Mac和iOS开发资源汇总—更新于2013-07-19

果冻明 果冻明 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 826平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄14年
关注
转载 最新推荐文章于 2026-09-20 14:22:09 发布 826 阅读 AI 写同款· GEO 优化 ›
ios 更多 Url Schemes 蜂窝网络：prefs:root=MOBILE_DATA_SETTINGS_ID VPN — prefs:root=General&path=Network/VPN Wi-Fi：prefs:root=WIFI 定位服务：prefs:root=LOCATION_SERVICES 个人热点：prefs:root=INTERNET_TETHERING 关于本机：prefs:root=Genera 阅读详情

小引

本文主要汇集一些苹果开发的资源，会经常更新，建议大家把这篇文章单独收藏(在浏览器中按command+D)。

今天(2013年7月19日)收录了许多中文网站和博客。大家一定要去感受一下哦。

如果大家有知道不错的站点，可以告诉我。

 

目录

1、苹果官方文档
2、邮件列表
3、论坛
4、网站
5、博客
6、大会
7、播客和录像

正文

1、苹果官方文档

构建iOS程序：下面的这篇文章介绍了 iOS 程序开发的过程：
Start Developing iOS Apps Today

构建Mac OS X程序：下面这篇文章介绍了Mac OS X开发的过程：
Start Developing Mac Apps Today

Objective-C：下面的这个链接是苹果官方介绍Objective-C的文档：
Programming with Objective-C

Xcode：下面这个链接是苹果官方介绍Xcode用户指南。
Xcode User Guide

2、邮件列表

Cocoa-dev：由苹果负责运维，最初内容是与Mac OS X 中的Cocoa相关，目前在这个list上的许多开发者可以帮助你解决 iOS 相关问题（提问的时候最好先搜索一下，之前是否有人提问过相关问题）。
https://lists.apple.com/mailman/listinfo/cocoa-dev

Xcode-user：由苹果负责运维，该邮件列表是跟Xcode相关：
https://lists.apple.com/mailman/listinfo/xcode-users 

Quartz-dev： 有苹果负责运维，该邮件列表主要是讨论Quartz 2D和Core Graphics相关技术：
http://lists.apple.com/mailman/listinfo/quartz-dev

iPhone SDK开发：这是第三方的一个邮件列表，主要讨论 iOS 开发。
http://groups.google.com/group/iphonesdkdevelopment

 

3、论坛

英文

Learn Cocoa Forum：该论坛是书籍Learn cocoa on the Mac and Beginning iOS Development的官方论坛。活跃度非常不错，有初学者，也有经验丰富的开发者。
http://forum.learncocoa.org/

Cocoa Cafe：这是法国的一个论坛(主要是法语)
http://www.cocoacafe.fr

Apple Developer Forums：这是苹果官方的开发者社区，主要讨论 iOS 和Mac软件开发。许多 iOS 开发初学者和有经验的人(包括苹果的工程师和步道师)，都经常为这个论坛做着贡献。在这里是预发布版的SDK(在NDA限制下)是唯一可以合法讨论的地方。要访问该论坛，需要注册一个Apple ID。
http://devforums.apple.com/

Apple Discussions，Developer Forums：这是苹果的社区论坛(针对Mac和iOS软件开发者)：
https://discussions.apple.com/community/developer_forums?categoryID=164

Apple Discussions，iPhone：这是讨论iPhone的苹果社区论坛
https://discussions.apple.com/community/iphone?categoryID=201 

 

中文

CocoaChina：CocoaChina创立于2008年3月，是一个苹果产品和 iOS 开发的中文社区网站，主要为苹果产品开发者提供资讯、信息及服务。
http://www.cocoachina.com/ 

DevDiv：国内早期比较流行的一个移动开发者社区之一，涉猎 iOS、Android和Windows Phone等各移动平台开发。
http://www.devdiv.com/

泰然网：成立于2011年9月，由泰然翻译团队，泰然技术团队，泰然管理团队组成。翻译了大量国外优秀文章，同时也有许多经典原创。
http://www.ityran.com/

Cocos2d-x：Cocos2d-x 是一个开源的支持多平台的 2D 手机游戏引擎。国内难得的一个优秀开源项目。
http://www.cocos2d-x.org/

 

4、网站

英文

github：当下最牛叉的开源代码库和版本控制系统。
https://github.com/

Stack Overflow：这是针对程序员的社区问答网站。许多有经验的iOS程序员会常驻这里回答问题：
http://stackoverflow.com/

除了访问Stack Overflow主站以外，还可以使用标签来浏览iOS开发的相关主题：
http://stackoverflow.com/questions/tagged/objective-c
http://stackoverflow.com/questions/tagged/iphone
http://stackoverflow.com/questions/tagged/xcode
http://stackoverflow.com/questions/tagged/ios

maniacdev：该站点是由软件开发者Johann Dowa维护。内容主要包括：iOS 程序开发库、控件、教程、示例和工具。
http://maniacdev.com/

Cocoa Controls：在这个站点可以找到许多免费并开源的GUI组件(包括iOS和Mac OS)。
http://cocoacontrols.com

NSHipster： 这个站点介绍Objective-C和Cocoa的相关内容。
http://nshipster.com

iOS Fonts：详细列出了iOS中可用的字体。可以选择不同 iOS 版本支持的字体。
http://iosfonts.com/

Cocoa Dev Central：从2001年以来，该站点就是Mac OS X编程中最流行的站点之一。
http://cocoadevcentral.com/

cocoanetics： 网站负责人号称天生就是写Objective-C的，里面的文章更新频率也比较快，好多内容(例如Core data)的介绍都比较深入，值得关注。
http://www.cocoanetics.com/

 

中文

iOS Feed：该站点由许小帅负责维护，许小帅目前任职于腾讯。iOS Feed汇集了许多优秀的iOS开发文章，经常会有新的更新。
http://iosfeed.com/

Code4App：code4app是一个移动平台的代码库，目前收集了iOS平台几百个代码，并且配有效果图和演示视频。
http://code4app.com/

UI4APP：收集了许多iOS应用的截图，并进行分类浏览，方便美工设计找素材、找灵感。
http://ui4app.com/

苹果核：该站点由多人一起维护，其中一名是来自天猫的高嘉峻。苹果核主要探讨开发ios开发，介绍mac os应用，谈论apple产品发展，关注apple相关的一切。
http://pingguohe.net/

 

5、博客

英文

Matt Gemmell的博客：Matt对Objective-C 开发拥有丰富的经验和观点，这些观点非常值得我们去关注
http://www.mattgemmell.com/

Cocoa is my Girlfriend：这是有Marcus Zarra带领的一批博客，主要集中在iOS和Cocoa开发的问题上。
http://cimgf.com

Ray Wenderlich的博客：实际上Ray站点发展到现在，已经非常的庞大，感觉有点不想博客了，不过还是将其列在博客范围内。对于iOS开发者这个站点提供了非常好的资源，涉及的主题也非常广泛。虽然许多内容是针对游戏开发者的，但是在这个站你总能发现感兴趣的东西。
http://www.raywenderlich.com

Wolf Rentzsch的博客：Wolf是一个有丰富经验的Cocoa独立开发者，也是C4独立开发者大会(现在已经解散)的创始人。
http://rentzsch.tumblr.com/

iDevblogaDay：这是一个有多个作者贡献的博客，阅读这里的内容，会从不同的开发者者身上发现新的见解。
http://idevblogaday.com/

Wil Shipley的博客：在这个星球上，Wil是一个拥有丰富Objective-C开发经验的程序员。他博客中的Pimp My Code系列文章是每一个Objective-C程序都应该阅读的。
http://blog.wilshipley.com/

Jeff lamarche的博客：Jeff是MartianCraft的创始人，也是Beginning iOS Development系列书籍的作者之一。Jeff是一个非常博学的开发者。
http://iphonedevelopment.blogspot.com/

Mike Ash的博客：博客中Mike收集了一些iOS相关的Q&A。
http://www.mikeash.com/pyblog/

Joe Conway的博客：Jeo在Big Nerd Ranch带了很长时间，他的博客里面有许多有用的iOS/Cocoa代码和提示。
http://stablekernel.com/blog/

objc.io：深度介绍iOS开发中的最佳实践经验和高级技术。
http://www.objc.io/

iOS Developer Tips：2008年John Muchow就开始写这个博客了。这是第一批关于iPhone开发的博客。
http://iosdevelopertips.com/

Gregory Hill的博客：里面有许多关于本地化处理的文章。
http://blog.appliedis.com/author/gregory-hill/

iOS Dev Weekly：这是一些简讯集合的博客，由Dave Verwer负责，订阅之后，每周都会有更新，非常棒。
http://iosdevweekly.com/

 

中文

王巍的博客：王巍目前在日本横滨任职于有趣法人。工作内容主要进行Unity3D开发，8小时之外经常进行iOS/Mac开发。他的陈列柜中已有多款应用，其中番茄工作法工具非常棒。
http://onevcat.com

池建强的博客： 池建强，70后程序员，Blogger。98年毕业，先后就职于洪恩软件、RocketSofeware和用友软件工程公司（后更名为瑞友科技），现任瑞友科技IT应用研究院副院长。该博客最初每天发送一条Mac技巧，不过目前已经形成了一种技术和人文结合的风格，时而随笔，时而技术。
http://macshuo.com/

唐巧的博客： 唐巧是前网易有道员工，现在在粉笔网创业中，负责iOS端的开发。博客中的每篇文章都堪称精华，近期分析了支付宝客户端的插件机制，值得细细品读。
http://blog.devtang.com/

许小帅的博客：许小帅目前任职于腾讯，他还是iOS Feed站点的负责人。博客中对支付宝钱包插件分析的文章，引起了支付宝开发团队的反思，大家可以去感受一下。
http://imallen.com/

蓝晨钰的博客：晨钰目前就读于中山大学。是一名90后iOS开发者。
http://gracelancy.com/

萧宸宇的博客：萧宸宇目前任职于Sumi Interactive。他出生于西南一个边陲小镇，梦想着能走出家乡，看看祖国的大好河山。他拥有丰富的 iOS 开发经验，在他的博客中发表了许多 iOS 开发的文章。
http://iiiyu.com/ 

陶丰平的博客：陶丰平目前任职于花瓣网，喜欢技术，喜欢音乐。他在软件开发领域有丰富的开发经验。
http://www.taofengping.com/

乔学士的博客：乔学士目前任职于创业公司拓词，他正在为成为“代码手工艺人”而努力，目前主要进行 iOS 开发。最近他做得非常精彩的一件事就是汇总了WWDC 2013 视频英文字幕下载，大家可以前往他的博客感受一下。
http://joeyio.com/

破船的博客：破船在移动领域摸爬滚打多年，经历了Symbian、Windows Mobile、Windows Phone和 iOS 等的洗礼。他希望能充分利用业余时间，努力做一名伪步道师。
http://beyondvincent.com/

陈咏聪的博客：陈咏聪现任职于百度，从事 iOS 相关开发。他热爱Web事业，关注设计、产品、开发。沉迷代码，无法自拔。
http://vinqon.com/

骆仕恺的博客：骆仕恺目前任职于爱折客 / 爱美味。他主要从事 iOS 和Java开发。拥有丰富的 iOS 开发经验。
http://luosky.com/

耿健桓的博客：耿健桓目前在清华大学攻读硕士，之前他是著名站点知乎的 iOS 技术主管。
http://dlog.dismory.com/

李择一的博客：李择一目前任职于百度，他在移动开发领域积累了丰富的经验，特别是 iOS 开发。最近他在博客中发表关于OC中block的追究非常有深度，大家一定要去感受一下。
http://cnblogs.com/biosli

王轲的博客：王轲是一名 iOS 独立开发者，也是IndieBros Studio创始人。在博客中有几篇关于 iOS 性能优化的文章，值得大家去看看。
http://www.iwangke.me/

杨宇建的博客： 杨宇建目前任职于载信软件。在他的博客中有许多 iOS 开发的文章，都是干货。
http://www.cnblogs.com/easonoutlook/

连栩的博客： 连栩目前工作在加拿大温哥华，运营着自己的公司 Beyondcow，他是一名 OSX、iOS 程序员同时也是用户体验，交互界面设计师。在开发的软件 Miao 是一款全功能 Mac 微博客户端。他的博客中有许多Cocoa开发的文章，值得大家去品读。
http://lianxu.me/

高嘉峻的博客：高嘉峻目前任职于天猫。是一名资深80后，号称会写代码的猪。最近他的博客中出现了两篇关于iOS中单元测试的文章，非常棒。
http://jiajun.org/

webfrogs的博客：目前在北京当一枚程序猿，有幸成为80后的尾巴。目前行走在iOS开发的道路上，用博客记载一路上的所见所闻所想。
http://webfrogs.me/

 

6、大会

WWDC：苹果开发者大会是一年一度的盛会，苹果通常会在这里发布新的东西，并且会提供许多开发资源，值得关注。
https://developer.apple.com/wwdc/

 

7、播客和录像

Core intuition：
http://www.coreint.org/podcast.xml

调试
http://feeds.feedburner.com/debugshow

Edge Cases
http://www.edgecasesshow.com/rss.xml

发展前景
http://developingperspective.com/feed/podcast/

iDeveloper博客：
http://feeds.feedburner.com/IdeveloperLive

Software Indie：
http://softwareindie.com/feed/podcast

NSScreenCast：
http://nsscreencast.com/

 

参考

Resources for Mac and iOS Developers

本文由破船原创●转载请注明出处●2013-07-18

http://www.ityran.com/archives/4647

收录于
IOS

当前文章被收录于：

IOS
15 篇文章 0 人学习
订阅专栏 查看详情
标签
#网址
Cocos2d-X游戏【泰然网《跑酷》】JS到C++移植完整版 Cocos2d-X游戏【泰然网《跑酷》】JS到C++移植 配套教材完整版代码 素材来源于泰然网的跑酷游戏 立即下载

相关推荐

ios_app资源

ios_app资源

常用iOS开发网站资源

常用iOS网站资源学习网址

李鴻耀 1万+

Cocos2d-X游戏【泰然网《跑酷》】JS到C++移植

Cocos2d-X游戏【泰然网《跑酷》】JS到C++移植 素材来源于泰然网的跑酷游戏

两个非常好的 ios 资料站: http://ui4app.com/ http://code4app.com/

UI => http://ui4app.com/ Code => http://code4app.com/

any2mobile的专栏 2486

QSPI Flash的原理与QSPI时序的Verilog实现

本节主要是讨论QSPI(Quad SPI，四线SPI总线)的相关内容。我的开发板上有一片型号是W25Q128BV的Quad SPI Flash存储器，本文将以它为例子来说明QSPI操作的一些内容。

Go Forward Forever! 4166

【2025年五一数学建模竞赛】A题 完整论文 模型建立与求解

2025年五一数学建模竞赛 A题：基于历史数据与模式识别的道路车流量推测模型研究

Magnolia_He的博客 3783

中文播客(podcast)不完全列表

 　　 中文播客(podcast)不完全列表　　建议置顶，大家来共同添加、维护。　　1、工具篇　　工欲善其事，必先利其器。　　　　1.1 Google reader　　Google阅读器，值得一提的是Google reader可以听音频的podcast!（比如锵锵三人行）　　 适合在电脑是阅读和收听　　 　　1.2 iTunes　　Apple开发的客户

updownboy的专栏 1万+

第5.1节 构网控制：电压源特性与电压调节

摘要： 构网型变流器的核心物理本质是作为可控交流电压源，通过戴维南等效模型（受控电势源+低输出阻抗）自主建立并调节电压，增强电网电压刚度。其电压调节通过无功-电压闭环控制实现，内环为自动电压调节器（AVR），外环为无功-电压下垂特性，模拟同步发电机功能。关键技术包括自适应增益、虚拟阻抗补偿及动态限流策略，以应对弱电网稳定性、故障过流等问题。该设计满足《规范》对电压调节范围、动态无功支撑的要求，是高比例新能源电力系统电压稳定的关键解决方案。

技术工作者 1110

iOS开发资源汇总

1、苹果官方文档 构建iOS程序：下面的这篇文章介绍了 iOS 程序开发的过程： Start Developing iOS Apps Today 构建Mac OS X程序：下面这篇文章介绍了Mac OS X开发的过程： Start Developing Mac Apps Today Objective-C：下面的这个链接是苹果官方介绍Objective-C的文档：

zmzsoftware的专栏 1516

狗都能看懂的MAML原理讲解和代码实现

meta-leaning指的是元学习，元学习是深度学习的一个分支，一个好的元模型（meta-learner）应该具备对新的、少量的数据做出快速而准确的学习。通俗的来讲， 对于人来说，给几张橘猫的图片让看一下，再给你几张没见过的英短猫图片，你一定能很快识别出来都是猫。但是对于神经网络来说，并非如此。如果让一个小汽车分类网络去识别不同的大货车，那效果肯定很差。而传统的CNN网络都是输入大量的数据，然后进行分类的学习。但是这样做的问题就是，神经网络的通用性太差了，根本达不到“智能”的标准。而人类的认知系统，可以通

个人学习笔记 6万+

四款办公Agent实测对比：WorkBuddy、千问办公、库库AI、豆包工作怎么选

AI Agent是一种能感知环境、自主决策并执行动作的智能系统，其核心在于工具调用、状态管理与错误恢复构成的执行闭环。在办公场景中，任务边界清晰、容错率高、重复性强，使Agent成为最容易落地的方向。通过调用本地文件、脚本或办公套件，Agent能自动完成文件批量处理、文档摘要、会议纪要等重复劳动，显著提升工作效率。目前WorkBuddy、千问办公、库库AI、豆包工作等产品分别从本地操作、办公套件嵌入、知识处理、轻量助手等路线切入，用户可根据自身场景选择。

weixin_29052717的博客 522

Mac和iOS开发资源汇总—更新于2013-07-19(转自破船)

转载自泰然网:http://www.ityran.com/archives/4647 小引 本文主要汇集一些苹果开发的资源，会经常更新，建议大家把这篇文章单独收藏(在浏览器中按command+D)。 今天(2013年7月19日)收录了许多中文网站和博客。大家一定要去感受一下哦。 如果大家有知道不错的站点，可以告诉我。   目录 1、苹果官方文档

liuwenyang45的专栏 805

【OpenCV C++】基本绘图操作

OpenCV C++基本绘图操作程序说明代码运行效果 程序说明 // 程序描述：OpenCV C++基本绘图操作 //参 考：毛星云《OpenCV3编程入门》 // 操作系统： Windows 10 64bit // 开发语言： C++ // IDE 版 本：Visual Studio 2019 // OpenCV版本：4.20 代码 main函数写法很简单，先创建空表Mat图像，然后点用函数绘制化学原子图，接着绘制组合图，最后显示图像。 //-------------------------

程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。 765

Mac和iOS开发资源汇总—更新于2013-10-14

From:http://beyondvincent.com/blog/2013/07/18/106/ 1U55JG9-0 小引 本文主要汇集一些苹果开发的资源，会经常更新，建议大家把这篇文章单独收藏(在浏览器中按command+D)。 今天(2013年10月14日)收录了answer哥(黄爱武)的博客，欢迎大家围观！今天(2013年7月19日)收录了许多中文网站和博客。大家

code_farmer的小黑屋 1902

UDS19 03 和19 04服务--答疑

UDS 1903服务（reportDTCSnapshotIdentification）用于获取ECU中存储的故障码快照标识信息。该服务返回DTC编号及对应的快照记录编号，为后续使用1904服务读取详细快照数据提供依据。请求报文为"1903"，响应报文格式为"5903"后接DTC编号和记录编号列表。该服务需在非默认会话模式下执行，且清除诊断信息会删除相关快照记录。1903服务是读取DTC快照数据的基础步骤，可帮助确定ECU中存储的故障快照情况。

汽车软件开发 456

机器视觉应用工程师职位深度解析与面试指南

广东奥普特科技招聘机器视觉应用工程师，要求大专以上理工科专业背景，熟悉C/C++或PLC编程，具备自动化设备调试经验。岗位职责包括视觉项目方案评估、系统安装调试、售后技术支持及异常处理，需接受外派出差。该职位面向专业对口的应届生或实习生，强调动手能力、沟通技巧和吃苦耐劳精神。机器视觉工程师需掌握图像处理算法、硬件配置等核心技术，在工业自动化领域具有良好发展前景。求职者应注重编程能力和实践经验的积累，以胜任这一技术密集型岗位。

郑伟强dev的专栏 432

Mac和iOS开发资源汇总—更新于2013-08-19

http://beyondvincent.com/blog/2013/07/18/106/ 小引 本文主要汇集一些苹果开发的资源，会经常更新，建议大家把这篇文章单独收藏(在浏览器中按command+D)。 今天(2013年7月19日)收录了许多中文网站和博客。大家一定要去感受一下哦。 如果大家有知道不错的站点，可以告诉我。   目录 1、苹果官方文档 2

呆萌院长 1064

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Mac和iOS开发资源汇总

Mac和iOS开发资源汇总—更新于2013-07-19  分享0 小引 本文主要汇集一些苹果开发的资源，会经常更新，建议大家把这篇文章单独收藏(在浏览器中按command+D)。 今天(2013年7月19日)收录了许多中文网站和博客。大家一定要去感受一下哦。 如果大家有知道不错的站点，可以告诉我。   目录 1、苹果官方文档 2、邮件列

iOSDING的专栏 774

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

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")

【IOS】Mac和IOS开发资源汇总

本文主要汇集一些苹果开发的资源，会经常更新，建议大家把这篇文章单独收藏(在浏览器中按**command+D**)。 今天收录了许多中文网站和博客。大家一定要去感受一下哦。 如果大家有知道不错的站点，可以告诉我。  目录 1、苹果官方文档 2、邮件列表 3、论坛 4、网站 5、博客 6、大会 7、播客和录像 正文 1、苹果官方文档 构建iOS程序：下面的这篇文章介绍了 i

Geek马走日 758

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
上一篇： 关于Xcode4.3+禁用UseAutolayout
下一篇： Cocos2D-X教程(IOS以及Android)：第一步
点赞 0
评论 0
书签 书签 0
果冻明
果冻明
博客等级 码龄14年 2粉丝 1原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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