人都知道这一点。而问题在于,如何从众多选项中选择最好的 Python 开发环境。初级开发者往往面临这个问题。 本文将概述最受程序员欢迎的 Python IDE,以及其他值得考虑的选项。在此之前,我们先来看看 IDE 是什么。 什么是 IDE?IDE 有什么用? IDE 是开发者创建程序时使用的软件包。它通过简单的用户界面集成多个高度关联...

码农黑羽的博客 460

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

神作!Python 入门神图,一图搞定!

(给机器学习算法与Python学习加星标,提升AI技能)国外一高手画的,现把它翻译成中文,入门超简单。Python 入门神图看不清,怎么办?看不清,怎么办?看不清,怎么办?后台回复关键词...

机器学习算法与Python学习 514

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【新手python程序员必须明白的真相】7.新手Python程序员必须明白的IDE选择指南:PyCharm,Sublime早选对,效率翻倍!

编程不是比谁用的工具高级,而是看谁能把工具用得趁手。PyCharm和Sublime就像瑞士军刀和美工刀——前者能应对复杂战场,后者擅长精准切割。记住:没有最好的IDE,只有最适合当下场景的选择。当你对着满屏报错抓狂时,不妨想想:也许不是你的问题,只是该换个工具了。保持这份对工具的敏锐,它会让你在编程路上走得更远更轻松。毕竟,我们写代码是为了改变世界,不是折磨自己对吧?

986

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

【新手python程序员必须明白的真相】101.新手python程序员必须明白的JupyterNotebook为何受欢迎?交互式编程的4大优势

别让笨重的IDE拖累你的创造力——用Jupyter Notebook解锁Python新姿势的四大秘籍

1228

安全小白怎么从零开始拥有自己的武器库

总的来说,开发工具其实没什么难度,把每一块拆分成多个小点去完成,然后拼接起来就行了,第一次写这种关于工具开发的文,有些可能没表达到位,我尽量把需要注意的地方给写出来,这个是针对于小白的,所以有些简单的东西还是选择说得仔细点,大佬们可以选择性的跳一跳,这个是第一篇,后面的话会根据自己平时开发的一些插件,工具啥的写一些开发思路或者教程,后面可能就不会讲面板这些东西了,如果有那里写得不对的,希望大佬们带带我。

qwe546913的博客 248

宅男福利!我50行Python代码让小姐姐给你读Pdf

最近小编忙着给项目做文档,需要阅读大量的文献资料,长时间的阅读让本就不喜欢看书的我是又困又乏,所以想着,要是能有小姐姐在旁边读给我听该有多好。说干就干,小编整理了一下思路,晚上熬夜花了几...

cainiao_python的博客 3954

王者归来!Python之父加盟微软!

作者:圆子编辑:刘静来源:图灵TOPIA王者归来了!今天,Python 之父 Guido van Rossum 在 Twitter 上正式宣布:退休太无聊,决定加入了微软开发者部门!...

cainiao_python的博客 811

Jupyter Notebook:打破常规的Python交互式武器库(开发者必看!)

最初我也觉得Jupyter是"玩具"(谁没年轻过呢🙃)。传统方式:调图表 → 截图 → 插入Word → 格式错乱 → 重来…(凌晨3点砸键盘)Jupyter流:代码+图表+文字全在.ipynb →nbconvert一键输出PDF → 完美排版(提前2小时收工!思维转变的瞬间:它不只是个"笔记本",而是可交互的技术叙事工具。快速验证算法片段 ✔️给非技术同事演示分析 ✔️构建可复现的数据报告 ✔️(还在等什么?现在立刻新建一个Untitled.ipynb吧!彩蛋:遇到"内核死亡"别慌,试试。

pixelpilot1的博客 2010
上一篇: AI 如何识别西瓜和冬瓜?
下一篇: 手把手教你用 Python 执行 JS 代码
codingpy
博客等级 码龄11年 1874粉丝 104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
 
 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