iOS开源类库

vic__vic vic__vic 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 600+累计阅读 611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15年
关注
转载 最新推荐文章于 2026-03-15 00:40:12 发布 611 阅读 AI 写同款· GEO 优化 ›
WhirlyGlobe:WhirlyGlobe开发 什么是WhirlyGlobe-Maply？ WhirlyGlobe-Maply是一个映射工具包，分为两部分，因此是破折号。 WhirlyGlobe部件是一个交互式3D地球仪。 Maply部分是一个交互式2D地图。 每种都有单独的视图控制器（在iOS上），但否则它们共享其代码的95％。 此工具包用于从大型，复杂的应用程序到更小，更简单的应用程序的程序。 随时随地使用它。 WhirlyGlobe-Maply适用于iOS和Android。 入门 如果您不熟悉WhirlyGlobe-Maply，请。 有关有用的链接和资源，请参见下面的更多信息。 有适用于iOS和Android的教程： 建物 这是WhirlyGlobe-Maply组件和API版本3.0的主分支。 它应该易于编译，因为所有疯狂的依赖项都在子模块中。 您还可以获得2.5的。 任何较新的内容都需要从源代码进行编译。 Whirly 立即下载

KissXml——xml解析库
相关教程：http://www.iteye.com/topic/625849

http://sencho.blog.163.com/blog/static/83056228201151743110540/

很方便的一个xml解析器，支持Xpath查询。

skpsmtpmessage——Quick SMTP邮件发送
svn checkout http://skpsmtpmessage.googlecode.com/svn/trunk/ skpsmtpmessage-read-only
github:       git clone https://github.com/kailoa/iphone-smtp.git
相关教程：http://disanji.net/2011/01/28/skpsmtpmessage-open-source-framework/
skpsmtpmessage 是由Skorpiostech, Inc.为我们带来的一个SMTP协议的开源实现，使用Objective-c 实现，iOS系统的项目可以直接调用。

jsonframework——JSON支持
相关教程：http://blog.youkuaiyun.com/xiaoguan2008/article/details/6732683
它是一个开源框架，基于BSD协议发布。由于json-framework是开放源代码的，当你需要使用它时你只需将json的源代码加入到你的工程中。

ASIHttpRequest——HTTP Network库
ASIHttpRequest库极大的简化了网络通 信，提供更先进的工具，例如文件上传工具，重定向处理工具、验证工具、等等。

MBProgressHUD——进展指示符库
苹果的应用程序一般都会用一种优雅的，半透明的进度显示效果，不过这个API是不公开的，因此你要是用了，很可能被清除出AppStore。而 MBProgressHUD提供了一个替代方案，而且在用户角度上，实现的效果根本看不出和官方程序有什么差别。同时还提供了其他附加功能，比如虚拟进展 指示符，以及完成提示信息。整合到项目里也很容易，这里不细谈了。

zxing——二维码扫描库
支持条形码/二维码扫描的图形处理库，这是一个java库，在android上的功能比较完整。同时该库也支持ios，但只能支持二位条形码的扫描。

kal——iPhone日历控件
一个类似于ios系统默认日历开源日历库，支持添加事件，自定义日历样式等功能。

Facebook iOS SDK——Facebook API类库
大体来讲就是iPhone上的Facebook login，完全支持Facebook Graph API和the older REST api。

shareKit——分享库
相关demo：http://www.cocoachina.com/bbs/read.php?tid-71760.html
分享到开心，豆瓣，腾讯，新浪微博的api所用到的强大的分享库。

SDWebImage——简化网络图片处理
用SDWebImage调用网站上的图片，跟本地调用内置在应用包里的图片一样简单。操作也很简单。

GData client——iPhone上所有Google相关服务的类库
名字就说明一切了。跟Google相关的，值得一提的是，这个项目很开放。有很多示例程序供下载。

CorePlot——2D图形绘图仪
CorePlot有很多解决方案将你的数据可视。同时也会提供各种迷人的图形效果，比如棒状图、饼状图、线状图等等，在他们网站上也提供了大量的范例图形，很多股票价格应用，游戏分数，个人财务管理都在用。

Three20——类似于Facebook的优秀的UI库
Three20类库是Facebook自己做的，大而全是他最大的特色。把他整合到已有的项目中可能得费点周折，不过如果一开始你就用上了Three20，尤其是牵扯到很多web相关的项目的时候，你就能深刻体会到神马叫给力了。

FMDatabase——SQLite的Objective-C封装
是SQLite的C API對初學者來說實在太麻煩太瑣碎，難度太高。FMDB說穿了其實只是把C API包裝成簡單易用的Objective-C类。對于SQLite初學者來說，大大減低了上手的難度。有了FMDB，寫程式時只要專心在SQLite的語法上，而不用去理那堆有看沒有懂的C API，實在是件快樂的事情。

RegexKitLite（正则表达式支持）

地址：http://regexkit.sourceforge.net/RegexKitLite/

正则表达式大家都知道。但是iPhone SDK居然当他不存在？这怎么能忍啊！果断用RegexKitLite。虽然叫的是Lite，但是功能很full。示例代码。

  1. // finds phone number in format nnn-nnn-nnnn    
  2. NSString *regEx = @"[0-9]{3}-[0-9]{3}-[0-9]{4}";    
  3. for(NSString *match in [textView.text componentsMatchedByRegex:regEx]) {    
  4.     NSLog(@"Phone number is %@", match);    
  5. }   

Flurry（详尽的使用统计）

ios开发必备10款第三方类库

地址：http://www.flurry.com/product/analytics/index.html

ios开发必备10款第三方类库  

通过Furry你可以得到应用的用户人数，用户活跃度，用户来源等统计信息。但是他最厉害的地方是，你可以追踪应用本身的事件和错误记录，所有这些 数据都会在一个类似Google Analytics的界面上显示，这样就很容易掌握用户的行为和出现的问题。当然，这个星球上很多统计工具，但是这款是作者个人比较推崇的解决方案。

Panoramagl —— 720全景展示

Panorama viewer library for iPhone, iPad and iPod touch


iCarousel  —— 效果很酷的分页排列

内容类似的页面需要并排列出来，供用户选择。iCarousel具有非常酷的3D效果，比如经典的CoverFlow, TimeMachine。另外还具有线性，圆柱状等其它效果。可用于图片选择，书籍选择，网页选择等。


EGOTableViewPullRefresh —— 下拉列表刷新

使用这个库，很容易就可以实现下拉刷新效果。微博，RSS阅读器之类的软件经常使用。


CMPopTipView —— 泡泡风格的提示界面

一个泡泡风格的提示框开源控件, 继承自UIView。iPad,iPhone通用。


HMGLTransitions —— 视图切换动画

提供一些UIView或UIViewController切换时候的3D动画效果。比如翻转，开门，撕纸等。


QuickDialog —— 表格风格的配置界面

在iphone, 通常使用UITableView来创建一些配置，登录界面，创建这些界面通常很机械很烦人。QuickDialog可以快速地在表格项中放置开关On/Off控件、日期控件、Sliders、单选按钮编辑框等等。这样就不用使用低级的UITableView。


JMTabView  —— 自定义标签栏和Tabbar

JMTabView是一个iOS自定义的标签栏开源控件，界面效果完全使用Core Graphics绘制，而没有用图片，所以内容很容易改为你需要的。


SBTableAlert —— 带表格视图的消息对话框

SBTableAlert对话框中提供了一种方式，在UIAlertView视图中包含了UITableView的效果，从而可以实现在UIAlertView中进行表格多选。使用简单。


EasyTableView —— 可水平或垂直滚动的TableView

原始的UITableView只可以垂直滚动。EasyTableView可以很方便的实现TableView的水平滚动, 并可重复实现用户自定义的View，就类似重复使用UITableViewCell, 这对于提高效率很有帮助。


MTStatusBarOverlay  —— 在状态栏上显示自定义的View

iOS程序通常会在最上面出现一个状态栏。使用这个库，可以很方便的在状态栏上显示一些信息，比如下载进度等。


 iOS-MagnifyingGlass  ——IOS放大镜效果

可以选择放大镜的样式，和放大倍数

EasyTableView -------横向滚动的UITablView

很实用的一个改造,实现了UItableView的横向滚动。。。


Openear—— 语音识别和TTS

提供了语音识别和Text-to-speach 的接口


Google Toolbox for Mac(GTM)—— 从不同Google项目收集的代码

包含各种的工具类。比如字符串的base64及二进制编码解码, 系统版本号比较, 路径查找等等。每个工具类都比较独立, 可单独抽出来使用。


SFHFKeychainUtils(scifihifi-iphone)—— 保存用户密码到keychain中

为了用户安全，可以使用钥匙串Keychain来保存用户密码。SFHFKeychainUtils封装了钥匙串的访问, 读写，使用起来很方便。


MKStoreKit —— 程序内购买

程序内购买的流程的封装。

 

GLGestureRecognizer ——手势识别器

封装了多种手势的识别器，例如三角形，长方形，圆形，五角星形等

扫描wifi信息：

http://code.google.com/p/uwecaugmentedrealityproject/

http://code.google.com/p/iphone-wireless/

条形码扫描：

http://zbar.sourceforge.net/iphone/sdkdoc/install.html

tcp/ip的通讯协议：

http://code.google.com/p/cocoaasyncsocket/

voip/sip：

http://code.google.com/p/siphon/

http://code.google.com/p/asterisk-voicemail-for-iphone/

http://code.google.com/p/voiphone/ 

json编码解码:http://code.google.com/p/json-framework

base64编码解码:http://code.google.com/p/google-toolbox-for-mac/source/browse/trunk/Foundation/?r=87

xml解析:https://github.com/schwa/TouchXML

安全保存用户密码到keychain中:https://github.com/ldandersen/scifihifi-iphone

加载等待特效框架(private api):https://github.com/jdg/MBProgressHUD

http等相关协议封装:http://allseeing-i.com/ASIHTTPRequest

iphone TTS:https://bitbucket.org/sfoster/iphone-tts

iphone cook book 源码:https://github.com/erica/iphone-3.0-cookbook-

OAuth认证:  http://code.google.com/p/oauth/
http://code.google.com/p/oauthconsumer/

蓝牙协议栈:http://code.google.com/p/btstack/

语音识别:http://www.politepix.com/openears/

zlib, openssl:http://code.google.com/p/ios-static-libraries/

地球显示信息：http://code.google.com/p/whirlyglobe/

收录于
iOS开发

当前文章被收录于：

iOS开发
10 篇文章 0 人学习
订阅专栏 查看详情
IOS应用源码之【框架】whirlyglobe - 3D地球显示类库（iPhone和iPad）.rar 立即下载

相关推荐

自动驾驶开发者必看：nuscenes数据集23类物体标注全解析（附避坑指南）

本文深入解析nuscenes数据集的23类物体标注系统，为自动驾驶开发者提供全面的标注规范解读和实战避坑指南。涵盖多模态数据组织、类别细分规则、属性系统应用技巧以及标注质量验证方法，帮助开发者高效利用这一标杆数据集提升模型性能。

weixin_29041767的博客 255

Volley使用与源码解析

依赖 implementation 'com.android.volley:volley:1.1.1' Volley是一个HTTP库，它使Android应用程序的网络更容易，最重要的是，更快，适合高并发的网络请求。网络请求 cancel 机制。我们可以取消单个请求，或者指定取消请求队列中的一个区域；自动调度网络请求； Volley不适合大型下载或流式操作，因为Volley在解析期间将所有响应保存在...

SingleTigerkin的博客 425

信号完整性分析学习--16--传输线效应

传输线效应 说到传输线效应，大多数人都会想到一个经验法则，那就是： “当互连线的长度大于1/6倍的信号上升时间的空间延伸时，互连线就体现出传输线效应。” 上升时间越小越容易体现传输线效应。 由此可见，同一根互连线，它是否体现传输线效应，要看它要传输什么样的信号。下图所示，一根延时为15ps的互连线，当它传输上升时间为60ps的信号时就会体现传输线效应；当它传输上升时间为180ps的信号时就不体现传输线效应。

qq_29476769的博客 7274

各种iOS开源类库

KissXml——xml解析库 相关教程：http://www.iteye.com/topic/625849 http://sencho.blog.163.com/blog/static/83056228201151743110540/ 很方便的一个xml解析器，支持Xpath查询。 skpsmtpmessage——Quick SMTP邮件发送 svn checkout ht

承影 9887

Multisim 14.0元件库下载完整指南：从安装到配置

详细介绍Multisim 14.0版本的元件库下载方法，涵盖安装步骤与后续配置流程，帮助用户快速搭建仿真环境。内容覆盖常见问题及解决方案，让multisim元件库下载更高效、稳定。

weixin_34511754的博客 1934

Mujoco xml actuator

在MuJoCo中，actuator（执行器） 是用于定义外部力或力矩的机制，这些力或力矩可以作用于关节、肌腱或身体。执行器可以模拟各种类型的驱动器，如电机、液压缸、肌肉等。它们通过定义传输（transmission）和力生成机制（force generation）来实现对模型的控制。

m0_52113469的博客 2896

iOS开发：第三方网络框架全解析！

在iOS开发中，网络编程是一个不可或缺的部分。随着技术的发展和需求的变化，开发者们常常需要借助各种第三方库来简化网络操作、提升效率。本文将深入探讨iOS平台常用的第三方网络框架，为开发者提供全面的参考。

分享价值，持续输出高质量内容！ 1973

RK3568适配MIPI屏幕触摸，触摸延时很大

我用的是系统，接了一个，设备树已经正确配置，evtest测试坐标值和触摸位置都是准确的。但是出现了一个：我在屏幕上点一下，要等大约 2 秒才能在evtest里看到坐标事件打印。这种现象在 Goodix 系列触摸驱动里比较少见，一般意味着。

小灰灰的博客 1363

Volley 优缺点总结

文章转载至：https://blog.youkuaiyun.com/jiankeufo/article/details/54880364作者：南岸青栀 南岸青栀所作文章我大致浏览了部分，都写的很棒 本来在分析完Volley的用法和部分源码之后，想自己总结一下Volley的特点，在搜索之后发现南岸青栀写分这篇非常棒，所以无耻的转载了做个记录，希望勿怪， Volley到底有哪些特点呢？ 自动...

无问西东的博客 1947

RK3588开发笔记-Buildroot编译Qt5WebEngine-5.15.10

Rockchip RK3588是一款强大的多核处理器，广泛应用于边缘计算、人工智能、嵌入式系统等领域。为了在RK3588上运行自定义的Linux系统，并使用Qt5WebEngine进行Web内容渲染，Buildroot是一个非常合适的工具。本文将详细介绍如何使用Buildroot编译并配置Qt5WebEngine-5.15.10。Qt5WebEngine是Qt框架中的一个模块，它提供了一个功能强大的Web浏览器引擎，允许开发者在Qt应用程序中嵌入和显示现代网页内容。

flypig has a dream！ 1158

Python 实战：手语翻译系统——从视频到文本的智能转换

今天，我们用 Python 构建了一个。

Echo_Wish 344

Volley 简单入门

本文示例下载地址：https://github.com/cmyeyi/NetFramework.git 1、Volley简介 Volley是一个网络通信框架，在2013年的Google I/O被推出。 Volley是一个优秀的网路访问框架，即可以通过它访问普通的网络数据，如JSON格式的数据，也可以下载图片。 2、Volley的使用场景： Volley适合进行数据量不大但是通信频繁...

无问西东的博客 1万+

uniapp：安卓苹果APP判断是否授权开启手机位置服务+弹框引导跳转到用户手机设置位置服务开启页面，uniApp app判断是否授权位置信息权限如果位置是关闭状态则提示用户（跳转各机型位置设置页面）

uniapp APP判断是否开启位置信息服务&&判断是否授权位置信息权限，uniappapp定位权限被拒绝后，询问是否开启授权并跳转到手机设置页面，uniapp APP端 定位未授权 去手机设置里开启定位，uniapp提示用户开启定位，跳转到开启定位页面，uniapp获取当前位置及检测授权状态，uniapp中获取位置信息处理，uni-app实现定位功能_uniapp获取定位位置信息，uniapp中app是否开启定位,app获取地理位置，uniapp打开位置权限设置页面IOS，用户并没有开启微信信息服务或者没

✅ 精选推荐文章 4342

一些iOS高效开源类库

因为iOS SDK相对比较底层，所以开发者就得受累多做一些体力活。不过幸运的是，有很多第三方的类库可以用来简化很多不必要的工作。笔者整理了一下在本人学习过程中用到的一些比较有用Objective-C开源类库，既是做一个总结，同时也希望通过这些分享，能提高各位的开发效率。 KissXml——xml解析库相关教程：http://www.iteye.com/topic/625849 http://s...

weixin_30355437的博客 97

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

ios开源类库

iOS常用第三方类库http://www.cocoachina.com/applenews/devnews/2013/0106/5478.html?135936133810个有用的第三方iOS开源库http://www.cocoachina.com/applenews/devnews/2013/0114/5537.html?135936131910大iOS开发者最喜爱的类库ht...

aizhentang4540的博客 193

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")

iOS学习资源01——Github上的600多个iOS开源类库

在我自学的过程中看到的一篇关于Github上的iOS开源类库的分类和介绍，我觉得对于大家挑选和使用开源类库很有帮助。现在把地址分享给大家可以一起学习：Github上的600多个iOS开源类库 。

董宝君的博客 2303

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

IOS开发常用的开源类库4

iOS常用第三方类库 http://www.cocoachina.com/applenews/devnews/2013/0106/5478.html?1359361338 10个有用的第三方iOS开源库 http://www.cocoachina.com/applenews/devnews/2013/0114/5537.html?1359361319 10大iOS开发者最喜爱的类库

zrhloveswallow的专栏 774

iOS常用的开源类库

开发几个常用的开源类库及下载地址: 引用 1.json json编码解码 2.GTMBase64 base64编码解码 3.TouchXML xml解析 4.SFHFKeychainUtils 安全保存用户密码到keychain中 5.MBProgressHUD 很棒的一个加载等待特效框架 6.ASIHTTPRequest http等相关协议封装 7.EGORefreshTableHeaderView 下拉刷新代码 8.AsyncImageView 异步加载图片并缓存代码 9.类似set

wstarx的专栏 7646

Github上的600多个iOS开源类库

在我自学的过程中看到的一篇关于Github上的iOS开源类库的分类和介绍，我觉得对于大家挑选和使用开源类库很有帮助。现在把地址分享给大家可以一起学习：Github上的600多个iOS开源类库 。

hong1595的专栏 466
上一篇： ios技术开发要点
点赞 0
评论 0
书签 书签 0
vic__vic
vic__vic
博客等级 码龄15年 3粉丝 4原创
+ 关注 专栏目录 订阅专栏
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