日语N4语法总结(一)

日语N4语法(二) 一、基本接续规则接续公式:形容动词词干名词​であろう二、文体差异对照表三、语义强度对比(强→弱)であろう≥だろう≈でしょう四、特殊使用场景五、常见错误提醒六、实战应用建议5. 日常会话:优先使用でしょう(例:荷物が重いでしょう?我来帮忙)6. 书面报告:统一使用であろう(例:データの誤差は許容範囲内であろう)7. 朋友聊天:自然使用だろう(例:あの店、もう閉まっただろう) 阅读详情

名词化

一、核心形式名词

1. 「こと」
  • 功能:将动作、状态抽象化为“事情”“行为”等概念。
  • 特点:常用于正式表达或抽象概念。
  • 示例:
    • 勉強することは大切です。
      (学习是重要的。)
    • 彼が来たことを知っていますか?
      (你知道他来过吗?)
2. 「の」
  • 功能:将具体动作或现象名词化,强调“实际行为/场景”。
  • 特点:口语化,多用于描述具体场景或感官体验。
  • 示例:
    • 彼が歌うのを聞いた。
      (我听到他唱歌了。)
    • 雨が降るのが見える。
      (能看见下雨。)
3. 「もの」
  • 功能:表示普遍性事物或现象(类似中文“东西”“事物”)。
  • 示例:
    • これは昔からあるものです。
      (这是自古就有的东西。)

二、名词化的应用场景

1. 作主语或宾语
  • 日本語を話すのは難しい。
    (说日语很难。)
  • 彼女が笑うことが好きだ。
    (我喜欢她笑的样子。)
2. 强调特定内容
  • 重要なのは努力することだ。
    (重要的是努力。)
3. 与形式名词搭配使用
  • 〜ことができる(表示能力):
    泳ぐことができる。
    (会游泳。)
  • 〜ものだ(表示普遍真理):
    人は必ず死ぬものだ。
    (人终有一死。)

三、名词化与句子的灵活性

通过名词化,复杂句子可以简化为名词短语,使表达更简洁:

  • 原句:彼が遅刻したことが問題になった。
    (他迟到这件事成了问题。)

四、常见对比

形式名词 侧重含义 例句对比
こと 抽象概念 勉強することが好き(喜欢学习的行为)
の 具体场景/行为 勉強するのが好き(喜欢学习时的状态)

五、注意事项

  1. 区分「こと」与「の」:
    • 感情表达(如「好き」「嫌い」)两者通用,但「の」更口语化。
      • 例:泳ぐのが好き vs 泳ぐことが好き。
  2. 固定搭配:
    • 「〜ことにする」(决定做某事)、「〜ものだ」(感叹)等需记忆。

实例练习

  1. 将动词名词化:
    • 走る → 走ること(跑步的行为)
    • 食べる → 食べるの(吃东西的场景)
  2. 造句:
    • 日本語を勉強するのは楽しいです。
      (学日语很有趣。)

时候搭不搭助词 とき和ときに

一、基本结构与助词搭配

「とき」表示“时候”,通常前接动词、形容词或名词的修饰成分。是否加助词「に」,取决于句子的语法需求和表达意图。

1. 不加「に」的「とき」
  • 功能:直接连接前后文,强调“当……时”的整体状态或条件。

  • 接续方式:

    • 动词/形容词直接修饰:
      • 基本形(非过去时):
        食べる+とき→食べるとき \text{食べる} + \text{とき} → \text{食べるとき} 食べる+とき→食べるとき
        (吃饭的时候)
      • た形(过去时):
        食べた+とき→食べたとき \text{食べた} + \text{とき} → \text{食べたとき} 食べた+とき→食べたとき
        (吃完饭后)
    • 名词修饰:需加「の」
      子供+の+とき→子供のとき \text{子供} + \text{の} + \text{とき} → \text{子供のとき} 子供+の+とき→子供のとき
      (小时候)
  • 示例:

    • 日本へ行くとき、パスポートが必要です。
      (去日本的时候需要护照。)
    • 暑いときは、エアコンをつけます。
      (热的时候会开空调。)

2. 加「に」的「ときに」
  • 功能:强调具体时间点或动作发生的契机,更突出时间节点。

  • 接续方式:与「とき」相同,但需在句尾加「に」。

    • 动词/形容词修饰:
      食べる+ときに→食べるときに \text{食べる} + \text{ときに} → \text{食べるときに} 食べる+ときに→食べるときに
      (在吃饭时)
    • 名词修饰:
      子供+の+ときに→子供のときに \text{子供} + \text{の} + \text{ときに} → \text{子供のときに} 子供+の+ときに→子供のときに
      (在小时候)
  • 示例:

    • 電車に乗るときに、切符を買います。
      (在坐电车时买票。)
    • 彼女と会ったときに、プレゼントを渡した。
      (和她见面时送了礼物。)

二、使用场景对比

とき ときに
侧重 整体时间段或状态 具体时间点或动作的契机
语气 自然叙述,口语和书面通用 稍显正式,强调时间节点
示例 寝るとき、電気を消す。
(睡觉时关灯。)
寝るときに、ドアを閉めてください。
(睡觉时请关门。)

三、常见搭配与注意事项

  1. 动词时态的影响:

    • 非过去形(基本形):表示“做某事之前/同时”。
      • 例:出かけるとき、鍵をかける。
        (出门前锁门。)
    • 过去形(た形):表示“某事发生之后”。
      • 例:ご飯を食べたとき、歯を磨く。
        (吃完饭后刷牙。)
  2. 固定表达:

    • 「~たときに」:强调动作完成后的时间点。
      • 例:東京に着いたときに、連絡してください。
        (到东京后请联系我。)
  3. 省略「に」的条件:

    • 当句子已明确时间点或无需强调时,「に」可省略。
      • 例:勉強する(ときに→とき)、音楽を聴く。
        (学习时听音乐。)

四、常见错误

  • 误用「に」:
    × 子供にとき、よく遊んだ。
    ○ 子供のとき、よく遊んだ。
    (小时候经常玩耍。)

  • 混淆时态:
    × ご飯を食べるときに、手を洗った。
    ○ ご飯を食べる前に、手を洗った。
    (吃饭前洗手。※需用「前に」表示“之前”)


五、总结

  • 「とき」:广泛用于描述时间段或状态,口语中更常用。
  • 「ときに」:强调具体时间节点,常见于正式表达或明确动作契机时。
  • 核心区别:是否需突出“时间点”。
    • 例:
      • 寝るとき、目を閉じる。(自然叙述)
      • 寝るときに、薬を飲む。(强调服药的具体时间点)

通过练习

日语学习-日语知识点小记-进阶-JLPT-N1阶段(5):语法单词 自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。我们梦想就是最高级,一起去挑战吧,一点点积累吧。 阅读详情

相关推荐

日语学习-日语知识点小记-构建基础-JLPT-N4&N5阶段(4):~てもいいです & ~てはいきません征求许可

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。本次我们学习了动词的て形 变形后的一个构造,征求许可与禁止, 一点点积累吧。如果您喜欢这个系列,请关注一下,您的关注,就是我持续创作的动力。

qq_22146161的博客 2万+

日语学习-日语知识点小记-构建基础-JLPT-N4阶段(26):のは ・ のが ・ のを

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。本次我们学习了其他句式,句子也渐渐上来了。如果您喜欢这个系列,请关注一下,您的关注,就是我持续创作的动力。

qq_22146161的博客 1万+

日语学习-日语知识点小记-进阶-JLPT-N1阶段(10):语法单词

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。我们梦想就是最高级,一起去挑战吧,一点点积累吧。

qq_22146161的博客 1381

日语学习-日语知识点小记-进阶-JLPT-N1阶段(13):语法单词

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。我们梦想就是最高级,一起去挑战吧,一点点积累吧。

qq_22146161的博客 993

日语学习-日语知识点小记-进阶-JLPT-N1阶段(7):语法单词

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。我们梦想就是最高级,一起去挑战吧,一点点积累吧。

qq_22146161的博客 1177

日语学习-日语知识点小记-进阶-JLPT-N1阶段(9):语法单词

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。我们梦想就是最高级,一起去挑战吧,一点点积累吧。

qq_22146161的博客 1205

日语学习-日语知识点小记-进阶-JLPT-N1阶段(12):语法单词

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。我们梦想就是最高级,一起去挑战吧,一点点积累吧。

qq_22146161的博客 1005

日语学习-日语知识点小记-进阶-JLPT-N1阶段(8):语法单词

自己在今年,在日本留学中,目前在语言学校,我自己不是那种一学什么的都能会的人,只能依靠自己一点一点积累,学习也分为很多种,自己跟着课本学是一种方法,如果记录下来,整理好,教给别人也是一种方式,我希望,以后每天一篇小的日语知识点小记,来构建基础,同时也可以帮助他人。我们梦想就是最高级,一起去挑战吧,一点点积累吧。

qq_22146161的博客 1113

某知名系统漏洞挖掘与利用思路探索

本文以安全研究为目的,分享对该套系统的代码审计和漏洞挖掘过程,文中所提到的漏洞均已提交给CNVD&CITIVD,请勿用做非法用途。

C20220511的博客 1902

利用ArcGIS快速生成等高线边界,完成地形图拼图

地形图边界一般在CAD中手动绘制,然而,一幅边缘复杂的地形图边界的绘制需要花费大量时间和精力,为了减少重复性工作,提高效率,用ArcGIS软件可以自动生成实测地形图的边界

yl14774636230的博客 9068

YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进

Hello,各位读者们好.本文为最新YOLOv11有效涨点专栏目录,YOLOv11以及发布了一个月左右,这个过程中我也是给大家整理了许多的机制,其中包含了C3k2、主干(均支持根据yolov11训练的版本进行二次缩放,全系列都能轻量化)、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新。

Snu77的博客 8万+

《Autosar_BSW高阶配置》总目录_培训教程持续更新中...

目录 一、Autosar COM Module 二、Autosar BswM Module 三、Autosar EcuM Module 四、Autosar DCM Module 五、Autosar DEM Module 六、其它Module陆续推出 欢迎大家订阅《Autosar_BSW高阶配置》专栏(可以理解为是Autosar培训教程),该专栏每周至少更新一篇,一次订阅,不再二次收费,献上常用的案例和配置方法。下方整理了相关博文的链接(单击蓝色字体即可跳转),方便大家获取。 本专栏...

「汽车电子助手」的博客 4万+

Google Earth Engine 红树林制图方法的代码(三个模块)

谷歌地球引擎红树林制图方法(GEM)提供了一种直观、易用且可复制的工具,适用于广泛的非专业沿海管理者和决策者。该工具全面回顾并整合了相关的红树林遥感文献,并利用云计算的力量,包括简化的基于图像的潮汐校准方法。GEM 可免费用于非营利用途,并在 GEE 中运行,包含全面且详细注释的代码。GEM 专门设计用于绘制全球范围内多日期红树林分布并量化其动态变化。目前可用的工具和方法未能充分利用沿海管理者通常持有的丰富地方专业知识——GEM 致力于填补这一空白,帮助结合地方专业知识与 GEE 的云计算能力。

此星光明博客 559

Python爬虫实战:东方财富股吧与雪球舆情数据实时爬取与情绪指标挖掘

本文详细介绍如何使用Python爬虫技术实时爬取东方财富股吧和雪球平台的讨论数据,结合股价波动构建情绪分析指标。我们将使用最新的异步爬虫技术、自然语言处理方法和可视化工具,为量化交易提供数据支持。文章包含完整的代码实现和技术细节,适合有一定Python基础的读者学习。

2201_76125261的博客 1222

《Linux GPU 驱动核心机制:面向图形与 AI 计算的 DRM 内存管理与任务调度》 目录

本文以缓冲区对象(BO)生命周期为主线,系统解析 Linux DRM 子系统中 GPU 驱动的核心机制。涵盖 GEM 与 TTM 内存管理、dma-buf/dma-fence 共享同步、GPU 调度与地址空间管理,结合 amdgpu、Xe 等驱动代码,深入剖析其设计动机与实现逻辑。旨在填补中文领域对 GPU 内核机制系统性讲解的空白,为图形与 AI 计算场景下的内存泄漏、同步死锁等疑难问题提供可追溯的分析路径。

图形/计算GPU的驱动与虚拟化技术分享园地 3709

【单片机】STM32F103C8T6 最小系统板原理图

STM32F103C8T6是一款基于ARM Cortex-M3内核的32位微控制器,由STMicroelectronics(ST)公司生产。它是STMicroelectronics的STM32系列微控制器中的一员,被广泛应用于嵌入式系统和电子设备中。LQFP48封装(Low-profile Quad Flat Package,48引脚)SRAM(静态随机访问存储器):20 KB。支持JTAG调试和编程接口(可选)多个通用输入/输出口(GPIO)USB接口(用于USB设备模式)内置调试和编程接口(SWD)

q742971636的博客 6万+

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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。

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")

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!

上一篇: 【从0开始的】日语基本语法学习(N5)
下一篇: 日语N4语法(二)
Next2you
博客等级 码龄7年 1238粉丝 166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

打赏作者

Next2you

你真帅!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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