博客分享:优秀有趣的博客

【Practical 1】Oxford Machine Learning 2014-2015 ***----------------------------做FYP需要,新学Torch7和Lua,把解题思路和理解记在这里,欢迎交流指正----------------------------*** ***----------------------------学习课程based on Oxford University Machine Learning Course 2014-201Nan 阅读详情

转自 http://blog.youkuaiyun.com/xiaowei_cqu/article/details/8034195 整理的很不错

记录一些我经常浏览的博客,并在此向所有提供,分享优秀资源的博主们致敬!

也期待大家能留言推荐其他优秀的博客~


大牛:

刘未鹏  http://mindhacks.cn/  
绝对的绝对的大牛,在大一时读到他的《我在南大的七年》,从此成了我和我身边很多朋友的必读博客。由C++转型写思维和学习认知的博文,并在豆瓣推荐了一些列经典书单。11年博客整理出版《暗时间》

陈皓 http://coolshell.cn/

刚接触酷壳的时候,上面杂文(有意思的有关程序员文化的)文章比较多,一直也没太认真关注。直到后来看了大牛的图灵专访:《我的精神家园——陈皓》,才真正成了酷壳的追随者。以下是大牛的个人简介:14年软件开发相关工作经验,8年以上项目和团队管理经验。擅长底层技术架构,团队建设,软件工程,软件研发咨询,以及全球软件团队协作管理。对高性能,高可用性,分布式,高并发,以及大规模数据处理系统有一些经验和心得。喜欢关注底层技术平台和互联网行业应用。技术擅长C/C++/Java和Unix/Linux/Windows。现于Amazon中国任研发经理,负责电子商务全球化业务(全球开店)和全球库存预测系统的研发

Matrix67 http://www.matrix67.com/blog/
喜欢平面几何, 组合数学, 图论…博客里都是些很有意思的数学题目,听说现在的HR都要读他的blog。12年整理出版了《思考的乐趣》。然后的然后,他是北大中文系的学生。

徐宥 http://blog.youxu.info/
Google软件工程师,我从《我是一只IT小小鸟》中读到《我的大学》开始关注他的博客,也是个涉猎广泛,喜欢思考的大牛。每个有志奋斗于程序之路的同学都应当读一读前辈的“十年学会程序设计”。

赵劼 http://blog.zhaojie.me/
IBM高级咨询师,InfoQ中文站编辑,关注微软技术。推荐系列:编程语言的发展趋势及未来方向

白明 http://tonybai.com/
Neusoft某开发部技术总监,资深C程序员,对Common Lisp、Python等小众语言也有涉猎,热爱开源,《七周七语言》译者。

懒人有禅 http://www.lanrenux.com/
一群清北大牛建立的集体博客,关注用户体验。我从街旁创始人杨远骋的About Me里看到的,尤其看“懒人一览”时深刻体会到了所谓的“物以类聚”。

图灵社区 http://www.ituring.com.cn/
有图灵的新书,作者访谈之列,还有系列图书推荐。

JerryLead http://www.cnblogs.com/jerrylead/
他写的机器学习:Machine Learning系列很认真,非常非常有价值。

张驰原 http://blog.pluskid.org/
ZJU,MIT的,关注机器学习、模式识别、信息检索等。搜到过他的支持向量机系列,理解的很通透。


优快云的友邻:

July http://blog.youkuaiyun.com/v_JULY_v
狂热算法,热爱数据挖掘,学学NLP&机器学习,折腾视频编/解码。著有访问量颇高的《微软面试100题系列》,在csdn的小活动“我最喜欢的技术博客”中被推荐了N多次……

MoreWindows http://www.voidcn.com/blog/MoreWindows/article/p-368618.html

 迅雷,微软实习生。著有《秒杀多线程面试题系列》,《白话经典算法系列》,《C++ STL》,《Windows C/C++/C#》等专栏。

曹胜欢 http://www.voidcn.com/blog/csh624366188/article/p-13373.html

热爱java编程、崇尚linux、云计算。希望以后能够有机会可以往云计算、大数据挖掘方面发展。著有《java程序员从笨鸟到菜鸟》系列专栏。

yang_xian521 http://blog.youkuaiyun.com/yang_xian521
OpenCV大牛,很棒的《OpenCV学习笔记》专栏。我记得2.4刚没多久,前辈就更新博客了。

Sophia_qing http://blog.youkuaiyun.com/abcjennifer
浙江大学CS硕士在读,关注计算机视觉,机器学习,算法等。看过她写的ML学习笔记,挺有特点的。


技术站点、社区:

优快云

我入住优快云不过一年多,主要是看新闻,写博客,逛论坛,感觉优快云一直在进步,像“业界”的各个板块,像新改版上线的“论坛”,还有"CSTO"。当然我用的最多的还是博客。比较喜欢这里风格简约,代码编辑方便,而且可以上传资源;不太喜欢的是对自定义板块限制太多,连“豆瓣秀”都不让加。。。

博客园

我也不记得原来是怎么发现博客园的,可能是搜模式识别之类的文章。园子里很多高质量博文。

51CTO

51有点像优快云,博客,下载,各方面都挺不错的。但我觉着更好的还是51有个读书频道,虽然偶尔推荐的书不太靠谱儿,评论也不像豆瓣那么多(其实豆瓣上技术书籍的评论也不是很多)但整体还是紧跟新书动态,每周都有阅读排行。而且首页有“名人+名作+名博”,有问题可以直接给作者留言。
貌似优快云以前也是有读书频道的,现在只在论坛里有"计算机图书"的板块,真心感觉不够。。。

pudn

程序员联合开发网。感觉相对社区的下载资源,pudn代码质量要高一些,上传代码都有审核。不过还是经常会下到水码。。

皮皮书屋

很多电子书资源,而且你去注册就知道了,验证码很强大~

Google code、Code Project、 SourceForge、Programmers Heaven

国外的项目托管平台,以前用svn时托给google比较多,现在很久不用就不多写了。。

msdn

微软的技术社区,资源库,代码库都有不少资源,学生中心有不少同龄人做的应用,而且社区里还经常有大牛解答问题~

InfoQ(  InfoQ中文站): 
促进软件开发领域知识与创新的传播。软件架构方面的文章比较多。

IT外刊评论网 http://www.aqee.net/
文章都是翻译的外国IT方面的评论、访谈,偏重于软件方面,涵盖Java、.NET、Ruby、SOA、敏捷和架构等。

月光博客 http://www.williamlong.info/
龙威廉,关注电脑技术、网站架设互联网、搜索引擎行业、Web 2.0等。


两个资源索引:

首先是豆瓣一篇精彩的友邻贴: http://www.douban.com/note/211748394/
Jack是豆瓣上很有影响力的重度用户,这篇号召帖了网友众多推荐,对于“慢体验”的豆瓣,是个“快发现”的好资源。

另一个是邹宇华的Google Reader:http://www.voidcn.com/blog/chenyusiyuan/article/p-2506344.html
我是从这篇资源之后,才学着用Google Reader订阅期刊和博客的。



科普,心理,杂七杂八的:

科学松鼠会 http://songshuhui.net/
几乎所有有订阅习惯的朋友都会订阅的科普博客,“剥开科学的坚果,帮助人们领略科学之美妙”。经常在中科院进行科普讲座,关注豆瓣小站科学松鼠会就会受到他们同城活动的邀请。

褪墨 http://www.mifengtd.cn/
关注时间管理,个人提升和演讲技巧。把事情做到更好。有可下载的推荐文集:《褪墨优秀文章选摘》

PSY BLOG http://www.spring.org.uk/ 
林肯大学Phd Jeremy Dean的心理学小站,关注思维模式,认知神经科学等,内容比较前沿,推荐《Why We do Dumb or Irrational Things:10 Brilliant Social Psychology Studies》

世纪心理沙龙 http://www.xlxcn.net/
很不错的一个心理学小站,推荐站长迟毓凯推荐的《走进心理学》

李笑来 http://lixiaolai.com/
原新东方老师,现笑来教育信息咨询有限公司合伙人。《把时间当做朋友》作者,文章都比较简单,但很有启发。

伯乐在线 http://blog.jobbole.com/category/programmer/
分先原创、译文。

星晴coral

我的朋友们:

小鹿、阿德、帅哥、桐姐、swdong

(写博的朋友,如果我忘了添你的博客链接,记得告诉我……)


未完待续。。。


附录

声明:我不保证附录的链接都能正常访问……


附录1:《我是一只IT小小鸟》里的小小鸟们:

蒋宇东 现就职于上海某公司(C++程序员)博客:http://blog.youkuaiyun.com/NewNebuladream
居振梁 博客:http://wargrey.yo2.cn
刘帅 现就职于Amazon(SDE-Test)博客:http://lsthu.spaces.live.com/
李成 现就职于北京飞维美地信息技术有限公司(软件工程师)博客:http://www.perlfect.org
温卫斌 现就职于中国农业银行软件开发中心 博客:http://terry-pekingssm.spaces.live.com
胡江堂 现就职于赛诺菲巴斯德(SAS程序员)博客:http://li-and-jiang.com/blog/
辜新星 现就职于Google(助理产品经理)博客:http://guxinxing.blogbus.com/
刘未鹏 现就职于微软亚洲研究院(程序员)博客:http://mindhacks.cn
唐雅薇 现就职于IBM中国研发中心(上海)博客:http://cubbyvivi.blogbus.com/
张弦 现就职于百度(软件工程师)博客:http://stonefish9.blogbus.com/
秦琴 现就职于中国银行 博客:http://clalietsin.spaces.live.com/
张凯峰 现就职于IBM中国软件开发中心(软件工程师)博客:http://www.zhangkf.com
庄表伟 博客:http://www.zhuangbiaowei.cn
宋劲杉 现就职于北京亚嵌教育研究中心(讲师)博客:http://songjinshan.is-programmer.com
程露 博客:http://roburite.spaces.live.com/
黄小明 现就职于某外资企业(软件开发及项目管理)博客:http://blog.youkuaiyun.com/view1024
易晓东 现就职于某电子商务网站(运营负责人)博客:http://planeboy.blogbus.com/
简朝阳 现就职于阿里巴巴(MySQL & Oracle DBA)博客:http://www.jianzhaoyang.com
林健 现于中国科学院计算技术研究所就读(硕博连读)博客:http://blog.linjian.org
高昂 现于中科院地理所攻读博士学位 博客:http://www.gaoang.com/
徐宥 现于Washington University 就读(博士)博客:http://blog.youxu.info 


附录2:懒人有禅中的“懒人一览”

戴雨森 yusendai.com | Twitter
清华大学工业工程系本科毕业。在斯坦福大学管理科学与工程系攻读商业战略与创业硕士学位,现在休学在北京创业。曾在Oracle总部、Google中国和百度用户体验团队工作,在stanford设计学院(d.school)各种蹭课。
兴趣:设计体验战略、交互设计、社会化网络
学术研究方向:社会化网络、协作标注(tagging),人-机器人交互,认知心理学
杨远骋 http://yangyc.com/
创业中:街旁网
朱熙 http://yangyc.comalexzhu.com/
毕业于北京航空航天大学,2009年获得印第安纳大学人机交互设计系硕士学位。曾在美国IBM,Lexmark International总部负责产品用户体验研发设计工作,现在VMware总部负责云计算/云终端用户体验设计。
研究方向:云计算终端用户体验,移动设备交互设计,触控交互体验,手势控制
王俊煜 https://plus.google.com/110514170675297913842
男, 1985 年生, 广东潮州人. 2007年毕业于北京大学元培计划, 物理学专业, 现供职 Google 用户体验团队.
周为 http://weizhoudesign.com/
清华大学美术学院多媒体动画专业毕业,耶鲁大学平面设计专业辍学。即将毕业于卡耐基梅隆大学交互设计专业硕士学位。曾在微软亚洲研究院网络图形组,微软西雅图vista界面组,MOZILLA实验室和BUMPTOP工作。
兴趣:服务设计、交互设计,商业设计战略
学术研究方向:基于交互模式的用户行为调查,无痕UI,认知,情感和个性化
范忱  http://chenfandesign.com/
清华大学工业工程系本科毕业。在美国西北大学就读于工程设计创新硕士项目。现在休学,先后在百度用户体验部、产品市场部实习。


(转载请注明作者和出处:http://blog.youkuaiyun.com/xiaowei_cqu 未经允许请勿用于商业用途)

qt下使用grpc编程(2) —— 练手!自己改的一个简单小例子!1 (1)在研究了grpc官方提供的helloworld例程后,自己试着写了个小程序。 (2)编写proto文件。 proto文件用于定义服务和消息,用protobuf的语法编写,protobuf是一种通信协议,详细请百度。下面附上源码: syntax = "proto3"; option java_multiple_files = true; option java_pac 阅读详情

相关推荐

自适应滤波算法综述

自适应滤波算法综述

xdzhujy的博客 5万+

【大学生活】优秀的有趣的博客

昨晚和几个老同学小聚,聊得很开心。忘了到哪儿聊起一些牛人的博客,走得时候华仔还一直说要我一定记得把博客链接email给他。索性写个资源帖,记录一些我经常浏览的博客,并在此向所有提供,分享优秀资源的博主们致敬! 也期待大家能留言推荐其他优秀的博客~ 大牛: 刘未鹏http://mindhacks.cn/ 绝对的绝对的大牛,在大一时读到他的《我在南大的七年》,从此成了我和我身边...

编程语言小筑 615

一、数学建模层次分析法(AHP)【清风数学建模个人笔记】

层次分析法: 层次分析法主要用于解决评价类问题(例如:选择哪种方案更好、哪位员工、运动员等表现得更优秀) 评价类问题: 分析问题得出评判问题的子标,分别给不同子标赋予权重(权重和要为1) ...

m0_58882109的博客 1万+

Science杂志公布的机器学习资源

原文地址:http://m.sciencemag.org/site/feature/data/compsci/machine_learning.xhtml 本来想合并到从前的一个机器学习资源汇总的帖子里面,不过这个链接的确汇总了“大量”资源,单开一个帖子,转载。 General ML Information Sources David Aha's list of machine ...

ithome 323

Calibre PEX提参实战:如何用hcell和xcell文件精准屏蔽模块(附避坑指南)

本文深入解析Calibre PEX工具中hcell与xcell文件的协同工作机制,提供模块级寄生参数提取方案。通过实战案例和避坑指南,帮助工程师精准屏蔽已验证IP模块,提升仿真效率和数据一致性,适用于65nm以下工艺节点的复杂SoC设计。

weixin_29275257的博客 627

告别实车测试:手把手教你用Vector VT平台搭建OBC/DCDC的HIL测试台架

本文详细介绍了如何利用Vector VT平台搭建新能源汽车OBC/DCDC的HIL测试台架,涵盖硬件选型、模型部署到自动化测试的全流程。通过HIL仿真测试技术,工程师可以高效验证动力域关键部件,大幅缩短开发周期并降低成本,特别适合新能源汽车三电系统的开发验证。

weixin_42659194的博客 339

python资源网站

 中文网站:http://www.okpython.com/ http://wiki.woodpecker.org.cn/moin/PyBookside:1.spe,2.boa(需要wxpython,python2.5+wxpython2.6+boa0.4.4)Python基本安装:    * http://www.python.org/ 官方标

flserver的专栏 1185

LangChain学习及应用(超详细)

Model I/O 部分是与语言模型进行交互的核心组件,包括输入提示(Prompt Template)、调用模型(Model)、输出解析(Output Parser)。简单来说,就是输入、处理、输出这三个步骤。LLM 因其具有海量参数,需要花费相当的物力与时间成本进行预训练和微调,同时商用 LLM 还需要进行各种安全测试与风险评估等。因此 LLM 会存在知识滞后的问题。在专有领域,LLM 无法学习到所有的专业知识细节,因此在面向专业领域知识的提问时,无法给出可靠准确的回答。

weixin_39764056的博客 4253

优秀、全面的Android学习资源汇总

本博文将基于https://github.com/bboyfeiyu/android-tech-frontier/tree/master/the-bad-guys 进行扩展和补充,欢迎各位一起补充 应用开发 博主 博客 备注 任玉刚 优快云博客 深入Android应用开发,深度与广度兼顾 郭霖 优快云博客 内容实用,行文流畅,高人气博

严富坤-昆明移动互联网 836

麒麟v10(ky10.x86_64)升级——openssl-3.2.2、openssh-9.8p1

执行命令: make -j 4 && make install 这里要等待一段时间,等待编译完成。执行命令: ./configure --prefix=/usr/local/src/zlilb。执行命令: ./config --prefix=/usr/local/src/openssl。执行命令: make -j 4 && make test && make install。执行命令: make -j 4 && make install。执行命令: /etc/init.d/sshd restart。

X_yufei的博客 7428

Android功耗系列专题分析之四:待机概率性功耗高的失效分析

本文分析了Android设备待机功耗异常高的问题。通过日志发现系统休眠失败,原因是PowerManagerService.Display唤醒锁未被释放。进一步排查发现,指纹解锁功能在灭屏时未正确释放屏幕锁定,导致DisplayReady状态异常。解决方案是将指纹功能的背光控制与DisplayReady状态控制分离,使用两个变量独立管理。经验表明,快速定位问题比解决问题更重要,修改原生流程时需谨慎评估风险。

451

【博客分享】优秀的有趣的博客

http://blog.youkuaiyun.com/xiaowei_cqu

BeBeMo的博客 478

《企业AI能力地图构建:AI应用架构师的关键秘籍》

构建企业AI能力地图是企业在AI时代实现战略转型和创新发展的关键举措,它需要从评估企业当前AI能力出发,全面了解技术储备、数据资产和人才队伍的现状。将企业业务战略转化为具体的AI应用场景,并进行优先级排序,是确保AI应用能够为企业带来实际价值的重要步骤。通过深入理解业务战略和挖掘应用场景,企业可以找准AI应用的切入点,提高投资回报率。

AI架构全栈开发实战笔记 631

优秀的有趣的博客~值得一看

也期待大家能留言推荐其他优秀的博客~ 技术网站、社区: 优快云 ITEYE OPEN-OPEN 博客园 51CTO pudn Google code Code Project、 SourceForge、Programmers Heaven msdn InfoQ(InfoQ中文站)

语不惊人死不休 6849

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

分享一些优秀有趣的博客

大牛: 刘未鹏  http://mindhacks.cn/   绝对的绝对的大牛,在大一时读到他的《我在南大的七年》,从此成了我和我身边很多朋友的必读博客。由C++转型写思维和学习认知的博文,并在豆瓣推荐了一些列经典书单。11年博客整理出版《暗时间》 陈皓 http://coolshell.cn/ 刚接触酷壳的时候,上面杂文(有意思的有关程序员文化的)文章比较多,一直也没太认真

liutong123987的专栏 2997

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")

优秀个人技术博客

优秀个人技术博客作为一个程序员,我们经常需要去网络上寻找大量的参考资料以解决当前遇到的问题,就应用型需求问题几乎都不可避免的会被许多不同地域不同时间的开发者遇到,这类问题可以直接通过前人的解决方案来进行自我消化病指导解决我们遇到的问题,但是有时经常会无意在网络一角发现优秀的技术资源,虽然可以通过浏览器的书签保或者其他形式存下来,可如果换了浏览器换了电脑等情况下丢失了这些宝贵的资源,可谓得不偿失。

元笙的博客 7796

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

那些有趣的博客

总有一些博主是勤奋总结的,比公众号要有营养的多!我喜欢用 RSS 方式订阅博客,所以,基本上常看的已经用 RSS 订阅了,以下仅整理一些有趣的、没有提供 RSS 地址的博客吧。 Python 国内 TaoBeier-moelove CICD wklken David Dai 小戴,扇贝网后端工程师,Python 和 Go 栖迟于一丘 对 Python 相关源码进行了分析 莫凡Pyt...

MichaelHH 288

推荐几款优秀的开源博客系统

1.OneBlog 一个简洁美观、功能强大并且自适应的Java博客。 项目地址:https://gitee.com/yadong.zhang/DBlog 2.halo Halo 可能是最好的 Java 博客系统。 项目路径:https://github.com/halo-dev/halo 3.mblog开源免费的博客系统 mblog开源免费的博客系统, Java语言开发, 支...

不安分的猿人的专栏 6万+
上一篇: eclipse中配置tomcat
下一篇: mysql命令大全
withtoNature
博客等级 码龄10年 20粉丝 29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