【用Typora学习Markdown语法】

Typora使用与Markdown语法详细教程 本文主要介绍Typora的使用与插件,以及Markdown语法使用教程。 阅读详情

用Typora学习Markdown语法

2022年3月27日15:35:31

前言:当然你可以直接使用typora提供的编辑格式进行书写,但是了解markdown语法,可以更加高效的书写笔记,同时,也可以使用typora的查看源码功能来熟悉markdown语法。

文章目录:

1.标题

文章的段落划分,使得行文思路清晰,方便理清文章脉络,建立文章框架。

格式:

标题的级数划分使用#+space+标题名称

例如:

# 一级标题一级标题
## 二级标题二级标题
### 三级标题三级标题
#### 四级标题四级标题
##### 五级标题五级标题
###### 六级标题六级标题

注意:不同的等级的标题在markdown格式中的大小不一样。


2.字体

在文章中可以像 Word 中那样编辑文字的加粗、倾斜、斜体加粗、删除线,高亮等字体操作,但是在 markdown 中进行字体大小和颜色的操作要使用到 HTML 等前端的知识。

格式:

编辑格式效果快捷键
* 倾斜 *倾斜ctrl+I
* * 加粗 * *加粗ctrl+B
* * *倾斜加粗 * * *倾斜加粗ctrl+B+I
== 高亮 ==高亮
上标 ^ 上标 ^上标上标
下标 ~ 下标 ~下标下标

注意:因为表现格式问题,上表中符号* 、= 、^ 、~与符号之间,以及符号与字体之间留有==空隙,正确的写法是讲符号与字体之间紧密相连==;通过倾斜加粗的表现形式,相信大家也能看出多种编辑格式之间可以相互嵌套存在。

所有符号均为英文字符。


3.列表

无序列表和有序列表也是我们编辑文章中非常重要的一部分,列表问问可以用非常清晰、简洁的文字,表示分点之间的关系(并列 | | 递进)。

格式:

(1)使用 ++space+ 内容 用来编辑***无序列表***,当然+ 可以替换为- 。如果有层级的递进,在+ 前空两个space ,如果直接enter ,则会自动切换到下一个同级的分点。

例如:

  • 这是无序列表
  • 这是无序列表
  • 这是无序列表
    • 加空格的效果
    • 加空格的效果
  • 多次按Enter 可以缩进到上一层级,Tap则会转到下一级

下图为源码表示:

- 这是无序列表
- 这是无序列表
- 这是无序列表
  +  加空格的效果
    - 加空格的效果
- 多次按`Enter` 可以缩进到上一层级,`Tap`则会转到下一级

(2)使用 1.+space+ 内容 用来编辑***有序列表***,如果有层级的递进,请使用Tab,如果直接enter ,则会自动切换到下一个同级的分点。

例如:

  1. 这是第一条
  2. 这是第二条
  3. 这是第三条
    1. 这是3.1条
    2. 这是3.2条

下图为源码显示:

1. 这是第一条
2. 这是第二条
3. 这是第三条
	1. 这是3.1条
	2. 这是3.2条


4.表格

正如前文所看到的那样,表格可以用于数据分类统计,也方便读者查看。而markdown语法可以很轻易的绘制出表格,在typora中更是可以直接对表格进行操作。

格式:

使用 |+内容+ | +……+|+ 内容+|创建:

1234

下图为源码显示:

| 1    | 2    | 3    | 4    |
| ---- | ---- | ---- | ---- |
|      |      |      |      |

5.引用

我在每一个二级标题下都用了引用来说明情况,如你所见,现在这就是一个引用,当然也可以和列表嵌套使用。

格式:

使用 >+space+ 内容创建:

这是一个引用

下图为源码显示:

> 这是一个引用

6.代码

实话说,用markdown语法写笔记我就是奔着可以直接敲代码,并且有相应的高亮提示,可以让笔记中的代码不那么死板。

格式:

使用 ctrl+shift+k创建 或者 使用如下的方式创建:

```cpp


```

当然在typora中还需要选定相应的代码语言。


7.超文本链接

有时候,你的笔记或文章中不得不添加一些网址,以便于直接快速的访问

格式:

使用[文章中显示的名称](www.wangzhi.com)编辑网址,

也可以使用快捷键ctrl+k。

例如:

我的博客

[我的博客](https://blog.youkuaiyun.com/eternity_memory?spm=1011.2124.3001.5343)

8.图片

图片总给人一种直观的感受,有时候文字的描述可能不如一张图片来的实在。

格式:

可以直接截图,使用ctrl+V粘贴进笔记中,但是这样是不保险的,因为照片的链接并不稳定,可能会失效,笔记中的图片,应该被存储在一个相对稳定的地址里,而且保证这个图片的路径不会发生错误。

如下图所示:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cbQjofcj-1648382335113)(C:/Users/EternityMemory/Desktop/image-20220327184223407.png)]

源码如下:

![image-20220327184223407](C:/Users/EternityMemory/Desktop/image-20220327184223407.png)

和链接相同的是,图片的[]里表示图片名,()里放图片存储的路径。

如果我将路径下的照片删除,笔记中会是如下显示:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rnNQdhfq-1648382335115)(assets/%E5%AD%A6%E4%B9%A0Markdown%E8%AF%AD%E6%B3%95/image-20220327184646508.png)]


9.数学公式

markdown语法支持LaTeX数学公式,使用可以很好的编辑表示数学公式。

使用快捷键 ctrl+shift+M 或者 用 $LaTex表达式$ 编辑公式

LaTex表达式:

(1)希腊字母:使用 \ +希腊字母的英文

编辑形式效果
$\delta$ δ \delta δ
$\lambda$ λ \lambda λ

等等

具体见:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xO7TTsGb-1648382335116)(assets/%E5%AD%A6%E4%B9%A0Markdown%E8%AF%AD%E6%B3%95/image-20220327191719628.png)]

(2)上下标:
a 2 , a 1 x 1 + 2 x i 与 x i 或 x i a b 与 a b a b 与 a b 表 示 变 量 用 斜 体 x i , 表 示 常 量 用 直 立 体 x i a^2,a_1\\ x^{1+2}\\ x_i 与x_{\rm i} 或 x_{\text i}\\ \text{a b} 与 \rm{a b}\\ \text a b 与 \rm a b\\ 表示变量用斜体x_i,表示常量用直立体x_{\rm i} a2,a1​x1+2xi​与xi​或xi​a b与abab与ab表示变量用斜体xi​,表示常量用直立体xi​

a^2,a_1\\
x^{1+2}\\
x_i 与x_{\rm i} 或 x_{\text i}\\
\text{a b} 与 \rm{a b}\\
\text a b 与 \rm a b\\

表示变量用斜体x_i,表示常量用直立体x_{\rm i}

(3)分式与根式
分 子 分 母 1 2 1 x + 1 y + 1 2 x + 1 3 \frac{分子}{分母}\\ \frac 1 2\\ \frac{\dfrac 1 x+1}{y+1}\\ \sqrt2\\ \sqrt[3]{x+1}\\ 分母分子​21​y+1x1​+1​2 ​3x+1 ​

\frac{分子}{分母}\\
\frac 1 2\\
\frac{\dfrac 1 x+1}{y+1}\\
\sqrt2\\
\sqrt[3]{x+1}\\

(4)普通运算符

在这里插入图片描述

+、- \\
\times、\cdot、\div \\
\pm、\mp \\
>、<、\ge、\le、\gg、\ll、\ne、\approx、\equiv\\
\cap、\cup、\in、\notin、\subseteq、\subsetneqq、\varnothing\\
\forall、\exists、\nexists\\
\because、\therefore\\
\mathbb r、\R、 \Q、 \N、\Z_+\\
\mathcal F、\mathscr F、\mathscr f\\
\cdots、\vdots、\ddots\\
\infty、\partial、\nabla、\propto、\degree\\
\sin x,\cos x,\arctan x,\cosh x\\
\log_2 x、\ln x、\lg x\\
\lim\limits_{x \to 0}\frac{x}{\sin x}\\
\max x

(5)大型运算符
∑ , ∏ ∑ i = 0 N ∑ i = 1 n x i ∏ i = 1 n x i ∫ , ∬   ∭ ∮ ∯ ∫ − ∞ 0 f ( x )   d x \sum,\prod\\ \sum_{i=0}^N\\ \frac{\sum\limits_{i=1}^n x_i}{\prod\limits_{i=1}^n x_i}\\ \int,\iint\,\iiint\oint\oiint\\ \int_{-\infty}^0 f(x)\,\text d x\\ ∑,∏i=0∑N​i=1∏n​xi​i=1∑n​xi​​∫,∬∭∮∬ ​∫−∞0​f(x)dx

\sum,\prod\\
\sum_{i=0}^N\\
\frac{\sum\limits_{i=1}^n x_i}{\prod\limits_{i=1}^n x_i}\\
\int,\iint\,\iiint\oint\oiint\\
\int_{-\infty}^0 f(x)\,\text d x\\

a   a a   a a a a a a\,a\\ a\ a\\ a\quad a\\ a\qquad a\\ aaa aaaaa

a\,a\\
a\ a\\
a\quad a\\
a\qquad a\\

留一个小坑:markdown文字如何改大小和颜色
(HTML&&CSS)

2022年3月27日20:09:33

Typora + Markdown入门:核心语法、学习路径与避坑指南 Markdown是一种轻量级标记语言,用纯文本符号实现标题、列表、加粗等排版,核心理念是让写作者专注于内容而非格式。其原理基于一套简单约定,配合所见即所得的实时渲染工具,可大幅降低学习门槛并提升结构化写作效率。在博客、技术文档、笔记管理、内容发布等场景中,Markdown已成为通用写作语言。Typora凭借即时预览和极简界面,是新手入门与长期写作的可靠选择。本文围绕核心语法、三天速学路径、避坑指南与导出发布,帮助零基础用户快速建立稳定、可复用的Markdown写作工作流。 阅读详情

相关推荐

解决vLLM安装卡在vllm-nccl-cu12依赖项的实战指南

本文提供了解决vLLM安装过程中卡在vllm-nccl-cu12依赖项的详细指南。通过分析CUDA版本兼容性问题,介绍了三种实用解决方案:安装指定版本vLLM、手动安装nccl-cu12依赖以及升级CUDA到12.x版本,并特别针对离线环境提供了安装建议,帮助开发者顺利完成vLLM的安装部署。

weixin_29098367的博客 514

MarkDown格式的常用语法

MarkDown格式的简单使用 MarkDown格式很简单,使用一些简单的字符,控制固定的格式,简单明了,方便使用。 1.关于标题 标题的控制符号"# ",(井号加空格),可以将一行文字变成标题,一个就是一级标题,1到六级 一行文字,下面加上一个或若干个”=“(等号),表示一级标题,加上”-“(减号),表示二级标题。 一般使用第一种方法 2. 关于分点(列表) 无序列表,使用”-“,减号,...

哀骀他的博客 1618

WSL基础环境配置方案

通过以上步骤,您已经在 Windows 的 WSL 环境中成功搭建了一个完整的基础开发环境,包含 Docker、Kubernetes、Helm、kubectl、yq、Git 等工具。这套环境特别适用于在国内使用阿里云镜像服务部署和管理 Tekton,提升了开发和运维的效率和稳定性。

落魄书生的职业学习生涯 8876

markdown常用语法笔记

有序的直接数字后面跟着一个点就可以了,和咱们平时写的一样。markdown中分割线,能是你的文章结构更加清楚。鼠标右键选择插入 -->表格–>输入表格的列行信息。这些都可以是分割线,按照自己的习惯使用。

qq_43003456的博客 3360

Python 包安装报错:ERROR: No matching distribution found for xxx 的全面排查指南

本文全面解析Python包安装时常见的`ERROR: No matching distribution found for xxx`报错。从检查包名拼写、网络与镜像源配置,到深入分析Python版本、操作系统等环境兼容性问题,提供了从简到繁的排查步骤。文章还介绍了使用`pip debug`、`-v`参数等高级诊断工具,并给出了更换包管理器、使用Docker等终极解决方案,帮助开发者高效解决依赖安装难题。

p8q9r0的博客 894

【具身算法】VLA算法-Diffusion Policy

《扩散策略:多模态机器人控制的新方法》摘要 本文提出了一种基于扩散模型的机器人控制策略(DiffusionPolicy),用于解决视觉运动控制中的多模态行为、高维动作空间和训练稳定性问题。该方法利用去噪扩散概率模型(DDPM)生成动作序列,通过迭代优化处理复杂动作分布,显著提升了性能。实验表明,在15项机器人操作任务中,扩散策略平均性能提升46.9%,有效解决了传统显式/隐式策略的局限性。其核心优势在于:1)优雅建模多模态动作分布;2)适应高维动作空间;3)训练过程稳定。未来工作将探索与强化学习的结合及计算

puzhinan7781的博客 1389

Typora Markdown 语法

文章目录@[toc]第一章 块元素(Block Elements)1.1 段落和行结束(Paragraph and line breaks)1.2 标题(Headers)1.3 引用(Blockquotes)1.4 列表(Lists)1.5 任务列表(Task List)1.6 代码块(Code Blocks)1.7 数学(Math Blocks)1.8 表格(Tables)1.9 脚注(Foot...

lee_ccr的博客 1447

导航系统 | 全球四大卫星导航系统(2025)核心能力对比分析

北斗系统通过GEO卫星(80°E、110.5°E、140°E)实现区域增强,其IGSO卫星在亚太地区形成"8"字形轨迹,使该区域可见卫星数量比GPS多4-6颗,显著提升复杂环境下的定位可用性[13]。北斗短报文功能在2025年云南地震救援中发挥关键作用,被困人员通过北斗终端发送120字求救信息,实现"位置+状态"一体化上报,救援响应时间缩短40%[15]。北斗通过三频信号(B1C/B2a/B3)消除电离层延迟误差,在城市峡谷环境下定位连续性达99.98%,优于GPS的99.95%[5]。

尘世冰封的专栏 2611

超详细markdown语法和typora教程

一、Markdown语法 文章目录一、Markdown语法1.1 标题2.2 字体2.3 各种线2.4 列表2.5 区块2.6 代码2.7 链接2.8 图片2.9 表格三、Typora与数学公式3.1 如何插入数学公式3.2 上标下标3.3 根号3.4 上下水平线3.5 上下水平大括号3.6 向量符号3.7 分数3.8 积分运算符3.9 求和运算符3.10 连乘运算符3.11 特殊符号3.12 矩阵表示3.13 方程组3.14 分段函数四、Typora与HTML4.1 改变字体颜色及大小4.2 改变对齐方式

不曾留得桃花影 2570

Arduino、ESP32驱动AS3935数字闪电传感器(闪电传感器)

闪电传感器采用AMS独具创新的AS3935数字闪电传感芯片与Coilcraft的MA5532-AE专用天线,可在室内或室外,安全地检测方圆40km范围内发生闪电的距离,闪电相对强度与统计闪电发生次数。

不脱发的程序猿 2009

STM32CubeMX | 38-使用硬件SPI驱动以太网模块(W5500)

本篇详细的记录了如何使用STM32CubeMX配置STM32L431RCT6的硬件SPI外设与以W5500通信,驱动以太网模块。 1. 准备工作 硬件准备 开发板 首先需要准备一个开发板,这里我准备的是STM32L4的开发板(BearPi): W5500以太网模块 这里我使用常见的以太网模块W5500: W5500官网 http://www.w5500.cn/ W5500中文手册 iEthernet W5500 Datasheet 软件准备 需要安装好Keil - MDK及芯片对应的包,以

Mculover666的博客(嵌入式) 7387

Typora和Markdown语法的学习

个人经历的问题和解决方案请移步到参考文献

2401_83455471的博客 770

基于深度学习YOLOv8的商品识别系统(深度学习 + UI界面 + 训练数据集 + Python代码)

如果使用自定义数据集,可以通过图像标注工具如LabelImg来标注每个商品的类别和边界框,并保存为YOLO格式的文本文件。bash复制编辑/dataset/images/train/val/labels/train/val这样,我们就准备好了数据集,可以开始训练YOLOv8模型。本文介绍了如何使用YOLOv8构建一个商品识别系统,包括从数据准备到模型训练,再到UI界面的开发。通过深度学习技术,尤其是YOLOv8的高效目标检测能力,我们能够快速实现商品识别并集成到实际应用中。

YOLO 302

Typora之Markdown语法学习

+“ ”+标题名字=一级标题。

m0_73788073的博客 361

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Markdown语法基于Typora软件的使用学习

Markdown语法基于Typora软件的使用学习选择Typora的原因:方便下载,功能够用,免费。Markdown语法基于Typora软件的使用学习第一步:了解Typora编辑界面第二步:语法学习1.字体设置2.分级标题3.超链接3.1行内式(添加链接)3.2参考式(学术论文参考文献)3.3自动链接4.列表4.1无序列表5.2有序列表5.引用5.1多层嵌套5.2引用其它要素6.插入图片7.表格第...

qq_34988996的博客 623

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")

Markdown语法学习2--快速入门(基于Typora)

作为一名Markdown初学者,这是我详细总结的第二份Markdown笔记,笔记全方位展示 Markdown 在链接创建、脚注运用、图片嵌入以及表格搭建方面的语法与运用,以下内容基于个人学习和实践经验,可能存在疏漏或错误。接下来,我计划在下一篇博客中,全方位展示 Markdown 在表情符号、流程图方面的魅力。期待你的持续关注,一起解锁 Markdown 更多潜能,为高效写作助力!,我们学习了Markdown语法的基础内容(标题、段落、文字、显示、列表),接下来,让我们一起快速入门吧!

2201_75628870的博客 950

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

使用Typora学习Markdown语法

使用Typora学习markdown语法

weixin_46884062的博客 501

用typora编辑器学习常用的Markdown语法

Markdown学习,typora软件的应用

2401_87196003的博客 480

Markdown语法学习笔记(Typora)

什么是Markdown markdown是种纯文本格式的标记语言,理论上来说和txt、word是一样的,只不过它可以让普通的文本具有一定的格式。 下面是几种常用的markdown语法。 标题 markdown中标题的表示一般为“#”后面加空格再加内容,一级标题就是#加一个空格再加标题内容,二级标题就是##加一个空格再加标题内容,以此类推。 在Typora中也可以用ctrl+数字的快捷键来代替,几级标题就是ctrl加几。在Typora中最多支持六级标题。 字体样式 加粗 markdown中加粗为在需要加粗的

shjate的博客 752

Typora安装及Markdown语法学习

Typora安装及Markdown语法学习 Typora安装教程 百度搜索typora 点击跳转typora官网 选择对应系统进行下载 下载好以后,一直点击下一步进行安装 安装完成后新建一个文本文件(后缀名为txt文件) 点击我的电脑上方查看按钮 勾选文件扩展名 设置好以后,将之前新建txt文件后缀名修改为md 打开md文件 Markdown语法学习 标题: “#”+“空格”+“标题” 字体: Hello,World! 粗体:Hello,World! 斜体:

m0_55978416的博客 142

Markdown基本语法学习笔记(在Typora中)

Markdown 学习 1.标题样式 一级标题 二级标题 三级标题 四级标题 五级标题 六级标题 2. 字体设置 //粗体 **details** //斜体 *details* //删除线 ~~details~~ 具体效果如下: imCBW imCBW imCBW 3. 引用 //引用书写语法如下: >details >>details >>>details details details details 4. 分割线 //分隔线(长度:根据内容

qq_45920815的博客 491

使用Typora学习MarkDown语法

Markdow语法学习 标题 ###三级标题 ####四级标题 字体 双*号给字体加粗 Hello World 单*号斜体字体 HelloWorld 三个*号斜体加粗 Hello World 波浪线删除线 Hello Wordl 引用 >接应用内容 JAVA 分割线 图片 ![图片名称] (路径) 超链接 生成链接的名称 列表 A bb b c D ...

陈丹宇的博客 626

Typora Markdown语法学习

Typora Markdown语法学习Mardown语法学习一、标题三级标题(###[空格]标题名称 快捷键Ctrl+3)四级标题(####[空格]标题名称 快捷键Ctrl+4)二、字体三、引用四、分割线五、图片六、超链接七、列表八、表格九、代码十、公式块 Mardown语法学习 一、标题 三级标题(###[空格]标题名称 快捷键Ctrl+3) 四级标题(####[空格]标题名称 快捷键Ctrl+4) 二、字体 斜体(一个星号 快捷键Ctrl+I) 粗体(两个星号 快捷键Ctrl+B) 粗斜体(三个星号Ct

Smile的博客 353

Markdown语法学习之Typora

Markdown语法学习之Typora

m0_62705509的博客 287

Typora 使用指南 -MarkDown基本语法学习

Typora 使用指南 -MarkDown基本语法学习

qq_57633666的博客 2020

初用Typora,Markdown语法学习

今天开始使用Typora,方便记录需要代码的笔记,学习下Markdown语法,可以高效地记笔记写博客~ 标题 井号+空格+标题内容,井号个数指明标题级别 这里举例 # 一级标题 ## 二级标题 ### 三级标题 ,Typora中最多六级标题 字体 粗体: Hello的前后各加两个星号,则得到 Hello 斜体:Hello的前后各加一个星号,则得到 Hello 粗体并且斜体:Hello前后各加三个星号,则得到 Hello 文字删除线:Hello前后各加两个~~ 则得到 Hello 引用 使用 大于号

weixin_43803950的博客 241
上一篇: 【第一届ACC(AcWing Cup)全国高校联赛】【题解】
下一篇: 第一阶段训练题单
Eternity_GQM
博客等级 码龄6年 1549粉丝 308原创
评论 2
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

打赏作者

Eternity_GQM

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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