一个节点超多的树的实现方式

GPU集群中的超节点 超节点,英文名叫SuperPod,是英伟达公司最先提出的概念。GPU是重要的算力硬件,为AIGC大模型的训推提供了有力的支撑。随着大模型参数规模的不断增长,对GPU集群的规模需求,也在不断增长。从千卡级到万卡级,再到十万卡级,将来甚至可能更大。 阅读详情
    近日作项目,项目中有一个树,它的节点竟然有1700多个,为了能快速的显示它,或者说让用户感觉挺快的显示。我和同事们尝试了几种不同的方法。
    原来的树,是基于老外写的一个js做的,将节点信息,转为js数组,在通过页面内定义的js树节点对象一一加入。以前最动时,曾用过800个节点,勉强可以接受,本以为在这个项目中,也有可能使用,所以试了一下,结果,惨不忍睹,足足花了3-4秒,树才出来@^@#^@#^@^#。
   接着,采用同事的方法,使用了一个自己写的js代码,将树分散为几个个数组片断,分段加载,总的来说,速度还行。可是,分段过程需要人工干预...而且分段加载会出现某些节点后台加载偏慢地问题,另外,如果节点都被加载后,页面操作也有点慢。当需要实时更新,如树节点维护模块,这个方法就不是很可行。
  又尝试另一个同事的JSP TreeTag,发现也不算很快(也许是没正确配置的原因罢)。
  最后,实在没办法,只好自己编写了一段程序,我把它称为不完全展开树方式。
  一般使用树的模块,往往操作集中在几个地方。根节点、兄弟节点、子节点(也许还有父节点),那么从这个角度考虑的话,可以有选择性的显示这些节点,而其他节点不需要输出到Html中。
  因此,我制作了一个树的实现页面,以树的当前节点ID为参数,输出实际的树,从服务器端读取(当然结合AJAX技术,也可以用js展开),点击节点前面的图标,则当前节点就切换过去。
 根据这个办法,如果,只显示根节点、节点所在路径的所有节点,节点的子节点,节点的兄弟节点,一般查询的次数会比较少,而且大多是单节点查找。
 在目前的使用中情况较好.截图如下:
 树效果
另外配合,这个树,通过ajax技术,可以支持快速节点定位(通过ID)和一次返回所有子节点ID。
目前运行状况良好,我已经改写了所有相关的树,采用此模式处理。

附核心逻辑代码:(工具函数Common.jsp主要定义数据源和一些处理数据的基本方法)
<%@ page contentType="text/html; charset=gb2312"%>
<%@ include file="Common.jsp" %>
<%!
    public static String rootParent="0"; //根节点的查找方法
    public static int nodeType=Text_TYPE; //节点主键的类型

    //国标分类树
    public static String treeSQL="select GBID,GParentID,GBName from pclassandgb where 1=1 ";
    public static String nodeCountSQL="select Count(GBID) from pclassandgb where 1=1 ";
    public static String keyField="GBID";
    public static String nameField="GBName";
    public static String parentField="GParentID";

    public static String spaceStr="&nbsp;&nbsp;&nbsp;";

    //递归获得节点的完整路径
    String getFullPathEx(String nodeKey) throws Exception {
        String fullpath="";
        //获取当前的节点信息
        String nodeParent; //当前节点父ID
        javax.sql.RowSet nodeRs=null;       
        nodeRs = openRowSet(treeSQL+" and "+keyField+"="+toSQL(nodeKey,nodeType));
        if (nodeRs.next()){
            nodeParent=checkNull(nodeRs.getString(2));
            if (nodeParent.equals(rootParent)){
                fullpath=nodeKey;
            }else{
                fullpath=getFullPathEx(nodeParent)+"-"+nodeKey;
            }
        }else{
            fullpath="";
        }       
        return fullpath;
    }

     //子节点个数
     int getChildren(String nodeKey) throws Exception {
        int children=0;
if(bDebug) System.err.println(nodeCountSQL+" and "+ parentField + "=" + toSQL(nodeKey,nodeType));
        children=Integer.parseInt(checkNull(getString(nodeCountSQL+" and "+ parentField + "=" + toSQL(nodeKey,nodeType))));
        return children;
    }
   
    //节点深度
    int getNodeDepth(String fullPath) throws Exception {
        int nodeDepth=0;
        String[] nodeKey = ("-"+fullPath+"-").split("-");
        for (int j = 1; j <= nodeKey.length; j++) {
          if (nodeKey[j - 1].equalsIgnoreCase("")) {
          }
          else {
              nodeDepth++;
if(bDebug) System.err.println(nodeKey[j - 1]);
          }
        }
        return nodeDepth;   
    }

   //获得节点所在路径上的所有节点ID列表
    String[] getParentNodes(String fullPath) throws Exception {
//获得完整父节点序列
        int nodeNumber=getNodeDepth(fullPath);
//定义父节点数组
        String[] parentNodes=new String[nodeNumber];
        int nodeDepth=0;
        String[] nodeKey = ("-"+fullPath+"-").split("-");
//给父节点数组赋值
        for (int j = 1; j <= nodeKey.length; j++) {
      if (nodeKey[j - 1].equalsIgnoreCase("")) {
      }
      else {
              nodeDepth++;
              parentNodes[nodeDepth-1]=nodeKey[j - 1];
          }
        }
        return parentNodes;           
    }

  //输出节点信息到Html中
  String WriteNode(String nodeKey) throws Exception{
    //计算深度 ,转换为空格
    //查询名称出来,并输出
        String nodeMsg="";
        String nodeParent; //当前节点父ID
        String nodeName;
        int    nodeDepth=getNodeDepth(getFullPathEx(nodeKey));
        javax.sql.RowSet nodeRs=null;       
        nodeRs = openRowSet(treeSQL+" and "+keyField+"="+toSQL(nodeKey,nodeType));
        if (nodeRs.next()){
            String spaceMsg="";
            for (int i=0;i<nodeDepth-1;i++){
                spaceMsg=spaceMsg+spaceStr;
            }
            //计算,如果有子节点则 显示一种图片,否则另一种图片
            String imgMsg="";
            if (getChildren(nodeKey)>0){
                imgMsg="<img border=0 src=/"images/left/closed.gif/"></img>";
            }else{
                imgMsg="<img border=0 src=/"images/left/document.gif/"></img>";
            }
            nodeMsg=nodeMsg+
                "<Div class='NDS0'>"+
                "<Div class='NDS'>"+spaceMsg+
                "<a target='_self' href='SelectGBMakeTree.jsp?no="+
                checkNull(nodeRs.getString(1))+
                "'>"+
                imgMsg+
                "</a>"+
                "<span href='SelectGBMakeTree.jsp?no="+
                checkNull(nodeRs.getString(1))+
                "' onclick='javascript:eval(retChild(/""+checkNull(nodeRs.getString(1)) +"/"));' >"+
                checkNull(nodeRs.getString(3))+
                "</span></div></div>";
        }else{       
            nodeMsg="";
        }
        return     nodeMsg;
    }

    %>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gbk">
<title>搜索条件录入</title>
<link type="text/css" rel="stylesheet" href="/query/csslib/cecp.css">
<script src="/query/jslib/urlencode.js"></script>
<script src="/query/jslib/xmlrpc.js"></script>
<script type="text/javascript">
    var done=true;
//注册服务
    XMLRPC.onerror = function(e){
        alert("执行远程调用时,发生错误:"+e.name+"/r/n详细信息:"+e.message);
        return true;
    }
    try{
        RPCHOST='<%=getHost(request)%>';
        AllFunc = XMLRPC.getService(RPCHOST+"rpc/rpc4pclassandgb.jsp");
    }catch(e){
        alert("连接远程服务提供方时错误,发生错误:"+e.name+"/r/n详细信息:"+e.message);   
    }

    AllFunc.add("AllFunc.retChild", "retChild");       

    function retChild(nodeKey){
        done=true;
        result="";
        result = AllFunc.retChild(escape(nodeKey));
        if (done) {
            return unescape(result);
        }else{               
            return "";
        }
    }

</script>
</head>
<body>
<div id="treeBox" class="TR"  >
<%
    String[] parentNodes=null; //父节点列表
    String currentNodeKey=getParam(request,"no"); //当前节点

    if    (currentNodeKey.equals("")){
    }else{       
        parentNodes=getParentNodes(getFullPathEx(currentNodeKey)); //获得父节点列表
    }
    //获得根节点信息
    javax.sql.RowSet nodeListRs=null;
    nodeListRs = openRowSet(treeSQL+" and "+ parentField + "=" + toSQL(rootParent,nodeType));
    boolean EOF=!nodeListRs.next();
    while (!EOF){
        //绘制所有根节点
        out.println(WriteNode(nodeListRs.getString(1))+"");
        if    (currentNodeKey.equals("")){
            //不绘制子节点了
        }else{
            //从根节点开始
            if(checkNull(nodeListRs.getString(1)).equals(parentNodes[0])){
                //绘制父节点序列,
                //System.err.println(parentNodes.length==1);
                for (int j=0 ;j<parentNodes.length;j++){
                    if (parentNodes.length==1){
                        //System.err.println("测试"+(parentNodes.length==1));                   
                        if (!(j==0)) out.println(WriteNode(parentNodes[j])+"");
                        //只绘制子节点序列
                        javax.sql.RowSet childListRs=null;
                        childListRs = openRowSet(treeSQL+" and "+ parentField + "=" + toSQL(currentNodeKey,nodeType));
                        boolean CEOF=!childListRs.next();
                        while (!CEOF){
                            out.println(WriteNode(childListRs.getString(1))+"");
                            CEOF=!childListRs.next();
                        }
                    }else{
                        //System.err.println(parentNodes.length==1);
                        //不是根节点时,才绘制兄弟节点
                        //当绘制到当前节点时
                        if(j==(parentNodes.length-1)){
                            javax.sql.RowSet brotherListRs=null;
                            brotherListRs = openRowSet(treeSQL+" and "+ parentField + "=" + toSQL(parentNodes[parentNodes.length-2],nodeType));
                            boolean BEOF=!brotherListRs.next();
                            while (!BEOF){
                                out.println(WriteNode(checkNull(brotherListRs.getString(1)))+"");
                                if ((brotherListRs.getString(1)).equals(currentNodeKey)){
                                    //绘制子节点序列
                                    javax.sql.RowSet childListRs=null;
                                    childListRs = openRowSet(treeSQL+" and "+ parentField + "=" + toSQL(currentNodeKey,nodeType));
                                    boolean CEOF=!childListRs.next();
                                    while (!CEOF){
                                        out.println(WriteNode(childListRs.getString(1))+"");
                                        CEOF=!childListRs.next();
                                    }
                                }
                                BEOF=!brotherListRs.next();
                            }
                        }else{
                            if (!(j==0)) out.println(WriteNode(parentNodes[j])+"");
                        }

                    }
                }           
            }else{
                //不在其他节点展开
            }
        }       
        EOF=!nodeListRs.next();
    }
%>
</div>
</body>
</html>

 
C++版【AVL树的模拟实现】 希望大家可以自行写出遍历操作、求树的高度、求树的节点个数等成员函数,需要注意的是,利用递归来完成的,都需要写个子函数,然后封装一下子函数.大家感兴趣,可以自行查阅删除操作后续会实现红黑树,红黑树那里会模拟实现一下map和set。 阅读详情

相关推荐

基于多树的WSN节能查询

本文提出一种基于多树和多棵树的无线传感器网络架构,通过按参数类型分组构建树形拓扑,优化查询驱动下的能耗与延迟。仿真结果表明,该方法在降低能量消耗、延长网络生命周期方面优于传统最小生成树和多树结构,适用于异构传感器环境下的高效数据收集。

lemon的博客 972

多节点树的层序遍历

对于多节点树,顾名思义就是一个根节点下面有两个及两个以上的节点,对于多节点数的遍历,就无法使用二叉树的前中后序的遍历方式了。

weixin_45969711的博客 889

超简单的js树控件,最大支持25万个节点(非ajax)自己写的。

自己写的js树,代码少,逻辑简单,可以很快掌握。 功能类似dtree,但最大负载量比dtree大,在火狐下开启这个js树的 setlazy(true)方法,可以在5秒内生成250000个节点的树(随机添加的节点)。 例子中是生成10000个节点。 注:在使用例子时,要点全部打开,请先将随机节点数设到1000以内。

7--树

定义: 树(tree)是包含n(n>0)个结点的有穷集,其中: (1)每个元素称为结点(node); (2)有一个特定的结点被称为根结点或树根(root)。 (3)除根结点之外的其余数据元素被分为m(m≥0)个互不相交的集合T1,T2,……Tm-1,其中每一个集合Ti(1 结点(Node):一个数据元素及其若干指向其子树的分支。 结点的度(degree)、树的度

牛崽的博客 549

Python爬虫实战:用Selenium+ChromeDriver批量抓取政府网站政策文件(附完整代码)

本文详细介绍了使用Python的Selenium和ChromeDriver进行政府网站政策文件批量抓取的实战技巧。从环境配置、动态页面元素定位到分页机制破解和反爬虫策略,提供了完整的解决方案和代码示例,帮助开发者高效获取结构化政策数据。

weixin_42531710的博客 268

lvgl 实现表格table,并且固定表头

嵌入式实现table,lvgl 实现原生表格table组件

m0_61704502的博客 1273

多叉树、多路查找树、B树、B+树、B*树介绍

What 在二叉树中,每个节点有数据项,最多有两个子节点。如果允许每个节点可以有更多的数据项和更多的子节点,就是多叉树(multiway tree) 后面会讲到2-3树(如图2)、2-3-4树、B树、B+树,他们都是多叉树 图1.二叉树 图2.多叉树(2-3树) Why 二叉树的操作效率较高,但是也存在问题 由于构建二叉树时需要把数据从某个地方(数...

c梦的博客 2775

SiC双向车载充电器技术解析与V2G应用

碳化硅(SiC)功率器件凭借其高击穿电场强度、优异热导率和低开关损耗特性,正在重塑电力电子系统的设计边界。作为第三代半导体材料的代表,SiC MOSFET通过降低80%的开关损耗,使车载充电器(OBC)效率突破96.5%。在双向能量转换架构中,图腾柱PFC与CLLC谐振变换器的组合实现了ZVS软开关,配合三维集成散热方案使功率密度达54W/in³。这些技术进步直接支撑了V2G(车辆到电网)应用场景,使电动车成为虚拟电厂(VPP)的关键单元。通过智能充放电策略优化,电池循环寿命可提升至4000次以上,为电力市

weixin_30693683的博客 281

数据结构——树

1. 二叉树可以为空树,也就是不包含任何节点。2. 如果不为空树,那么每个节点包含一个数据元素和左子树、右子树两个指针。3. 左子树和右子树都是二叉树。4. 二叉树的左子树和右子树的位置是固定的。

m0_65760660的博客 412

三维重建Fusion中的TSDF算法通俗描述

看个视频 https://www.youtube.com/watch?v=8M_-lSYqACo 这是mobilefusion的视频,大家先了解一下,看到在三维重建的时候外面有个长方体包围盒了吗? 数据准备: 我们不同角度拍摄的RGB图、深度图和相应的pose.txt。 步骤: 1.建立长方体包围盒 要建立一个长方体包围盒。让所有的三维点都在这个长方体里面。 假设z方向垂直相机。 很明显,x,y方...

qq_30339595的博客 1万+

ANPC三电平拓扑双脉冲试验的原理与实施

ANPC三电平拓扑因损耗低、谐波小、应力均衡而广泛应用,但其存在短、长两类换流通道,寄生电感和开关应力差异显著。短通道尖峰小、可靠性高;长通道应力严苛。因此需分别制定两套独立双脉冲测试方案,针对不同时段和器件(如T1、T5、T6、T4及对应二极管)全面考核开关特性。

嵌入式老牛的博客 357

二叉树结构

首先,二叉树是一个数据结果,以节点子节点存储数据的数据结构,只能有一个根节点,每个节点最多只能有两个节点,依次下推 参照下图: 首先说明,二叉树没有什么原理,一个根节点,最多只能分配两个子节点,也可以有一个子节点,分别叫做的叫满(完全)二叉树和左子树,右子树 常见的问题就是遍历 了,咱们都是搞程序编程的,如果以程序的方式遍历这个数据,并且按照一定形式输出, 三种方式 先序:根左右 ...

huanglitai的博客 319

MATLAB基础应用精讲-【强化学习】Actor - Critic 算法(附python代码实现)

这种架构结合了策略梯度方法(Policy - Gradient Methods)和价值函数估计方法(Value Function Estimation Methods)的优点。在强化学习中,智能体(Agent)需要通过与环境(Environment)的交互来学习最优的行为策略,以获得最大的累积奖励(Cumulative Reward)。

qq_36130719的博客 366

【数据结构之树】初阶数据结构之树的实现及其各种方式(上)

在本片文章中只是粗略的介绍了一下树的前中后序的遍历,其实代码的思路是很简单的就是几个递归的操作,大家多画画递归的展开图就能理解啦!那么这只是树的上篇。在树的下篇中,我将详细讲解怎么利用递归求出树的一系列操作等问题,我是爱你们的M malloc 我们下期再见!

m0_64361522的博客 1569

华为OD机试 - 音乐小说内容重复识别 - 并查集(Java 双机位C卷 200分)

华为OD机试 双机位C卷题库疯狂收录中,刷题。

学Java,找哪吒 159

【量化入门】Tushare库获取公募基金的历史净值

在本文中,我们将介绍如何使用Python的Tushare库获取公募基金的历史净值。

木头大左的博客 1146

树(父节点实现法)

树定义 树可以用几种方式定义。定义树的一种自然的方式是递归的方式。一棵树是一些节点的集合。这个集合可以是空集;若不是空集,则树由称作根(root)的节点r以及0个或多个非空的(子)树T1,T2,…,Tk组成,这些子树中每一棵的根都被来自根r的一条有向边所连结。 每一棵子树的根叫作根r的儿子,而r是每一棵子树的根的父亲。 从递归的定义中我们发现,一棵树是N个节点和N-1条边的集合,其中的一个节点叫做...

qq_43537865的博客 978

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

树的java底层实现 保存子节点方式和保存父节点方式

第一种方式通过保存父节点的fang

Jensen 2337

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")

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

java:实现可以编辑节点的树(附带源码)

java:实现可以编辑节点的树(附带源码)

欢迎来到我的博客!这里是一个专注于计算机技术的分享平台,涵盖编程开发、算法研究、系统架构、软件工程等多个领域。无论你是初学者还是资深开发者,都能在这里找到有价值的内容。 1657

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

区块链四种类型的节点:全节点、超节点、轻节点和挖掘节点,比特币节点如何验证一个区块,CheckBlock函数

由于轻量级节点存储的区块链更少,并且不能帮助通过网络传播大量数据,因此它们不需要像完整节点或超级节点那样强大,并且拥有和维护它们也要便宜得多。以比特币区块链为例,主要有四种类型的节点:全节点、超节点、轻节点和挖掘节点。然后,这些节点将区块链传播到网络上的所有其他节点,以确保维护最受信任的区块链。关于挖掘是什么以及它是如何工作的已经写了很多,但是为了本文的目的,将挖掘节点简单地看作是为区块链生成块的节点。块头是给定块的摘要,它包含关于它被散列到的前一个块的信息、它被挖掘到的时间,以及一个惟一的标识号,

ZhangJiqun&191cm&85kg 4817

使用Java实现一个简单的B树

使用Java实现一个简单的B树

qq_39108894的博客 1326

树的叶子节点在多叉树中应用

在计算机科学与数据结构领域,树是一种基本的数据结构,它由一个集合及其上的二元关系构成。其中,“多叉树”是树的一种扩展形式,在这种结构下,除了根节点外,其余每个节点可以拥有任意多个子节点。叶子节点则是那些没有子节点的特殊节点。在实际应用中,叶子节点往往扮演着重要角色,不仅有助于简化数据处理流程,还能提升算法效率。

2501_92375421的博客 679

C语言 B树的分析与实现

有使用过数据库的朋友都知道,数据库需要存储大量的数据,并且查询数据的性能也需要一定的保证。那么数据库的底层数据结构是如何实现的呢,就是我们要讨论的B树和B+树,数据库使用的是B+树,B+树以B树为基础,本文主要也是讨论B树,并实现B树。

C++ 开发者的博客 1507

树的四种遍历方式c++

树的常用的遍历方式有四种,分别为前序遍历,中序遍历,后续遍历和层次遍历,下面的代码依次实现了它们的递归以及非递归方法。 // tree.cpp : 此文件包含 &quot;main&quot; 函数。程序执行将在此处开始并结束。 // #include &quot;pch.h&quot; #include &amp;lt;iostream&amp;gt; #include&amp;lt;stack&amp;gt; #include&a

qq_37891889的博客 7694

Oracle树查询(查询所有子节点,父节点等等)

Oracle树查询的最重要的就是select...start with... connect by ...prior语法了。依托于该语法,我们可以将一个表形结构的中以树的顺序列出来。在下面列述了Oracle中树型查询的常用查询方式以及经常使用的与树查询相关的Oracle特性函数等,在这里只涉及到一张表中的树查询方式而不涉及多表中的关联等。 以我做过的一个项目中的表为例,表结构如下...

Nemo的笔记本 4814
上一篇: 写两个通用函数统一javascript获取form数据的方式
下一篇: 利用JS配合XMLHTTP方法实现多级联动的例子
faust
博客等级 码龄26年 2粉丝 17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