这 30 款 IDEA 宝贝插件 yyds

SpringBoot使用-基于Idea搭建WebSocket应用 SpringBoot是所有基于Spring开发项目的起点,使得开发者能快速搭建 Spring 项目。在Idea集成工具环境下,通过使用SpringBoot,开发人员选用合适的Maven设置,能够方便地搭建WebSocket应用。本文以Idea工具的SpringBoot模板作为工程基础,建立了相关基于SpringBoot模式的WebSocket应用,其相关工程可通过相关链接下载获取。 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:blog.youkuaiyun.com/weixin_46285416/

article/details/107853987

b8dc7470cc73957730367c45136f8b9e.jpeg


安装插件教程

1f79d5c89a44565c08c8be5e841d9ab6.png

在这里直接搜索就行了

56a7b374108894638ceb82c2b657c7b3.png

强烈推荐的插件

Presentation Assistant 快捷键展示

录屏或者共享的时候,效果极佳

b173a62665f098df8abe0244ef75dd88.gif
Codota— 代码智能提示
e03a5129c349a6c27990c9e9eeef2f47.gif

还可以搜索相关代码的示例

4a89665bbda46d049e3db5681cf208b0.png

Codota还包含一个网站:https://www.codota.com/code

813c7154491a4020e1e7e9efadd9a1ca.png
Alibaba Java Code Guidelines— 阿里巴巴 Java 代码规范

可以切换中英文

291984efdcbb722e34210106f8504632.png

有什么不符合阿里巴巴Java开发手册的都会显示出来

3ca9383d9c07f3c0300d2c2d9602c421.png 7d6291c4a3861ecbe9cd871fdaa4a6e3.png
Translation - 必备的翻译插件

快捷键

  • command+ctrl+i(mac)

  • ctrl + shift + o(win/linux)

0a4357223efbd15e454014516d57268a.gif 0dd7a5f691554d39ddd032588dff97f2.gif 4ff94c932a5ce22c3e9f50951c74b518.png ab1a76365ad2906c4f4e5833ee8bdf7e.png 59b88502b31725f910350e75d0c2d301.png 9e6a831ea01ba7252cd20db82ce910a3.gif
SequenceDiagram —— 调用链路自动生成时序图

右键 --> Sequence Diagaram 即可调出。

双击顶部的类名可以跳转到对应类的源码中,双击调用的函数名可以直接调入某个函数的源码。

7c8cba4780ab50ccf156628537dcd45c.jpeg
Rainbow Brackets ——让你的括号变成不一样的颜色,防止错乱括号
3cce57eade9bd9895db35e7268ba3597.png a5a624030d4cc390734dd55d481ebcb7.png 4e27ae71461480b57893e32b25424e29.png 501635518f3813cbedbcce6ffbb81481.png
HighlightBracketPair —— 括号开始结尾 高亮显示。
8c3add3d4c41b1b0901de0f7b06d1018.gif 243fa794a3a1b53bdc629152eff6ff4b.gif 7666d6923e265b9337a20489c82a3149.jpeg
Grep Console 控制台日志 高亮
a49377bb14f9248ec8741008d0fcf3c5.gif 23d6f1be87e60e02800c72c213c786f1.png 67b562239f713128cd8c8d46631c3a1a.png 9cd251fd285f757f60ecb6e84ef7e3d8.png
google-java-format —— 代码自动格式化

这个插件的优点在于不需要手动快捷键去格式化代码

Key promoter X —— 会有这个操作的快捷键在界面的右下角进行告知。

76efced80bf8b8941b05fc43e46dc937.gif

bc4258baf183f73c87a4e6bff7ad81ef.png 7bee84010f8ffb44d1c44427af1da1e0.png
CodeGlance —— 缩略图

这个插件可以向查看缩略图一样,帮助我们快速切换到所要的代码区域,而不用疯狂地拖拽一遍去找。

e59674995fbd4cdc83fe10c334cf60ad.png
Leetcode Editor 可以在IDEA中在线刷题。

上班摸鱼属实方便,表面上我在干活,实际上我在刷算法题。

ac8f51b82984821a902052874a9bcd31.gif

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

装饰类

Material Theme UI ——IDEA主题插件
36d3dd9d49dbed24fd9f60adf9c3a714.png bdf88f9c7196013ba280fb6c65e8170b.png 3b7bfc1c054d05f35ea4c0e3cc1879bd.png 4737c503eb44436e19312becd409314e.png
Power Mode II —— 打字效果
e539640ee853cdf80714aa31a6bbcc6c.png
Background Image Plus + —— 更换IDEA背景
4e89264d34e5a51374b6fcd91961bdc3.png 36e78ffa5be8e7e9d2e7a31cc49b0749.png cc116e49c7bbd47816bab616ba0967c0.png 72aadee83802aaf0c5791e83814cb0cf.png

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

较便利插件

RoboPOJOGenerator—JSON (GsonFormat也可以,但是好久没更新过了)
969837f07ad7d0006f75145a78bbbd3a.gif c967cf323e881e773d891fe9715a995f.png
Statistic— 项目信息统计

可以非常直观地看到你的项目中所有类型的文件的信息

e4cc0749868ffc3d3acadb89d0eced23.png 3920392ade1122d7b66d03edad5a3aaf.png
CamelCase - 多种命名格式之间切换
2f61ceb34ca3bf8c734e78252e351593.gif

快捷键如果忘记的话可以在 IDEA 的菜单栏的 Edit 找到

822e7863ea81c0c8c220938a6bcaa2e3.png dba50cb7f443649374870d7f3f55eaad.png
jclasslib bytecode viewer 查看字节码

在 IDEA 打开想研究的类。

编译该类或者直接编译整个项目( 如果想研究的类在 jar 包中,此步可略过)。

打开“view” 菜单,选择“Show Bytecode With jclasslib” 选项。

选择上述菜单项后 IDEA 中会弹出 jclasslib 工具窗口。

4bacc553276fd94080c4f7b9fa685b07.png 48641a54fb1f2cc7e3cc91e393d47a6f.png
Auto filling Java call arguments 自动补全参数

调用一个函数,使用 Alt+Enter 组合键,调出 “Auto fill call parameters” 自动使用该函数定义的参数名填充。

GenerateO2O—— 自动填充参数的值
4a0f230cf103d761ce5c84d74b379420.jpeg 84e72c81004c1dfae038456865a3a6e2.jpeg
GenerateAllSetter——自动调用所有 Setter 函数(可填充默认值)
756ca5855a0e3b2adf60eb433b3e280d.gif 64c3445990a902592ef0193266272470.gif 8d8a8f4f29950e34ff9f428a50d728cc.gif
Maven Helper ——方便maven项目解决jar冲突
35156324aba15037d135367d238d80c6.png 65ffd11962246350c788c32ca6c9b86d.png f3d12c461217c4a6639304ffb2a78fed.png 89bb11e80cadce98e07d799bc90319d8.png 4368bf8dccdb71ca084ee894fec91033.png
FindBugs ——检查代码中的隐患
da41d235a031c92e5b692e26a718f589.png ee4ff9bb398029b8ecc1aeb32808fce4.png
Stack trace to UML —— 根据 JVM 异常堆栈画 UML时序图和通信图

打开方式:Analyze > Open Stack trace to UML plugin + Generate UML diagrams from stacktrace from debug

1ec7f2e57b7c5e86afdbc41fb6cebf9c.png e8723fadf0164165da4df098d0b0335f.png
Java Stream Debugger —— Stream 将操作步骤可视化
24f421b64227ab0b1fc16bcb56589606.png 4f74f3a00c1d08fd0e871dcb257fb54e.png 36ab5728ecdaea7921ef4e2ad267b60b.png
RestfulToolkit—— 快捷跳转Action方法
5896b4c0cfc02cbca553e10258cee5c5.png b93208e5f8fcc40f7e22d0f5744cc2c1.png 562fc9ee1fbcfda313a559cbbac5ced8.png cb155878429cde87779fbb5060bf8684.png e03236db9ce49613276b29c3271daa58.png
Jrebel for Intellij Java代码修改后立即生效。

当然还是需要按一下快捷键才能生效的。

String Manipulation 对字符串的处理
a62fc8aff487da3f347a956527b7ecf2.gif 2a62d10050f22023b49b67d8da9dc059.gif

变量名使用驼峰形式、常量需要全部大写等等,编码解码等等

选中需要处理的内容后,按快捷键Alt + M,即可弹出工具功能列表。后面的具体功能也可以使用相应的数字或字母,而不需要鼠标点击。

Free Mybatis Plugin ——可以通过mapper接口里的方法跳转到mapper.xml里。

3ba6f1df0c7e9984fdeb52fe4b67302e.png
IDEA QAPlug 帮助我们提前找到潜在的问题bug
f1295b76732a27d1712bcada220391a7.png 819d0872320ba59f051c3c5b4e09877b.png fabeca9d014b25ad1d57bdc5a23dbb5f.png

离线下载安装教程

https://blog.youkuaiyun.com/weixin_46285416/article/details/107556661

某盘链接:

链接:https://pan.baidu.com/s/13_iO9jtdncyP3lm-xR6H_g 提取码:eb2j

蓝奏链接:(分为两个,蓝奏的安装包不能太大)

https://wws.lanzoux.com/ippbbfd5y1i

https://wws.lanzoux.com/iM05jfd5z3g

安装包安装教程

865b5956ed60e2b57c2c34a788480439.png ea4095dc469d24bc5b87d8c8221e99a7.png

找到你下载安装包的位置,即可

a8f7f75210eb1748e9499d749bed4a5c.png

完结撒花,哈哈哈



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

789c8ca11e0a12cbbd3d45bf207b8ea9.png

已在知识星球更新源码解析如下:

4bbf5ffd49532bc74874b5f34d5f5c27.jpeg

2a113bb35894d37bebe87d20f3a34f45.jpeg

ee7914ef76672c39698baa3106d2b40a.jpeg

907faaff1c320ac140af611d01593f6f.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
idea-websocket-client:Intellij IDEA的简单Websocket客户端 IntellijIDEA的Websocket客户端 描述 Intellij IDEA的简单websocket客户端。 立即下载

相关推荐

SPI模式下的SD卡读写,为什么你的数据总出错?详解时序与状态机避坑指南

本文深入探讨SPI模式下SD卡读写数据出错的根本原因,提供时序优化与状态机设计的实战指南。针对时钟周期计数、状态机跳转和忙检测等核心问题,详解命令时序细节、状态机同步策略及高级避坑技巧,帮助开发者提升SD卡在SPI模式下的稳定性和性能。

weixin_30514745的博客 264

IDEA最好用的插件推荐,吐血整理!

俗话说:“工欲善其事,必先利其器”。为了助力大家的学习和进阶,本小节介绍几个对 Java 学习非常有帮助的 IDEA 插件,代码反编译和反汇编工具,以及非常不错的网站等。本文重点介绍了 Java 学习和工作中常用的软件、插件、网站等。熟练地使用这些工具,将有助于提高我的开发效率和编程体验。

变个魔术 3899

STM32F103C8T6 + GY-906红外测温:手把手教你用CubeMX和HAL库搞定IIC驱动(附完整工程)

本文详细介绍了如何使用STM32F103C8T6和GY-906红外测温传感器(基于MLX90614芯片)实现非接触式温度测量。从STM32CubeMX工程创建、HAL库驱动适配到温度数据采集与处理,提供完整的开发流程和常见问题解决方案,帮助开发者快速掌握红外测温技术。

weixin_29188043的博客 255

如何在IDEA安装WebSocket插件,可以看下面的方法

一、在IDEA中安装WebSocket插件,下面url下载插件包 https://plugins.jetbrains.com/plugin/7980-websocket-client 二、在idea中配置插件,选择从本地安装插件 三、安装完后可以在底部调试栏看到一个WebSocket的菜单 四、这样就能进行本地WebSocket调试 ...

wzwsq的博客 9279

雷达杂波的基础知识

例如工作在海上的机载雷达,航行在海上的船用雷达,它们都不想要海杂波,会影响它们对小目标的检测,从而以为“漏掉”海面飞行的巡航导弹而被击毁。海杂波的反射系数是非常复杂的,影响的因素很多,除了和雷达参数有关,显然还和海况息息相关,经验模型经常将反射系数表示成海况的函数,在不同条件和不同模型的情况下,反射系数的值不同。说到“杂波”,你可能想到的就是如何去抑制它,去减少它在雷达回波中的分量,在很多情况是这样的。云雨的反射对飞机雷达来说是不希望的,但确是气象雷达所利用的,可以用来测量降雨率,提升天气预报的准确性。

qq_43416206的博客 2140

Cisco三层交换机的详细配置

** 本文适用于新手小白以及微微基础的同学来用于参考,实验是在Cisco Packet Tracer Student 进行,实验最终效果如图所示,所有命令配置与图中的一致。 使用到的机器型号为:五台电脑,一台服务器,三个普通交换机(2960型号),一个三层交换机(3560-24PS),两台普通服务器(2811) 文章目录一、什么是三层交换机二、配置交换机步骤1.配置二层交换机2.配置三层交换机3.配置两台路由器以及最后一台电脑 一、什么是三层交换机 1.三层交换机 = 三层路由+二层交换机 2.工作在

真正的大师,永远都怀着一颗学徒的心。 4万+

WebSocket

WebSocket 是基于TCP的一种新的网络协议,它实现了浏览器与服务器全双工通信--浏览器和服务器只需要完成一次握手;俩者就可创建持久性的连接,并进行双向的数据传送。

m0_64021225的博客 796

下载igv报错:Error loading genome hg38raw.githubusercontent.com...如何解决?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 995

Java代码生成器Easy Code

EasyCode是基于IntelliJ IDEA开发的代码生成插件,支持自定义任意模板(Java,html,js,xml)。只要是与数据库相关的代码都可以通过自定义模板来生成。支持数据库类型与java类型映射关系配置。支持同时生成生成多张表的代码。每张表有独立的配置信息。完全的个性化定义,规则由你设置。 链接:https://gitee.com/makejava/EasyCode 转载...

weixin_30871293的博客 1216

十二种嵌入式通信协议

嵌入式通信协议选型核心要点解析 在嵌入式系统开发中,通信协议选型直接影响项目成败。本文系统梳理了12种主流协议,从三个维度提供选型指南: 板级通信协议: I²C:双线制,适合传感器连接(温湿度、RTC等) SPI:高速全双工,适用于Flash存储、TFT屏等 UART:异步串行,常用于调试日志输出 总线通信协议: CAN:汽车电子首选,支持多主节点和硬件仲裁 LIN:低成本单线方案,适用于车窗控制等场景 RS485:工业自动化主力,最长传输距离1200米 Modbus:工业领域通用协议,支持RTU/TCP格

qq_37999850的博客 254

一文读懂 STAR-CCM+:多物理场仿真王者,从入门到精通全攻略(附实战路线)

STAR-CCM+是西门子旗下的多物理场仿真平台,集流体、传热、结构、电磁等耦合求解于一体。其核心优势包括:全自动网格处理技术(支持十亿级网格)、多物理场无缝耦合、CPU/GPU并行加速计算、流程自动化与设计探索等。广泛应用于汽车(空气动力学优化、电池热管理)、航空航天(气动设计、发动机仿真)、能源(风电叶片流固耦合)、电子(芯片散热)等行业。相比ANSYS Fluent和OpenFOAM,STAR-CCM+在多物理场耦合和复杂几何处理方面更具优势,适合工业级高精度仿真需求。学习路径建议从基础操作入手,逐步

源代码杀手的博客 348

30 款 IDEA 宝贝插件,yyds!

大家好,我是小2,一个程序员,也是一个奶爸~很多程序员都想把IDEA打造成一站式开发工具,于是安装了各种各样的插件,今天给大家推荐30款IDEA插件,总有几款适合你!在这里直接搜索就行了。

kangbin825的专栏 946

【微信小程序-uniapp】CustomPicker 自定义单项选择器组件

自定义底部弹出框单项选择器组件,适用于uniapp小程序

Komorebi_00的博客 1533

YYDS,30 款 IDEA 宝贝插件

点击关注公众号:互联网架构师,后台回复2T获取2TB学习资源!上一篇:2T架构师学习资料干货分享 大家好,我是互联网架构师!很多程序员都想把IDEA打造成一站式开发工具,于是安装了各种各样的插件,今天给大家推荐30款IDEA插件,总有几款适合你!安装插件教程在这里直接搜索就行了强烈推荐的插件Presentation Assistant 快捷键展示录屏或者共享的时候,效果极佳Codota— 代码智...

emprere的博客 196

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

30款IDEA插件宝贝,开发效率yyds!

以上30款IDEA插件涵盖了代码规范、效率提升、代码可视化、主题美化等多个方面。当然,不需要全部安装,根据自己的需求选择几款适合自己的插件即可。Alibaba Java Code Guidelines(代码规范)Translation(翻译)SequenceDiagram(时序图)Maven Helper(依赖管理)Leetcode Editor(刷题)Material Theme UI(主题美化)Rainbow Brackets(彩虹括号)Codota(AI代码提示)

weixin_44058951的博客 1393

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")

上一篇: YouTube 数据库如何保存巨量视频文件?
下一篇: 支付宝:多线程事务怎么回滚?说用 @Transactional 可以回去等通知了!
公众号-芋道源码
博客等级 码龄10年 1640粉丝 377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