【技术解析】基于Node.js与EduCoder API的自动化实训答案库构建实践

【技术解析】基于Node.js与API逆向的EduCoder实训答案库构建实践 本文详细解析了基于Node.js与API逆向技术构建EduCoder实训答案库的实践过程。通过分析平台API设计模式,利用Node.js的异步IO特性高效采集数据,并结合数据库存储方案实现答案的系统化管理。文章重点分享了API逆向工程技巧、数据持久化设计及系统健壮性优化等关键技术点,为开发者提供了一套完整的解决方案。 阅读详情

1. 为什么我们需要一个自动化的实训答案库?

如果你在EduCoder平台上学习过,肯定有过这样的经历:某个实训关卡卡住了,思路全无,想看看答案参考一下,却发现解锁答案需要消耗金币。自己完成关卡获得的金币,刚好够解锁当前关卡的答案,相当于“白嫖”了一次学习机会。这个机制本来挺好,鼓励你先思考、后对照。但问题来了,当你遇到一个完全不会的关卡,不得不直接花费金币解锁答案时,金币就只出不进,很快就见底了。更不用说,现在很多关卡解锁答案所需的金币是奖励的十倍,靠单个账号“自给自足”几乎不可能。

于是,一个很自然的需求产生了:能不能有一个属于自己的、持续更新的答案库?这样遇到难题时,可以随时查阅,而不用每次都消耗宝贵的金币。手动整理?效率太低,而且EduCoder上的实训成百上千,根本整理不过来。这时候,自动化技术就派上用场了。利用Node.js和EduCoder官方提供的API,我们可以构建一个后台系统,自动完成登录、获取实训列表、解锁或抓取答案、并存储到数据库这一整套流程。这不仅仅是“偷懒”,更是一种高效的知识管理和学习资源积累方式。想象一下,你维护着一个不断增长的“知识图谱”,里面是所有你接触过的编程问题的解决方案,这对于复习和深入理解非常有帮助。

我最初做这个项目,就是因为教学和自学的需要。带着学生做实训,经常需要快速定位问题,查看标准答案;自己学习新课程时,也想把解题思路系统地保存下来。手动操作太繁琐,于是决定用技术手段解决。整个过程涉及网络请求、会话管理、数据解析和存储,是一个非常好的Node.js全栈实践项目。接下来,我就把自己踩过坑、验证过的完整方案分享给你,从原理到代码,一步步拆解。

2. 核心基石:理解并封装EduCoder API

一切自动化的前提,是能与EduCoder的服务器进行“对话”。幸运的是,EduCoder平台提供了相对完整的API接口供其前端调用,这为我们打开了大门。我们的首要任务,就是研究这些接口,并用Node.js将它们封装成易于调用的函数。

2.1 会话管理:让程序“记住”登录状态

和大多数Web应用一样,EduCoder使用Cookie来维持用户的登录会话。这意味着,我们的程序不能只发一次登录请求就完事,必须在后续的每一次请求中,都携带服务器返回的Cookie,这样服务器才知道你是谁。在Node.js中,我们可以用一个Session类来管理这个状态。

我最初直接用axios或request发请求,但发现处理Cookie的持久化和传递有点麻烦。后来我采用了更清晰的方式,创建一个专门的类来封装这个逻辑。这个类的核心是维护一个cookies字符串,并在每次请求时,将它放到请求头的Cookie字段里。同时,如果服务器响应中返回了新的Set-Cookie头(比如更新了会话令牌),我们还要能及时地更新本地的cookies。下面是我在实际项目中打磨后的Session类,它比原始文章里的更健壮,增加了超时、重试等常用功能:

const fetch = require('node-fetch'); // 使用更现代的 fetch,需要node-fetch@2

class EduCoderSession {
    constructor() {
        this.cookies = new Map(); // 使用Map存储更灵活,可以应对多个Cookie
        this.userAgent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'; // 模拟浏览器
    }

    // 核心请求方法
    async request(url, options = {}) {
        const defaultOptions = {
            method: 'GET',
            headers: {
                'User-Agent': this.userAgent,
                'Cookie': this._getCookieString(), // 将Map格式的cookies转为字符串
                ...options.headers
            },
            timeout: 10000 // 10秒超时
        };

        // 合并选项,body需要特殊处理
        const finalOptions = {
            ...defaultOptions,
            ...options,
            headers: {
                ...defaultOptions.headers,
                ...options.headers
            }
        };

        // 如果传入了JSON数据,自动设置Content-Type
        if (finalOptions.jsonBody) {
            finalOptions.body = JSON.stringify(finalOptions.jsonBody);
            finalOptions.headers['Content-Type'] = 'application/json';
            delete finalOptions.jsonBody;
        }

        try {
            const response = await fetch(url, finalOptions);
            this._updateCookiesFromResponse(response); // 从响应中更新cookies

            const contentType = response.headers.get('content-type');
            let data;
            if (contentType && contentType.includes('application/json')) {
                data = await response.json();
            } else {
                data = await response.text();
            }

            // 简单的状态码检查,EduCoder API通常在返回体中有自己的状态码
            if (!response.ok) {
                throw new Error(`HTTP ${response.status}: ${response.statusText}`);
            }

            return data;

        } catch (error) {
            console.error(`请求失败 [${url}]:`, error.message);
            // 这里可以加入重试逻辑
            throw error;
        }
    }

    // 从响应头中提取并更新Cookie
    _updateCookiesFromResponse(response) 
从签到到解锁:基于Node.js的EduCoder实训答案自动化获取方案 本文详细介绍了基于Node.js的EduCoder实训答案自动化获取方案,包括平台机制解析、Node.js环境搭建、API接口深度解析以及自动化流程实现与优化。通过封装Session类和API调用,实现从签到到解锁答案的全流程自动化,帮助开发者高效获取实训参考答案,同时提供实战技巧与注意事项。 阅读详情

相关推荐

EduCoder实训答案自动获取与解析实战指南

本文详细介绍了如何通过技术手段自动获取EduCoder平台上的实训答案,包括接口逆向分析、Node.js实现方案及完整工作流程。文章还提供了自动化签到、答案存储方案以及应对反爬虫策略的实用技巧,帮助学习者高效解决实训难题,同时强调道德使用的重要性。

weixin_29302047的博客 547

解锁头歌EduCoder实训答案的自动化脚本实现

本文详细介绍了如何通过Node.js实现头歌EduCoder平台的自动化脚本,包括登录认证、自动签到、实训关卡解析和答案解锁等功能。文章提供了完整的代码示例和优化建议,帮助学生高效获取实训答案,同时强调该工具应仅用于学习参考。

weixin_29303701的博客 591

用Node.js和request-promise库,我写了个自动签到解锁EduCoder实训答案的小工具

本文详细介绍了如何利用Node.js和request-promise库开发一个自动化工具,实现EduCoder平台的签到、金币积累和实训答案获取功能。通过封装API接口、设计会话管理机制和本地数据存储,帮助开发者高效构建自动化脚本,提升编程学习效率。

weixin_31364787的博客 264

从签到到解锁:一个自动化获取EduCoder实训答案的实践方案

本文详细介绍了如何构建一个针对EduCoder平台的自动化方案,旨在解决手动签到攒金币和获取实训答案的低效问题。通过Node.js环境搭建、接口逆向分析、会话管理封装及数据库设计,实现自动签到与智能解锁答案,并将结果持久化存储,从而将学习者从重复操作中解放,专注于核心编程逻辑的理解与学习。

weixin_29212867的博客 380

Node.js实战:手把手教你调用EduCoder官方API,实现自动化签到与答案管理

本文详细介绍了如何使用Node.js开发EduCoder平台自动化工具,涵盖API调用、自动化签到和答案管理系统。通过axios、cheerio等库实现高效数据交互,结合lowdb进行本地存储,并提供完整的代码示例和优化策略,帮助开发者快速构建稳定可靠的自动化解决方案。

weixin_30582943的博客 333

从零构建EduCoder自动化答题系统:Node.js接口封装与实战解析

本文详细介绍了如何从零构建EduCoder自动化答题系统,通过Node.js接口封装与实战解析,帮助开发者实现会话保持、API调用和错误处理等核心功能。文章涵盖基础环境搭建、会话管理系统实现、核心功能接口封装及实战案例,为编程学习者提供高效的学习工具开发指南。

weixin_29235525的博客 327

用Node.js写个EduCoder自动签到脚本,每天白嫖金币解锁实训答案

本文详细介绍了如何使用Node.js开发EduCoder自动签到脚本,帮助用户每天自动获取金币以解锁实训参考答案。通过分析EduCoder的API接口,结合axios和node-schedule等工具,实现稳定可靠的自动化签到系统,提升学习效率。

weixin_32006655的博客 255

用Node.js和request-promise玩转EduCoder API:手把手教你搭建自己的实训答案库

本文详细介绍了如何利用Node.js和request-promise构建EduCoder API数据采集系统,实现实训答案的自动化管理与存储。从API逆向分析到数据持久化,涵盖完整技术链,帮助开发者高效搭建个人实训答案库,提升编程学习效率。

weixin_29274969的博客 99

用Node.js脚本自动签到EduCoder,攒金币解锁实训答案的完整流程

本文详细介绍了如何利用Node.js脚本实现EduCoder平台的自动化签到系统,帮助用户高效积累金币解锁实训答案。从技术架构设计到核心代码实现,再到本地与云端部署方案,全面解析了自动化签到的完整流程,并提供了安全合规的使用建议。

weixin_34101914的博客 280

Node.js爬虫实战:手把手教你自动签到EduCoder并解锁实训答案(附完整代码)

本文详细介绍了如何使用Node.js构建自动化脚本,实现EduCoder平台的每日签到、金币积累和实训答案获取。通过实战代码演示,涵盖会话管理、API调用、数据存储等核心技术,帮助开发者提升学习效率并深入理解网络请求与数据处理。

weixin_33226548的博客 281

【技术解析】基于Node.js与Session管理的EduCoder答案接口自动化实践

本文详细解析了基于Node.js与Session管理的EduCoder答案接口自动化实践。通过设计Session类管理Cookie状态、封装API接口及实现错误处理机制,构建了高效的自动化解决方案。文章还介绍了多账号协同、数据持久化及反检测策略,帮助开发者提升EduCoder平台使用效率。

weixin_32247165的博客 364

EduCoder实训金币机制全解析:从签到到解锁答案的自动化策略

本文深入解析EduCoder实训金币机制,从签到到解锁答案的自动化策略。通过Node.js和API技术实现自动签到和答案获取,构建多账号协同的经济模型,有效应对平台规则调整带来的挑战。文章还提供了高效资源管理策略和风险控制方法,帮助学习者优化金币使用和答案获取效率。

weixin_32956805的博客 253

EduCoder实训答案背后的数据流转:从API接口到本地数据库的完整记录

本文深入解析了EduCoder实训答案数据的完整流转过程,从API接口设计到本地数据库管理的技术细节。通过Node.js实现API调用,结合数据清洗和数据库优化技术,构建高效的数据处理流水线。特别关注了数据安全与伦理实践,为开发者提供合规的数据管理方案。

weixin_32612263的博客 243

别再傻傻充金币了!用Node.js脚本自动签到EduCoder,白嫖实训答案全攻略

本文详细介绍了如何使用Node.js脚本实现EduCoder平台的自动化签到和实训答案获取,帮助用户高效积累金币并解锁学习资源。通过技术选型、核心功能实现和高级部署方案,展示了自动化工具在提升学习效率方面的显著优势,特别适合编程学习者使用。

weixin_33585822的博客 322

Node.js + EduCoder API:手把手教你搭建一个自己的实训答案查询工具(附完整源码)

本文详细介绍了如何使用Node.js和EduCoder API搭建一个高效的实训答案查询工具。通过自动化采集、本地化存储和智能检索功能,帮助学习者快速管理实训答案,提升学习效率。文章包含完整源码和部署指南,适合开发者快速上手。

weixin_32466193的博客 312

jason-2卫星介绍及其数据下载

两台仪器发射脉冲宽度均为105.6μs,带宽320MHz(C频段)和320/100MHz(Ku频段),脉冲重复频率1800Hz(Ku频段)和300Hz(C频段),功率78W,数据传输速率22.5kbit/s。共发射了3颗卫星(Jason - 1/2/3),星上有效载荷均主要为雷达高度计和微波辐射计。Jason - 1卫星主要有效载荷为波塞冬 - 2和“贾森微波辐射计”,Jason - 2卫星进行了改进,主要携带了波塞冬 - 3和先进微波辐射计,此外,Jason - 2卫星还携带了“多里斯”系统。

beautyaaaa的博客 1607

实用电路精讲系列---双级运放放大电路(差分放大+跟随缓冲)

本文分析了双极运放放大电路的工作原理及其典型应用。该电路结合差分放大器和跟随缓冲器,实现高精度信号放大与阻抗匹配。差分放大器通过放大差模信号并抑制共模噪声提升信噪比;跟随缓冲器则提供阻抗变换,确保信号稳定传输。两者协同工作可优化输入阻抗、增强噪声抑制并提高设计灵活性。文章还列举了10个典型应用案例,包括医疗设备、工业传感器和新能源系统等,展示了该电路在精密电子系统中的关键作用。最后通过实用电路分析,详细说明了各模块功能及设计注意事项。

weixin_40590799的博客 2962

别再只接个放大器了!压电传感器测量电路(电压/电荷放大器)的5个实战配置要点

本文深入解析压电传感器测量电路中的5个关键实战配置要点,包括电缆长度选择、输入阻抗匹配、过载保护设计、低频噪声抑制及放大器选型策略。特别针对电压放大器和电荷放大器的应用场景差异提供工程实践建议,帮助工程师有效解决信号失真、噪声干扰等常见问题,提升测量精度和系统可靠性。

weixin_26869081的博客 303

Win10系统下Protel 99 SE元件库导入报错?3步搞定File is not recognized问题

本文详细介绍了在Win10系统下解决Protel 99 SE元件库导入报错'File is not recognized'的3步终极方案。通过手动修改配置文件、使用专用工具和优化系统兼容性设置,帮助用户快速解决这一经典PCB设计软件的兼容性问题,提升工作效率。

m3n5b7v8c9x的博客 798

Zemax序列模式下激光二极管(LD)光源建模与像散校正实战

本文详细讲解了在Zemax序列模式下精确建立激光二极管(LD)光源模型并校正其像散的核心方法。通过将椭圆光束的发散角转换为渐晕系数,并巧妙利用理想柱面镜模拟像散,实现了对LD光源特性的高精度模拟。该方法特别适用于激光耦合、激光雷达等需要对像散光束进行精密控制的光学系统设计。

weixin_28455801的博客 440

保姆级教程:用GD32F470的EXMC Bank0 Region0与FPGA实现16位并行通信(附完整代码)

本文详细介绍了如何利用GD32F470的EXMC Bank0 Region0与FPGA实现16位并行通信,涵盖硬件连接、寄存器配置、时序优化及FPGA接口设计等关键步骤。通过实例代码和调试技巧,帮助开发者快速掌握高效数据交互技术,提升嵌入式系统设计能力。

weixin_26918763的博客 228

YOLOv11涨点改进 | 首发全网创新、主干改进篇 | AAAI 2026 | PartialNet 主干让 YOLOv11 更加强大!引入部分通道机制 和 部分注意力卷积,全方面提升了模型的性能

本文提出PartialNet主干网络改进YOLOv11的方法,通过部分通道机制(PCM)和部分注意力卷积(PATConv)提升模型效率。PartialNet将特征图通道拆分并应用不同操作,显著减少计算量和内存占用。主要创新包括:1)部分通道机制实现计算优化;2)三种注意力模块(PATch/PATsp/PATsf)增强特征提取;3)动态部分卷积(DPConv)自适应调整计算复杂度。文章详细提供了代码实现和YOLOv11集成方法。

Ai缝合怪、助力小伙伴高效发论文 269

44位abogus补环境与纯算逆向分析

44位ab参数补环境与纯算加密流程逆向分析

吴秋霖的博客 2796

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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")

jre9下载 jdk9

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

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: Linux内存管理中的CMA机制:如何为DMA设备高效分配连续内存?
下一篇: Text2SQL前沿数据集与技术方案全景解析
人间清醒863
博客等级 码龄3年 33粉丝 1544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  | 博主筛选后可见
 
 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