HTML5 canvas 做画板画图 可以做电子白板

AI赋能智慧教育:Vue3+大模型互动电子白板 本文系统探讨了AI电子白板在智慧教学中的应用与实现。文章首先分析了AI电子白板从数字化到智能化的演进历程,详细介绍了其核心技术架构,包括计算机视觉、自然语言处理和机器学习三大支柱。接着重点剖析了手写识别、手势识别和课堂专注度分析等核心功能的实现原理与技术方案,并提供了相关伪代码示例。 阅读详情

HTML5 canvas 做画板画图 可以做电子白板


<html>
    <head>
        <meta charset="utf-8">
        <title>HTML5 canvas 做画板画图 可以做电子白板</title>
        <style type="text/css">
        <!--
          #container { position: relative;}
          #imageView { border: 1px solid #000; }
        --></style>
  </head>
  <body>
    <div id="container">
      <canvas id="imageView" width="800" height="500">
      </canvas>
    </div>
    <script type="text/javascript">
	var canvas;
var context;
var tool;

/**
 * called on window load.
 */
if(window.addEventListener){
    window.addEventListener('load',
            init(),
            false);
}

/**
 * init.
 */
function init(){
    /**
     * find the canvas element.
     */
    canvas = document.getElementById('imageView');
    if(!canvas){
        return;
    }
    if(!canvas.getContext){
        return;
    }

    /**
     * get the 2D canvas context.
     */
    context = canvas.getContext('2d');
    if(!context){
        return;
    }

    /**
     * pencil tool instance.
     */
    tool = new tool_pencil();

    /**
     * attach the mousedown, mousemove and mouseup event listeners.
     */
    canvas.addEventListener('mousedown', ev_canvas, false);
    canvas.addEventListener('mousemove', ev_canvas, false);
    canvas.addEventListener('mouseup',   ev_canvas, false);
    
}

/**
 * This painting tool 
 * works like a drawing pencil 
 * which tracks the mouse movements.
 * 
 * @returns {tool_pencil}
 */
function tool_pencil(){
    var tool = this;
    this.started = false;

    /**
     * This is called when you start holding down the mouse button.
     * This starts the pencil drawing.
     */
    this.mousedown = function (ev){
        /**
         * when you click on the canvas and drag your mouse
         * the cursor will changes to a text-selection cursor
         * the "ev.preventDefault()" can prevent this.
         */
        ev.preventDefault();
        context.beginPath();
        context.moveTo(ev._x,ev._y);
        tool.started = true;
    };

    /**
     * This is called every time you move the mouse.
     * Obviously, it only draws if the tool.started state is set to true
     */
    this.mousemove = function (ev){
        if(tool.started){
            context.lineTo(ev._x,ev._y);
            context.stroke();
        }
    };

    /**
     * This is called when you release the mouse button.
     */
    this.mouseup = function (ev) {
        if(tool.started){
            tool.mousemove(ev);
            tool.started = false;
        }
    };
}

/**
 * general-purpose event handler.
 * determines the mouse position relative to the canvas element.
 * 
 * @param ev
 */
function ev_canvas(ev){
    var x,y;
    if(ev.offsetX || ev.offsetY == 0){
        ev._x = ev.offsetX;
        ev._y = ev.offsetY;
    }
    
    /**
     * call the event handler of the tool.
     */
    var func = tool[ev.type];
    if (func) {
      func(ev);
    }
}
	
	</script>
  </body>
</html>




效果图:


HTML+Canvas开发教学白板:从应急工具到课堂刚需的完整实践 在信息化教学中,跨设备、跨系统的兼容性难题常让课堂陷入被动。希沃白板虽功能强大,但在Linux、麒麟等系统上存在安装适配与版本兼容问题,而基于HTML5 Canvas的网页画板以其轻量、免安装、即开即用的特性,成为教学场景中不可或缺的应急补位工具。本文从Canvas的基本绘图原理出发,解析画布坐标换算、设备像素比(DPR)适配、鼠标与触摸事件统一处理等关键技术,并重点讲解橡皮擦的正确实现方式及板书画面的导出保存方法。结合触控一体机、4K屏等实际教学设备,分享一套经课堂验证的性能优化与部署方案,帮助一线教师与 阅读详情

相关推荐

Canvas 橡皮擦效果

引子 解决了第一个问题图像灰度处理之后,接着就是做擦除的效果。 Origin My GitHub 思路 一开始想到 Canvas 的画布可以相互覆盖的特性,彩色原图作为背景,灰度图渲染到 Canvas 画布上,然后手指滑动的时候,把接触的部分清除掉,就显示出了背景图。关键的部分是怎么清除画布上已有图像,查询资料发现有两种方式: 使用 clearRect 方法,会把指定范围所有像素变成透明,并...

XXHolic 879

基于websocket、html5技术 共享白板开发

共享白板是我们公司研发的云视频会议系统的一部分,也是核心部分。其主要由html5、websocket进行开发。同时我们将附带全套源码供参考学习。源码具有版权,请不要用于商业用途及传播。

canvas制作电子白板签名功能

Canvas是html5主要的画图工具,用户可以利用js在里面构思自己的创意,页面上很多手写签名是通过这个来完成的,让我们来用一个简单的例子作为抛砖引玉。

大剑师兰特的GIS世界 562

【html本地工具】html+JS实现一个超好看的绘画板/涂鸦板,带画笔、矩形、圆形、直线、文本、橡皮擦,有撤销、恢复、保存功能

自己写的一个本地绘画板工具,有以下功能:自由画笔、矩形、圆形、直线、文本输入、画笔和橡皮擦调整大小粗细、调整画笔颜色、橡皮擦、保存为图片、 撤销、恢复(反撤销)。功能还是挺完善的。

weixin_43165220的博客 4763

Canvas示例应用 100+ 【目录】

Canvas是 HTML5 新增的,一个可以使用脚本(通常为 JavaScript) 在其中绘制图像的 HTML 元素。它可以用来制作照片集或者制作简单(也不是那么简单)的动画,甚至可以进行实时视频处理和渲染。​它最初由苹果内部使用自己 MacOS X WebKit 推出,供应用程序使用像仪表盘的构件和 Safari 浏览器使用。后来,有人通过 Gecko 内核的浏览器 (尤其是 Mozilla和Firefox),Opera 和 Chrome 和超文本网络应用技术工作组建议为下一代的网络技术使用该元素。

大剑师兰特的GIS世界 3221

【开源项目+完整源码】基于 jQuery 打造轻量级电子白板,支持绘图 / 文本 / 形状一站式创作(源码见文末)

摘要:本文介绍了一款基于jQuery和HTML5 Canvas的轻量级电子白板项目,支持画笔、图形、文本等工具,具有撤销/重做、跨设备兼容和图片导出等核心功能。项目采用纯前端实现,无需后端依赖,适合在线教学、远程会议等场景。文章详细解析了Canvas绘图机制、状态管理及事件处理等核心技术,并提供功能扩展建议,如增加图层管理、多人协作等。该电子白板具有响应式设计,支持现代浏览器,可快速集成到现有系统中,满足绘图和标注需求。

qq_40303030的博客 1651

(html)canvas制作画板

【代码】(html)canvas制作画板。

Major_S的博客 511

基于HTML5的互动猜谜游戏开发实战

当我们谈论HTML5、Canvas、JavaScript这些术语时,很容易陷入“炫技”的陷阱。但别忘了,用户不在乎你用了多少API,他们在乎的是——玩得开不开心。一个好的猜谜游戏,应该让人在不知不觉中学到了知识,在一次次“啊哈!”时刻中获得成就感。而我们作为开发者,所做的每一个性能优化、每一行状态管理代码,最终目的都是为了守护这份简单的快乐。所以,下次当你面对一块空白<canvas>时,不妨问问自己:“我能让这块画布讲一个有趣的故事吗?

weixin_42613017的博客 371

html5 电子白板 直播,HTML5 canvas 做画板画图 可以做电子白板

HTML5 canvas 做画板画图 可以做电子白板HTML5 canvas 做画板画图 可以做电子白板var canvas;var context;var tool;/*** called on window load.*/if(window.addEventListener){window.addEventListener('load',init(),false);}/*** init.*/f...

weixin_39997696的博客 293

vue2-drawboard:基于vue2.x的画板

vue2画板 介绍 这是基于vue2.x和canvas的绘图板工具。 通过此工具,您可以在图片上标记所需的信息并获取相应的数据。 此外,您还可以将其用作普通绘图板,在其中可以自由在其上绘制图形。 当前支持的类型为折线,矩形,多边形,点等。可以支持放大,缩小,旋转,平移和其他操作。此外,您还可以灵活地配置图形信息。 安装 npm install vue2-drawboard -S 用法 import DrawBoard from 'vue2-drawboard' import 'vue2-drawboard/lib/drawboard.css' Vue . use ( DrawBoard ) ; 例子 < template> < div xss=removed> < drawboard : url = " url " @ updateData = " updateData

Whitebird:开源,协作式数字白板

Whitebird是一个基于Web的开源,协作式数字白板,由 , , 和。 该应用程序是一个研究项目的一部分。由于时间有限,我们不能保证会继续积极地进行此项目的开发,但是我们当然会调查“拉取请求”!因此,如果您有其他需要补充的地方,请随时向我们发送PR。我们将不胜感激。 特征 当前,该应用程序处于早期开发阶段,并包含以下功能: 创建白板室 通过加入代码或链接加入白板室 与同事同时在白板上工作 将白板导出为.png / .pdf 可变背景:将背景用作组织白板的模板 白板工具 创建文本字段 写意铅笔 基本几何对象:圆形,正方形 便利贴 基本编辑操作:删除,移动,旋转和缩放对象当前仅通过选择并按“删除”键支持删除。 入门 对于用户 要运行该应用程序,您可以使用docker设置该应用程序。请访问我们的,以获取有关如何部署应用程序的更多信息。 对于开发人员 作为开发人员,您随时可以创建问题,或者尝

html5 电子白板 直播,HTML5 canvas教程 如何实现电子白板

本篇教程探讨了HTML5 canvas教程 如何实现电子白板,希望阅读本篇文章以后大家有所收获,帮助大家HTML5+CSS3从入门到精通 。<varcanvas;varcontext;vartool;/***calledonwindowload.*/if(window.addEventListener){window.addEventListener('load',init()...

weixin_42101384的博客 800

开发者体验度量:构建DevEx评估体系的方法论与工具

在深入讨论度量方法前,我们需要明确什么是开发者体验(DevEx)。许多人将其简化为"开发工具好不好用",这是一个危险的误解。开发者体验是指开发者在完成工作过程中的整体感受和效率,它由三大核心维度组成:工具与基础设施:开发、测试、部署工具链的效能流程与协作:工作流程的顺畅度和团队协作的效率文化与成长:支持实验、学习和专业发展的环境这三个维度相互作用,共同决定了开发者能否高效且愉悦地完成工作。开发者体验不是一个目的地,而是一段持续的旅程。

2401_88760782的博客 1429

HTML5做个画图板

首先要说明的是这里不是用鼠标画画,而是在触摸设备上用手指,比如ipad。 做画图板,自然使用html5的canvas来实现了。在canvas中我们可以画圆,画矩形,画自定义的线条等等。这次主要使用的画圆跟画线条来实现。html中支持对触摸事件的响应。 onTouchStart 触摸开始 onTouchMove 触摸滑动 onTouchEnd 触摸结束 有了这些事件,我们实现用手...

andy930606的博客 411

RK3588嵌入式开发:从零构建Rockit多媒体处理引擎的实战指南

本文详细介绍了如何在RK3588嵌入式平台上从零构建Rockit多媒体处理引擎的实战指南。涵盖开发环境搭建、工具链配置、源码编译流程、硬件加速优化及典型问题解决方案,帮助开发者高效利用RK3588的NPU和VPU加速特性,实现高性能多媒体处理应用。

mango的博客 186

告别配置噩梦:用Vcpkg三行命令为Easy3D自动安装Boost、CGAL和Qt(VS2022实测)

本文详细介绍了如何使用Vcpkg工具在VS2022环境下为Easy3D项目一键安装Boost、CGAL和Qt等依赖库,解决传统手动配置的复杂性问题。通过三行简单命令即可自动完成下载、编译和路径配置,大幅提升开发效率,特别适合C++开发者快速搭建3D图形开发环境。

weixin_42525582的博客 210

express 制作 html5,javascript,html5_我想做一个利用canvas,node.js,socket.io和express实现的同步电子白板:,javascript,html5...

我想做一个利用canvas,node.js,socket.io和express实现的同步电子白板:$(function () {App.whiteboard = $('#whiteboard');App.ctx = App.whiteboard[0].getContext("2d");// Connect mouse eventsApp.whiteboard.on('mousedown mouse...

weixin_33488923的博客 409

数据科学助力大数据领域的航空安全分析

随着航空业的快速发展,航班数量不断增加,航空安全问题日益受到关注。大数据时代的到来,使得航空领域积累了大量的数据,包括飞行数据、维护数据、气象数据等。本文章的目的在于探讨如何运用数据科学的方法和技术,对这些大数据进行分析,以提高航空安全水平。范围涵盖了从数据收集、预处理到数据分析、模型构建和应用的整个流程。本文将按照以下结构进行组织:首先介绍数据科学和航空安全分析的核心概念以及它们之间的联系;接着阐述核心算法原理和具体操作步骤,并使用Python源代码进行详细说明;

软件工程实践的博客 1292

html5 canvas实训报告,初级篇关于HTML5 canvas调研报告样本.doc

初级篇关于HTML5 canvas调研报告样本初级篇关于HTML5 canvas调研报告样本初级篇关于HTML5 canvas调研报告样本第一章 绘制步骤一、取得canvas元素所有的绘图功能由HTML5的canvas所提供,所以在使用时需要获取他的DOM对象。二、取得上下文在需要操作HTML5的draw api时,需要获取canvas的绘图上下文,才能调用。所以在这个时候就需要获取绘图上下文。目...

weixin_39755625的博客 293

基于YOLOv8n的FPGA无PS端PL部署完整实现方案

本文提出了一种将YOLOv8n目标检测模型完整部署到FPGA纯PL端的实现方案。通过PyTorch训练和INT8量化技术,结合Vitis AI工具链,将模型转换为适合FPGA实现的硬件描述。方案详细阐述了从模型训练、量化校准到FPGA硬件设计的全流程,重点解决了无PS端部署的架构设计、资源优化和实时性保障等关键技术挑战。实验结果表明,该方案在Xilinx Virtex-690T FPGA上实现了30FPS以上的实时目标检测性能,为边缘计算场景提供了高效的硬件加速解决方案。

huanghm88的专栏 507

智能车图像处理12-进阶篇4--环岛辅助判断条件

主函数: 第6行: 含义是当前需要不在坡道和车库状态 第11-12行 : 寻找一下环岛的双断点(在辅助函数中) 第16-66行: 当左右线的方差满足一边很大,一边很小时,truepianfangflag /truepianfangflagforleft 置1,在环岛的判断中使用。 辅助函数: 双断点函数(左与右相似,以做为例): 第13-28行: 第一处断点 第29-40行: 第一处断点后 连续边线 第41-52行: 第一处连续后,第二处断点 第53-64行: 第二处断点后,第二处

taiyuezyh的博客 1万+

html5 电子白板 直播,基于HTML5的电子白板的设计与实现

Design and implementation of Electronic Whiteboard Based on HTML5ZHU Zhengyang1朱正扬(1991-),男,研究生,主要研究方向:下一代网络技术SHUANG Kai1双锴(1977-),男,副教授,主要研究方向:下一代网络技术1、Beijing University of Posts and Telecommunicati...

weixin_32821811的博客 287

PSM倾向性评分分析介绍、spss进行倾向性评分分析示例

PSM倾向性评分分析介绍、spss进行倾向性评分分析示例

statistics+insight+vista+power 1481

一步一步搭建客服系统 (7) 多人共享的电子白板、画板

多人共享、同时操作的电子白板,让不同的参入者以不同的颜色来画画;可以保存当前room的内容,以让后来者可以直接加载所有内容。   在github上找到一个用html5 canvas实现的一个电子白板的例子: https://github.com/kblcuk/canvas-whiteboard 它是基于socket.io来实现多人白板的共享、操作。本文在它的基础上加上了房间,这样只有同一房...

weixin_34379433的博客 1871

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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: Android 非UI线程中更新UI
下一篇: website-企业官方网站,基于bootstrap的企业官方网站html页面(附源码下载)
graceup
博客等级 码龄12年 19粉丝 57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
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